摘要
随着机器人技术的快速发展和农业劳动力成本的逐渐增加，为了减少农业中的生产成本，推进农业智能化、解放劳动力，农业生产机器人的设计与生产便成为农产业行业的研究热点，但农业机器人由于其视觉系统的限制而无法快速的进行大规模的实际应用。针对苹果采摘机器人的视觉识别与定位系统，为解决识别与定位精度差的问题，本文对提高苹果目标的识别效率与定位精度进行了研究。 对非结构环境下的苹果果实目标易出现误检现象的问题进行分析，提出了一个网络池化模块对苹果果实目标进行边缘特征提取的方法，通过构建自然环境下的苹果果实图像数据库，对网络模型进行整合训练，经过训练后的网络模型对不同类别苹果果实目标识别的准确率和实时性与原网络相比均有明显的提高。 对自然环境下的苹果生长姿态各异，难以确定目标果实的空间信息的问题，提出了一种基于目标检测的轻量级网络模型对苹果果实进行定位，同时为避免苹果果实目标检测训练过程中正负样本不均衡导致最终网络模型检测精度较低的现象，提出了一种苹果果实正负样本自适应匹配策略，以提高网络模型的鲁棒性。 提出了一种基于关键点检测的轻量级网络模型对苹果果梗进行检测与定位，针对复杂的非结构环境下，苹果果实采摘点难以识别和检测的问题，在网络的特征提取阶段的尾部链接了一个混合注意力模块，使网络模型更关注果梗采摘点的特征信息，以提高苹果果实采摘点的识别和检测效率。 分别在实验室环境下与自然环境下验证了算法模型对不同类别苹果果实目标的识别准确率与对目标果实定位的准确率及其采摘点定位的准确率，应用该算法可以对不同类别的苹果果实目标进行识别及定位，为苹果采摘机器人的智能化应用提供良好的技术路径。
NETL