【摘要】：機器人避障預(yù)測模型、圖像處理和存儲優(yōu)化是蘋果采摘機器人軟件系統(tǒng)中的重要研究內(nèi)容。這些模塊的算法優(yōu)化和并行處理是提升蘋果采摘機器人軟件系統(tǒng)性能的捷徑之一。本文描述了一種可擴展的蘋果采摘機器人并行系統(tǒng)的軟硬件框架結(jié)構(gòu),說明在蘋果采摘機器人技術(shù)中應(yīng)用并行技術(shù)的可行性和必要性。針對蘋果采摘機器人上位機軟件系統(tǒng)中的相關(guān)算法——基于決策樹的機器人避障預(yù)測模型、含噪蘋果圖像聚類分割和匹配等模塊的設(shè)計特點及相關(guān)性能等進行了研究分析。以并行化處理為主線,運用MapReduce編程模型和集群等并行技術(shù),設(shè)計了這些算法的優(yōu)化算法或并行算法,以提高相關(guān)算法的效率或識別準確率。主要研究工作和結(jié)論及創(chuàng)新點如下:(1)通過機器人避障樣本建立狀態(tài)空間映射到?jīng)Q策空間關(guān)系矩陣,是決策樹判定的變換空間。傳統(tǒng)的決策樹生成算法對大樣本的數(shù)據(jù)挖掘和處理能力是有限的。本文提出一種基于MapReduce和屬性集依賴度的預(yù)測模型并行生成算法,可對機器人避障預(yù)測中的決策樹生成進行并行處理。該算法采用屬性集依賴度作為測試屬性的選擇標準來避免ID3算法不易去除噪聲以及忽視屬性間相互關(guān)聯(lián)等缺點,在考慮屬性集和屬性集內(nèi)元素相互依賴的基礎(chǔ)上對屬性或?qū)傩约M行約簡,從而去掉冗余屬性(集)。通過機器人避障操作實例的仿真結(jié)果驗證了基于MapReduce和屬性集依賴度并行決策樹生成算法可以處理大規(guī)模數(shù)據(jù)樣本的分類與決策問題,同時與之前算法進行了復(fù)雜度等比較,具有較好的可擴展性和較高的分類效率。(2)基于空間特征的譜聚類含噪蘋果圖像分割的并行優(yōu)化算法圍繞圖像去噪、優(yōu)化和并行譜聚類等問題而設(shè)計。其基本思路是構(gòu)造圖像的三維空間特征點緊致性函數(shù),用以構(gòu)造鄰近點的相似矩陣實現(xiàn)圖像的去噪效果;再利用離群點矩陣拆分并由其它剩余列向量線性表示,對相似矩陣進行離群點調(diào)優(yōu)實現(xiàn)聚類優(yōu)化,降低離群點對譜聚類算法聚類的精確度的影響,最后設(shè)計MapReduce函數(shù)來并行化處理。為了驗證基于空間特征的譜聚類方法的去噪效果以及離群點優(yōu)化的聚類優(yōu)化,對兩幅蘋果圖像添加不同程度的高斯和椒鹽噪聲(方差分別為0.01、0.05和0.1的高斯噪聲和概率分別為0.01、0.05和0.1的椒鹽噪聲),分別求出譜聚類方法、基于空間特征的譜聚類方法、離群點優(yōu)化方法和基于MapReduce的離群點優(yōu)化方法的蘋果目標圖像的分割圖,并計算四類方法的分割準確率。結(jié)果表明:譜聚類方法受噪聲的影響較大;基于空間特征的譜聚類方法的分割效果受噪聲的影響較小,但在邊界區(qū)域仍然有很多錯分的像素;離群點優(yōu)化方法和基于MapReduce的離群點優(yōu)化方法在邊界區(qū)域的分割要優(yōu)于基于空間特征的譜聚類方法;在設(shè)定的實驗條件下,其分割結(jié)果準確率相對于基于空間特征的譜聚類方法和傳統(tǒng)的譜聚類方法可分別提高5%~6%和9%~25%,且其后者與前者的時間加速比為11%左右。(3)提出一種基于集群和降低維數(shù)的圖像匹配并行處理方法,可以處理大數(shù)據(jù)量的灰度陣列信息,在不降低相似度量的前提下提高其匹配效率。該方法屬于快速一維投影模板匹配算法,第一步是降維投影其二維實時圖像,其次是差分量化其投影值,形成由0、1邏輯數(shù)字組成的描述圖像與模板的特征字符串,引入基于同構(gòu)集群的分級嵌套串匹配并行算法對圖像和模板直接進行匹配。驗證了這種新的模板快速并行匹配算法的并行圖像處理的可行性及分析比較結(jié)果。(4)在上述算法實驗的過程中,實驗平臺Hadoop的HDFS是基本并行存儲結(jié)構(gòu),圖像等文件會遇到訪存不均衡的問題,它有很強的訪存偏向性與時效性。本文注意到對其做存儲和預(yù)取優(yōu)化能改進和提高系統(tǒng)效率。提出將不同的存儲單元(異構(gòu))組合成為更多不同層級的存儲設(shè)備的方案,把本次任務(wù)需用的文件存儲在更合適的磁盤位置,這樣就可以在充分考慮成本因素的條件下搭建高性能存儲,并利用預(yù)取技術(shù)減少MapReduce任務(wù)等待時間。綜上,通過對幾種典型軟硬件并行處理技術(shù)進行較為深入的研究,將這些技術(shù)應(yīng)用于蘋果采摘機器人軟件系統(tǒng)中主要算法(包括機器人避障預(yù)測與決策、圖像處理和并行存儲優(yōu)化)中。通過實例仿真以及平臺試驗的運行結(jié)果分析并行化過程和其中中間代碼的生成以及復(fù)雜度分析得出了一些有益結(jié)論。也可為其它領(lǐng)域相通的算法運用MapReduce、集群等手段進行并行化改進處理提供借鑒和參考。
[Abstract]:Robot obstacle avoidance prediction model, image processing and storage optimization are important research contents in apple picking robot software system. The algorithm optimization and parallel processing of these modules is one of the shortcuts to improve the performance of apple picking robot software system. This paper describes a software and hardware frame structure of an extensible apple picking robot parallel system, and explains the feasibility and necessity of applying parallel technology in apple picking robot technology. Aiming at the related algorithms in the software system of apple picking robot, the design features and related performances of the module based on decision tree-based robot obstacle avoidance prediction model, noise-free apple image clustering and matching are studied and analyzed. The optimization algorithm or parallel algorithm of these algorithms is designed to improve the efficiency or accuracy of the algorithm by parallelizing the main line, using the MapReduce programming model and the cluster and other parallel technologies. The main research work and conclusion and innovation point are as follows: (1) the state space is mapped to the decision space relation matrix through the robot obstacle avoidance sample, which is the transformation space of decision tree decision. Traditional decision tree generation algorithm is limited to data mining and processing capability of large samples. A prediction model parallel generation algorithm based on MapReduce and attribute set kurtosis is presented in this paper. The decision tree generation in robot obstacle avoidance prediction can be processed in parallel. The algorithm avoids the disadvantage that the ID3 algorithm is not easy to remove noise and ignores the correlation between attributes by adopting the attribute set kurtosis as the selection criterion of the test property, reduces the attribute or the attribute set on the basis of taking into account the element interdependence in the attribute set and the attribute set, thereby removing the redundant attributes (set). Based on the simulation results of the robot obstacle avoidance operation example, the classification and decision-making of large-scale data samples can be processed by a parallel decision tree generation algorithm based on MapReduce and attribute set. At the same time, the complexity and the like are compared with the previous algorithm. has better extensibility and higher classification efficiency. (2) The parallel optimization algorithm based on spatial feature-based spectral clustering with noisy apple image segmentation is designed around the problems of image de-noising, optimization and parallel spectral clustering. The basic idea is that the three-dimensional space feature point compactness function of the image is constructed, so that the de-noising effect of the image is realized by constructing the pixel matrix of the adjacent points, the outlier matrix is used for splitting and linear representation by the other residual column vectors, the clustering optimization is realized by the outlier adjustment of the pixel matrix, The influence of outliers on the accuracy of the clustering of spectral clustering algorithms is reduced, and the MapReduce function is designed to parallelize. In order to verify the de-noising effect of spectral clustering method based on spatial features and the optimization of outliers, we add different degrees of Gaussian and salt-pepper noise to two apple images (the Gaussian noise and the probability of 0. 01, 0. 05 and 0. 1, respectively), The spectral clustering method, the spectral clustering method based on the spatial feature, the outlier optimization method and the apple target image segmentation map based on MapReduce are respectively obtained, and the segmentation accuracy of the four methods is calculated. The results show that the spectral clustering method is affected by the noise, and the partition effect of the spectral clustering method based on the spatial features is less affected by the noise, but there are still many wrong pixels in the boundary area. The outlier optimization method and the outlier optimization method based on MapReduce are superior to the spatial feature-based spectral clustering method in the segmentation of the boundary region; under the set experimental conditions, The accuracy of segmentation can be improved by 5% ~ 6% and 9% ~ 25% respectively with respect to the spectral clustering method based on spatial features and the traditional spectral clustering method, and the latter's time-acceleration ratio is about 11%. (3) An image matching parallel processing method based on clustering and reducing dimension number is proposed. The gray array information of large data volume can be processed, and its matching efficiency is improved without reducing similar measures. the method belongs to a fast one-dimensional projection template matching algorithm, A hierarchical nested string matching parallel algorithm based on isomorphic clusters is introduced to directly match the images and templates. This paper verifies the feasibility of parallel image processing of the new template fast parallel matching algorithm and compares the results. (4) In the process of the above algorithm experiment, the HDFS of the experimental platform Hadoop is the basic parallel storage structure, and the files such as the image meet the problem of non-equilibrium in the interview, and it has strong follow-up bias and timeliness. It is noted here that storage and pre-fetch optimization can improve and improve system efficiency. A scheme for combining different storage units (heterogeneous) into storage devices at different levels is proposed, and the files needed by this task are stored in a more suitable disk position, so that high-performance storage can be constructed under the condition that the cost factors are fully considered, and utilizing the pre-fetch technology to reduce the task waiting time of the MapReduce task. In this paper, by comparing several typical software and hardware parallel processing techniques, these techniques are applied to the main algorithms of apple picking robot software system (including robot obstacle avoidance prediction and decision-making, image processing and parallel storage optimization). Some useful conclusions are obtained through the example simulation and the running result analysis parallelization process of the platform test and the generation of intermediate code and the complexity analysis. It can also use MapReduce, cluster and other means to provide reference and reference for parallelization improvement.
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：S225.93;TP242

【相似文獻】

相關(guān)期刊論文 前10條

1 王麗麗;郭艷玲;王迪;劉幻;;果蔬采摘機器人研究綜述[J];林業(yè)機械與木工設(shè)備;2009年01期

2 夏天;以色列的溫室采摘機器人[J];山東農(nóng)機化;1997年11期

3 方建軍;移動式采摘機器人研究現(xiàn)狀與進展[J];農(nóng)業(yè)工程學(xué)報;2004年02期

4 周天娟;張鐵中;;果蔬采摘機器人技術(shù)研究進展和分析[J];農(nóng)業(yè)機械;2006年22期

5 宋健;張鐵中;徐麗明;湯修映;;果蔬采摘機器人研究進展與展望[J];農(nóng)業(yè)機械學(xué)報;2006年05期

6 崔玉潔;張祖立;白曉虎;;采摘機器人的研究進展與現(xiàn)狀分析[J];農(nóng)機化研究;2007年02期

7 田素博;邱立春;秦軍偉;劉春芳;;國內(nèi)外采摘機器人機械手結(jié)構(gòu)比較的研究[J];農(nóng)機化研究;2007年03期

8 呂宏明;姬長英;;視覺技術(shù)在農(nóng)業(yè)采摘機器人中的應(yīng)用及發(fā)展[J];江西農(nóng)業(yè)學(xué)報;2008年02期

9 劉長林;張鐵中;楊麗;;果蔬采摘機器人研究進展[J];安徽農(nóng)業(yè)科學(xué);2008年13期

10 趙鵬;趙德安;;雙目立體視覺在果樹采摘機器人中的應(yīng)用[J];農(nóng)機化研究;2009年01期

相關(guān)會議論文 前7條

1 何蓓;劉剛;;果樹采摘機器人研究綜述[A];2007年中國農(nóng)業(yè)工程學(xué)會學(xué)術(shù)年會論文摘要集[C];2007年

2 趙德安;姬偉;張超;李占坤;;果樹采摘機器人控制系統(tǒng)設(shè)計[A];中國農(nóng)業(yè)工程學(xué)會電氣信息與自動化專業(yè)委員會、中國電機工程學(xué)會農(nóng)村電氣化分會科技與教育專委會2010年學(xué)術(shù)年會論文摘要[C];2010年

3 趙德安;呂繼東;姬偉;陳玉;張穎;;果樹采摘機器人及控制系統(tǒng)研制[A];中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會論文集[C];2011年

4 石興祿;鄒湘軍;盧俊;陳強;陳燕;王紅軍;劉天湖;;虛擬采摘機器人統(tǒng)一建模與三維動態(tài)仿真[A];慶祝中國力學(xué)學(xué)會成立50周年暨中國力學(xué)學(xué)會學(xué)術(shù)大會’2007論文摘要集（下）[C];2007年

5 劉繼展;李萍萍;李智國;倪齊;;番茄采摘機器人真空吸盤裝置設(shè)計及試驗研究[A];紀念中國農(nóng)業(yè)工程學(xué)會成立30周年暨中國農(nóng)業(yè)工程學(xué)會2009年學(xué)術(shù)年會（CSAE 2009）論文集[C];2009年

6 袁挺;李偉;譚豫之;楊慶華;高峰;任永新;;溫室環(huán)境下黃瓜采摘機器人信息獲取技術(shù)研究[A];走中國特色農(nóng)業(yè)機械化道路——中國農(nóng)業(yè)機械學(xué)會2008年學(xué)術(shù)年會論文集（下冊）[C];2008年

7 魏錫光;王庫;;仿自然環(huán)境條件下番茄采摘機器人設(shè)計研究[A];中國農(nóng)業(yè)工程學(xué)會電氣信息與自動化專業(yè)委員會、中國電機工程學(xué)會農(nóng)村電氣化分會科技與教育專委會2010年學(xué)術(shù)年會論文摘要[C];2010年

相關(guān)重要報紙文章 前2條

1 本報記者 段佳;果蔬采摘機器人有了三維視力[N];大眾科技報;2009年

2 呂繼東 趙德安 姬偉 陳玉;淺談國內(nèi)外采摘機器人[N];中國農(nóng)機化導(dǎo)報;2014年

相關(guān)博士學(xué)位論文 前10條

1 顧玉宛;基于并行計算的蘋果采摘機器人關(guān)鍵技術(shù)研究[D];江蘇大學(xué);2016年

2 顧寶興;智能移動式水果采摘機器人系統(tǒng)的研究[D];南京農(nóng)業(yè)大學(xué);2012年

3 呂繼東;蘋果采摘機器人視覺測量與避障控制研究[D];江蘇大學(xué);2012年

4 劉繼展;番茄采摘機器人真空吸持系統(tǒng)分析與優(yōu)化控制研究[D];江蘇大學(xué);2010年

5 黃鋁文;蘋果采摘機器人視覺識別與路徑規(guī)劃方法研究[D];西北農(nóng)林科技大學(xué);2013年

6 紀超;溫室果蔬采摘機器人視覺信息獲取方法及樣機系統(tǒng)研究[D];中國農(nóng)業(yè)大學(xué);2014年

7 李智國;基于番茄生物力學(xué)特性的采摘機器人抓取損傷研究[D];江蘇大學(xué);2011年

8 呂強;柑橘采摘機器人工作場景信息感知技術(shù)與路徑規(guī)劃研究[D];江蘇大學(xué);2010年

9 戚利勇;黃瓜采摘機器人視覺關(guān)鍵技術(shù)及系統(tǒng)研究[D];浙江工業(yè)大學(xué);2011年

10 謝忠紅;采摘機器人圖像處理系統(tǒng)中的關(guān)鍵算法研究[D];南京農(nóng)業(yè)大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 王亞平;自主采摘機器人競賽平臺系統(tǒng)研究[D];江西理工大學(xué);2015年

2 李珈慧;蘋果采摘機器人移動平臺機械系統(tǒng)的設(shè)計及仿真[D];南京農(nóng)業(yè)大學(xué);2014年

3 賀橙林;基于機器視覺的氣動采摘機器人研究[D];上海交通大學(xué);2015年

4 李敏;果蔬快速采摘機器人柔性負載剛?cè)狁詈辖Ｅc仿真[D];北方工業(yè)大學(xué);2016年

5 田麗芳;基于純滾動轉(zhuǎn)向的采摘機器人輪式AGV系統(tǒng)設(shè)計與試驗研究[D];江蘇大學(xué);2016年

6 李占坤;果樹采摘機器人控制系統(tǒng)研究與設(shè)計[D];江蘇大學(xué);2010年

7 趙慶波;果樹采摘機器人控制與避障技術(shù)研究[D];江蘇大學(xué);2008年

8 蘇帥;獼猴桃采摘機器人信息感知的基礎(chǔ)研究[D];西北農(nóng)林科技大學(xué);2013年

9 陳天宏;雙目采摘機器人路徑優(yōu)化設(shè)計的研究[D];東北農(nóng)業(yè)大學(xué);2010年

10 楊文亮;蘋果采摘機器人機械手結(jié)構(gòu)設(shè)計與分析[D];江蘇大學(xué);2009年

，

本文編號：2292724