智能采摘机器人视觉识别与末端执行器自适应抓取策略_艾家昊.pdf

2 0 2 5年 第8期 中国农机装备 智能农业装备 智能采摘机器人视觉识别与末端执行器自适应抓取策略 智能采摘机器人视觉识别与末端执行器自适应 抓取策略 艾家昊 张楠 赵吉庆 江苏航空职业技术学院 镇江 212134 摘要 探讨了视觉识别技术与末端执行器自适应抓取策略 在阐述视觉识别系统的工作原理 关键算法及其在果实识别与定位 中应用的基础上 分析了末端执行器自适应抓取的影响因素 提出了相应的自适应抓取策略 通过实验验证了所提策略能有效 提高采摘机器人的识别准确率和抓取成功率 为智能采摘机器人的进一步发展提供了实践参考 关键词 智能采摘机器人 视觉识别 末端执行器 自适应抓取策略 1 引言 随着农业现代化的推进 水果采摘的劳动强度大 效率低等问题日益凸显 智能采摘机器人作为解决这 一问题的有效手段受到了广泛关注 视觉识别技术能 够准确识别和定位果实 末端执行器的自适应抓取策 略则能根据果实特性实现精准抓取 二者结合可显著 提高采摘机器人的性能 对提高农业生产效率 降低 劳动成本具有重要意义 本文首先研究视觉识别技术 分析不同算法在果实识别中的应用 然后探讨末端执 行器自适应抓取的影响因素 提出自适应抓取策略 最后通过实验验证策略的有效性 2 智能采摘机器人视觉识别技术 2 1 视觉识别系统组成 智能采摘机器人的视觉识别系统是其实现精准采 摘的关键部分 主要由硬件部分组成 3 摄像头作为 系统的 眼睛 负责捕捉采摘场景的图像信息 其 选型至关重要 需考虑分辨率 帧率 视野范围等参 数 以适应不同果实的识别需求 1 2 图像采集卡则 将摄像头采集到的模拟信号转换为数字信号 并传输 给计算机进行处理 计算机作为核心处理单元 具备 强大的计算能力 能够运行复杂的图像处理和识别算 法 各硬件相互协作 共同完成视觉识别任务 2 2 关键图像处理算法 图像采集是视觉识别的第一步 需要根据采摘环 境和果实的特性合理设置摄像头的参数 比如焦距 光圈等 以确保采集到清晰 准确的图像 因此 为 提高图像质量 减少噪声干扰 采用中值滤波算法对 图像进行去噪处理 中值滤波的基本原理是用像素点 邻域灰度值的中值代替该像素点的灰度值 其数学表 达式为 g x y median f s t s t S xy 1 式中 g x y 为输出图像在点 x y 处的灰度值 f s t 为输入图像在点 s t 处的灰度值 S xy 为以 x y 为中心的邻域 采用基于颜色特征的图像分割方法 将果实从背 景中分离出来 通过设定合适的颜色阈值 将图像中 符合果实颜色特征的像素点提取出来 形成二值图像 常用的方法有基于阈值的分割 基于边缘的分割等 为后续的特征提取与识别奠定基础 在识别算法方面 利用支持向量机 SVM 算法 进行分类识别 SVM 算法通过寻找最优分类超平面 将不同类别的果实区分开来 3 末端执行器自适应抓取策略 3 1 影响自适应抓取的因素分析 智能采摘机器人末端执行器的自适应抓取效果受 多重因素制约 4 5 从果实特性来看 不同种类果实 大小差异显著 例如草莓小巧玲珑 而西瓜则硕大饱 满 这对末端执行器的抓取尺寸范围和抓取力度控制 提出不同要求 环境因素同样不容忽视 光照强度和 角度变化会干扰视觉识别系统 进而影响末端执行器 作者简介 艾家昊 1996 08 男 助教 研究方向 无人机技术 计算机软件 2 0 2 5年 第8期 中国农机装备 智能农业装备 智能采摘机器人视觉识别与末端执行器自适应抓取策略 的定位精度 机器人自身因素也起着关键作用 运动 精度不足会导致末端执行器无法准确到达目标位置 影响抓取成功率 控制算法的优劣直接影响末端执行 器的响应速度和抓取动作的协调性 3 2 自适应抓取策略 针对不同果实特性 需制定差异化抓取策略 对 于易损伤的果实 如草莓 葡萄等 采用小抓取力和 包络式抓取方式 末端执行器配备柔软的硅胶材质手 指 以较小压力均匀包裹果实 避免局部压力过大造 成损伤 利用视觉传感器和其他环境传感器实时感知 采摘环境变化 当检测到枝叶遮挡时 视觉系统分析 遮挡程度和位置 控制机器人调整末端执行器的运动 轨迹 绕过枝叶接近果实 力反馈控制原理是通过力 传感器实时感知果实与末端执行器之间的接触力 当 末端执行器接近果实并开始接触时 力传感器将接触 力信号传输给控制系统 控制系统根据预设的抓取力 阈值 动态调整驱动装置的输出 3 3 自适应抓取策略仿真与实验验证 建立智能采摘机器人的仿真模型 模拟不同果实 特性 环境条件和抓取场景 对自适应抓取策略进行 仿真分析 通过仿真结果评估策略的有效性和可行性 优化策略参数 设计实际采摘实验 在真实的果园环 境中进行测试 对比不同策略下的抓取成功率和果实 损伤率 实验数据显示 采用自适应抓取策略后 抓 取成功率显著提高 果实损伤率明显降低 验证了该 策略在实际应用中的优越性 4 实验与结果分析 4 1 实验目的与场景搭建 实验旨在全面验证智能采摘机器人视觉识别与末 端执行器自适应抓取策略的有效性 评估机器人在不 同实际采摘场景下的性能表现 实验场景搭建在一片 真实的果园中 果园内种植了多种常见水果 包括苹 果 梨和葡萄 这些水果在大小 形状 颜色和成熟 度上存在一定差异 能够充分模拟实际采摘过程中可 能遇到的各种情况 实验设备包括智能采摘机器人本体 其配备了高 分辨率的视觉识别摄像头 多自由度的机械臂以及带 有多种传感器的末端执行器 4 2 实验步骤 图像采集 在果园的不同区域 不同光照条件下 使用视觉识别摄像头采集水果的图像数据 共采集了 1000 张苹果图像 800 张梨图像和 600 张葡萄图像 涵盖了不同成熟度和背景环境 图像预处理 对采集到的图像进行去噪 增强和 分割等预处理操作 以提高图像质量和突出水果特征 特征提取与识别 利用训练好的卷积神经网络 CNN 模型对预处理后的图像进行特征提取和识别 记录模型对每种水果的识别结果 包括正确识别的图 像数量和错误识别的图像数量 抓取目标设定 根据视觉识别系统的结果 将机 器人引导至水果所在位置 针对每种水果 分别设置 不同的抓取难度级别 如简单 无枝叶遮挡 果实位 置明显 中等 有少量枝叶遮挡 和困难 有较多 枝叶遮挡 果实位置较隐蔽 抓取操作 启动末端执行器的自适应抓取策略 根据水果特性和环境感知信息 调整抓取方式 抓取 力和运动轨迹 记录每次抓取的成功与否 以及抓取 过程中果实是否受到损伤 将视觉识别和末端执行器自适应抓取策略进行综 合应用 模拟完整的采摘流程 让机器人在果园中自 主移动 依次对不同区域 不同类型的水果进行识别 和抓取 记录整个采摘过程中的各项数据 包括采摘 时间 采摘成功率 果实损伤率等 4 3 实验结果及分析 在苹果图像识别中 正确识别了920 张 错误识别 了 80 张 识别准确率为 92 在图像识别中 正确识别 了 730 张 错误识别了 70 张 识别准确率为 91 25 葡 萄图像识别中 正确识别了550 张 错误识别了50 张 识别准确率为 91 67 总体来看 视觉识别系统在不同 水果的识别上均取得了较高的准确率 在不同抓取难度级别下 末端执行器的抓取成功 率如表 1 所示 表 1 末端执行器抓取成功率 水果 类型 简单难度 抓取成功率 中等难度 抓取成功率 困难难度 抓取成功率 苹果 95 88 75 梨 93 85 72 葡萄 90 80 68 果实损伤率方面 苹果的平均损伤率为 3 梨 的平均损伤率为 4 葡萄的平均损伤率为 5 在综合实验中 机器人完成一次完整的采摘任务