摘要：技術(shù)發(fā)展推動機(jī)器學(xué)習(xí)成為自動化與智能化系統(tǒng)的核心技術(shù)，機(jī)器學(xué)習(xí)在農(nóng)業(yè)采摘機(jī)器人上的廣泛應(yīng)用，顯示其巨大的發(fā)展?jié)摿εc面臨的挑戰(zhàn)。歸納了機(jī)器學(xué)習(xí)在采摘機(jī)器人應(yīng)用的現(xiàn)狀，討論遇到的難題，并對未來的發(fā)展趨勢進(jìn)行預(yù)測。詳細(xì)探討了機(jī)器學(xué)習(xí)在圖像識別、決策過程和自適應(yīng)學(xué)習(xí)方面的實際運(yùn)用，為采摘機(jī)器人的進(jìn)一步優(yōu)化與創(chuàng)新提供理論依據(jù)和操作指南。

關(guān)鍵詞：機(jī)器學(xué)習(xí)采摘機(jī)器人視覺識別技術(shù)挑戰(zhàn)

中圖分類號：TP18;TP242.62;S225.92

ApplicationsandChallengesofMachineLearninginPickingRobots

WANGJiahong

HangzhouQogoriTechnologyCo.，Ltd.，Hangzhou，ZhejiangProvince，310051China

Abstract： Thedevelopmentoftechnologyhaspropelledmachinelearningtobecomethecoretechnologyinautomationandintelligentsystems.Thewidespreadapplicationofmachinelearninginagriculturalpickingrobotshighlightsitshugepotentialfordevelopementandthechallengesitfaces.Inthispaper，thecurrentstateofmachinelearningapplicationsinpickingrobotsissummarized，thechallengesencounteredarediscussed，andfuturedevelopmenttrendsarepredicted.Thepracticalapplicationsofmachinelearninginvisualrecognition，decision-makingprocesses，andadaptivelearningarediscussedindetail，providingtheoreticalfoundationsandoperationalguidelinesforthefurtheroptimizationandinnovationofpickingrobots.

KeyWords：Machinelearning;Pickingrobots;Visualrecognition;Technicalchallenges

在農(nóng)業(yè)生產(chǎn)中，采摘活動占據(jù)相當(dāng)大的勞動力和時間成本。隨著人工成本的不斷上升，如何提高采摘效率和降低成本成為亟待解決的問題。機(jī)器學(xué)習(xí)作為一種先進(jìn)的數(shù)據(jù)分析技術(shù)，其在自動化和智能化設(shè)備中的應(yīng)用為解決這一問題提供了新的思路和方法。采摘機(jī)器人的研發(fā)成為提高農(nóng)業(yè)生產(chǎn)效率的關(guān)鍵技術(shù)之一，引入機(jī)器學(xué)習(xí)技術(shù)，尤其是在圖像處理、目標(biāo)識別和決策制定等方面的應(yīng)用，為采摘機(jī)器人的性能提升和功能拓展開辟新的可能。

1采摘機(jī)器人基本原理及架構(gòu)

1.1采摘機(jī)器人工作原理

采摘機(jī)器人的核心工作原理建立在復(fù)雜的感知和動作控制系統(tǒng)之上，這類機(jī)器人能夠通過安裝在機(jī)體上的傳感器接收外部信息，如光學(xué)攝像頭捕捉的圖像和其他環(huán)境傳感器（如溫度、濕度傳感器）的數(shù)據(jù)。采摘機(jī)器人使用自主導(dǎo)航系統(tǒng)規(guī)劃最佳路徑，以達(dá)到對整個果園的全覆蓋自動化作業(yè)。當(dāng)機(jī)器人檢測到自身行走到達(dá)目標(biāo)果樹位置后，采摘機(jī)器人應(yīng)用視覺系統(tǒng)識別和獲取果實大小、成熟度和位置信息。基于已識別的目標(biāo)果實位置，采摘機(jī)器人使用其機(jī)械手臂進(jìn)行精確操作，安全地抓取并收集果實。

1.2關(guān)鍵硬件組成

采摘機(jī)器人的關(guān)鍵硬件組成包括傳感器、執(zhí)行器、控制系統(tǒng)和能源管理系統(tǒng)。傳感器主要用于環(huán)境感知和數(shù)據(jù)采集，包括光學(xué)攝像頭、紅外傳感器、超聲波傳感器等，負(fù)責(zé)收集周圍環(huán)境的詳細(xì)信息，為機(jī)器人的決策和運(yùn)動提供數(shù)據(jù)支持。執(zhí)行器包括各類電機(jī)和液壓系統(tǒng)，利用驅(qū)動機(jī)器人的移動部件，如輪子、關(guān)節(jié)、機(jī)械臂等，實現(xiàn)精確的物理操作?？刂葡到y(tǒng)是采摘機(jī)器人的“大腦”，通常包括一塊或多塊微處理器和多個控制模塊，負(fù)責(zé)處理傳感器數(shù)據(jù)、執(zhí)行機(jī)器學(xué)習(xí)算法、規(guī)劃運(yùn)動路徑和控制機(jī)械臂等執(zhí)行器的動作[1]。能源管理系統(tǒng)需要保證機(jī)器人有足夠的電力支持其連續(xù)操作，這通常涉及高效的電池管理工作，在必要時及時進(jìn)行自動充電。

1.3軟件系統(tǒng)和算法基礎(chǔ)

采摘機(jī)器人的軟件系統(tǒng)和算法基礎(chǔ)是其智能化的核心，主要包括操作系統(tǒng)、數(shù)據(jù)處理模塊、機(jī)器學(xué)習(xí)模塊和實時控制模塊。操作系統(tǒng)負(fù)責(zé)管理硬件資源和運(yùn)行其他軟件，而數(shù)據(jù)處理模塊處理傳感器的原始數(shù)據(jù)，轉(zhuǎn)換成可用于分析和決策的信息。機(jī)器學(xué)習(xí)模塊是采摘機(jī)器人智能化的核心，使用從實際操作中收集的數(shù)據(jù)對模型進(jìn)行不斷訓(xùn)練和優(yōu)化，提高識別果實的準(zhǔn)確性，優(yōu)化采摘策略。實時控制模塊負(fù)責(zé)驅(qū)動機(jī)械臂、輪子等硬件部件執(zhí)行采摘動作。這些模塊能夠執(zhí)行復(fù)雜的算法，使機(jī)器人適應(yīng)不斷變化的環(huán)境并優(yōu)化自身的行為。

2機(jī)器學(xué)習(xí)在采摘機(jī)器人中的應(yīng)用

2.1視覺識別技術(shù)

2.1.1圖像處理和特征提取

在圖像處理階段，機(jī)器學(xué)習(xí)技術(shù)被用于自動調(diào)整圖像質(zhì)量、優(yōu)化圖像細(xì)節(jié)，以適應(yīng)不同的光照和背景條件。使用濾波器可去除圖像噪聲，增強(qiáng)算法可提高對比度，色彩分析技術(shù)可用來分離背景和前景，圖像處理技術(shù)為特征提取創(chuàng)造了條件。特征提取算法將提取出關(guān)于果實的大小、形狀、顏色和紋理等信息。這些信息被用作訓(xùn)練數(shù)據(jù)，采用監(jiān)督學(xué)習(xí)方法訓(xùn)練分類模型，使模型能夠?qū)W習(xí)并預(yù)測果實的種類、成熟度和缺陷信息，為后續(xù)果實分級提供依據(jù)。

2.1.2深度學(xué)習(xí)在果實識別中的應(yīng)用

深度學(xué)習(xí)模型，尤其是卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN），在果實識別中發(fā)揮著重要作用。模型能夠從原始圖像中自動學(xué)習(xí)復(fù)雜的果實特征，而無須人工設(shè)定特征的細(xì)節(jié)。在訓(xùn)練過程中，大量的果實圖像被用來訓(xùn)練網(wǎng)絡(luò)，使其能夠識別不同種類和成熟度的果實。訓(xùn)練完成的模型在采摘機(jī)器人中實時運(yùn)行，分析和識別新捕獲的圖像[2]。深度學(xué)習(xí)的優(yōu)勢在于其高度的準(zhǔn)確性和對復(fù)雜場景的適應(yīng)能力，使采摘機(jī)器人即使在多變的環(huán)境中也能準(zhǔn)確識別目標(biāo)。

除了分析和識別果實的種類與成熟度外，CNN還可以被用來檢測和定位果實的具體位置。這一功能對于機(jī)器人的精確操作至關(guān)重要[3]。通過訓(xùn)練，模型能夠識別圖像中果實的坐標(biāo)，結(jié)合相機(jī)與機(jī)械臂坐標(biāo)系指導(dǎo)機(jī)械臂準(zhǔn)確移動到目標(biāo)位置進(jìn)行采摘。此外，深度學(xué)習(xí)模型還能夠感知果實周圍的微環(huán)境，如樹枝、樹葉和相鄰果實的相對位置關(guān)系；這些信息能夠用于評估采摘路徑的難易程度、避免損傷果實或植物本身以及優(yōu)化采摘策略。

2.2決策制定

2.2.1路徑規(guī)劃算法

采摘機(jī)器人需要在復(fù)雜的農(nóng)田環(huán)境中移動且避開障礙物，以最短的路徑到達(dá)目標(biāo)果實。路徑規(guī)劃算法利用機(jī)器學(xué)習(xí)技術(shù)，如圖搜索算法和啟發(fā)式方法，自動計算出從當(dāng)前位置到目標(biāo)位置的最優(yōu)路徑。算法對多種因素進(jìn)行綜合考慮，如路徑的實際可行性、操作的時間效率及能耗等，使得機(jī)器人能夠在現(xiàn)場作業(yè)中迅速而精確地達(dá)到指定地點。機(jī)器學(xué)習(xí)技術(shù)也能夠利用歷史數(shù)據(jù)進(jìn)行持續(xù)的分析和優(yōu)化，提高路徑規(guī)劃的自動化和智能化水平。

2.2.2采摘策略的機(jī)器學(xué)習(xí)優(yōu)化

在采摘過程中，機(jī)器人需要根據(jù)果實種類、具體位置及其周邊環(huán)境來選擇最適宜的采摘方式。分析豐富的采摘操作數(shù)據(jù)，機(jī)器學(xué)習(xí)模型學(xué)習(xí)并調(diào)整采摘策略，如采摘的力度、角度和采摘順序[4]。優(yōu)化后的采摘策略能有效提升作業(yè)成功率和效率，減少對果實及植物本身的傷害。機(jī)器學(xué)習(xí)模型也能夠?qū)崟r調(diào)整采摘策略，應(yīng)對諸如果實意外脫落或機(jī)器人遇到未預(yù)見障礙等突發(fā)事件。

2.3自適應(yīng)與學(xué)習(xí)機(jī)制

強(qiáng)化學(xué)習(xí)作為一種關(guān)鍵的機(jī)器學(xué)習(xí)方法，其在采摘機(jī)器人的應(yīng)用中主要用于提升機(jī)器人對未知環(huán)境的適應(yīng)能力。在采摘機(jī)器人的操作中，強(qiáng)化學(xué)習(xí)使機(jī)器人能夠與環(huán)境直接互動學(xué)習(xí)最優(yōu)行為策略。機(jī)器人嘗試不同的行動并從中獲得反饋（獎勵或懲罰），逐漸學(xué)習(xí)如何在特定環(huán)境下做出最佳決策[5-6]。例如：在采摘過程中，機(jī)器人可能需要在不同的果樹之間導(dǎo)航，確定最有效的路徑提升采摘效率。學(xué)習(xí)過程不依賴于預(yù)先標(biāo)注的數(shù)據(jù)集，而是依靠機(jī)器人從實際操作中學(xué)到的經(jīng)驗。自適應(yīng)的學(xué)習(xí)機(jī)制特別適用于應(yīng)對多變的農(nóng)場環(huán)境，如不同的植被密度和不同類型的果實。

3采摘機(jī)器人面臨的主要挑戰(zhàn)

3.1環(huán)境因素對機(jī)器學(xué)習(xí)性能的影響

3.1.1不同光照和氣候條件的挑戰(zhàn)

光照條件的變化直接影響機(jī)器視覺系統(tǒng)的圖像捕獲質(zhì)量。在直射陽光下，強(qiáng)光反射和影子可能會造成圖像的過度曝光或失去細(xì)節(jié)；而在昏暗或陰天環(huán)境中，圖像往往會變得含糊、難以分辨。這些條件都可能對機(jī)器人識別果實的精準(zhǔn)度造成不利影響。此外，雨天和霧氣等氣候因素也可能干擾傳感器的效能，濕氣和霧靄可能引發(fā)傳感器的誤讀，從而影響機(jī)器人對周圍環(huán)境的感知和評估。

3.1.2復(fù)雜背景下的目標(biāo)識別難題

在農(nóng)田的高度非規(guī)則環(huán)境中，各種植被、草本、土壤及其他自然元素形成復(fù)雜的背景。這種多變的背景加劇機(jī)器學(xué)習(xí)模型在區(qū)分果實與非果實目標(biāo)上的困難。多樣化的環(huán)境特征與果實的相似性增加識別過程的復(fù)雜性，為機(jī)器學(xué)習(xí)模型的精確應(yīng)用設(shè)置了障礙；特別是在果實與背景顏色相近或果實部分隱藏在葉子后面時，即便是高級的機(jī)器視覺系統(tǒng)也可能無法正確識別目標(biāo)。此外，每種果實的外觀特征在不同成熟階段可能會發(fā)生顯著變化，不同類型的果實和成熟度的變化也會對識別算法提出更高的要求。

3.2數(shù)據(jù)和模型的局限性

3.2.1訓(xùn)練數(shù)據(jù)獲取和處理問題

獲取適用于訓(xùn)練采摘機(jī)器人機(jī)器學(xué)習(xí)模型的高質(zhì)量數(shù)據(jù)是一個重大挑戰(zhàn)，高質(zhì)量的數(shù)據(jù)需要精確標(biāo)注，通常由手工完成，既耗時又成本高昂。實際操作環(huán)境中的數(shù)據(jù)往往包含噪聲和異常值，可能導(dǎo)致數(shù)據(jù)清洗和預(yù)處理過程復(fù)雜且易出錯。為了提高模型的泛化能力，需要大量的多樣化數(shù)據(jù)訓(xùn)練模型，在實際中往往難以實現(xiàn)[7]。例如：不同地區(qū)的氣候、土壤類型和種植習(xí)慣都可能影響數(shù)據(jù)的代表性，從而影響模型的效能。

3.2.2過擬合問題

機(jī)器學(xué)習(xí)模型在采摘機(jī)器人中的應(yīng)用還常常受到過擬合問題的制約。模型雖然在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但在面對從未見過的新環(huán)境或條件時表現(xiàn)下降。由于模型過度學(xué)習(xí)訓(xùn)練數(shù)據(jù)的特定特征而忽略更廣泛的應(yīng)用情境，導(dǎo)致在實際操作中效果不佳。這些問題源于模型訓(xùn)練過程中的數(shù)據(jù)選擇和模型配置，需要在模型設(shè)計時考慮更多實際應(yīng)用中可能遇到的變化。

3.3成本與性能的矛盾

3.3.1精確控制與操作復(fù)雜性的平衡

在保證采摘機(jī)器人不傷害果實和植株的前提下，機(jī)器人必須能夠精確控制每一個動作的執(zhí)行，控制系統(tǒng)需要具備高度的靈敏度和快速的響應(yīng)速度。隨著操作精度的增加，控制系統(tǒng)的設(shè)計和功能實施變得更為復(fù)雜，不但提升系統(tǒng)開發(fā)的難度，還可能延長動作執(zhí)行的時間。例如：為了準(zhǔn)確地采摘隱藏在密集植被中的果實，機(jī)器人可能需要多次微調(diào)和緩慢操作防止碰撞，這顯然會影響采摘的速度。面對的主要挑戰(zhàn)之一是如何在確保操作的精確性時，減少執(zhí)行動作所需的時間，提升作業(yè)的總體效率。解決這種矛盾需要開發(fā)者在控制算法和硬件配置上進(jìn)行革新，尋找性能與效率的最佳折中點。

3.3.2成本與性能的平衡

采摘機(jī)器人的硬件組件如傳感器、執(zhí)行器和處理器對于整體性能至關(guān)重要，但硬件的物理限制和故障率也帶來成本與性能之間的矛盾。由于這些關(guān)鍵組件需要在復(fù)雜多變的外界環(huán)境下持續(xù)工作，它們極易受到物理磨損或因溫度、濕度的變化而出現(xiàn)故障。故障的頻發(fā)不僅直接導(dǎo)致機(jī)器人工作中斷，還會引起維護(hù)成本的顯著增加。每次故障發(fā)生后，不僅需要投入時間和資源進(jìn)行維修，還可能因為機(jī)器人停工而影響到農(nóng)業(yè)生產(chǎn)活動。為了滿足高性能的需求，更先進(jìn)的硬件組件往往價格更高，這增加采摘機(jī)器人的初始投資和運(yùn)營成本，使得性能和成本之間的平衡成為設(shè)計和使用中的一個核心挑戰(zhàn)。

4未來發(fā)展趨勢與研究方向

4.1技術(shù)創(chuàng)新與進(jìn)步

4.1.1創(chuàng)新算法和模型

隨著計算能力的提升和算法研究的深入，新一代機(jī)器學(xué)習(xí)算法如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)等，將進(jìn)一步優(yōu)化和調(diào)整，適應(yīng)復(fù)雜多變的農(nóng)業(yè)環(huán)境。例如：深度學(xué)習(xí)模型可以利用更深層次的網(wǎng)絡(luò)結(jié)構(gòu)處理更復(fù)雜的圖像和數(shù)據(jù)，提高果實識別的準(zhǔn)確性。算法的開發(fā)也會越來越注重實時學(xué)習(xí)和適應(yīng)性，使采摘機(jī)器人能夠在不斷變化的環(huán)境中迅速調(diào)整其行為策略。新算法的研發(fā)不僅提高采摘效率，而且減少人力成本，提升農(nóng)業(yè)生產(chǎn)的整體競爭力。

4.1.2機(jī)器人硬件的進(jìn)化

隨著材料科學(xué)和工程技術(shù)的發(fā)展，新型輕質(zhì)高強(qiáng)度材料將被用于制造機(jī)器人的結(jié)構(gòu)組件，不僅減輕機(jī)器人的重量，也提高其操作靈活性和能效。高度集成化的電子元件和更精確的傳感器可提升機(jī)器人的感知能力和操作精確度。例如：更先進(jìn)的立體視覺系統(tǒng)能夠在各種光照和氣候條件下提供更清晰的圖像，為機(jī)器人提供更準(zhǔn)確的數(shù)據(jù)支持[8]。機(jī)器人的能源系統(tǒng)也將朝向更高效的電池技術(shù)發(fā)展，如使用更高容量的鋰電池，以及探索太陽能作為輔助能源的可能性，從而延長機(jī)器人的工作時間并減少充電間隔。未來的采摘機(jī)器人將能夠更好地適應(yīng)多變的作業(yè)環(huán)境，降低維護(hù)成本和提高作業(yè)的可靠性，這些優(yōu)勢是推動采摘機(jī)器人技術(shù)向前發(fā)展的關(guān)鍵因素。

4.1.3種植標(biāo)準(zhǔn)化

隨著農(nóng)業(yè)技術(shù)的發(fā)展，種植過程中的標(biāo)準(zhǔn)化作業(yè)能夠有效地配合采摘機(jī)器人的技術(shù)要求，從而優(yōu)化整個生產(chǎn)過程。標(biāo)準(zhǔn)化種植涉及同一作物的排列間隔和植株的高度，并且精確管理作物的生長周期，每批果實都能在理想的成熟時期采摘。這種做法降低作業(yè)過程中的變數(shù)，從而提升采摘的效率及保證果實的品質(zhì)一致。種植標(biāo)準(zhǔn)化為采摘機(jī)器人的機(jī)器學(xué)習(xí)模型提供更穩(wěn)定的數(shù)據(jù)支持，增強(qiáng)其預(yù)測和識別的精確度。

4.2應(yīng)對挑戰(zhàn)的策略和方法

4.2.1運(yùn)用高效數(shù)據(jù)管理和增強(qiáng)學(xué)習(xí)

為應(yīng)對數(shù)據(jù)管理的挑戰(zhàn)，未來的研究將重點關(guān)注高效數(shù)據(jù)管理系統(tǒng)的開發(fā)與增強(qiáng)學(xué)習(xí)的應(yīng)用。高效的數(shù)據(jù)管理系統(tǒng)能夠優(yōu)化數(shù)據(jù)的存儲、處理和分析過程，采摘機(jī)器人能夠從大量的實時數(shù)據(jù)中快速提取有用信息。增強(qiáng)學(xué)習(xí)作為一種強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)，將被廣泛用于提高采摘機(jī)器人的自主學(xué)習(xí)能力。在模擬環(huán)境中進(jìn)行大量的訓(xùn)練，機(jī)器人能夠在無人干預(yù)的情況下，自動優(yōu)化其決策過程，提升在復(fù)雜環(huán)境中的表現(xiàn)。

4.2.2增強(qiáng)環(huán)境適應(yīng)能力和自動決策

隨著機(jī)器學(xué)習(xí)技術(shù)的持續(xù)發(fā)展，采摘機(jī)器人的環(huán)境理解和適應(yīng)能力將顯著提升。機(jī)器人能夠依據(jù)實時數(shù)據(jù)分析，自動優(yōu)化其作業(yè)策略，適應(yīng)多變的氣候和復(fù)雜的地形。例如：機(jī)器人會調(diào)整導(dǎo)航策略規(guī)避明顯障礙物、改變采摘姿態(tài)與動作以適應(yīng)采摘多種果實類型。高度的自主決策功能將增強(qiáng)采摘機(jī)器人的作業(yè)效率及應(yīng)用范圍，使其在更多樣化的農(nóng)業(yè)環(huán)境中發(fā)揮作用。

5結(jié)語

隨著技術(shù)的快速發(fā)展，機(jī)器學(xué)習(xí)在采摘機(jī)器人領(lǐng)域的應(yīng)用已展現(xiàn)出巨大的潛力與價值。不斷優(yōu)化的算法和先進(jìn)的硬件設(shè)備，采摘機(jī)器人正在逐步實現(xiàn)自動化和智能化，顯著提高農(nóng)業(yè)生產(chǎn)的效率和質(zhì)量。盡管采摘機(jī)器人的進(jìn)展顯著，它們的發(fā)展仍受到多重挑戰(zhàn)的制約，如環(huán)境適應(yīng)性的復(fù)雜性、模型的泛化性以及硬件的穩(wěn)定性等。這些挑戰(zhàn)要求農(nóng)業(yè)科技人員與工程師攜手進(jìn)行技術(shù)創(chuàng)新和系統(tǒng)精細(xì)優(yōu)化工作。未來的研究將更專注于增強(qiáng)機(jī)器人的適應(yīng)能力和魯棒性，與農(nóng)業(yè)標(biāo)準(zhǔn)化進(jìn)程共同構(gòu)建更精確、更靈活的機(jī)器人控制系統(tǒng)，促進(jìn)農(nóng)業(yè)朝著更高效、環(huán)保和智能化的目標(biāo)前進(jìn)。

參考文獻(xiàn)

[1]劉萍.人工智能驅(qū)動的農(nóng)業(yè)采摘機(jī)器人自動化控制系統(tǒng)設(shè)計[J].自動化與儀表，2023，38（11）：50-53，65.

[2]孫成宇，閆建偉，張富貴，等.蔬菜采摘機(jī)器人及其關(guān)鍵技術(shù)研究進(jìn)展[J].中國農(nóng)機(jī)化學(xué)報，2023，44（11）：63-72.

[3] YUY，ZHANGK，YANGL，etal.Fruitdetectionforstrawberryharvestingrobotinnon-structuralenvironmentbasedonMask-RCNN[J].ComputersandElectronicsinAgriculture，Oxford：ElsevierSciLtd，2019，163：104846.

[4] BARTHR，HEMMINGJ，VANHENTENEJ.Angleestimationbetweenplantpartsforgraspoptimizationinharvestrobots[J].BiosystemsEngineering，SanDiego：AcademHRlBs1RBsPOHBhOg9uisi7H2dvF3ECviRuKxee7odv8=icPressIncElsevierScience，2019，183：26-46

[5]趙錦澤，王好臣，于躍華，等.深度強(qiáng)化學(xué)習(xí)采摘機(jī)器人安全防護(hù)設(shè)計[J].計算機(jī)仿真，2023，40（5）：448-453.

[6] IMTIAZMB，QIAOY，LEEB.PrehensileandNon-PrehensileRoboticPick-and-PlaceofObjectsinClutterUsingDeepReinforcementLearning[J].Sensors，2023，23（3）：1513

[7] 孔翰博，王克強(qiáng)，蔡肯，等.基于機(jī)器視覺的采摘機(jī)器人目標(biāo)識別定位研究應(yīng)用進(jìn)展[J].電子技術(shù)與軟件工程，2022（10）：160-165.

[8] 鄭太雄，江明哲，馮明馳.基于視覺的采摘機(jī)器人目標(biāo)識別與定位方法研究綜述[J].儀器儀表學(xué)報，2021，42（9）：28-51.