基于负压式苹果采摘机器人末端设计及仿真

为提高苹果采摘效率,实现无损化、高效化采摘。设计出一种基于负压式末端执行器的六自由度采摘机器人,并对基于负压式设计的末端结构进行验证。后基于SD-H参数法对机器人进行正逆运动学求解,运用ADAMS仿真软件对采摘机械臂进行运动学和动力学仿真分析。对末端吸口中心点和各关节点进行监控获取末端吸口位移、速度、加速度与各关节力矩曲线。分析曲线表明:机械臂运动过程平稳无突变,采摘苹果产生冲击力对机械臂各关节影响较小,机械结构设计合理,可满足采摘工作需求,并对后续路径规划提供基础依据。

基于改进YOLO v5的苹果采摘机器人目标检测方法

为实现复杂环境中苹果采摘机器人目标快速检测,克服传统YOLO v5网络结构复杂、计算性能弱的缺点,提出了一种基于深度可分离卷积YOLO v5的采摘机器人目标检测方法。在采集苹果样本图像并制作实验数据集后,进行模型训练和测试,引入深度可分离卷积YOLO v5网络对苹果图像进行特征提取,解决了网络中参数冗余问题,提高了采摘机器人的识别速度;采用CIoU-Loss损失函数和DIoU-NMS非极大值抑制方法,对损失函数进行优化,提升了机器人视觉系统对苹果的定位精度。机器人采摘试验结果表明:算法检测精度达95.8%,检测速度达53帧/s,机器人单次采摘时间为4.7s,采摘成功率达93.9%。检测方法在减少模型参量的同时可保证检测精度和效率,具有较强的工程实用性。

苹果采摘机器人系统研究——基于AI的Retinex算法

以苹果采摘机器人为研究对象,针对其视觉系统采集的苹果图像进行预处理和分割识别。首先,通过Retinex算法对图像中出现的光线偏暗、模糊等缺陷进行增强处理,并利用双边滤波算法对图像进行去噪处理;然后,根据彩色图像的RGB特征区分图像中的苹果和树叶等,并采取Canny边缘检测算法描绘苹果边缘信息,以最小圆包裹目标法识别苹果的半径和坐标;最后,为了验证该方法的可行性,对工业相机采集的50张红富士苹果图像进行测试。结果表明:系统对图像识别的正确率为86%,对苹果识别的正确率为92.8%。

苹果采摘机器人末端设计及运动仿真

苹果在我国农业生产中占有重要地位,不仅是最主要的经济果树之一,而且在产量、种植面积及出口量上均居世界第一。产量大、范围广、种植地形复杂、分布零散等因素造成了苹果采摘困难、不及时、损失大等一系列问题。为了实现苹果的时效化、无损化采摘,设计一种负压式五自由度采摘机器人,基于标准型D-H参数建模方法对机器人的正、逆运动学进行求解,并利用ADAMS软件并建立机械臂的虚拟样机,通过运动学与动力学仿真分析,最终获得末端吸口的运动位移、速度、加速度及各关节角速度、驱动力矩的变化曲线。通过分析变化曲线,验证了机器人满足工作要求,结构设计合理,运动过程平稳无振荡,同时也为后续的控制系统研究奠定了基础。

苹果采摘机器人移动平台及其控制系统设计

本设计对苹果采摘机器人移动平台进行研究,通过对设计要求的明确,确定了移动平台的运动机理、解决方案、轮子类型、配置方式、驱动转向、控制程序设计,为苹果采摘机器人的设计提供参考,从而推动中国农业现代化的进程。

新型苹果采摘机器人的设计与试验

农业机器人是未来农业自动化发展的重要趋势。苹果采摘机器人作为一种典型的农业机器人,却一直难以实现,其主要受限于苹果空间分布的不规律性,以及存在视觉定位及采摘方式等技术难题。基于此,研制了一款新型苹果自动采摘机器人,由四轮驱动移动平台、双目视觉系统、机械臂及采摘手组成。新提出一整套设计方案,区别于多数针对局部的研究和仿真测试。介绍了整体方案的规划、移动平台的设计、双目视觉系统的工作原理以及机械臂的运动规划原理。样机测试识别正确率达到90.08%,采摘成功率为91.31%,平均采摘周期约为29 s,系统整体性能表现优越。

苹果采摘机器人机械手运动学分析与仿真

通过齐次坐标变换建立了机械手的运动学模型,并对正运动学以及逆运动学分别进行了求解,通过初始位姿对运动学正反解进行了初步验证;利用矢量积法求解了机械手的雅克比矩阵,建立了机械手关节速度与末端执行器速度的瞬时对应关系;由机械手的具体结构设计出发,利用Pro/E建立了机械手的实体样机模型,并导入仿真软件ADAMS中对其进行运动学仿真验证,使机械手整个运动过程直观化;同时分析了仿真过程中机械手各关节的驱动与机械手末端点运动变化的关系。仿真结果表明机械手的运动学方程解完全正确。

苹果采摘机器人视觉系统的目标提取研究

研究了自然环境下的成熟苹果彩色图像,结果表明:成熟苹果颜色与背景色大都存在明显差异。从颜色空间角度来说,目标和背景分布于不同的区域。根据这一特点,提出了基于样本颜色空间的目标提取算法。首先,由苹果样本图像在L*a*b*空间中构建样本颜色空间,并用数学形态学对样本颜色空间进行优化;然后,依据样本颜色空间对苹果彩色图像进行目标识别,对于远景深小目标物和严重遮挡的目标物,在样本空间识别的基础上进行二值化,运用形态学结构元素法进行处理;最后,得到了理想的分割效果,识别率高。

基于迭代学习PID算法的苹果采摘机器人设计

为了提高采摘机器人机械手控制系统的精准性和采摘机器人的移动效率,设计出基于迭代学习PID算法的苹果采摘机器人。借助MatLab软件平台进行模型搭建及控制系统仿真测试,实验室条件下进行硬件结构设计,并完成采摘过程测试、路径规划避障测试和采摘果实破损率统计分析。实验验证表明:基于迭代学习PID算法设计的采摘机器人可准确锁定采摘目标,迅速实施稳定的采摘动作,以最佳采摘角度最大程度地保证采摘果实完整性。基于迭代学习PID算法设计的苹果采摘机器人有效提高了采摘的精度和效率,使苹果整体完好率达到98.3%以上,最大限度保证了采摘苹果的质量。

基于MiroSot系统的苹果采摘机器人路径规划研究

针对农业机器人的一个重要类型—采摘机器人,开展了基于机器视觉的路径规划的理论分析和实际应用研究。为了解决苹果采摘机器人中路径规划难度大、最优解求解困难等问题,将MiroSot机器人路径规划系统应用于苹果采摘机器人中,结合采摘机器人作业环境特点和工作需求,采用图像处理技术,设计了具有环境感知、避障和决策能力的采摘机器人路径规划系统。MatLab实验仿真结果表明:系统可以实现无碰撞的最优路径规划,并能够根据环境变化实时进行局部路径规划,证明了系统的实时性、有效性和可行性。

苹果采摘机器人末端执行器抓持规划研究

针对苹果采摘机器人末端执行器抓持过程缺乏通用、有效的规划,现对三手指末端执行器与苹果的接触过程进行了研究。将稳定性归结为内力汇交多边形的存在性和内力汇交节点的位置。以汇交多边形的最大内切圆圆心为内力作用线的交点,求出各内力的关系和满足摩擦锥约束的内力,避免了复杂的运算。最后算例说明了方法的可行性。

智能移动苹果采摘机器人的设计及试验

以ARM9 2440处理器为核心,基于BP神经网络的机器人视觉识别和定位,研制了一种苹果采摘机器人及控制系统。首先应用Photoshop软件将图像分割为640×640像素的图片,然后在RGB颜色空间下,结合数学形态学中值滤波降噪和拉普拉斯算子边缘检测的方法实现果实目标的特征提取,最终完成苹果的定位并在MatLab环境下使用robotics-toolbox工具箱编程仿真。试验结果表明:该机器人能有效识别果实并完成抓取工作,为后续的深入研究奠定了基础。

苹果采摘机器人末端执行器的原理及试验研究

随着我国水果种植不断发展,果园面积不断扩充,人工展开果实采摘工作已无法满足实际需求,果实采摘向机械化、智能化方向发展是必然趋势。目前,苹果采摘已经开始引进机械手采摘,极大地提高了采摘效率。由于苹果采摘机器人在我国并未推广,相关技术环节仍旧存在一定弊端。为此,针对当前苹果采摘末端执行器结构存在的不足,结合苹果采摘工作实际需求,根据苹果采摘作业手法设计了切实可行的苹果采摘末端执行器。试验表明:苹果采摘机器人末端执行器具有可行性及良好的应用效果,为其进一步推广提供了理论基础。

苹果采摘机器人目标果实的快速跟踪识别

为了实现苹果采摘机器人对果实的精确快速采摘,文章在压缩跟踪算法的基础上提出一种结合SURF特征的跟踪方法。该方法首先使用k-means聚类算法分割出初始帧中目标苹果,然后根据目标苹果的位置和尺度信息,生成随机稀疏矩阵并训练生成初始的贝叶斯分类器,最后通过SURF特征检测对下一帧中的目标苹果进行跟踪匹配,同时更新分类器参数从而实现目标苹果果实的跟踪识别。通过实验比较,此方法在目标苹果尺度发生变化和受到外界遮挡的情况下影响较小,满足采摘要求的准确性与实时性。

苹果采摘机器人的研发与相关问题

通过研究和开发采摘机器人对于提高蔬果采摘的收获质量、降低人工劳动强度、提高生产率和增加经济效益具有重要意义,文章就苹果采摘机器人展开,进行其中的设计理念、问题和应用的展示。

基于机器视觉的苹果采摘机器人的设计与试验

未来农业向着自动化和智能化发展。基于机器视觉的苹果采摘机器人系统克服了苹果生长的不规律性、视觉定位及采摘方式等技术难题,提出了一套性能稳定的硬件及软件设计方案。因此,概述苹果采摘机器人的整体设计思路,介绍机器视觉系统的工作原理、工作流程以及系统设计。试验结果证明,该机器人采摘表现优良。

基于云计算技术的苹果采摘机器人系统

近年来,我国水果产业迎来快速发展期,苹果种植面积日益扩大,年产量明显增加,促使我国成为世界上最大的水果生产国家。水果进行种植过程中,成熟的水果采摘操作时必须消耗大量的时间和劳动力。由于进城务工人员日益增多,农村劳动力人口不断减少,此时劳动力成本有一定程度的增长,果农日常经营的成本也有所增加,因此智能采摘机器人顺势而生。为此,针对水果采摘机械研究的不足之处,提出了基于云计算的苹果采摘机器人系统,在机器人处于作业状态下设计了苹果采摘机器人软、硬件设计情况。为验证苹果采摘机器人的采摘效果,在果园中对其采摘性能展开试验,试验结果表明:所设计的采摘机器人运用视觉技术,能很好地克服气候环境等因素的影响,采摘作业中性能稳定,采摘效率高,值得在苹果生产地推广使用。

基于改进Faster R-CNN的苹果采摘视觉定位与检测方法

针对采摘机器人对场景中目标分布密集、果实相互遮挡的检测及定位能力不理想问题,提出一种引入高效通道注意力机制(ECA)和多尺度融合特征金字塔(FPN)改进Faster R-CNN果实检测及定位方法。首先,利用表达能力较强的融合FPN的残差网络ResNet50替换原VGG16网络,消除了网络退化问题,进而提取更加抽象和丰富的语义信息,提升模型对多尺度和小目标的检测能力;其次,引入注意力机制ECA模块,使特征提取网络聚焦特征图像的局部高效信息,减少无效目标的干扰,提升模型检测精度;最后,采用一种枝叶插图数据增强方法改进苹果数据集,解决图像数据不足问题。基于构建的数据集,使用遗传算法优化K-means++聚类生成自适应锚框,提高模型定位准确性。试验结果表明,改进模型对可抓取和不可直接抓取苹果的精度均值分别为96.16%和86.95%,平均精度均值为92.79%,较传统Faster R-CNN提升15.68个百分点;对可抓取和不可直接抓取的苹果定位精度分别为97.14%和88.93%,较传统Faster R-CNN分别提高12.53个百分点和40.49个百分点;内存占用量减少38.20%,每帧平均计算时间缩短40.7%,改进后的模型参数量小且实时性好,能够更好地应用于果实采摘机器人视觉系统。

机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

为进一步提升苹果果实的识别精度和速度,从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,RBF)神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割,分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入,对RBF神经网络进行训练,以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足,引入遗传算法对RBF隐层神经元个数和连接权值进行优化,采取二者混合编码同时进化的优化方式,最后再利用LMS对连接权值进一步学习,建立新的神经网络优化模型(GA-RBF-LMS),以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型,在训练过程中,苹果果实连同树枝、树叶一块训练;得到的模型在识别过程中,可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法,分别与传统的BP(back propagation)和RBF神经网络、GA-RBF优化模型比较,结果表明,该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%,总体识别率达96.95%;从训练时间看,该文算法虽耗时较长,用150个样本进行训练平均耗时4.412 s,但训练成功率可达100%,且节省了人工尝试构造网络结构造成的时间浪费;从识别时间看,该文算法识别179个苹果的时间为1.75 s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。

苹果采摘路径规划最优化算法与仿真实现

采摘路径规划对苹果采摘机器人的工作效率有很大的影响,为了提高苹果采摘机器人采摘效率,研究了采摘路径规划最优化方法。将苹果采摘的路径规划问题转化为三维的旅行商问题进行求解,结合图像识别得到的苹果位置特征,提出了有限域信息素自适应更新的改进蚁群算法,避免了基本蚁群算法求解过程中的早熟和局部收敛的问题,研究了三维模型的建模和驱动方法。试验结果表明将蚁群算法用于解决苹果采摘路径规划问题,当苹果数量达到250个时,改进蚁群算法迭代次数是基本算法的25.3%,而搜索到的最优路径是其94.3%,可见改进算法在搜索次数和最优结果上都有明显的优势。本研究为苹果采摘机器人采摘路径规划的提供理论参考。