自然环境中鲜食葡萄快速识别与采摘点自动定位方法
朱衍俊1， 杜文圣1，2， 王春颖1， 刘平1*， 李祥3*
（1.山东农业大学 机械与电子工程学院/智能化农业机械与装备实验室/山东省园艺机械与装备重点实验室，山东泰安 271018；2.山东交通学院 工程机械学院，山东济南 250357；3.山东农业大学生命科学学院小麦育种全国重点实验室，山东泰安 271018）
摘要：［目的/意义］自然环境中鲜食葡萄的快速识别与精准定位是实现鲜食葡萄机器人自动采摘的先决条件。［方法］本研究基于改进的K-means聚类算法和轮廓分析法提出一种鲜食葡萄采摘点自动定位的方法。首先，采用加权灰度阈值作为聚类算法相似度的判定依据，并以此为基础提出一种自适应调整K值的K-means聚类算法，实现鲜食葡萄的快速有效识别检测；然后，利用提出的轮廓分析法获得果梗轴和采摘点感兴趣区域，利用几何方法实现鲜食葡萄采摘点快速准确定位；最后，利用采集的917张鲜食葡萄图像对本研究提出的算法进行实验验证。［结果和讨论］本研究提出算法定位的鲜食葡萄采摘点与最优采摘点的误差小于12个像素的成功率为90.51%，平均定位时间为0.87 s，实现鲜食葡萄采摘点的快速准确的定位。在篱壁式种植方式与棚架式种植方式下分别进行50次模拟仿真试验，结果表明，篱壁式紫葡萄采摘点定位成功率为86.00%，棚架式紫葡萄识别定位成功率达到92.00%，篱壁式绿葡萄采摘点定位成功率为78.00%，棚架式绿葡萄识别定位成功率为80.00%，整体试验效果较好。［结论］本研究可为鲜食葡萄采摘机器人实现精准采摘葡萄提供技术支撑。
关键词： 鲜食葡萄；K-means聚类算法；轮廓分析法；果梗轴；采摘点；采摘机器人
文章图片
图1 鲜食葡萄样本图像
Fig.1 Image of table grape sample
图2 鲜食葡萄采摘点定位流程图
Fig. 2 Flowchart of picking point positioning for table grapes
图3 改进K-means后聚类算法流程图
Fig. 3 Flow chart of improved K-means clustering algorithm
图4 鲜食葡萄图像的初始聚类中心及坐标信息
Fig. 4 Initial cluster center and its coordinate information for images of table grape
图5 鲜食葡萄的聚类识别结果图
Fig.5 Results of table grapes' clustering recognition image
图6 鲜食葡萄二值图像
Fig. 6 Binary image of table grapes
注：A为左极值点；B为右极值点；C为重心
图7 鲜食葡萄的轮廓及轮廓信息图
Fig. 7 Contour and contour information image of table grapes
注：C为重心
图8 鲜食葡萄的待验证线束及果梗轴
Fig. 8 Images of lines bundles of the stem axis to be verified
注：D为果梗轴与葡萄轮廓交点；M为果梗轴与采摘点感兴趣区域上边界交点
图9 鲜食葡萄采摘点感兴趣轮廓图
Fig. 9 Region of interest of picking point for table grapes
注：O为采摘点感兴趣区域中心；E为采摘点
图10 鲜食葡萄的采摘点识别结果图
Fig. 10 Recognition results of picking point for table grapes
图11 部分葡萄定位结果图
Fig.11 Part of grape positioning results
图12 改进K-means方法的结果对比图
Fig.12 Contrasting results of improved K-means method
注：1.末端夹持装置；2.末端剪切装置；3.目标葡萄；4.相机；5.末端电机；6.末端控制器
图13 鲜食葡萄采摘试验平台
Fig.13 Picking test platform of table grapes
图14 鲜食葡萄采摘试验结果图
Fig. 14 Picking test result of table grapes
通信作者简介
刘平 教授
来源：《智慧农业（中英文）》2023年第2期
转载请联系编辑部授权
推荐阅读
王骥教授团队：基于轻量级MobileNet V3-YOLOv4的生长期菠萝成熟度分析（《智慧农业(中英文)》2023年第2期）
小
店
欢迎光临选购
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
