基于摇振收获设备的核桃树复杂分枝特性研究

为确定大型果树树干摇振收获设备的激振参数,探究大型果树复杂分枝的共振特性,以南疆核桃树为研究对象,应用自主研发的树干摇振收获设备开展核桃树扫频共振检测试验,通过试验得到样本树检测点时间-加速度响应幅值曲线与激振频率-加速度响应幅值曲线,并进行分析。结果表明:核桃树分枝生长方向受扫频激振影响较小;核桃树复杂分枝上的主枝与其上分枝共振频率一致,样本树复杂分枝检测点的共振频率方差最大值为0.038Hz,小于0.05Hz;核桃树复杂分枝的分枝长径比与分枝共振响应幅值呈正相关,样本树复杂分枝的分枝长径比与Z轴共振响应幅值的相关系数为0.455,呈密切正相关。研究可为大型果树树干摇振收获设备激振频率的确定奠定基础。

基于改进卷积神经网络的在体青皮核桃检测方法

采摘机器人对核桃采摘时,需准确检测到在体核桃目标。为实现自然环境下青皮核桃的精准识别,研究了基于改进卷积神经网络的青皮核桃检测方法。以预训练的VGG16网络结构作为模型的特征提取器,在Faster R-CNN的卷积层加入批归一化处理、利用双线性插值法改进RPN结构和构建混合损失函数等方式改进模型的适应性,分别采用SGD和Adam优化算法训练模型,并与未改进的Faster R-CNN对比。以精度、召回率和F1值作为模型的准确性指标,单幅图像平均检测时间作为速度性能评价指标。结果表明,利用Adam优化器训练得到的模型更稳定,精度高达97.71%,召回率为94.58%,F1值为96.12%,单幅图像检测耗时为0.227 s。与未改进的Faster R-CNN模型相比,精度提高了5.04个百分点,召回率提高了4.65个百分点,F1值提升了4.84个百分点,单幅图像检测耗时降低了0.148 s。在园林环境下,所提方法的成功率可达91.25%,并且能保持一定的实时性。该方法在核桃识别检测中能够保持较高的精度、较快的速度和较强的鲁棒性,能够为机器人快速长时间在复杂环境下识别并采摘核桃提供技术支撑。

基于改进Faster R-CNN的核桃识别和定位

为实现核桃园林中青皮核桃的识别与定位,设计了基于深度卷积神经网络的机器视觉检测方法。该方法在Faster R-CNN模型基础上加入批归一化处理和感兴趣区域校准算法,对比4种不同特征提取器,建立适合本研究的卷积神经网络模型,并与其他主流检测算法进行对比试验。研究表明,在Faster R-CNN模型框架下使用VGG16特征提取器具有更优的性能,平均精确率为97.56%,平均检测耗时为0.219 s,与原始Faster R-CNN模型相比,改进后的算法模型精确率提高了5.19%,平均检测耗时减少了0.156 s;与YOLO v3、YOLO v4和SSD300等检测算法相比,所提方法在平均精确率和识别速度上具有综合优势。利用视频影像验证了该方法在园林环境中识别的可行性,能够保持较高的平均精确率和实时性。所提方法能够为机器人自动采摘核桃提供研究基础。