摘要
红花生长周期短，采摘强度大，但人工采摘效率较低。同时受用工成本增加、流动性劳动力缺失等客观原因限制，导致大量红花丝未能及时采摘。因此，急需研发红花采摘机器人来代替人工作业方式，以达到提高采摘效率的目的。视觉系统作为采摘机器人的“眼睛”，是实现机器人高效精准采摘的重要组成部分之一。由于红花种植环境复杂，果球分布高低不一，不同类型的干扰因素均会增加红花识别与定位的难度。针对以上问题，论文设计一种基于深度学习和立体视觉技术的红花采摘机器人视觉系统，以红花为研究对象所开展的主要研究内容如下: （1）针对非结构环境中存在的小目标物体偏多且遮挡严重而导致的目标识别成功率不高问题，首先通过总结分析确定了影响红花识别性能的主要因素，制定合理的图像采集与预处理方案，并采集了不同品种、不同自然光照情况、不同天气条件和不同遮挡情况下的红花图像进行分类与处理，经数据扩增后共计获得12232幅红花图像作为训练集、测试集。然后，为提高模型对于非结构环境中红花的检测性能，对YOLOv5s网络识别模型进行优化改进，最后结合消融实验、不同算法模型对比试验以及实际检测效果分析来验证网络模型改进策略的可行性。试验结果证明，相较于原始模型，单幅图像检测速度提升了3倍，模型参数量仅为3.52MB,平均精度mAP值可达95.85％。此外，根据实际检测效果分析可以发现，即使存在极端光照、花簇较为密集的情况，模型仍可以在高密度背景中精确识别出待采摘红花，且置信度较高。 （2）针对机器人视觉系统的定位误差较大、双目匹配与特征信息提取不全面等问题，首先介绍了相机标定基本原理，确定了双目相机标定实验的工作路线,然后提出一种基于二维行列约束的极线校正和左右一致剔错的立体匹配方法解决上述问题，最后搭建空间定位试验台进行验证，计算出定位误差值在11mm以内,误差率较低且变化趋势稳定，基本上可以满足红花采摘的定位精度要求。 （3）针对现有农业采摘机器人视觉系统的可拓性、鲁棒性差等问题，通过改进红花识别方法及定位方法来解决该问题，并设计一种包含末端执行器、控制系统的并联式红花采摘机器人视觉系统试验平台，分别开展红花识别实验和红花采摘定位实验进行验证，平均识别成功率可达89.92％,平均采摘成功率可达81.86％,能够满足红花采摘机器人在田间作业过程的采摘需求。
NETL