CN112712128A - 基于神经网络的智能采摘方法、设备、存储介质及装置 - Google Patents
基于神经网络的智能采摘方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN112712128A CN112712128A CN202110033347.6A CN202110033347A CN112712128A CN 112712128 A CN112712128 A CN 112712128A CN 202110033347 A CN202110033347 A CN 202110033347A CN 112712128 A CN112712128 A CN 112712128A
- Authority
- CN
- China
- Prior art keywords
- picking
- image
- neural network
- fruit
- mechanical arm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 56
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 151
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 67
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 244000298697 Actinidia deliciosa Species 0.000 description 9
- 235000009436 Actinidia deliciosa Nutrition 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D46/00—Picking of fruits, vegetables, hops, or the like; Devices for shaking trees or shrubs
- A01D46/30—Robotic devices for individually picking crops
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D91/00—Methods for harvesting agricultural products
- A01D91/04—Products growing above the soil
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Abstract
本发明公开了一种基于神经网络的智能采摘方法、设备、存储介质及装置,该方法包括:在接收到果实采摘指令时,根据果实采摘指令确定待采摘区域;获取待采摘区域的初始区域图像,并对初始区域图像进行切割获得候选区域图像;通过预设神经网络对候选区域图像进行特征提取,获得图像特征向量;通过预设分类模型对图像特征向量进行分析,获得目标识别结果,并根据目标识别结果确定目标采摘位置;获取机械臂的初始位置信息,并根据初始位置信息以及目标采摘位置生成机械臂采摘路线;根据机械臂采摘路线控制机械臂进行果实采摘;由于本发明中通过神经网络以及分类模型进行果实识别,从而能够提高果实识别的准确性,进而能够提高智能采摘的可靠性。
Description
技术领域
本发明涉及果实采摘技术领域,尤其涉及一种基于神经网络的智能采摘方法、设备、存储介质及装置。
背景技术
现有技术中采摘果实的方式,多为通过人工来进行采摘,但是随着人工费用的增加以及果园产量的增加,人工采摘的方式费时费力,而且效率很难提高。所以,为了提高采摘效率,目前还存在通过机械设备来自动采摘的方式,但是,由于某些近景色果实的颜色与果树叶片颜色相近,例如,猕猴桃,从而容易出现漏摘的情况,造成浪费。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于神经网络的智能采摘方法、设备、存储介质及装置,旨在解决如何准确识别果实,并进行采摘的技术问题。
为实现上述目的,本发明提供一种基于神经网络的智能采摘方法,所述基于神经网络的智能采摘方法包括以下步骤:
在接收到果实采摘指令时,根据所述果实采摘指令确定待采摘区域;
获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像;
通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量;
通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置;
获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线;
根据所述机械臂采摘路线控制所述机械臂进行果实采摘。
优选地,所述通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量的步骤之前,所述基于神经网络的智能采摘方法还包括:
获取样本图像集,并对所述样本图像集进行分组,获得训练图像集以及检验图像集;
对所述训练图像集中的训练图像进行遍历,将遍历到的训练图像作为待分类图像;
对所述待分类图像进行场景分类,获得图像场景类别;
在对所述训练图像遍历结束后,根据所述图像场景类别对所述训练图像集进行分类,获得图像场景训练集;
根据所述图像场景训练集对初始神经网络进行训练,获得候选神经网络;
根据所述检验图像集对所述候选神经网络进行检测,并根据检验结果对所述候选神经网络进行调整,获得预设神经网络。
优选地,所述获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像的步骤,具体包括:
获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行灰度化处理,获得初始灰度化图像;
通过预设中值滤波模型对所述初始灰度化图像进行去噪,获得目标灰度化图像,并获取所述候选灰度化图像中各像素点的灰度值;
根据所述果实采摘指令确定待采摘果实种类,并查找所述待采摘果实种类对应的灰度阈值;
根据各像素点的灰度值以及所述灰度阈值对所述候选灰度化图像进行切割,获得候选区域图像。
优选地,所述通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置的步骤,具体包括:
通过预设分类模型对所述图像特征向量进行分类,获得分类分值;
通过预设转化函数对所述分类分值进行转换,获得分类概率值;
根据所述分类概率值确定目标识别结果,并根据所述目标识别结果确定目标采摘位置。
优选地,所述获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线的步骤,具体包括:
获取机械臂的初始位置信息,并根据所述目标采摘位置确定目标采摘坐标;
通过预设成像模型对所述目标采摘坐标进行位置转换,获得实际采摘位置;
根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线。
优选地,所述根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线的步骤,具体包括:
根据所述果实采摘指令确定待采摘果实种类,并根据所述待采摘果实种类以及所述实际采摘位置确定目标切割点;
根据所述初始位置信息以及所述目标切割点生成机械臂采摘路线。
优选地,所述根据所述机械臂采摘路线控制所述机械臂进行果实采摘的步骤之后,所述基于神经网络的智能采摘方法还包括:
根据所述待采摘果实种类确定果实体积信息;
获取采摘框体积信息,并根据所述采摘框体积信息以及所述果实体积信息确定采摘框容量信息;
获取机械臂采摘次数,并根据所述机械臂采摘次数以及所述采摘框容量信息生成采摘框移动策略;
根据所述采摘框移动策略控制所述智能采摘设备的采摘框移动。
此外,为实现上述目的,本发明还提出一种基于神经网络的智能采摘设备,所述基于神经网络的智能采摘设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的智能采摘程序,所述基于神经网络的智能采摘程序配置为实现如上文所述的基于神经网络的智能采摘方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有基于神经网络的智能采摘程序,所述基于神经网络的智能采摘程序被处理器执行时实现如上文所述的基于神经网络的智能采摘方法的步骤。
此外,为实现上述目的,本发明还提出一种基于神经网络的智能采摘装置,所述基于神经网络的智能采摘装置包括:确定模块、获取模块、提取模块、分类模块、生成模块和控制模块;
所述确定模块,用于在接收到果实采摘指令时,根据所述果实采摘指令确定待采摘区域;
所述获取模块,用于获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像;
所述提取模块,用于通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量;
所述分类模块,用于通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置;
所述生成模块,用于获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线;
所述控制模块,用于根据所述机械臂采摘路线控制所述机械臂进行果实采摘。
本发明中,在接收到果实采摘指令时,根据果实采摘指令确定待采摘区域;获取待采摘区域的初始区域图像,并对初始区域图像进行切割获得候选区域图像;通过预设神经网络对候选区域图像进行特征提取,获得图像特征向量;通过预设分类模型对图像特征向量进行分类,获得分类结果,并根据分类结果确定目标采摘位置;获取机械臂的初始位置信息,并根据初始位置信息以及目标采摘位置生成机械臂采摘路线;根据机械臂采摘路线控制机械臂进行果实采摘;由于本发明中通过神经网络以及分类模型进行果实识别,从而能够提高果实识别的准确性,进而能够提高智能采摘的可靠性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于神经网络的智能采摘设备的结构示意图;
图2为本发明基于神经网络的智能采摘方法第一实施例的流程示意图;
图3为本发明基于神经网络的智能采摘方法第二实施例的流程示意图;
图4为本发明基于神经网络的智能采摘方法第三实施例的流程示意图;
图5为本发明基于神经网络的智能采摘方法第四实施例的流程示意图;
图6为本发明基于神经网络的智能采摘装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的基于神经网络的智能采摘设备结构示意图。
如图1所示,该基于神经网络的智能采摘设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对基于神经网络的智能采摘设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于神经网络的智能采摘程序。
在图1所示的基于神经网络的智能采摘设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述基于神经网络的智能采摘设备通过处理器1001调用存储器1005中存储的基于神经网络的智能采摘程序,并执行本发明实施例提供的基于神经网络的智能采摘方法。
基于上述硬件结构,提出本发明基于神经网络的智能采摘方法的实施例。
参照图2,图2为本发明基于神经网络的智能采摘方法第一实施例的流程示意图,提出本发明基于神经网络的智能采摘方法第一实施例。
步骤S10:在接收到果实采摘指令时,根据所述果实采摘指令确定待采摘区域。
需要说明的是,本实施例的执行主体是所述基于神经网络的智能采摘设备,其中,所述基于神经网络的智能采摘设备可为由处理器、摄像模块、机械臂、采摘框、储物框组成的机械设备,其中,储物框用来储存采摘的猕猴桃,机械臂和采摘框用来相互配合从猕猴桃藤上采摘猕猴桃,机械臂前端设置有切割模块。在采摘时,控制采摘框移动至猕猴桃下方,控制机械臂移动至合适的位置,并通过切割模块切割猕猴桃对应的枝干,然后猕猴桃会落入采摘框中,当采摘框中的猕猴桃到达一定数量时,将采摘框中的猕猴桃存储至储物框。还可为其他可实现相同或相似功能的设备,本实施例对此不作限制,在本实施例以及下述各实施例中,以智能采摘设备为例对本发明智能采摘方法进行说明。
应当理解的是,果实采摘指令可以是用户通过智能采摘设备的用户交互界面输入的控制指令;也可以是用户通过预先与智能采摘设备建立通信连接的终端设备输入的控制指令,其中,终端设备可以是手机、电脑等电子设备。
需要说明的是,果实采摘指令可以包括待采摘区域、待采摘果实种类信息等,本实施例对此不加以限制。
可以理解的是,根据果实采摘指令确定待采摘区域可以是对果实采摘指令进行标识提取,获得信息标识,并根据信息标识确定待采摘区域。其中,信息标识可以是用来表示信息种类的标识信息,本实施例对此不加以限制。
步骤S20:获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像。
应当理解的是,获取待采摘区域的初始区域图像可以是通过智能采摘设备的摄像模块拍摄待采摘区域的初始区域图像。
应当理解的是,获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像可以是通过获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行灰度化处理,获得初始灰度化图像,通过预设中值滤波模型对所述初始灰度化图像进行去噪,获得目标灰度化图像,并获取所述候选灰度化图像中各像素点的灰度值,根据所述果实采摘指令确定待采摘果实种类,并查找所述待采摘果实种类对应的灰度阈值,根据各像素点的灰度值以及所述灰度阈值对所述候选灰度化图像进行切割,获得候选区域图像。
应当理解的是,背景图像的灰度值相较于枝干以及果实图像的灰度值较小。因此,只需要将各像素点的灰度值大于或等于灰度阈值的图像作为删除图像进行删除,就能得到只包含枝干以及果实的轮廓图像。
步骤S30:通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量。
需要说明的是,预设神经网络可以是由智能采摘设备的生产厂商根据实际需求进行设置,在本实施例中,以CNN卷积神经网络为例进行说明。
进一步地,为了提高预设神经网络的可靠性,所述通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量之前,还包括:
获取样本图像集,并对所述样本图像集进行分组,获得训练图像集以及检验图像集,对所述训练图像集中的训练图像进行遍历,将遍历到的训练图像作为待分类图像,对所述待分类图像进行场景分类,获得图像场景类别,在对所述训练图像遍历结束后,根据所述图像场景类别对所述训练图像集进行分类,获得图像场景训练集,根据所述图像场景训练集对初始神经网络进行训练,获得候选神经网络,根据所述检验图像集对所述候选神经网络进行检测,并根据检验结果对所述候选神经网络进行调整,获得预设神经网络。
步骤S40:通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置。
需要说明的是,预设分类模型可以由智能采摘设备的生产厂商预先设置,在本实施例中,以SVM分类模型为例进行说明。
应当理解的是,通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置可以是通过预设分类模型对所述图像特征向量进行分类,获得分类分值,通过预设转化函数对所述分类分值进行转换,获得分类概率值,根据所述分类概率值确定目标识别结果,并根据所述目标识别结果确定目标采摘位置。
步骤S50:获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线。
需要说明的是,初始位置信息可以是智能采摘设备在接收到果实采摘指令时,机械臂上切割模块的位置信息,本实施例对此不加以限制。
可以理解的是,获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线可以是获取机械臂的初始位置信息,并根据所述目标采摘位置确定目标采摘坐标,通过预设成像模型对所述目标采摘坐标进行位置转换,获得实际采摘位置,根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线。
步骤S60:根据所述机械臂采摘路线控制所述机械臂进行果实采摘。
应当理解的是,根据机械臂采摘路线控制所述机械臂进行果实采摘可以是根据机械臂采摘路线控制机械臂移动至实际采摘位置,并控制机械臂的切割模块进行切割,以对果实进行采摘。
在第一实施例中,在接收到果实采摘指令时,根据果实采摘指令确定待采摘区域;获取待采摘区域的初始区域图像,并对初始区域图像进行切割获得候选区域图像;通过预设神经网络对候选区域图像进行特征提取,获得图像特征向量;通过预设分类模型对图像特征向量进行分类,获得分类结果,并根据分类结果确定目标采摘位置;获取机械臂的初始位置信息,并根据初始位置信息以及目标采摘位置生成机械臂采摘路线;根据机械臂采摘路线控制机械臂进行果实采摘;由于本实施例中通过神经网络以及分类模型进行果实识别,从而能够提高果实识别的准确性,进而能够提高智能采摘的可靠性。
参照图3,图3为本发明基于神经网络的智能采摘方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于神经网络的智能采摘方法的第二实施例。
在第二实施例中,所述步骤S20,包括:
步骤S201:获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行灰度化处理,获得初始灰度化图像。
应当理解的是,获取待采摘区域的初始区域图像可以是通过智能采摘设备的摄像模块拍摄待采摘区域的初始区域图像。
步骤S202:通过预设中值滤波模型对所述初始灰度化图像进行去噪,获得目标灰度化图像,并获取所述候选灰度化图像中各像素点的灰度值。
应当理解的是,预设终止滤波模型可以由智能采摘设备的生产厂商预先设置,本实施例对此不加以限制。
可以理解的是,中值滤波是一种数字图像处理方法,原理是模板中心对准处理像素,对模板下的对应像素进行灰度值排序,将中值赋给当前像素。
步骤S203:根据所述果实采摘指令确定待采摘果实种类,并查找所述待采摘果实种类对应的灰度阈值。
应当理解的是,查找待采摘果实种类对应的灰度阈值可以是在预设阈值表中查找待采摘果实种类对应的灰度阈值。其中,预设阈值表中包含待采摘果实种类与灰度阈值的对应关系,待采摘果实种类与灰度阈值的对应关系可以由智能采摘设备的生产厂商预先设置,本实施例对此不加以限制。
步骤S204:根据各像素点的灰度值以及所述灰度阈值对所述候选灰度化图像进行切割,获得候选区域图像。
应当理解的是,背景图像的灰度值相较于枝干以及果实图像的灰度值较小。因此,只需要将各像素点的灰度值大于或等于灰度阈值的图像作为删除图像进行删除,就能得到只包含枝干以及果实的轮廓图像。
在第二实施例中,通过获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行灰度化处理,获得初始灰度化图像,通过预设中值滤波模型对所述初始灰度化图像进行去噪,获得目标灰度化图像,并获取所述候选灰度化图像中各像素点的灰度值,根据所述果实采摘指令确定待采摘果实种类,并查找所述待采摘果实种类对应的灰度阈值,根据各像素点的灰度值以及所述灰度阈值对所述候选灰度化图像进行切割,获得候选区域图像,从而能够生成准确、可靠的候选区域图像。
在第二实施例中,所述步骤S40,包括:
步骤S401:通过预设分类模型对所述图像特征向量进行分类,获得分类分值。
需要说明的是,预设分类模型可以由智能采摘设备的生产厂商预先设置,在本实施例中,以SVM分类模型为例进行说明。
步骤S402:通过预设转化函数对所述分类分值进行转换,获得分类概率值。
可以理解的是,SVM分类模型得到的并不是确定的概率值,而是分值,因此,需要将分值转换为概率值。
需要说明的是,预设转化函数可以由智能采摘设备的生产厂商预先设置,在本实施例中,以sigmid函数为例进行说明。
步骤S403:根据所述分类概率值确定目标识别结果,并根据所述目标识别结果确定目标采摘位置。
应当理解的是,根据分类概率值确定分类结果可以是将分类概率值大于预设概率值的图像区域作为果实所在区域。其中,预设概率值可以由用户根据实际需求实时输入,本实施例对此不加以限制。
可以理解的是,根据目标识别结果确定目标采摘位置可以是将果实所在区域作为目标采摘位置。
在第二实施例中,通过预设分类模型对所述图像特征向量进行分类,获得分类分值,通过预设转化函数对所述分类分值进行转换,获得分类概率值,根据所述分类概率值确定目标识别结果,并根据所述目标识别结果确定目标采摘位置,从而能够快速生成目标采摘位置。
第二实施例中,所述步骤S50,包括:
步骤S501:获取机械臂的初始位置信息,并根据所述目标采摘位置确定目标采摘坐标。
需要说明的是,初始位置信息可以是智能采摘设备在接收到果实采摘指令时,机械臂上切割模块的位置信息,本实施例对此不加以限制。
应当理解的是,根据目标采摘位置确定目标采摘坐标可以是以智能采摘设备为坐标原点建立空间直角坐标系,并根据空间直角坐标系以及目标采摘位置确定目标采摘坐标。
步骤S502:通过预设成像模型对所述目标采摘坐标进行位置转换,获得实际采摘位置。
需要说明的是,预设成像模型可以是由图像坐标转换到空间坐标的转换模型,其中,预设成像模型可以由智能采摘设备的生产厂商预先设置,本实施例对此不加以限制。
步骤S503:根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线。
应当理解的是,根据初始位置信息以及实际采摘位置生成机械臂采摘路线可以是根据初始位置信息以及实际采摘位置进行路线规划,生成机械臂采摘路线。
进一步地,在实际应用中,不同种类果实的枝干结构不同,如果所有种类的果实都采用同一位置进行切割采摘,可能会存在采摘失败的情况。为了克服上述缺陷,所述步骤S503,包括:
根据所述果实采摘指令确定待采摘果实种类,并根据所述待采摘果实种类以及所述实际采摘位置确定目标切割点;
根据所述初始位置信息以及所述目标切割点生成机械臂采摘路线。
应当理解的是,根据待采摘果实种类以及实际采摘位置确定目标切割点可以是根据待采摘果实种类确定修正参数,并根据修改参数对实际采摘位置进行调整,获得目标切割点。
可以理解的是,根据待采摘果实种类确定修正参数可以是在预设修正参数表中查找待采摘果实种类对应的修正参数。其中,预设修正参数表中包含待采摘果实种类与修正参数的对应关系,待采摘果实种类与修正参数的对应关系可以由智能采摘设备的生成厂商预先设置,本实施例对此不加以限制。
在第二实施例中,通过获取机械臂的初始位置信息,并根据所述目标采摘位置确定目标采摘坐标,通过预设成像模型对所述目标采摘坐标进行位置转换,获得实际采摘位置,根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线;本实施例中,通过目标采摘位置确定目标采摘坐标,并对目标采摘坐标进行位置转换,获得实际采摘位置,再根据实际采摘位置生成机械臂采摘路线,从而能够提高机械臂采摘路线的可靠性。
参照图4,图4为本发明基于神经网络的智能采摘方法第三实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于神经网络的智能采摘方法的第三实施例。
在第三实施例中,所述步骤S30之前,还包括:
步骤S210:获取样本图像集,并对所述样本图像集进行分组,获得训练图像集以及检验图像集。
需要说明的是,样本图像集可以由用户通过智能采摘设备的摄像模块进行采集,本实施例对此不加以限制。
应当理解的是,对样本图像集进行分组可以是随机对样本图像集进行分组;也可以是根据样本图像集中样本图像的采集时间对样本图像集进行分组,本实施例对此不加以限制。
步骤S220:对所述训练图像集中的训练图像进行遍历,将遍历到的训练图像作为待分类图像。
可以理解的是,对训练图像集中的训练图像进行遍历可以是随机对训练图像集中的训练图像进行遍历;也可以是根据训练图像集中的训练图像的采集时间对训练图像集中的训练图像进行遍历,本实施例对此不加以限制。
步骤S230:对所述待分类图像进行场景分类,获得图像场景类别。
需要说明的是,图像场景类别可以包括晴天果实完全裸露场景、晴天果实部分遮挡场景、晴天果实完全遮挡场景、阴天果实完全裸露场景、阴天果实部分遮挡场景、阴天果实完全遮挡场景等,本实施例对此不加以限制。
步骤S240:在对所述训练图像遍历结束后,根据所述图像场景类别对所述训练图像集进行分类,获得图像场景训练集。
应当理解的是,根据图像场景类别对训练图像集进行分类,获得图像场景训练集可以是将晴天果实完全裸露场景的图像放在晴天果实完全裸露场景训练集以及将晴天果实部分遮挡场景的图像放在晴天果实部分遮挡场景训练集等,本实施例对此不加以限制。
步骤S250:根据所述图像场景训练集对初始神经网络进行训练,获得候选神经网络。
需要说明的是,初始神经网络可以由智能采摘设备的生产厂商预先设置,在本实施例中,以CNN卷积神经网络为例进行说明。
步骤S260:根据所述检验图像集对所述候选神经网络进行检测,并根据检验结果对所述候选神经网络进行调整,获得预设神经网络。
应当理解的是,根据检验结果对候选神经网络进行调整,获得预设神经网络可以是根据检验结果对候选神经网络中的各项参数进行调整,获得预设神经网络,本实施例对此不加以限制。
在第三实施例中,通过获取样本图像集,并对所述样本图像集进行分组,获得训练图像集以及检验图像集,对所述训练图像集中的训练图像进行遍历,将遍历到的训练图像作为待分类图像,对所述待分类图像进行场景分类,获得图像场景类别,在对所述训练图像遍历结束后,根据所述图像场景类别对所述训练图像集进行分类,获得图像场景训练集,根据所述图像场景训练集对初始神经网络进行训练,获得候选神经网络,根据所述检验图像集对所述候选神经网络进行检测,并根据检验结果对所述候选神经网络进行调整,获得预设神经网络,从而能够通过大量训练集对初始神经网络进行训练以及检验,以获得准确、可靠的预设神经网络。
参照图5,图5为本发明基于神经网络的智能采摘方法第四实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明基于神经网络的智能采摘方法的第四实施例。
在第四实施例中,所述步骤S60之后,还包括:
步骤S70:根据所述待采摘果实种类确定果实体积信息。
需要说明的是,果实体积信息可以是果实体积大小信息,本实施例对此不加以限制。
应当理解的是,根据待采摘果实种类确定果实体积信息可以是在预设果实信息表中查找待采摘果实种类对应的果实体积信息。其中,预设果实信息表中包含待采摘果实种类与果实体积信息的对应关系,待采摘果实种类与果实体积信息的对应关系可以由智能采摘设备的生产厂商预先设置,本实施例对此不加以限制。
步骤S80:获取采摘框体积信息,并根据所述采摘框体积信息以及所述果实体积信息确定采摘框容量信息。
应当理解的是,获得采摘框体积信息可以是在预设存储区获取采摘框体积信息,其中,预设存储区可以是用户预先设置的用于存储智能采摘设备信息的区域,本实施例对此不加以限制。
需要说明的是,采摘框容量信息可以是采摘框可装载果实数量信息,本实施例对不加以限制。
步骤S90:获取机械臂采摘次数,并根据所述机械臂采摘次数以及所述采摘框容量信息生成采摘框移动策略。
应当理解的是,根据机械臂采摘次数以及采摘框容量信息生成采摘框移动策略可以是在机械臂采摘次数小于采摘框可装载果实数量时,将采摘框移动至机械臂下方作为采摘框移动策略;在机械臂采摘次数大于或等于采摘框可装载果实数量时,将采摘框移动至储物框作为采摘框移动策略。
步骤S100:根据所述采摘框移动策略控制所述智能采摘设备的采摘框移动。
应当理解的是,根据采摘框移动策略控制智能采摘设备的采摘框移动可以是根据采摘框移动策略控制智能采摘设备的采摘框移动至指定位置。
在第四实施例中,通过根据所述待采摘果实种类确定果实体积信息,获取采摘框体积信息,并根据所述采摘框体积信息以及所述果实体积信息确定采摘框容量信息,获取机械臂采摘次数,并根据所述机械臂采摘次数以及所述采摘框容量信息生成采摘框移动策略,根据所述采摘框移动策略控制所述智能采摘设备的采摘框移动,从而能够保证采摘框中的果实不会装满溢出,避免造成果实损伤。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有基于神经网络的智能采摘程序,所述基于神经网络的智能采摘程序被处理器执行时实现如上文所述的基于神经网络的智能采摘方法的步骤。
此外,参照图5,本发明实施例还提出一种基于神经网络的智能采摘装置,所述基于神经网络的智能采摘装置包括:确定模块10、获取模块20、提取模块30、分类模块40、生成模块50和控制模块60;
所述确定模块10,用于在接收到果实采摘指令时,根据所述果实采摘指令确定待采摘区域。
应当理解的是,果实采摘指令可以是用户通过智能采摘设备的用户交互界面输入的控制指令;也可以是用户通过预先与智能采摘设备建立通信连接的终端设备输入的控制指令,其中,终端设备可以是手机、电脑等电子设备。
需要说明的是,果实采摘指令可以包括待采摘区域、待采摘果实种类信息等,本实施例对此不加以限制。
可以理解的是,根据果实采摘指令确定待采摘区域可以是对果实采摘指令进行标识提取,获得信息标识,并根据信息标识确定待采摘区域。其中,信息标识可以是用来表示信息种类的标识信息,本实施例对此不加以限制。
所述获取模块20,用于获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像。
应当理解的是,获取待采摘区域的初始区域图像可以是通过智能采摘设备的摄像模块拍摄待采摘区域的初始区域图像。
应当理解的是,获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像可以是通过获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行灰度化处理,获得初始灰度化图像,通过预设中值滤波模型对所述初始灰度化图像进行去噪,获得目标灰度化图像,并获取所述候选灰度化图像中各像素点的灰度值,根据所述果实采摘指令确定待采摘果实种类,并查找所述待采摘果实种类对应的灰度阈值,根据各像素点的灰度值以及所述灰度阈值对所述候选灰度化图像进行切割,获得候选区域图像。
应当理解的是,背景图像的灰度值相较于枝干以及果实图像的灰度值较小。因此,只需要将各像素点的灰度值大于或等于灰度阈值的图像作为删除图像进行删除,就能得到只包含枝干以及果实的轮廓图像。
所述提取模块30,用于通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量。
需要说明的是,预设神经网络可以是由智能采摘设备的生产厂商根据实际需求进行设置,在本实施例中,以CNN卷积神经网络为例进行说明。
进一步地,为了提高预设神经网络的可靠性,所述通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量之前,还包括:
获取样本图像集,并对所述样本图像集进行分组,获得训练图像集以及检验图像集,对所述训练图像集中的训练图像进行遍历,将遍历到的训练图像作为待分类图像,对所述待分类图像进行场景分类,获得图像场景类别,在对所述训练图像遍历结束后,根据所述图像场景类别对所述训练图像集进行分类,获得图像场景训练集,根据所述图像场景训练集对初始神经网络进行训练,获得候选神经网络,根据所述检验图像集对所述候选神经网络进行检测,并根据检验结果对所述候选神经网络进行调整,获得预设神经网络。
所述分类模块40,用于通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置。
需要说明的是,预设分类模型可以由智能采摘设备的生产厂商预先设置,在本实施例中,以SVM分类模型为例进行说明。
应当理解的是,通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置可以是通过预设分类模型对所述图像特征向量进行分类,获得分类分值,通过预设转化函数对所述分类分值进行转换,获得分类概率值,根据所述分类概率值确定目标识别结果,并根据所述目标识别结果确定目标采摘位置。
所述生成模块50,用于获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线。
需要说明的是,初始位置信息可以是智能采摘设备在接收到果实采摘指令时,机械臂上切割模块的位置信息,本实施例对此不加以限制。
可以理解的是,获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线可以是获取机械臂的初始位置信息,并根据所述目标采摘位置确定目标采摘坐标,通过预设成像模型对所述目标采摘坐标进行位置转换,获得实际采摘位置,根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线。
所述控制模块60,用于根据所述机械臂采摘路线控制所述机械臂进行果实采摘。
应当理解的是,根据机械臂采摘路线控制所述机械臂进行果实采摘可以是根据机械臂采摘路线控制机械臂移动至实际采摘位置,并控制机械臂的切割模块进行切割,以对果实进行采摘。
在本实施例中,在接收到果实采摘指令时,根据果实采摘指令确定待采摘区域;获取待采摘区域的初始区域图像,并对初始区域图像进行切割获得候选区域图像;通过预设神经网络对候选区域图像进行特征提取,获得图像特征向量;通过预设分类模型对图像特征向量进行分类,获得分类结果,并根据分类结果确定目标采摘位置;获取机械臂的初始位置信息,并根据初始位置信息以及目标采摘位置生成机械臂采摘路线;根据机械臂采摘路线控制机械臂进行果实采摘;由于本实施例中通过神经网络以及分类模型进行果实识别,从而能够提高果实识别的准确性,进而能够提高智能采摘的可靠性。
本发明所述基于神经网络的智能采摘装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为名称。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于神经网络的智能采摘方法,其特征在于,所述基于神经网络的智能采摘方法包括以下步骤:
在接收到果实采摘指令时,根据所述果实采摘指令确定待采摘区域;
获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像;
通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量;
通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置;
获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线;
根据所述机械臂采摘路线控制所述机械臂进行果实采摘。
2.如权利要求1所述的基于神经网络的智能采摘方法,其特征在于,所述通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量的步骤之前,所述基于神经网络的智能采摘方法还包括:
获取样本图像集,并对所述样本图像集进行分组,获得训练图像集以及检验图像集;
对所述训练图像集中的训练图像进行遍历,将遍历到的训练图像作为待分类图像;
对所述待分类图像进行场景分类,获得图像场景类别;
在对所述训练图像遍历结束后,根据所述图像场景类别对所述训练图像集进行分类,获得图像场景训练集;
根据所述图像场景训练集对初始神经网络进行训练,获得候选神经网络;
根据所述检验图像集对所述候选神经网络进行检测,并根据检验结果对所述候选神经网络进行调整,获得预设神经网络。
3.如权利要求1所述的基于神经网络的智能采摘方法,其特征在于,所述获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像的步骤,具体包括:
获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行灰度化处理,获得初始灰度化图像;
通过预设中值滤波模型对所述初始灰度化图像进行去噪,获得目标灰度化图像,并获取所述候选灰度化图像中各像素点的灰度值;
根据所述果实采摘指令确定待采摘果实种类,并查找所述待采摘果实种类对应的灰度阈值;
根据各像素点的灰度值以及所述灰度阈值对所述候选灰度化图像进行切割,获得候选区域图像。
4.如权利要求1所述的基于神经网络的智能采摘方法,其特征在于,所述通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置的步骤,具体包括:
通过预设分类模型对所述图像特征向量进行分类,获得分类分值;
通过预设转化函数对所述分类分值进行转换,获得分类概率值;
根据所述分类概率值确定目标识别结果,并根据所述目标识别结果确定目标采摘位置。
5.如权利要求1所述的基于神经网络的智能采摘方法,其特征在于,所述获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线的步骤,具体包括:
获取机械臂的初始位置信息,并根据所述目标采摘位置确定目标采摘坐标;
通过预设成像模型对所述目标采摘坐标进行位置转换,获得实际采摘位置;
根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线。
6.如权利要求5所述的基于神经网络的智能采摘方法,其特征在于,所述根据所述初始位置信息以及所述实际采摘位置生成机械臂采摘路线的步骤,具体包括:
根据所述果实采摘指令确定待采摘果实种类,并根据所述待采摘果实种类以及所述实际采摘位置确定目标切割点;
根据所述初始位置信息以及所述目标切割点生成机械臂采摘路线。
7.如权利要求6所述的基于神经网络的智能采摘方法,其特征在于,所述根据所述机械臂采摘路线控制所述机械臂进行果实采摘的步骤之后,所述基于神经网络的智能采摘方法还包括:
根据所述待采摘果实种类确定果实体积信息;
获取采摘框体积信息,并根据所述采摘框体积信息以及所述果实体积信息确定采摘框容量信息;
获取机械臂采摘次数,并根据所述机械臂采摘次数以及所述采摘框容量信息生成采摘框移动策略;
根据所述采摘框移动策略控制所述智能采摘设备的采摘框移动。
8.一种基于神经网络的智能采摘设备,其特征在于,所述基于神经网络的智能采摘设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于神经网络的智能采摘程序,所述基于神经网络的智能采摘程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的智能采摘方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有基于神经网络的智能采摘程序,所述基于神经网络的智能采摘程序被处理器执行时实现如权利要求1至7中任一项所述的基于神经网络的智能采摘方法的步骤。
10.一种基于神经网络的智能采摘装置,其特征在于,所述基于神经网络的智能采摘装置包括:确定模块、获取模块、提取模块、分类模块、生成模块和控制模块;
所述确定模块,用于在接收到果实采摘指令时,根据所述果实采摘指令确定待采摘区域;
所述获取模块,用于获取所述待采摘区域的初始区域图像,并对所述初始区域图像进行切割获得候选区域图像;
所述提取模块,用于通过预设神经网络对所述候选区域图像进行特征提取,获得图像特征向量;
所述分类模块,用于通过预设分类模型对所述图像特征向量进行分析,获得目标识别结果,并根据所述目标识别结果确定目标采摘位置;
所述生成模块,用于获取机械臂的初始位置信息,并根据所述初始位置信息以及所述目标采摘位置生成机械臂采摘路线;
所述控制模块,用于根据所述机械臂采摘路线控制所述机械臂进行果实采摘。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033347.6A CN112712128A (zh) | 2021-01-11 | 2021-01-11 | 基于神经网络的智能采摘方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110033347.6A CN112712128A (zh) | 2021-01-11 | 2021-01-11 | 基于神经网络的智能采摘方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112712128A true CN112712128A (zh) | 2021-04-27 |
Family
ID=75548769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110033347.6A Pending CN112712128A (zh) | 2021-01-11 | 2021-01-11 | 基于神经网络的智能采摘方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112712128A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113099847A (zh) * | 2021-05-25 | 2021-07-13 | 广东技术师范大学 | 一种基于果实三维参数预测模型的果实采摘方法 |
CN114902872A (zh) * | 2022-04-26 | 2022-08-16 | 华南理工大学 | 一种机器人采摘果实的视觉引导方法 |
CN115918377A (zh) * | 2022-12-21 | 2023-04-07 | 北京理工大学 | 树果自动采摘机的控制方法、控制装置及树果自动采摘机 |
US20230136427A1 (en) * | 2021-10-29 | 2023-05-04 | Guangdong Polytechnic Normal University | Fruit picking method based on visual servo control robot |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356877A (zh) * | 2008-09-19 | 2009-02-04 | 中国农业大学 | 一种温室环境下黄瓜采摘机器人系统及采摘方法 |
CN101683037A (zh) * | 2008-09-26 | 2010-03-31 | 中国农业大学 | 一种果实采摘机器人的控制器 |
CN102914967A (zh) * | 2012-09-21 | 2013-02-06 | 浙江工业大学 | 采摘机器人的自主导航和人机协同采摘作业系统 |
CN104067781A (zh) * | 2014-06-16 | 2014-10-01 | 华南农业大学 | 基于虚拟机器人与真实机器人集成的采摘系统及方法 |
CN109409365A (zh) * | 2018-10-25 | 2019-03-01 | 江苏德劭信息科技有限公司 | 一种基于深度目标检测的待采摘水果识别和定位方法 |
-
2021
- 2021-01-11 CN CN202110033347.6A patent/CN112712128A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101356877A (zh) * | 2008-09-19 | 2009-02-04 | 中国农业大学 | 一种温室环境下黄瓜采摘机器人系统及采摘方法 |
CN101683037A (zh) * | 2008-09-26 | 2010-03-31 | 中国农业大学 | 一种果实采摘机器人的控制器 |
CN102914967A (zh) * | 2012-09-21 | 2013-02-06 | 浙江工业大学 | 采摘机器人的自主导航和人机协同采摘作业系统 |
CN104067781A (zh) * | 2014-06-16 | 2014-10-01 | 华南农业大学 | 基于虚拟机器人与真实机器人集成的采摘系统及方法 |
CN109409365A (zh) * | 2018-10-25 | 2019-03-01 | 江苏德劭信息科技有限公司 | 一种基于深度目标检测的待采摘水果识别和定位方法 |
Non-Patent Citations (1)
Title |
---|
王向阳 等: "《食品贮藏与保鲜》", 30 June 2020, 浙江工商大学出版社, pages: 139 - 148 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113099847A (zh) * | 2021-05-25 | 2021-07-13 | 广东技术师范大学 | 一种基于果实三维参数预测模型的果实采摘方法 |
US20230136427A1 (en) * | 2021-10-29 | 2023-05-04 | Guangdong Polytechnic Normal University | Fruit picking method based on visual servo control robot |
US11678609B2 (en) * | 2021-10-29 | 2023-06-20 | Guangdong Polytechnic Normal University | Fruit picking method based on visual servo control robot |
CN114902872A (zh) * | 2022-04-26 | 2022-08-16 | 华南理工大学 | 一种机器人采摘果实的视觉引导方法 |
CN115918377A (zh) * | 2022-12-21 | 2023-04-07 | 北京理工大学 | 树果自动采摘机的控制方法、控制装置及树果自动采摘机 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112712128A (zh) | 基于神经网络的智能采摘方法、设备、存储介质及装置 | |
CN109102543B (zh) | 基于图像分割的物体定位方法、设备和存储介质 | |
US20110091116A1 (en) | Object recognition apparatus and object recognition method | |
CN110443212B (zh) | 用于目标检测的正样本获取方法、装置、设备及存储介质 | |
CN110619333B (zh) | 一种文本行分割方法、文本行分割装置及电子设备 | |
CN110032510B (zh) | 应用的测试方法及装置 | |
Zhang et al. | Research on spatial positioning system of fruits to be picked in field based on binocular vision and SSD model | |
CN113282215A (zh) | 一种rpa系统中基于目标检测技术的ui元素拾取方法和系统 | |
CN115512238A (zh) | 病害区域的确定方法、装置、存储介质及电子装置 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN112464802A (zh) | 一种玻片样本信息的自动识别方法、装置和计算机设备 | |
CN114227717A (zh) | 基于巡检机器人的智能巡检方法、装置、设备及存储介质 | |
CN114863311A (zh) | 一种变电站机器人巡检目标自动跟踪方法及系统 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN113021355B (zh) | 一种用于预测遮挡农作物摘取点的农业机器人作业方法 | |
CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
CN112631333A (zh) | 无人机的目标跟踪方法、装置及图像处理芯片 | |
CN111126456B (zh) | 神经网络模型的处理方法、装置、设备及存储介质 | |
CN115984759A (zh) | 变电站开关状态识别方法、装置、计算机设备和存储介质 | |
CN114648628A (zh) | 一种苹果成熟度检测方法 | |
CN109359544B (zh) | 一种人像检索方法及装置 | |
CN113723833A (zh) | 造林实绩质量评价方法、系统、终端设备及存储介质 | |
CN112215311A (zh) | 样本入库方法、装置、计算机设备和存储介质 | |
CN110969210A (zh) | 一种小慢目标的识别分类方法、装置、设备及存储介质 | |
CN117152544B (zh) | 采茶方法、设备、存储介质及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |