發(fā)布時間：2022-02-08 21:09

　　隨著農(nóng)業(yè)自動化的發(fā)展,傳統(tǒng)的人工采摘方式已經(jīng)無法滿足農(nóng)民對柑橘一類果實的采摘需求。急切需要一種能夠快速且智能化的果實采摘設備來代替人工進行果實收獲工作。目前國外對果實采摘設備的研究已經(jīng)取得一定的成果,并投入到實際的應用當中,而國內(nèi)大部分的果實采摘設備仍處于試驗階段,無法滿足實際的生產(chǎn)需求。對待采摘柑橘的快速檢測和精確定位,以及采摘路徑規(guī)劃等算法的研究,能夠為采摘設備提供核心理論支持,對加快設備的研發(fā)有重要研究意義。本文基于機器視覺技術(shù)實現(xiàn)了柑橘采摘的目標識別和路徑規(guī)劃算法。通過深度相機采集的柑橘圖像輸入到改進的Mask R-CNN算法中進行目標檢測,再將檢測結(jié)果轉(zhuǎn)換成世界坐標輸入到改進的蟻群算法中進行柑橘采摘路徑規(guī)劃。主要工作如下:1.應用Intel Realsense D435i深度相機采集柑橘RGB圖像和深度圖的圖像集。基于中值濾波的方法對RGB圖像進行預處理,突出果實與背景的特征差異。應用Label Me工具進行數(shù)據(jù)集標定,并提出一種基于HSV模型的顏色檢測方法提高數(shù)據(jù)集標定的效率和精確度。應用圖像處理中圖像旋轉(zhuǎn)的方法對數(shù)據(jù)集進行增強,提高數(shù)據(jù)集的多樣性。2.通過對Mask R-... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：74 頁

【學位級別】：碩士

【部分圖文】：

柑橘采摘機器人示意圖

第二章算法流程與相關(guān)理論基礎(chǔ)7第二章算法流程與相關(guān)理論基礎(chǔ)柑橘采摘機器人示意圖如圖2-1所示。柑橘采摘機器人主要由行走裝置、攝像頭、機械臂和采摘裝置構(gòu)成。柑橘采摘機器人的采摘過程分為以下四個步驟：（1）通過行走裝置移動至柑橘采摘的合適位置。（2）再通過攝像頭采集柑橘照片，輸入到目標檢測算法中識別出柑橘并計算果實的世界坐標。（3）根據(jù)果實的世界坐標分布，由相關(guān)算法進行路徑規(guī)劃，并引導機械臂和采摘裝置按照規(guī)劃的路徑依次移動至果實位置，逐一進行采摘。（4）采摘完該區(qū)域的果實再移動至下一采摘位置，繼續(xù)執(zhí)行（1）步驟。圖2-1柑橘采摘機器人示意圖Figure2-1Schematicdiagramofcitruspickingrobot由于受硬件條件的限制，本課題中，只對柑橘采摘過程中涉及的核心算法進行研究。如柑橘的目標檢測算法，柑橘的世界坐標定位算法，柑橘采摘的路徑規(guī)劃算法。圖2-2算法流程Figure2-2Algorithmflow本課題主要實現(xiàn)對柑橘的識別、定位以及世界坐標系下的采摘路徑規(guī)劃，算法

廣東工業(yè)大學碩士學位論文10深度范圍為0.1米到10米，適合待采摘柑橘的識別和定位算法的研究。D435i的實物圖如圖所示。其中紅外發(fā)射器用于發(fā)射結(jié)構(gòu)光，左、右灰度攝像頭用于采集左、右灰度圖像，RGB攝像頭用于采集RGB圖像。圖2-3IntelRealsenseD435iFigure2-3IntelRealsenseD435i2.2卷積神經(jīng)網(wǎng)絡卷積神經(jīng)網(wǎng)絡是一種基于卷積運算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡，最早出現(xiàn)的模型有時間延遲網(wǎng)絡和LeNet-5[29]。隨著相關(guān)理論的不斷完善，卷積神經(jīng)網(wǎng)絡得到了快速發(fā)展，代表性的模型有VGG[30]、GoodLeNet[31]、ResNet[32]等。如圖2-4所示是一種卷積神經(jīng)網(wǎng)絡的示意圖。網(wǎng)絡的前幾個階段是由卷積層和池化層組成，用于對輸入圖像，例如本課題中的柑橘RGB圖像進行采樣和特征提取并輸出特征圖。用激活函數(shù)將每一層特征圖建立非線性連接。最后一層的特征圖與輸出層由全連接層連接，實現(xiàn)網(wǎng)絡的最終輸出，如本課題的分類任務中輸出柑橘類和背景類。圖2-4卷積神經(jīng)網(wǎng)絡Figure2-4Convolutionalneuralnetwork卷積層用于對上一層的數(shù)據(jù)進行特征提取，承擔了絕大部分的計算任務，是卷積神經(jīng)網(wǎng)絡的核心模塊。池化層是對特征圖的局部塊進行最大池化或平均池化計算。通過池化層下采樣操作，能夠降低數(shù)據(jù)的維度并保持數(shù)據(jù)的平移不變性，有利于加快網(wǎng)絡運算和減少

【參考文獻】：
期刊論文
[1]基于Mask R-CNN的葡萄葉片實例分割[J]. 喬虹,馮全,趙兵,王書志.  林業(yè)機械與木工設備. 2019(10)
[2]基于Faster R-CNN模型的低空平臺偏振高光譜目標檢測[J]. 黃偉,曹宇劍,徐國明.  紅外技術(shù). 2019(07)
[3]基于Mask RCNN的目標識別與空間定位[J]. 歐攀,路奎,張正,劉澤陽.  計算機測量與控制. 2019(06)
[4]基于R-FCN深度卷積神經(jīng)網(wǎng)絡的機器人疏果前蘋果目標的識別[J]. 王丹丹,何東健.  農(nóng)業(yè)工程學報. 2019(03)
[5]基于YOLO深度卷積神經(jīng)網(wǎng)絡的復雜背景下機器人采摘蘋果定位[J]. 趙德安,吳任迪,劉曉洋,趙宇艷.  農(nóng)業(yè)工程學報. 2019(03)
[6]基于改進特征金字塔的Mask R-CNN目標檢測方法[J]. 任之俊,藺素珍,李大威,王麗芳,左健宏.  激光與光電子學進展. 2019(04)
[7]一種主動鑒別未知類別指靜脈的識別系統(tǒng)[J]. 陶志勇,王浩童,王藜諺.  激光與光電子學進展. 2018(12)
[8]基于改進勢場蟻群算法的機器人路徑規(guī)劃[J]. 王曉燕,楊樂,張宇,孟帥.  控制與決策. 2018(10)
[9]基于粗糙集與遺傳算法的采摘機器人路徑規(guī)劃[J]. 蔡炯,汪小志.  農(nóng)機化研究. 2016(08)
[10]基于空間依存的無參考圖像質(zhì)量評價[J]. 張闖,王亞明,陳蘇婷.  光學精密工程. 2015(11)



本文編號：3615754