草莓收获机器人的田间试验评估外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

---

研究论文

草莓收获机器人的田间试验评估

Shigehiko Hayashi^a，*,Kenta Shigematsu^a, Satoshi Yamamoto^a, Ken Kobayashi^a,Yasushi Kohno^b, Junzo Kamata^c , Mitsutaka Kurita^c

^a日本柴达木北岛日新1-40-2号奈罗市布莱恩农业机械研究所331-8537

^b爱媛县农林渔业研究所，日本松山Kaminaba Kou 331 799-2405

^cSI Seiko Co.Ltd.，日本松山高冈66号791-8036

文章信息

我们开发了一种草莓收获机器人，由圆柱形机械手、末端执行器、机器视觉单元、存储单元和移动单元组成，用于提升基质的栽培。该机器人基于夜间作业、茎秆处理和与工人共享任务的开发理念，克服了以往研究发现的机器人采摘问题，如工作效率低、成功率低、果实受损、在不稳定光照下难以检测以及成本高。在功能测试中，机器视觉对果实成熟度的评估与人类对Amaote和Beni-hoppe品种的评估一致，但Amaote的表现明显更好。此外，机器视觉装置能够以60%的速度正确检测到目标水果的花序梗。在整个收获季节对成熟度为80%或以上的目标水果进行的收获试验中，当在切割花序梗之前使用抽吸装置采摘水果时，该系统的成功收获率为41.3%，而当在没有抽吸的情况下采摘水果时，成功收获率为34.9%。两种采摘方法在采摘失败率方面没有显著差异。成功收获单个水果包括将收获的水果转移到托盘所需的时间的执行时间为11.5秒。

copy; 2009TAgrE爱思唯尔有限公司出版版权所有

文字历史：

接收于2008年12月17日

修订于2009年5月17日

2009年9月16日接受

2009年12月22日在线发布

时/公顷; 收获量占总数的四分之一（MAFF，2007年）。因此，人们强烈希望实现收割机械化。在假设一次过收获的情况下，进行了机械风险转归试验，但这种策略尚未得到广泛应用（Hancock，1999）。选择性收获是一种常用的方法，需要高科技和精密的机器人技术。总之，有必要设计一种具有类似人类感知能力的智能机器人；例如，机器需要计算水果的位置，评估成熟度水平，并在不损坏果皮的情况下采摘水果。

1. 介绍

草莓的果皮（Fragariatimes;ananassa Duch.）果实非常柔软以至于工人们必须小心地采摘以免损坏它的表皮。果实一般在清晨即果实温度上升并变软之前收获；在日本的一些地区，工人有时需要一大早就靠前照灯或手电筒工作。此外，工人们需要从许多已经成型的果实中挑选出成熟的红色。统计数据表明，日本在草莓作物上花费的总时间略少于2万小

*通讯作者

邮件地址：shigey@affrc.go.jp (S. Hayashi).

机器人收割的基础研究始于果园水果（Schertz和Brown，1968；Parrish和Goksel，1977）；自那时以来，这类研究一直在几个国家内进行（Sarig，1993）。这项技术后来被用于蔬菜水果。Tillett（1993）回顾了几种原型机器人，并阐明了机械手设计的重要性及其在实际应用中的应用。有几项研究将机器人技术应用于温室的农田；例如，黄瓜收获（Van Henten et al.，2003）、番茄收获（Monta et al.，1998）、茄子收获（Hayashi et al.，2003）和去叶（Van Henten et al.，2006）。然而，其性能和成本尚未达到商业要求。在草莓收获方面，之前的研究已经提出了几种用于土壤培养和提升基质栽培的机器人。虽然使用抽吸装置的采摘机制是补偿视觉传感器误差的有效方法（Kondo等人，2001），但这种系统的使用导致采摘错误、未成熟的果实与目标果实一起采摘、果皮在导管运输过程中受损（Arima等人，2003）。在模拟土壤培养的实验室试验中，同时抓取和切割花序梗的剪刀式末端执行器（Cui等人，2007）显示了80%的成功率，但随着果实方向的改变，机器视觉装置在花序梗检测方面的准确性降低。在实际领域演示剪刀剪切的机制将是未来研究的主题。

2003年，面向生物的技术研究促进机构（IAM BRAIN）的农业机械研究所启动了一个项目，开发一种用于提升基质栽培的草莓收获机器人，由于草莓的果实与叶子分离，这为机器人收获提供了潜在的优势。到2005年，日本在399公顷的土地上进行了高基质栽培（JGHA，2008）。在劳动文化中，收获季节持续约6个月（Hancock，1999），果实和叶子的数量和大小差异很大。因此，果实结果和重叠的方式可能会有很大的不同。考虑到这些实际的栽培条件以及之前机器人收获研究中指出的问题，即工作效率低、成功率低、果实受损、在不稳定的光照下难以检测以及成本高，我们设计了以下开发概念。首先，为了克服工作效率低的问题，机器人只在夜间工作，并使用人造光来确保图像捕获时的恒定照明。其次，我们采用了检测、切割和处理花序梗的方法，以尽量减少对水果的损害。此外，由于水果温度低于白天，夜间操作将有助于将水果损害降至最低。第三，目标成功率设定在60%以上（并不是100%，这与理想手术相对应）。因此，剩余的水果需要由工人在任务共享操作中采摘，以降低与使用机器人相关的成本。因此，机器人在夜间工作缓慢，只收获某些容易采摘的水果。然后，在早上，工人们开始采摘剩下的水果。

基于这个概念，我们开发了一个草莓收获机器人的功能模型，该机器人可以直线移动并用开闭式夹持器采摘水果（Hayashi等人，2005）。这一新型草莓收获机器人可以来回移动，从过道两侧的轨道上收获水果。现场试验还安装了水果储存功能。此外，机器视觉算法还结合了成熟度评估和花序梗检测功能。末端执行器主要由一个开闭式夹持器和一个吸力装置组成，它可以执行两种拾取动作：吸力拾取和无吸力拾取。

本研究的目的是：（1）描述开发的收获机器人；（2） 检查个体的功能，尤其是成熟度评估和花序梗检测；

1. 在田间进行收获试验，并从实用角度分析结果。这些测试是在2007年12月至2008年5月的收获季节进行的。草莓收获机器人的长期运行将是评估系统性能、可靠性和可行性的一个重要且必要的因素。

2.材料与方法

2.1.系统组成

该机器人由一个具有三个自由度（DOF）的圆柱形机械手、末端执行器、机器视觉单元、存储单元和行走单元组成（图1和2a）。主要部件如图2b所示。该机器人长1872毫米，宽545毫米，高1545毫米。两个12V电池用作所有部件的电源。

2.1.1.机械手

机器人在直线上移动，并采用了一种允许它在通道的两侧拾取的拾取方法。机械手通过旋转致动器以360°/s的速度旋转，使其面向两侧，并能够使用线性致动器以500mm/s的速度垂直移动400 mm，水平移动300 mm。旋转致动器以悬挂方式安装，以在末端执行器下方留出空间，并避免末端执行器将水果放入托盘时托盘和末端执行器之间发生碰撞，尤其是在托盘最远的口袋中。

2.1.2.末端执行器

在收获期间，水果应尽量保持原样，以避免损坏；因此，末端执行器主要通过花序梗来处理果实。末端执行器由一个用于同时抓取和切割花序梗的夹具、一个用于抓取水果的吸力装置和一个用于检查采摘水果是否存在的光电传感器组成（图3）。一层1毫米厚的聚氨酯层附着在夹钳内以固定柄部，夹钳的一个手指形状像一个切割器。夹持器和吸入装置可通过气动滑块独立滑动40mm；此外，根据花梗方向，它们可以使用两个气缸从基础位置向左或向右旋转15°。

图1-草莓收获机器人示意图；所有尺寸单位均为毫米。

末端执行器可以执行两个拾取操作，即吸力拾取和无吸力拾取，如图4所示。在吸力采摘中，吸力装置用于在切割前保持水果以补偿因水果大小和形状以及水果周围条件的变化而造成的三维（3D）位置误差。

2.1.3.机器视觉装置

机器视觉单元由五个光源组成，每个光源有120个发光二极管（LED）芯片，以及三个对齐的彩色电荷耦合器件（CCD）摄像头（见图2b）。中央摄像头用于计算花序梗的倾斜度，而安装在中央两侧的摄像头用于立体视觉系统来确定水果的三维位置。这两台摄像机的间距为160毫米。镜头用于两侧摄像头和中央摄像头焦距分别为5毫米和6毫米。两极分化摄像头和光源上安装了滤光片。这个机器视觉算法在电脑上实现。

2.1.4.存储单元

存储单元由托盘、堆垛机和托盘组成传送带。托盘的长度和宽度均为330毫米，上面覆盖着聚氨酯泡沫，其中包含44个口袋，以便于收获果实。空托盘从堆垛机输送到末端执行器下方的位置，如图1所示。当托盘装满时，它被返回到处理装满托盘的堆垛机，然后输送下一个空托盘。

图2-草莓收获机器人的照片。（a） 总体观点；（b）主要部件的详细视图。

图3-末端执行器的示意图和照片；所有尺寸单位均为毫米。（a）俯视图，（b）前视图，（c）夹持器的特写图像。

图4-采摘操作期间末端执行器的运动。（a）吸力采摘；（b）无吸力采摘。

2.1.5.移动装置

直流电机使移动装置能够在628mm宽的轨道上以200mm的步幅移动。速度为0.19m/s，所以一步大约需要1秒。

2.2收获作业流程

机器人在前进过程中收获左侧的水果，将其主要部件旋转180°，然后收获通道的另一侧的水果（参见流程图，图5）。从堆垛机卸下一个空托盘，并将其放置在末端执行器下方，然后机器视觉单元在机器人静止时捕捉图像。

将像素数据满足颜色条件（1）的红色区域识别为水果，并用双目立体测量计算其3D位置：0.47le;rlsquo;le;1

其中rlsquo;是从以下等式（2）中获得的色度值：rlsquo;=R/（R G B） （2）

接下来，根据成熟面积分数（满足成熟度条件的水果的面积分数）与未成熟面积分数（不满足成熟度条件的水果的面积分数）的比率，评估可计算3D位置的水果的成熟度水平。选择左侧摄像头的RGB图像进行成熟度评估，并通过以下等式（3）将其转换为色调饱和度强度（HSI）图像来感知颜色的细微变化：

I_max=max（R，G，B）

I_min=min（R，G，B）

I=（I_max I_min）/2

{

(I_max-I_min)/(I_max I_min)times;255： I＜128

(I_max-I_min)/(510-（I_max I_min)）times;255： Ige;128

S= （3）

{

1. B）/(I_max-I_min)times;60: I_max=R
2. R)/(I_max-I_min)times;60 120: I_max=G

(R-G)/(I_max-I_min)times;60 240: I_max=B

H= （4）

成熟区（Rr）是指满足颜色条件（4）的区域：

0le;Hle;14

120le;Sle;250

20le;Ile;80

{

图5-收割机器人的操作流程图。

未成熟部分（Ur）的颜色范围很广，从浅绿色到浅粉色再到深粉色。因此，满足（5）-（7）所示颜色条件区域的面积被认为是未成熟面积分数（Ur）。

{

41le;Hle;80

50le;Sle;250

100le;Ile;80

⑸

0le;Hle;40

20le;Sle;250

81le;Ile;250

328le;Hle;359

30le;Sle;250

51

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[590086]，资料为PDF文档或Word文档，PDF文档可免费转换为Word