樱桃番茄采摘机器人设计与试验

正鉴于鲜食樱桃番茄人工采摘耗时、费力的问题,设计了一种新型采摘机器人,以期将来代替或辅助人工采摘番茄。该机器人主要包括果实识别视觉单元、采摘手爪、机械臂、果实收集装置以及轨道式承载平台。针对日光温室番茄栽培环境,确定了采摘机器人构型方案和工作流程。本文详细介绍了机器人3个关键部件:用以承载机器人在地     

果蔬采摘机器人视觉系统研究综述

视觉系统是果蔬采摘机器人的重要组成部分,其性能好坏决定了采摘机器人的采摘效率、速度和质量。通过论述近年来国内外关于果蔬采摘机器人视觉系统对采摘目标、障碍物识别与定位等方面的研究方法和进展,分析并指出当前研究存在的问题及未来研究建议,为今后深入研究果蔬采摘机器人视觉系统提供了参考。     

基于改进YOLO v5s的温室番茄检测模型轻量化研究

番茄检测模型的检测速度和识别精度会直接影响到番茄采摘机器人的采摘效率,因此,为实现复杂温室环境下对番茄精准实时的检测与识别,为采摘机器人视觉系统研究提供重要的参考价值,提出一种以YOLO v5s模型为基础,使用改进的MobileNet v3结构替换主干网络,平衡模型速度和精度。同时,在颈部网络引入Ghost轻量化模块和CBAM注意力机制,在保证模型检测精度的同时提高模型的检测速度。通过扩大网络的输入尺寸,并设置不同尺度的检测网络来提高对远距离小目标番茄的识别精度。采用SIoU损失函数来提高模型训练的收敛速度。最终,改进YOLO v5s模型检测番茄的精度为94.4%、召回率为92.5%、均值平均精度为96.6%、模型大小为7.1 MB、参数量为3.69 M、浮点运算(FLOPs)为6.0 G,改进的模型很好地平衡了模型检测速度和模型识别精度,能够快速准确地检测和识别复杂温室环境下的番茄,且对远距离小目标番茄等复杂场景都能实现准确检测与识别,该轻量化模型未来能够应用到嵌入式设备,对复杂环境下的温室番茄实现实时准确的检测与识别。     

基于色差信息的田间成熟棉花识别

准确识别和定位目标在三维空间中的位置,为机械手提供运动参数,是采摘机器人视觉系统要解决的关键问题。本文利用棉花成熟期,棉花表面颜色与背景颜色存在较大差异的特征,在统计分析的基础上,建立了利用色差信号进行棉花识别的视觉模型。试验结果表明该模型可以完成棉花的识别,识别准确率达到85%以上。     

自然环境下茄子采摘机器人目标识别方法

为了提高自然环境下茄子采摘机器人的采摘成功率并缩短采摘周期,对茄子采摘过程的目标识别进行了研究。自然环境下茄子的生长状况较为复杂,枝叶及果实间相互遮挡的情况降低了对目标识别的成功率。针对这一问题,提出了一种基于霍夫变换算法,通过在投票阶段引入条件概率,构建概率检测模型,采用基于最大后验概率的贪婪算法求解概率模型,多次迭代局部最优值确定目标,从而完成对茄子目标的识别。结果表明,对无遮挡及存在遮挡情况的茄子目标的识别正确率都在89%以上,相对于传统识别方法,该方法识别正确率大大提高,且具有较好的抗噪能力,可为茄子采摘机器人的后续开发提供参考。     

五自由度机械臂的番茄智能采摘机器人

为实现温室大棚内番茄的自动采摘工作,通过模拟人工采摘番茄的过程设计了基于五自由度机械臂的番茄智能采摘机器人,主要由定位导航系统、双目视觉系统和五自由度机械臂等组成。首先,通过对五自由度机械臂进行建模,求解出各关节的角度与目标点坐标的关系;然后利用双目视觉系统对植株上番茄的大小和颜色扫描来判断成熟程度,并定位目标中心点的三维坐标,再将其转化到机械臂坐标系下,最终通过控制各关节的舵机将末端执行器送到成熟番茄的位置完成采摘任务。对五自由度机械臂的控制精度进行测试,结果表明:在9个不同高度和不同方向的目标点中最大的距离偏差仅为6. 71 mm;在实际作业试验中,采摘成功率高达94. 82%,而单颗平均采摘耗时仅为9. 94 s,完全满足设计的要求,能够胜任温室内大规模番茄采摘的工作。     

机器视觉识别田间成熟番茄的研究

为正确识别自然条件下田间成熟番茄,顺利完成其自动采摘,研究了基于颜色特征的田间番茄识别方法。对采集的100幅自然条件下田间番茄图片进行颜色特征提取和理解的基础上,建立了利用成熟番茄与背景(未成熟番茄、枝叶等)在I2颜色指标上的差异进行番茄识别的颜色模型,并利用Ostu法将成熟番茄从背景中分割出来。通过在顺光条件和逆光条件下进行试验,结果表明该模型可以较好地实现自然条件下田间成熟番茄的识别。     

番茄采摘机器人机械臂结构设计与参数优化

农业采摘机器人属于非结构环境下作业的特种机器人,果实的采摘易受环境变化的影响,机械臂的结构特点直接决定机器人作业范围。根据番茄的特点及其植株的生长分布,设计了具有平行结构关节的四自由度机械臂,建立了机械臂运动学模型,完成了机械臂的结构参数优化设计,并使用MATLAB平台进行了仿真验证。在满足番茄采摘要求的前提下,实现了实际采摘无效空间最小化,证明了该机械臂结构设计合理。     

蔬菜识别技术研究

采用四种分类器,利用每一种分类器来实现蔬菜二级分类。结果表明：在大小为360的测试库中,SVM、Tree和LDA分类器得到的识别率均高于88%,其中SVM识别率最高达到93.33%,说明在蔬菜识别的二级分类中,利用所选取的特征和分类器是行之有效的。     

基于非线性势函数法的手写体数字识别

提出了基于非线性势函数的一种几何分类方法,设计了利用电势理论来改造决策面判别函数和利用非线性势函数对手写数字进行分类的算法。以该算法为核心构造的分类器可改善针对不同人写字习惯的分类效果。用VC 实现了该算法,结果表明该算法能减小分类时的错误率,对手写体数字的识别有较好的效果,识别率能达到97%。     

基于HOG与支持向量机的成熟苹果自动识别

由于采摘目标背景复杂多变,采摘机器人提取目标时经常会出现轮廓不均匀以及分割不准确的现象。针对前期背景和目标物的分离处理,选取了最大类间方差法即Otsu算法提取目标物的粗轮廓,引入目标轮廓的HOG梯度方向特征训练支持向量机,进而对提取的轮廓进行细筛选,实现自动识别目标。以识别成熟苹果的试验证明,支持向量机能够准确识别单个苹果的轮廓,准确率在93%以上,并获得了较好的识别效果。     

基于彩色点云图像的不同成熟阶段番茄果实数量的测定方法

【目的】为测定温室中番茄不同成熟阶段的果实数量,提出一种基于彩色点云图像的测定方法。【方法】在移动平台上搭载KinectV2.0采集温室中行栽番茄的图像信息合成番茄植株点云,再将二视角的番茄植株点云合成1个点云,并通过深度信息截取得到近处番茄植株点云,将标注的点云数据输入到PointRCNN目标检测网络训练预测模型,并识别番茄植株点云中的番茄果实,最后利用基于特征矩阵训练的支持向量机(Support vector machine, SVM)分类器对已经识别出来的果实进行成熟阶段分类,获得不同成熟阶段番茄果实的数量。【结果】基于PointRCNN目标检测网络的方法识别番茄果实数量的精确率为86.19%,召回率为83.39%;基于特征矩阵训练的SVM分类器,针对番茄果实成熟阶段的预测结果在训练集上准确率为94.27%,测试集上准确率为96.09%。【结论】基于彩色点云图像的测定方法能够较为准确地识别不同成熟阶段的番茄果实,可以为评估温室番茄产量提供数据支撑。     

基于云台相机的番茄主茎跟踪控制方法

为满足番茄整枝和果实收获机器人的需求,设计了一种对番茄主茎主动跟踪的视觉获取系统,提出了一种云台姿态的控制方法.该系统由一个二自由度的云台和Realsense D435i深度相机组成,由安装在云台上的相机获取番茄主茎的三维信息,根据提出的跟踪方案确定跟踪参考点的3D坐标;在完成云台和相机参数标定的基础上,提出了基于主茎图像形态的主动跟踪控制方法,通过实时控制相机姿态实现对番茄主茎自下而上进行图像的跟踪采集.试验结果表明,观测垂直区域在600～1 500 mm的范围且跟踪步长Δl≤150 mm时,跟踪的最大水平偏差和最大垂直偏差不超过8个像素,水平像素最大偏差相当于番茄主茎像素宽度的53.3%.该研究可以为番茄授粉、整枝、喷药和采摘等环节的智能化作业提供技术支持.     

基于视频分析的振荡果实轨迹跟踪方法

受采摘作业及风力等因素影响,果实目标多处于振荡状态,实现振荡影响下果实目标的自动识别与快速跟踪是提升果实采摘机器人采摘效率、果实表型最佳监测帧选取的关键。为了实现振荡影响下果实目标的准确识别与跟踪,提出了一种基于YCbCr颜色空间的果实目标自动识别方法;在此基础上,利用Meanshift算法实现了振荡果实轨迹跟踪;最后,通过对振荡果实运动轨迹跟踪结果得到果实的运动速度及加速度曲线,可为采摘机器人判定最佳采摘时机、最佳果实表型监测帧筛选奠定基础。结果表明,Meanshift跟踪方法适合于振荡果实目标的自动跟踪,可为提高振荡果实采摘效率和果实的生长状态无损监测提供借鉴。     

柑橘采摘机器人末端执行器设计与试验

作为采摘机器人的重要组成部分,末端执行器是与采摘对象直接接触的最后执行部件,由于其采摘对象的特殊性,末端执行器的研制成为了农业机器人尤其是果蔬采摘机器人的关键技术之一,它的性能优异程度直接影响机器人的收获效率。基于仿生学理念,以蛇的吞咽动作和上颚结构为构型设计原型,提出末端执行器设计的机构构型,并完成末端执行器的初步模型设计。完成其控制系统设计与气压驱动系统设计,实现下位机控制器Arduino与PC上位机的通信。根据柑橘果实的生长情况与该型末端执行器作业状态分析,设计了末端执行器采摘试验,完成其采摘成功率分析与采摘执行系统优化。     

基于群智能算法分类模型的番茄病害识别

作物病害分类识别模型一直受被研究对象自身特性影响,为验证智能分类器在番茄常见病害中的识别效果,选择不同群智能分类器进行分类识别。采用主成分分析(principal component analysis,简称PCA)法对样本集的31个数据进行降维,筛选7个贡献率较高的主成分作为PCA-支持向量机(support vector machine,简称SVM)模型的输入;遗传算法(genetic algorithm,简称GA)具有全局寻优特点,正交变换可使变异率、交叉率、种群规模等参数之间快速最优化,构建GA-SVM智能分类器提高识别率;由于GA-SVM分类器增加了交叉变异计算,参数确定时间相对较长,而粒子群优化(particle swarm optimization,简称PSO)算法不存在交叉变异因子计算过程,因此选择PSO-SVM群智能分类器,把种群中具有最大适应度函数值的惩罚系数(r)和核函数参数(σ~2)作为支持向量机模型的最优参数,试验证明,PCA-SVM模型对3种病害类型中的分类效果总体较好。     

一种纹理分析方法在皮革图像分类中的应用

提出了一种将位平面技术和统计几何特征相结合的纹理分析方法,并使用Fisher线性分类器和LVQ神经网络对铬鞣和植鞣皮革进行分类试验对比。结果表明,该方法计算代价低,更适合表征鞣制皮革的纹理,能对铬鞣和植鞣皮革进行高效识别。     

一种改进的支持向量机集成分类算法

为了更好地改进集成分类器的性能,提出了一种基于反馈学习的支持向量机Bagging集成分类算法.该算法在对子分类器的训练中,引入反馈学习的思想,首先对每个训练得到的子分类器进行测试,找到被错分的样本,把这些样本添加到训练样本集中,重新进行训练、测试,直到没有新的被错分的样本出现为止,最后采用多数投票策略对得到的各子分类器进行组合.仿真实验结果表明,该算法可通过提高各分类器的分类能力改进集成学习器的性能.     

基于朴素贝叶斯的渔业文本分类器研究

通过阐述朴素贝叶斯文本分类器的算法原理及其用于建立渔业文本分类器的优点,给出了基于朴素贝叶斯的渔业文本分类器的基本结构,并用实验验证了该结构的性能。结果表明,基于渔业词库的朴素贝叶斯渔业文本分类器具有比普通文本分类器更好的性能。     

温室采摘机器人末端执行器研究进展

采摘是温室果蔬生产工作中最耗费劳动力和时间的环节之一,随着机械化作业水平的提高,越来越多的温室采摘机器人被应用于温室果蔬采摘作业中。末端执行器作为温室采摘机器人的关键部件,在提高采摘机器人采摘效率和作业稳定性方面发挥着重要作用。文章概括了国内外番茄、黄瓜、草莓、甜椒等温室大宗果蔬的采摘机器人末端执行器的研究现状,通过分析已研制的末端执行器的功能、原理和主要结构,总结目前温室采摘机器人末端执行器研究过程中的主要问题以及未来的研究方向。