王紅軍　鄒偉銳　謝啟旋　鄭文和

摘要：香蕉采摘是一個(gè)耗時(shí)費(fèi)力的作業(yè)過(guò)程。為了實(shí)現(xiàn)香蕉的自動(dòng)化采摘，首先，設(shè)計(jì)了一款香蕉智能采摘裝置，主要包括叉剪升降機(jī)構(gòu)、3-RPS并聯(lián)機(jī)構(gòu)和XY直線(xiàn)移動(dòng)機(jī)構(gòu)等，通過(guò)控制這3個(gè)機(jī)構(gòu)的運(yùn)動(dòng)變化，滿(mǎn)足其搭載的末端執(zhí)行機(jī)構(gòu)適應(yīng)香蕉果柄的空間隨機(jī)性要求；然后，搭建雙目相機(jī)視覺(jué)識(shí)別系統(tǒng)，采用YOLOv5算法識(shí)別香蕉果柄，選擇檢測(cè)框的中心位置為采摘點(diǎn)；接著，根據(jù)采摘點(diǎn)位置反求3-RPS并聯(lián)機(jī)構(gòu)的位姿，驅(qū)動(dòng)切割機(jī)構(gòu)對(duì)香蕉果柄定位，完成香蕉串的自動(dòng)采摘；最后，研制了香蕉智能采摘裝置樣機(jī)，開(kāi)展采摘試驗(yàn)。試驗(yàn)結(jié)果表明，香蕉智能采摘裝置的絕對(duì)位置誤差小于8.66 mm，相對(duì)位置誤差小于0.85%；γ角度誤差小于1.10°，β角度誤差小于1.25°，滿(mǎn)足香蕉采摘的定位要求。

關(guān)鍵詞：機(jī)器視覺(jué)；YOLOv5；香蕉采摘；3-RPS并聯(lián)機(jī)構(gòu)；香蕉果柄識(shí)別

中圖分類(lèi)號(hào)：S225.93;?TP391.41?????文獻(xiàn)標(biāo)志碼：A ???????文章編號(hào)：1674-2605（2023）05-0003-09

DOI：10.3969/j.issn.1674-2605.2023.05.003

Research on Banana Stem Recognition and Picking Experiment

Based on Machine Vision

WANG Hongjun¹??ZOU?Weirui¹??XIE?Qixuan²??ZHENG?Wenhe³

（1.South China Agricultural University， Guangzhou 510642， China

2.BYD， Co.，?Ltd.， Shenzhen 518118， China

3.BYD Electronics International Co.，?Ltd.， Shenzhen 518118， China）

Abstract： Banana picking is a time-consuming and laborious process. In order to achieve automated banana picking， firstly， an intelligent banana picking device was designed， which mainly includes a fork shear lifting mechanism， a 3-RPS parallel mechanism， and an XY linear moving mechanism. By controlling the motion changes of these three mechanisms， the end effector mechanism it is equipped with meets the spatial randomness requirements of the banana handle; Then， build a binocular camera visual recognition system， use YOLOv5 algorithm to identify the banana stem， and select the center position of the detection box as the picking point; Next， reverse the pose of the 3-RPS parallel mechanism based on the picking point position， drive the cutting mechanism to position the banana stem， and complete the automatic picking of the banana string; Finally， a prototype of an intelligent banana picking device was developed and picking experiments were conducted. The experimental results show that the absolute position error of the intelligent banana picking device is less than 8.66 mm， and the relative position error is less than 0.85%; γ The angle error is less than 1.10°， β?The angle error is less than 1.25°， meeting the positioning requirements for banana picking.

Keywords： machine vision; YOLOv5;?banana picking;?3-RPS parallel mechanism;?banana stem recognition

0 引言

近年來(lái)，我國(guó)香蕉的種植面積和產(chǎn)量不斷提高，香蕉產(chǎn)業(yè)具有較大的規(guī)模效益和發(fā)展?jié)摿Α８鶕?jù)海關(guān)總署的數(shù)據(jù)顯示，2021年我國(guó)香蕉進(jìn)出口數(shù)量分別為186.35萬(wàn)噸和2.03萬(wàn)噸，進(jìn)出口金額分別為10.37億美元和0.18億美元。我國(guó)香蕉產(chǎn)品在國(guó)際上的競(jìng)爭(zhēng)力較弱，香蕉采收的人工成本遠(yuǎn)高于東南亞國(guó)家^[1-2]。人工采摘已成為阻礙我國(guó)香蕉產(chǎn)業(yè)發(fā)展的重要因素，而農(nóng)業(yè)機(jī)械化和自動(dòng)化是解決該困境的有效途徑。智能化采摘機(jī)械可以提高采摘效率，減少人工成本，同時(shí)也能減少采摘過(guò)程中對(duì)香蕉的傷害，提高香蕉品質(zhì)^[3]。

圍繞香蕉智能化采摘，國(guó)內(nèi)外開(kāi)展了相關(guān)的研究。上世紀(jì)70年代，F(xiàn)RANKLIN等^[4]設(shè)計(jì)一種輕簡(jiǎn)的香蕉采收輔助裝置，具有同時(shí)砍斷和夾持果柄的功能，實(shí)現(xiàn)了香蕉采摘的部分機(jī)械化。澳大利亞農(nóng)業(yè)部根據(jù)微型農(nóng)用拖拉機(jī)拖車(chē)、液壓驅(qū)動(dòng)的機(jī)械手臂、切割機(jī)構(gòu)和機(jī)械手末端的容器改裝了一種香蕉采摘機(jī)^[5]。MANUEL等^[6]設(shè)計(jì)的香蕉采摘機(jī)利用末端夾持器夾住香蕉莖，切割刀片將其切掉。唐之富等^[7]研制一種模擬人工動(dòng)作的香蕉采摘機(jī)械裝置，具有升降，夾持和切割香蕉串的功能。樊維^[8]設(shè)計(jì)一種能夠自動(dòng)采摘香蕉的四自由度圓柱坐標(biāo)型香蕉采摘機(jī)器人。劉遠(yuǎn)力^[9]設(shè)計(jì)的香蕉采摘整機(jī)創(chuàng)新性地引入了前支式液壓伸縮臂與配重塊相結(jié)合的采摘方式。

香蕉采摘裝置的研究雖然取得了一定的進(jìn)展，但在智能化采摘方面還鮮有報(bào)導(dǎo)。本文利用雙目相機(jī)視覺(jué)識(shí)別系統(tǒng)獲取香蕉串圖像，采用YOLOv5算法識(shí)別圖像中的香蕉果柄，并選擇檢測(cè)框的中心位置為采摘點(diǎn)；根據(jù)采摘點(diǎn)位置反求3-RPS并聯(lián)機(jī)構(gòu)的位姿，驅(qū)動(dòng)夾持切割機(jī)構(gòu)對(duì)香蕉果柄定位，完成香蕉串的自動(dòng)采摘。

1 香蕉智能采摘裝置

1.1 裝置總體結(jié)構(gòu)

香蕉智能采摘裝置機(jī)械結(jié)構(gòu)主要包括行走小車(chē)、叉剪升降機(jī)構(gòu)、3-RPS并聯(lián)機(jī)構(gòu)、夾持切割機(jī)構(gòu)、雙目相機(jī)、XY直線(xiàn)移動(dòng)機(jī)構(gòu)等，結(jié)構(gòu)圖如圖1所示。

1.2 裝置工作原理

香蕉智能采摘裝置可模擬人工采摘行為實(shí)現(xiàn)移動(dòng)、升降、位置調(diào)整、角度調(diào)整、夾持和切割果柄等動(dòng)作。行走小車(chē)是承載其他機(jī)構(gòu)的運(yùn)動(dòng)載體，實(shí)現(xiàn)香蕉智能采摘裝置在香蕉園移動(dòng)；雙目相機(jī)安裝在3-RPS并聯(lián)機(jī)構(gòu)的前端，用于獲取香蕉串圖像；上位機(jī)通過(guò)USB線(xiàn)與硬件系統(tǒng)的Arduino連接，完成雙目相機(jī)的圖像采集及自動(dòng)識(shí)別；通過(guò)反求定位切割點(diǎn)，獲得各控制電機(jī)的狀態(tài)數(shù)據(jù)；系統(tǒng)控制各機(jī)械結(jié)構(gòu)的電機(jī)運(yùn)動(dòng)，實(shí)現(xiàn)夾持切割機(jī)構(gòu)對(duì)香蕉果柄的準(zhǔn)確定位；由叉剪升降機(jī)構(gòu)、3-RPS并聯(lián)機(jī)構(gòu)和XY直線(xiàn)移動(dòng)機(jī)構(gòu)組成的混聯(lián)機(jī)構(gòu)實(shí)現(xiàn)夾持切割機(jī)構(gòu)以不同的空間位姿靠近香蕉果柄。香蕉智能采摘的工作流程如圖2所示。

1.3 裝置運(yùn)動(dòng)坐標(biāo)系

香蕉采摘作業(yè)過(guò)程中，智能采摘裝置與香蕉串之間的相對(duì)位置關(guān)系，即香蕉智能采摘坐標(biāo)系如圖3所示。

在3-RPS并聯(lián)機(jī)構(gòu)上搭建的夾持切割機(jī)構(gòu)通過(guò)XY直線(xiàn)移動(dòng)機(jī)構(gòu)完成定位，驅(qū)動(dòng)XY直線(xiàn)移動(dòng)機(jī)構(gòu)的滑塊，使夾持切割點(diǎn)位置發(fā)生變化，完成夾持切割點(diǎn)向香蕉果柄采摘點(diǎn)的移動(dòng)定位。為建立夾持切割機(jī)構(gòu)與香蕉果柄切割點(diǎn)之間的運(yùn)動(dòng)關(guān)系，在行走小車(chē)的四輪中間建立移動(dòng)平臺(tái)坐標(biāo)系O_D；在香蕉樹(shù)假莖中心與地面的交點(diǎn)建立世界坐標(biāo)系O_W，定位香蕉果柄采摘點(diǎn)的位置；在雙目相機(jī)安裝位置建立相機(jī)坐標(biāo)系O_C；在夾持切割機(jī)構(gòu)的采摘點(diǎn)處建立末端執(zhí)行器坐標(biāo)系O_E，其原點(diǎn)O_E在移動(dòng)平臺(tái)坐標(biāo)系O_D下的位置為E（x_e，y_e，z_e）；在香蕉果柄采摘點(diǎn)處建立采摘坐標(biāo)系O_F，其原點(diǎn)O_F在世界坐標(biāo)系O_W下的位置為F（x_f，y_f，z_f）。

2 香蕉果柄識(shí)別算法

香蕉智能采摘裝置通過(guò)雙目相機(jī)視覺(jué)識(shí)別系統(tǒng)識(shí)別香蕉果柄并確定采摘點(diǎn)，并通過(guò)反求定位切割點(diǎn)獲得控制機(jī)構(gòu)的運(yùn)動(dòng)參數(shù)。采用YOLOv5算法分別檢測(cè)左、右相機(jī)圖像中的香蕉果柄，以檢測(cè)框的中心位置為采摘點(diǎn)，獲得其在圖像上的像素坐標(biāo)。根據(jù)雙目測(cè)距原理和左、右相機(jī)得到香蕉果柄采摘點(diǎn)的二維位置信息，獲取香蕉果柄采摘點(diǎn)在相機(jī)坐標(biāo)系下的三維位置信息。

2.1 數(shù)據(jù)集

本文香蕉果柄數(shù)據(jù)集包括自采集和網(wǎng)絡(luò)收集的圖像共925幅。其中，自采集野外圖像725幅，分別于早晨、中午和傍晚拍攝于廣州市某香蕉園，如圖4所示，圖像采集設(shè)備為高像素智能手機(jī)，分辨率為 ??2?048×1?536像素，攝像頭與香蕉的距離為500～ ????1 500?mm，早上和中午各采集300幅圖像，傍晚采集125幅圖像；利用Intel RealSense D435i深度相機(jī)自采集室內(nèi)圖像100幅，分辨率為640×480像素；網(wǎng)絡(luò)收集圖像100幅。

2.2 圖像預(yù)處理

采用圖像標(biāo)注軟件LabelImg對(duì)925幅香蕉果柄圖像進(jìn)行標(biāo)注，框出香蕉果柄，得到數(shù)據(jù)集的標(biāo)簽文件XML，并轉(zhuǎn)換成YOLOv5訓(xùn)練使用的TXT文件。TXT文件包含香蕉果柄在圖像中的坐標(biāo)位置、圖像大小和標(biāo)簽名稱(chēng)，組成香蕉果柄數(shù)據(jù)集。

2.3 YOLOv5網(wǎng)絡(luò)

YOLOv5網(wǎng)絡(luò)由主干網(wǎng)絡(luò)（Backbone）、頸部（Neck）和頭部（Head）組成，結(jié)構(gòu)如圖5所示。

2.3.1 輸入端

2.3.1.1 數(shù)據(jù)增強(qiáng)

香蕉果柄數(shù)據(jù)集只有925幅圖像，樣本數(shù)量較少，數(shù)據(jù)泛化能力不強(qiáng)。采用Mosaic圖像預(yù)處理技術(shù)，對(duì)香蕉果柄4幅圖像進(jìn)行隨機(jī)裁剪、縮放和排布拼接操作，合成1幅圖像（如圖6所示），既豐富了檢測(cè)物體的背景，又增加了數(shù)據(jù)集樣本的數(shù)量。

2.3.1.2 ?自適應(yīng)圖像縮放

YOLOv5采用自適應(yīng)圖像縮放的方式調(diào)整圖像的寬和高，避免簡(jiǎn)單比例縮放導(dǎo)致目標(biāo)變形，造成圖像信息丟失。分別計(jì)算一幅圖像的寬和高與標(biāo)準(zhǔn)特征圖（S×S）的縮放比例，選擇較小的縮放比例計(jì)算縮放后圖像的尺寸。用圖像的原始尺寸乘以縮放比例，得到新圖像的長(zhǎng)和寬。用標(biāo)準(zhǔn)特征圖的邊長(zhǎng)S減去縮放后圖像需要填充灰邊的邊，得出需要填充的像素值；需要填充的像素值除以2，得到左右或上下兩邊各自需要填充的像素值，縮放效果如圖7所示。

圖7 自適應(yīng)圖像縮放效果圖

2.3.1.3 ?自適應(yīng)計(jì)算錨框

YOLOv5在模型訓(xùn)練過(guò)程中計(jì)算錨框，即根據(jù)真實(shí)框和預(yù)測(cè)框的將算法初始設(shè)定錨框的寬和高不斷地迭代更新。首先，YOLOv5使用訓(xùn)練模型對(duì)目標(biāo)進(jìn)行預(yù)測(cè)；然后，篩選預(yù)測(cè)框，保留寬和高都不小于2個(gè)像素的預(yù)測(cè)框；接著，根據(jù)預(yù)測(cè)框與真實(shí)框的偏移量調(diào)整錨框位置，得到預(yù)測(cè)邊界框；最后，篩選需要輸出的預(yù)測(cè)邊界框。

2.3.2 主干網(wǎng)絡(luò)

YOLOv5的主干網(wǎng)絡(luò)包括CBS模塊、CSP1_X模塊和SPPF模塊，主要通過(guò)相應(yīng)的卷積操作在輸入圖像中提取特征圖。

2.3.2.1??CBS模塊

CBS模塊由卷積層Conv，批標(biāo)準(zhǔn)化BN和激活函數(shù)SiLU組成，如圖8所示。

卷積層Conv是將輸入圖像上相近的像素值通過(guò)加權(quán)疊加的方式生成另外一組數(shù)值的過(guò)程。批標(biāo)準(zhǔn)化BN通過(guò)規(guī)范手段使輸入值處于標(biāo)準(zhǔn)正態(tài)分布范圍內(nèi)，以避免輸出值過(guò)大和梯度消失，解決了深層網(wǎng)絡(luò)訓(xùn)練困難、收斂速度慢等問(wèn)題。激活函數(shù)SiLU是一種將輸入端數(shù)據(jù)映射到輸出端的非線(xiàn)性函數(shù)，使訓(xùn)練模型能更好地?cái)M合非線(xiàn)性特征。SiLU函數(shù)是Sigmoid函數(shù)的加權(quán)線(xiàn)性組合，計(jì)算公式為

2.3.2.2??CSP1_X模塊

CSP1_X模塊包括3個(gè)CBS模塊、X個(gè)殘差模塊ResUnit和1個(gè)Concat模塊，其中殘差模塊的數(shù)量由訓(xùn)練網(wǎng)絡(luò)中X的具體數(shù)值決定，如圖9所示。

CSP1_X模塊的輸入和輸出形狀相同，它不改變數(shù)據(jù)的寬、高和通道數(shù)量，可有效減少特征在傳輸過(guò)程中的信息丟失和計(jì)算量。Concat模塊主要將2個(gè)或多個(gè)數(shù)組拼接成1個(gè)數(shù)組。殘差模塊ResUnit結(jié)構(gòu)如圖10所示，其中CBS卷積層中的卷積核大小不一，可以有效減少訓(xùn)練參數(shù)。

2.3.2.3 ?SPPF模塊

SPPF模塊包括2個(gè)CBS模塊、3個(gè)最大池化層MaxPool和1個(gè)Concat模塊，結(jié)構(gòu)如圖11所示。

SPPF模塊將多尺度特征進(jìn)行融合，首先，對(duì)輸入數(shù)據(jù)進(jìn)行1次卷積操作；然后，進(jìn)行3次最大池化（核為5×5）；最后，將每次操作得出的數(shù)據(jù)進(jìn)行拼接后再進(jìn)行1次卷積操作，得到輸出結(jié)果。

2.3.3 頸部

頸部主要包括CBS模塊、Upsample模塊、Concat模塊和CSP2模塊，采用FPN+PAN結(jié)構(gòu)。頸部特征處理流程如圖12所示。

FPN結(jié)構(gòu)利用Upsample模塊向特征圖中插值，使特征圖的尺度變大，并從上一層主干網(wǎng)絡(luò)中獲取相對(duì)較淺的特征，通過(guò)Concat模塊將淺層的圖形特征與淺層的語(yǔ)義特征結(jié)合在一起。PAN結(jié)構(gòu)利用CBS模塊進(jìn)行下采樣，得到較深的特征，并通過(guò)Concat模塊將該較深的特征與FPN結(jié)構(gòu)得到的特征結(jié)合。

頸部用于加強(qiáng)主干網(wǎng)絡(luò)提取的特征，并把加強(qiáng)的特征融合后傳遞到頭部。深層特征圖攜帶更強(qiáng)的語(yǔ)義特征和較弱的定位信息；淺層特征圖攜帶較強(qiáng)的定位信息和較弱的語(yǔ)義特征。FPN將多語(yǔ)義信息的深層特征和多細(xì)節(jié)信息的淺層特征利用下采樣進(jìn)行融合，從而增強(qiáng)多個(gè)尺度上的語(yǔ)義表達(dá)。PAN把淺層的定位信息傳導(dǎo)到深層，增強(qiáng)多個(gè)尺度上的定位能力。

2.3.4 頭部

頭部只有1個(gè)卷積核為1×1的卷積層，將頸部得到的特征圖通道數(shù)擴(kuò)展，是YOLOv5網(wǎng)絡(luò)的輸出端，其借助頸部加強(qiáng)融合的特征圖對(duì)圖像進(jìn)行預(yù)測(cè)和分類(lèi)，并輸出目標(biāo)的預(yù)測(cè)信息。

2.3.5 損失函數(shù)

YOLOv5的損失函數(shù)包括分類(lèi)損失、定位損失和置信度損失3類(lèi)。其中，分類(lèi)損失用于判斷模型是否能夠準(zhǔn)確地識(shí)別圖像中的對(duì)象，并將其分類(lèi)到正確的類(lèi)別中；定位損失為預(yù)測(cè)框與真實(shí)框之間的誤差；置信度損失為網(wǎng)絡(luò)的置信度。YOLOv5利用二元交叉熵?fù)p失函數(shù)計(jì)算分類(lèi)損失和置信度損失，利用CIoU Loss計(jì)算定位損失。

2.3.5.1??分類(lèi)損失和置信度損失

YOLOv5利用二元交叉熵對(duì)每個(gè)標(biāo)簽計(jì)算分類(lèi)損失及置信度損失，其計(jì)算公式為

2.3.5.2??定位損失

YOLOv5利用CIoU值評(píng)價(jià)預(yù)測(cè)框和真實(shí)框的定位損失。CIoU是IoU（預(yù)測(cè)框和真實(shí)框的交并比）的一種推廣，IoU計(jì)算公式為

式中：b、b^gt分別為預(yù)測(cè)框和真實(shí)框。

由公式（4）可知，如果2個(gè)物體不重疊，即IoU=?0，損失梯度為0無(wú)法對(duì)模型優(yōu)化，因此不能使用IoU作為定位損失的指標(biāo)。CIoU考慮了真實(shí)框與預(yù)測(cè)框之間的距離、重疊率、邊框尺度以及懲罰因子，使目標(biāo)邊框回歸更加穩(wěn)定，有效解決了IoU在訓(xùn)練過(guò)程中發(fā)散的問(wèn)題。CIoU的計(jì)算公式為

式中：ρ（b，b^gt）為預(yù)測(cè)框和真實(shí)框中心的距離，即圖13中的d；c是2個(gè)框的最小包圍矩陣的對(duì)角線(xiàn)距離；α為權(quán)重系數(shù)，計(jì)算公式如式（6）所示；v為衡量長(zhǎng)寬比一致性的參數(shù)，計(jì)算公式如式（7）所示。

定位損失的損失函數(shù)為

2.3.5.3??總損失函數(shù)

總損失函數(shù)的計(jì)算公式為

式中：N為檢測(cè)層數(shù)；B為標(biāo)簽分配到先驗(yàn)框的目標(biāo)數(shù)；S×S為該尺度被分割成的網(wǎng)格數(shù)；L_cls為分類(lèi)損失，對(duì)每個(gè)目標(biāo)計(jì)算；L_obj為目標(biāo)置信度損失，對(duì)每個(gè)網(wǎng)格計(jì)算；L_box為邊界框回歸損失，對(duì)每個(gè)目標(biāo)計(jì)算；λ₁、λ₂、λ₃分別為這3種損失的權(quán)重。

2.3.6 訓(xùn)練結(jié)果

模型訓(xùn)練150批次后的檢測(cè)效果和訓(xùn)練結(jié)果分別如圖14、15所示。

由圖14、15可知，隨著訓(xùn)練輪數(shù)增加，訓(xùn)練集和測(cè)試集的定位損失和置信度損失都逐漸下降并收斂，而精確度和召回率逐漸提高。另外，香蕉果柄識(shí)別只有1個(gè)類(lèi)別，分類(lèi)損失為0。

由圖15可知，當(dāng)IoU閾值為0.5時(shí)，平均準(zhǔn)確率AP達(dá)到98.034%，滿(mǎn)足香蕉采摘識(shí)別的要求。

3 采摘定位試驗(yàn)

為驗(yàn)證香蕉果柄識(shí)別算法及夾持切割機(jī)構(gòu)的合理性，開(kāi)發(fā)了香蕉智能采摘裝置樣機(jī)，在實(shí)驗(yàn)室開(kāi)展室內(nèi)采摘定位試驗(yàn)，試驗(yàn)場(chǎng)景如圖16所示。

采摘定位試驗(yàn)所用的儀器設(shè)備主要包括香蕉智能采摘裝置樣機(jī)、香蕉串及果樹(shù)、定位器、PE線(xiàn)、電子數(shù)顯角度尺、鋼卷尺、鋼尺等。

香蕉智能采摘裝置的運(yùn)動(dòng)參數(shù)范圍如表1所示。

采摘定位試驗(yàn)過(guò)程如下：將定位器安裝在夾持切割機(jī)構(gòu)末端執(zhí)行器的抱掌上，保持定位器的尖點(diǎn)與香蕉理想采摘點(diǎn)位置重合；將PE線(xiàn)一端捆綁在理想采摘點(diǎn)位置，另一端垂釣一個(gè)配重鉛錘，保證PE線(xiàn)沿鉛錘方向垂直接近地面；通過(guò)雙目相機(jī)視覺(jué)識(shí)別系統(tǒng)獲取香蕉果柄的切割點(diǎn)位置參數(shù)；通過(guò)反求解算，機(jī)構(gòu)自動(dòng)運(yùn)動(dòng)到香蕉果柄采摘位置；待到PE線(xiàn)不再左右擺動(dòng)，分別測(cè)量香蕉果柄采摘點(diǎn)在香蕉采摘裝置中的3個(gè)移動(dòng)分量和2個(gè)旋轉(zhuǎn)分量，測(cè)試結(jié)果分別如表2、3所示。

由表2可知：位置精度的最大絕對(duì)位置誤差為5.385 1 mm，最大相對(duì)位置誤差為0.600 7 %。

由表3可知：姿態(tài)測(cè)量數(shù)據(jù)的γ角度誤差最大值為0.9°，β角度誤差最大值為0.95°。在具有一定容錯(cuò)的采摘裝置中，夾持切割機(jī)構(gòu)定位位置精度可滿(mǎn)足采摘香蕉串的需要。

4 結(jié)論

本文以香蕉串智能化采摘為研究目標(biāo)，設(shè)計(jì)香蕉智能采摘裝置，提出基于YOLOv5網(wǎng)絡(luò)模型的香蕉果柄識(shí)別算法，建立香蕉智能采摘裝置與香蕉果柄切割點(diǎn)之間的坐標(biāo)關(guān)系，通過(guò)反求獲取運(yùn)動(dòng)機(jī)構(gòu)參數(shù)。經(jīng)室內(nèi)采摘試驗(yàn)驗(yàn)證了香蕉智能化采摘的可行性。

1） 香蕉智能采摘裝置包括行走小車(chē)、叉剪升降機(jī)構(gòu)、3-RPS并聯(lián)機(jī)構(gòu)和夾持切割機(jī)構(gòu)等。行走小車(chē)能平穩(wěn)在果園環(huán)境下行走；叉剪升降機(jī)構(gòu)帶動(dòng)3-RPS并聯(lián)機(jī)構(gòu)和夾持切割機(jī)構(gòu)升降，使夾持切割機(jī)構(gòu)達(dá)到香蕉的采摘高度；3-RPS并聯(lián)機(jī)構(gòu)控制夾持切割機(jī)構(gòu)的位置和姿態(tài)，使其達(dá)到采摘點(diǎn)位置，夾持并切斷果柄。

2） 基于YOLOv5網(wǎng)絡(luò)模型的香蕉果柄識(shí)別算法，采用Mosaic圖像預(yù)處理技術(shù)，進(jìn)行隨機(jī)裁剪、縮放和排布拼接操作，合成圖像，豐富了檢測(cè)物體的背景，增加數(shù)據(jù)集樣本。模型訓(xùn)練結(jié)果標(biāo)明，該識(shí)別算法可有效識(shí)別香蕉果柄，確定切割點(diǎn)位置。該切割點(diǎn)位置用于香蕉智能采摘裝置上末端執(zhí)行器采摘點(diǎn)的位姿求解。通過(guò)上位機(jī)與硬件系統(tǒng)的Arduino連接，控制軟件驅(qū)動(dòng)機(jī)構(gòu)運(yùn)動(dòng)電機(jī)，實(shí)現(xiàn)夾持切割機(jī)構(gòu)對(duì)香蕉果柄的準(zhǔn)確定位。

3） 香蕉智能采摘裝置樣機(jī)在實(shí)驗(yàn)室環(huán)境下，驗(yàn)證了基于YOLOv5網(wǎng)絡(luò)模型的香蕉果柄識(shí)別算法及香蕉智能采摘裝置的可行性。

參考文獻(xiàn)

[1] 張衛(wèi)明.一帶一路經(jīng)濟(jì)植物[M].東南大學(xué)出版社，2017.

[2] 陳清西，李冬香.香蕉周年管理關(guān)鍵技術(shù)[M].金盾出版社， 2012.

[3] 彭舟.基于3-RPS并聯(lián)機(jī)構(gòu)的香蕉采摘機(jī)研究[D].廣州：華南農(nóng)業(yè)大學(xué)，2022.

[4] FRANKLIN J A. Robot hands and the mechanics of manipula-tion： editors： m.t. Mason and j.k. Salisbury， jr. Mit press isbn 0 262 13205 2[J]. 1988，3（1）：51.

[5] 曉明.香蕉采摘機(jī)[J].世界農(nóng)業(yè)，1986（7）：50.

[6] MANUEL L P. Banana or pineapple harvester has clamp and cutting blade mounted on telescoping arm articulated to mast on tractor-mounted work surface or low frame：?ES20040002089?[P].?ES2257170A1[2023-10-07].

[7] 唐之富，王紅軍，鄧建猛，等.面向大質(zhì)量串型水果采摘的夾持試驗(yàn)與仿真[J].機(jī)械設(shè)計(jì)，2018，35（11）：47-52.

[8] 樊維.香蕉采摘機(jī)器人機(jī)械手結(jié)構(gòu)設(shè)計(jì)與分析[D].南寧：廣西大學(xué)，2018.

[9] 劉遠(yuǎn)力.抗傾覆香蕉采摘整機(jī)的設(shè)計(jì)與研究[D].福州：福建農(nóng)林大學(xué)，2020.

作者簡(jiǎn)介：

王紅軍，女，1966年生，博士研究生，教授，主要研究方向：農(nóng)業(yè)機(jī)器人、智能設(shè)計(jì)。E-mail：?xtwhj@scau.edu.cn

鄒偉銳，男，1998年生，碩士研究生，主要研究方向：虛擬現(xiàn)實(shí)。E-mail：?904507581@qq.com

謝啟旋，男，1997年生，碩士研究生，工程師，主要研究方向：機(jī)器視覺(jué)。E-mail：?896428001@qq.com

鄭文和，男，1985年生，本科，工程師，主要研究方向：智能裝備設(shè)計(jì)。E-mail：?justy.zheng@byd.com