基于改进YOLO v4和ICNet的番茄串检测模型

针对深层神经网络模型部署到番茄串采摘机器人,存在运行速度慢,对目标识别率低,定位不准确等问题,本文提出并验证了一种高效的番茄串检测模型。模型由目标检测与语义分割两部分组成。目标检测负责提取番茄串所在的矩形区域,利用语义分割算法在感兴趣区域内获取番茄茎位置。在番茄检测模块,设计了一种基于深度卷积结构的主干网络,在实现模型参数稀疏性的同时提高目标的识别精度,采用K-means++聚类算法获得先验框,并改进了DIoU距离计算公式,进而获得更为紧凑的轻量级检测模型(DC-YOLO v4)。在番茄茎语义分割模块(ICNet)中以MobileNetv2为主干网络,减少参数计算量,提高模型运算速度。将采摘模型部署在番茄串采摘机器人上进行验证。采用自制番茄数据集进行测试,结果表明,DC-YOLO v4对番茄及番茄串的平均检测精度为99.31%,比YOLO v4提高2.04个百分点。语义分割模块的mIoU为81.63%,mPA为91.87%,比传统ICNet的mIoU提高2.19个百分点,mPA提高1.47个百分点。对番茄串的准确采摘率为84.8%,完成一次采摘作业耗时约6 s。

基于枝干振动采摘机理的采摘机激振机构设计

为了实现树莓高效机械化采摘,探究树莓的振动采摘机理,建立树莓采摘力数学模型。根据采摘机理设计一种通过对采摘主轴施加不同刹车阻力实现激振频率可调的采摘机激振机构,建立采摘机激振机构三维模型,并用ADAMS对其进行仿真分析,通过仿真验证了采摘机激振机构的激振频率会在一定范围内随着采摘主轴所受阻力的增加而增加。通过样机实验验证了采摘机激振机构的可行性。样机的最佳采收率达到81%,采青率降到11.5%。