CN113505779A - 采茶机器人采茶面超声波和视觉融合探测方法及装置 - Google Patents
采茶机器人采茶面超声波和视觉融合探测方法及装置 Download PDFInfo
- Publication number
- CN113505779A CN113505779A CN202110875205.4A CN202110875205A CN113505779A CN 113505779 A CN113505779 A CN 113505779A CN 202110875205 A CN202110875205 A CN 202110875205A CN 113505779 A CN113505779 A CN 113505779A
- Authority
- CN
- China
- Prior art keywords
- tea
- picking
- buds
- distribution
- height
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 230000000007 visual effect Effects 0.000 title claims description 33
- 238000001514 detection method Methods 0.000 title claims description 32
- 241001122767 Theaceae Species 0.000 claims abstract description 346
- 238000000034 method Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 3
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 7
- 240000003553 Leptospermum scoparium Species 0.000 description 7
- 235000015459 Lycium barbarum Nutrition 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003306 harvesting Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 101100295776 Drosophila melanogaster onecut gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Robotics (AREA)
- Environmental Sciences (AREA)
- Manipulator (AREA)
Abstract
本公开涉及一种采茶机器人采茶面超声波和视觉融合探测方法及装置；其中，该方法包括：获取茶园中茶芽的分布信息和茶芽对应的茶叶的分布信息；其中，分布信息包括分布区域、分布密度和外形轮廓；根据茶芽的分布信息和茶芽对应的茶叶的分布信息，计算茶芽的采摘高度；基于茶芽的采摘高度，控制采摘设备采摘茶芽。本公开实施例能够避免一刀切割造成茶芽损伤的问题，从而，有效提高茶叶的质量品级，降低价值损失。
Description
技术领域
本公开涉及采摘技术领域，尤其涉及一种采茶机器人采茶面超声波和视觉融合探测方法及装置。
背景技术
机械化精准采茶是未来规模茶园必然的发展趋势，能够极大的降低采茶的复杂操作，使得采茶过程机械化。
传统采茶机械根据操作形式可分为单人手提式、双人抬式、自走式和乘坐式等。其在采茶机器人采茶面超声波和视觉融合探测过程中多采用往复式切割器，将茶树蓬面上的茶芽在一定高度上一刀切割采下。
从而，直接降低了茶叶的质量品级，造成严重的价值损失。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种采茶机器人采茶面超声波和视觉融合探测方法及装置。
第一方面，本公开提供了一种采茶机器人采茶面超声波和视觉融合探测方法，所述方法包括：
获取茶园中茶芽的分布信息和所述茶芽对应的茶叶的分布信息；其中，所述分布信息包括分布区域、分布密度和外形轮廓；
根据所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，计算所述茶芽的采摘高度；
基于所述茶芽的采摘高度，控制采摘设备采摘所述茶芽。
可选的，所述根据所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，计算所述茶芽的采摘高度，包括：
基于所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，利用超声传感器对所述茶芽和所述茶芽对应的茶叶进行目标操作；其中，所述目标操作用于改变所述茶芽和所述茶芽对应的茶叶的分布方向；
根据经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向，确定所述茶芽的采摘高度。
可选的，所述基于所述茶芽的采摘高度，控制采摘设备采摘所述茶芽，包括：
获取预先设置的采摘设备的初始采摘速度；
基于所述茶芽的采摘高度，调整所述采摘设备的采摘速度为所述初始采摘速度，以使所述采摘设备采摘所述茶芽。
可选的，所述方法还包括：
若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到所述茶芽的回波信号大于或等于第一预设阈值，则减小所述采摘设备的初始采摘速度。
可选的，所述茶芽的分布高度与所述茶芽的采摘高度相对应。
可选的，所述根据经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向，确定所述茶芽的采摘高度，包括：
获取经过目标操作后的所述茶园中每个茶芽的分布高度；
基于经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向和所述分布高度，确定所述茶园中茶芽的采摘高度。
可选的，所述方法还包括：
若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到分布高度在预设高度阈值内的茶芽数量大于或等于第二预设阈值，则增加所述采摘设备的初始采摘速度。
第二方面，本公开提供了一种采茶机器人采茶面超声波和视觉融合探测装置，所述装置包括：
获取模块，用于获取茶园中茶芽的分布信息和所述茶芽对应的茶叶的分布信息；其中，所述分布信息包括分布区域、分布密度和外形轮廓；
计算模块，用于根据所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，计算所述茶芽的采摘高度；
控制模块，用于基于所述茶芽的采摘高度，控制采摘设备采摘所述茶芽。
可选的，计算模块，包括：操作单元和确定单元；
操作单元，用于基于所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，利用超声传感器对所述茶芽和所述茶芽对应的茶叶进行目标操作；其中，所述目标操作用于改变所述茶芽和所述茶芽对应的茶叶的分布方向；
确定单元，用于根据经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向，确定所述茶芽的采摘高度。
可选的，控制模块，具体用于：
获取预先设置的采摘设备的初始采摘速度；
基于所述茶芽的采摘高度，调整所述采摘设备的采摘速度为所述初始采摘速度，以使所述采摘设备采摘所述茶芽。
可选的，还包括：减小模块；
减小模块，用于若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到所述茶芽的回波信号大于或等于第一预设阈值，则减小所述采摘设备的初始采摘速度。
可选的，所述茶芽的分布高度与所述茶芽的采摘高度相对应。
可选的，确定单元，具体用于：
获取经过目标操作后的所述茶园中每个茶芽的分布高度；
基于经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向和所述分布高度，确定所述茶园中茶芽的采摘高度。
可选的，还包括：增加模块；
增加模块，用于若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到分布高度在预设高度阈值内的茶芽数量大于或等于第二预设阈值，则增加所述采摘设备的初始采摘速度。
本公开实施例提供的技术方案与现有技术相比具有如下优点：通过获取到的茶园中茶芽的分布信息和该茶芽对应的茶叶的分布信息，合理计算茶芽的采摘高度，并利用计算出的茶芽的采摘高度，控制采摘设备采摘茶芽，从而，避免一刀切割造成茶芽损伤的问题，能够有效提高茶叶的质量品级，降低价值损失。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种采茶机器人采茶面超声波和视觉融合探测方法的流程示意图；
图2是本公开实施例提供的另一种采茶机器人采茶面超声波和视觉融合探测方法的流程示意图；
图3是本公开实施例提供的一种采茶机器人采茶面超声波和视觉融合探测过程中的场景示意图；
图4是本公开实施例提供的另一种采茶机器人采茶面超声波和视觉融合探测过程中的场景示意图；
图5是本公开实施例提供的又一种采茶机器人采茶面超声波和视觉融合探测过程中的场景示意图；
图6是本公开实施例提供的一种采茶机器人采茶面超声波和视觉融合探测装置的结构示意图；
图7是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
图1是本公开实施例提供的一种采茶机器人采茶面超声波和视觉融合探测方法的流程示意图。本实施例可适用于机械化进行采茶机器人采茶面超声波和视觉融合探测的情况。本实施例方法可由采茶机器人采茶面超声波和视觉融合探测装置来执行，该装置可采用硬件/或软件的方式来实现，并可配置于电子设备中。可实现本申请任意实施例的采茶机器人采茶面超声波和视觉融合探测方法。如图1所示，该方法具体包括如下：
S110、获取茶园中茶芽的分布信息和茶芽对应的茶叶的分布信息。
其中，分布信息包括分布区域、分布密度和外形轮廓。
其中，在对一个茶园中的茶芽进行采摘时，可通过分析其茶芽的分布信息，以及，该茶芽对应的茶叶的分布信息，合理规划采摘高度，从而，从该茶园中高效采摘到多数茶芽，以提高茶叶的质量。
需要说明的是，茶芽和茶叶也存在多种附属关系，如茶芽和茶叶的附属关系可为一芽一叶，即一个茶芽配备一片茶叶，再如茶芽和茶叶的附属关系可为一芽两叶，即一个茶芽配备两片茶叶。
在田间作业时，可采用现场测试以及数理统计分析的方法获取茶园中一芽一叶和一芽两叶的叶柄长度分布范围、分布密度以及外形轮廓等主要物理参数的分布情况。
S120、根据茶芽的分布信息和茶芽对应的茶叶的分布信息，计算茶芽的采摘高度。
其中，茶芽的采摘高度为采摘设备采摘茶叶的位置距离茶芽所生长地面位置之间的高度。为不同茶芽分配不同的采摘高度，能够有效保证茶芽的高效采摘。
需要说明的是，本实施例中茶芽的采摘高度可设置一个或多个。如同一片茶园中可采用一个采摘高度进行茶芽采摘，或者采用多个采摘高度进行茶芽采摘，来满足不同高度的茶树的茶芽采摘。
S130、基于茶芽的采摘高度，控制采摘设备采摘茶芽。
其中，对于茶芽的采摘，现主要通过机械化的采摘设备实现，来避免人工采摘导致采摘效率低的问题，从而，使得茶芽的采集变得机械化，更为便捷。
其中，采摘设备可为替代人手采集的机械采摘手，电子设备可通过网络通信方式实现与其之间的连接，控制其进行茶芽的采集。如设置采摘设备的采摘高度。
其中，电子设备可为具有通信传输功能的一类智能设备，如电子设备可为智能手机、个人计算机等智能电子产品。
且，本实施例对电子设备的操作系统的类型不做限定。例如，电子设备的操作系统的类型可为Android系统、Linux系统、Windows系统或者iOS系统等。
另外，本实施例中电子设备在设置采摘设备的采摘高度之外，还可以实时调节其采摘速度、采摘角度等参数，来保证采摘设备实现准确有效的采摘。
在本实施例中，可选的，基于茶芽的采摘高度，控制采摘设备采摘茶芽，包括：
获取预先设置的采摘设备的初始采摘速度；
基于茶芽的采摘高度，调整采摘设备的采摘速度为初始采摘速度，以使采摘设备采摘茶芽。
其中，采摘设备中会保存一个默认的采摘速度，可将其看作采摘设备的初始采摘速度，且该初始采摘速度可有采摘人员根据实际情况进行适应性调整。
另外，采摘设备中还可同时保存多个档位的采摘速度，使得在需要切换采摘速度时能够直接定位出具体的采摘速度。
其中，上述提及的切换可包括但不限于是：增加、减小等。
在采摘设备刚进入作业时，可选择将其采摘速度设置为初始采摘速度，采摘速度为采摘设备的默认采摘速度，从而，使得采摘设备能够平稳高效的进行采摘工作。
本公开实施例通过获取到的茶园中茶芽的分布信息和该茶芽对应的茶叶的分布信息，合理计算茶芽的采摘高度，并利用计算出的茶芽的采摘高度，控制采摘设备采摘茶芽，从而，避免一刀切割造成茶芽损伤的问题，能够有效提高茶叶的质量品级，降低价值损失。
图2是本公开实施例提供的另一种采茶机器人采茶面超声波和视觉融合探测方法的流程示意图。本实施例是在上述实施例的基础上进一步扩展与优化。其中，S120的一种可能实现的方式如下：
S1201、基于茶芽的分布信息和茶芽对应的茶叶的分布信息，利用超声传感器对茶芽和茶芽对应的茶叶进行目标操作；其中，目标操作用于改变茶芽和茶芽对应的茶叶的分布方向。
其中，超声传感器可设置多组，每一组具有多个超声传感器，通过多组超声传感器对茶芽和茶叶进行目标操作，可以适应不同的采茶面形状，如传统的弧形，或者平面。目标操作可为吹处理。
图3为本实施例提供的一种场景示意图。其中，每组中具有三个超声传感器，对采茶面进行目标操作，可将采茶面由图3中示例性所示的平面调整为图4中示例性所示的超声切面。
图5为超声传感器对茶芽和茶叶进行吹处理时的场景示意图。其中，Vcc对应电源端，Gnd对应接地端。
举例而言，每组超声传感器组成的传感器矩阵扫描可具体是从左往右，每间隔0.2S，完成9个传感器的一个周期扫描，并通过超声切面累加法获得准确截面。其中，超声切片累加法是3组超声波传感器，都采用小范围反射和回收声波，每组探测12cm宽的窄条，将整个采茶面的截面分割为9个切片，通过对采集信号的累加，获得不同时间内有差异的扫描数据，得到准确的截面。
其中，不同的采摘对象范围会影像采摘手的采摘高度。
在一些实施例中，采摘对象范围5cm-15cm的小芽为主的茶叶园，采用矩阵扫描的数据求并集运算，用最小的茶叶尺寸探测结果为基准调控采摘手靠近。
在另一些实施例中，采摘对象范围15cm-20cm的大芽为主的茶叶园，采用矩阵扫描的数据求平均值运算，用平均的茶叶尺寸探测结果为基准调控采摘手靠近。
在又一些实施例中，采摘对象范围15cm以上的超大芽为主的茶叶园，采用矩阵扫描的数据求交集运算，用最大的茶叶尺寸探测结果为基准调控采摘手靠近。
S1202、根据经过目标操作后的茶芽和茶芽对应的茶叶的分布方向，确定茶芽的采摘高度。
其中，在将茶芽和茶叶进行目标操作后，可将其分布方向调整至利于采摘的角度，从而，便于采摘设备进行有效采摘。
本实施例能够解决超声波传感空间定位的推折采收位置及牙尖长度对其分级品质影响的研究，通过传感器的数据记录，结合采收后的茶叶品质进行分析，可探索出不同的超声探测算法解析方法适用于茶叶品质的提高抉择。
另外，在确定茶芽的采摘高度，还可以通过模糊比例-积分-微分(PID)算法实时控制采摘设备独立升降及协同工作，以根据茶树行地势和不同的茶树高度进行仿形作业，柔性控制采摘台高度。
在本实施例中，可选的，根据经过目标操作后的茶芽和茶芽对应的茶叶的分布方向，确定茶芽的采摘高度，包括：
获取经过目标操作后的茶园中每个茶芽的分布高度；
基于经过目标操作后的茶芽和茶芽对应的茶叶的分布方向和分布高度，确定茶园中茶芽的采摘高度。
其中，经过目标操作后的茶园中每个茶芽的分布高度已经调整为统一高度，且适应于采摘设备的便捷采摘，从而，使得确定出的采摘高度能够有效准确的对茶芽进行采摘操作。
其中，茶芽的分布高度与茶芽的采摘高度相对应。从而，能够基于不同茶芽的分布高度，实时调整采摘设备的采摘高度。
在本实施例的基础上，可选的，本实施例方法还可以包括：
若检测到采摘设备采摘茶芽的过程中，超声传感器通过视觉融合方式探测到茶芽的回波信号大于或等于第一预设阈值，则减小采摘设备的初始采摘速度。
其中，茶园的茶树中高大杂草变化可能会对超声传感空间定位及识别精度造成干扰，但是，杂草会有部分的信号反射误差，在多个超声传感器同时检测高大簇生的回波信号时，则认为此扫描区域的杂草较多，茶树的分布密度较小，此时，可通过控制器降低采摘设备的采摘速度至低速档，以自动避开杂草的干扰。
在本实施例的基础上，可选的，本实施例方法还可以包括：
若检测到采摘设备采摘茶芽的过程中，超声传感器通过视觉融合方式探测到分布高度在预设高度阈值内的茶芽数量大于或等于第二预设阈值，则增加采摘设备的初始采摘速度。
其中，在检测到采摘设备采摘茶芽的过程中，分布高度在预设高度阈值内的茶芽数量大于或等于第二预设阈值时，则认为此扫描区域中茶树的分布密度较大。此时，可通过控制器增高采摘设备的采摘速度至高速档，实现茶芽的快速采集。
另外，还可采用采用机器视觉的辅助也可以有助于识别杂草和其他信号干扰，如果超声解析模型出现识别难度，辅助的视觉会提供重要的数据信息，采用两者融合的办法。具体可参见如下：
公式(1)中，基于贝叶斯公式，可得到：
P1＝P[(ρ,θ)|ESI] (2)
P2＝P[(ρ,θ)|EVI] (3)
公式(2)中，ESI是超声数据集合。
公式(3)中，EVI是图像数据集合。
需要说明的是，在采摘过程中处于无人驾驶模式下可同时开启超声模式和视觉模式，在普通驾驶作业模式可仅依据超声数据即可，将视觉作为辅助的信息，间歇性的启动和关闭。
图6是本公开实施例提供的一种采茶机器人采茶面超声波和视觉融合探测装置的结构示意图；该装置配置于电子设备中，可实现本申请任意实施例所述的采茶机器人采茶面超声波和视觉融合探测方法。
该装置具体包括如下：
获取模块610，用于获取茶园中茶芽的分布信息和所述茶芽对应的茶叶的分布信息；其中，所述分布信息包括分布区域、分布密度和外形轮廓；
计算模块620，用于根据所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，计算所述茶芽的采摘高度；
控制模块630，用于基于所述茶芽的采摘高度，控制采摘设备采摘所述茶芽。
在本实施例中，可选的，计算模块620，包括：操作单元和确定单元；
操作单元，用于基于所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，利用超声传感器对所述茶芽和所述茶芽对应的茶叶进行目标操作；其中，所述目标操作用于改变所述茶芽和所述茶芽对应的茶叶的分布方向；
确定单元，用于根据经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向，确定所述茶芽的采摘高度。
在本实施例中，可选的，控制模块630，具体用于：
获取预先设置的采摘设备的初始采摘速度；
基于所述茶芽的采摘高度，调整所述采摘设备的采摘速度为所述初始采摘速度，以使所述采摘设备采摘所述茶芽。
在本实施例中，可选的，本实施例装置还包括：减小模块；
减小模块，用于若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到所述茶芽的回波信号大于或等于第一预设阈值，则减小所述采摘设备的初始采摘速度。
在本实施例中，可选的，所述茶芽的分布高度与所述茶芽的采摘高度相对应。
在本实施例中，可选的，确定单元，具体用于：
获取经过目标操作后的所述茶园中每个茶芽的分布高度；
基于经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向和所述分布高度，确定所述茶园中茶芽的采摘高度。
在本实施例中，可选的，本实施例装置还包括：增加模块；
增加模块，用于若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到分布高度在预设高度阈值内的茶芽数量大于或等于第二预设阈值，则增加所述采摘设备的初始采摘速度。
通过本发明实施例的采茶机器人采茶面超声波和视觉融合探测装置，通过获取到的茶园中茶芽的分布信息和该茶芽对应的茶叶的分布信息，合理计算茶芽的采摘高度，并利用计算出的茶芽的采摘高度，控制采摘设备采摘茶芽，从而，避免一刀切割造成茶芽损伤的问题，能够有效提高茶叶的质量品级，降低价值损失。
本发明实施例所提供的采茶机器人采茶面超声波和视觉融合探测装置可执行本发明任意实施例所提供的采茶机器人采茶面超声波和视觉融合探测方法，具备执行方法相应的功能模块和有益效果。
图7是本公开实施例提供的一种电子设备的结构示意图。如图7所示，该电子设备包括处理器710、存储器720、输入装置730和输出装置740；电子设备中处理器710的数量可以是一个或多个，图7中以一个处理器710为例；电子设备中的处理器710、存储器720、输入装置730和输出装置740可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器720作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的采茶机器人采茶面超声波和视觉融合探测方法对应的程序指令/模块。处理器710通过运行存储在存储器720中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现本发明实施例所提供的采茶机器人采茶面超声波和视觉融合探测方法。
存储器720可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器720可进一步包括相对于处理器710远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘、鼠标等。输出装置740可包括显示屏等显示设备。
本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于实现本发明实施例所提供的采茶机器人采茶面超声波和视觉融合探测方法。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的采茶机器人采茶面超声波和视觉融合探测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，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，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述搜索装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种采茶机器人采茶面超声波和视觉融合探测方法，其特征在于，所述方法包括：
获取茶园中茶芽的分布信息和所述茶芽对应的茶叶的分布信息；其中，所述分布信息包括分布区域、分布密度和外形轮廓；
根据所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，计算所述茶芽的采摘高度；
基于所述茶芽的采摘高度，控制采摘设备采摘所述茶芽。
2.根据权利要求1所述的方法，其特征在于，所述根据所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，计算所述茶芽的采摘高度，包括：
基于所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，利用超声传感器对所述茶芽和所述茶芽对应的茶叶进行目标操作；其中，所述目标操作用于改变所述茶芽和所述茶芽对应的茶叶的分布方向；
根据经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向，确定所述茶芽的采摘高度。
3.根据权利要求1所述的方法，其特征在于，所述基于所述茶芽的采摘高度，控制采摘设备采摘所述茶芽，包括：
获取预先设置的采摘设备的初始采摘速度；
基于所述茶芽的采摘高度，调整所述采摘设备的采摘速度为所述初始采摘速度，以使所述采摘设备采摘所述茶芽。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到所述茶芽的回波信号大于或等于第一预设阈值，则减小所述采摘设备的初始采摘速度。
5.根据权利要求4所述的方法，其特征在于，所述茶芽的分布高度与所述茶芽的采摘高度相对应。
6.根据权利要求2所述的方法，其特征在于，所述根据经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向，确定所述茶芽的采摘高度，包括：
获取经过目标操作后的所述茶园中每个茶芽的分布高度；
基于经过目标操作后的所述茶芽和所述茶芽对应的茶叶的分布方向和所述分布高度，确定所述茶园中茶芽的采摘高度。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若检测到所述采摘设备采摘所述茶芽的过程中，超声传感器通过视觉融合方式探测到分布高度在预设高度阈值内的茶芽数量大于或等于第二预设阈值，则增加所述采摘设备的初始采摘速度。
8.一种采茶机器人采茶面超声波和视觉融合探测装置，其特征在于，所述装置包括：
获取模块，用于获取茶园中茶芽的分布信息和所述茶芽对应的茶叶的分布信息；其中，所述分布信息包括分布区域、分布密度和外形轮廓；
计算模块，用于根据所述茶芽的分布信息和所述茶芽对应的茶叶的分布信息，计算所述茶芽的采摘高度；
控制模块，用于基于所述茶芽的采摘高度，控制采摘设备采摘所述茶芽。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110875205.4A CN113505779B (zh) | 2021-07-30 | 2021-07-30 | 采茶机器人采茶面超声波和视觉融合探测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110875205.4A CN113505779B (zh) | 2021-07-30 | 2021-07-30 | 采茶机器人采茶面超声波和视觉融合探测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505779A true CN113505779A (zh) | 2021-10-15 |
| CN113505779B CN113505779B (zh) | 2024-07-02 |
Family
ID=78014733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110875205.4A Active CN113505779B (zh) | 2021-07-30 | 2021-07-30 | 采茶机器人采茶面超声波和视觉融合探测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505779B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708208A (zh) * | 2022-03-16 | 2022-07-05 | 杭州电子科技大学 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202998870U (zh) * | 2013-01-18 | 2013-06-19 | 丽水学院 | 一种茶叶采摘系统 |
| CN104050668A (zh) * | 2014-06-17 | 2014-09-17 | 安徽农业大学 | 一种基于双目视觉技术的绿茶嫩芽的目标识别方法 |
| US20170248971A1 (en) * | 2014-11-12 | 2017-08-31 | SZ DJI Technology Co., Ltd. | Method for detecting target object, detection apparatus and robot |
| CN110175582A (zh) * | 2019-05-29 | 2019-08-27 | 南京林业大学 | 基于像素分布的茶树嫩芽智能识别方法 |
| CN110337906A (zh) * | 2019-08-12 | 2019-10-18 | 重庆市农业科学院 | 一种采茶机及采用该采茶机的茶叶采摘方法 |
| CN111784764A (zh) * | 2020-05-28 | 2020-10-16 | 西南石油大学 | 一种茶叶嫩芽识别与定位算法 |
| CN112616442A (zh) * | 2020-12-30 | 2021-04-09 | 浙江理工大学 | 一种基于负压引导的双翅型茶叶采摘机器人 |
| CN112861654A (zh) * | 2021-01-20 | 2021-05-28 | 浙江理工大学 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
-
2021
- 2021-07-30 CN CN202110875205.4A patent/CN113505779B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202998870U (zh) * | 2013-01-18 | 2013-06-19 | 丽水学院 | 一种茶叶采摘系统 |
| CN104050668A (zh) * | 2014-06-17 | 2014-09-17 | 安徽农业大学 | 一种基于双目视觉技术的绿茶嫩芽的目标识别方法 |
| US20170248971A1 (en) * | 2014-11-12 | 2017-08-31 | SZ DJI Technology Co., Ltd. | Method for detecting target object, detection apparatus and robot |
| CN110175582A (zh) * | 2019-05-29 | 2019-08-27 | 南京林业大学 | 基于像素分布的茶树嫩芽智能识别方法 |
| CN110337906A (zh) * | 2019-08-12 | 2019-10-18 | 重庆市农业科学院 | 一种采茶机及采用该采茶机的茶叶采摘方法 |
| CN111784764A (zh) * | 2020-05-28 | 2020-10-16 | 西南石油大学 | 一种茶叶嫩芽识别与定位算法 |
| CN112616442A (zh) * | 2020-12-30 | 2021-04-09 | 浙江理工大学 | 一种基于负压引导的双翅型茶叶采摘机器人 |
| CN112861654A (zh) * | 2021-01-20 | 2021-05-28 | 浙江理工大学 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
Non-Patent Citations (4)
| Title |
|---|
| 汤一平: "基于机器视觉的乘用式智能采茶机涉及与试验", 《农业机械学报》, vol. 47, no. 7, pages 15 - 20 * |
| 汤一平;韩旺明;胡安国;王伟羊;: "基于机器视觉的乘用式智能采茶机设计与试验", 农业机械学报, no. 07, 28 March 2016 (2016-03-28), pages 15 - 20 * |
| 邵佩迪: "基于视觉测量的茶叶嫩芽定位方法研究", 《农业装备与车辆工程》, vol. 58, no. 9, 30 September 2020 (2020-09-30), pages 50 - 53 * |
| 邵佩迪: "茶叶嫩芽机器视觉识别算法研究", 《农业装备与车辆工程》, vol. 58, no. 4, 30 April 2020 (2020-04-30), pages 34 - 36 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708208A (zh) * | 2022-03-16 | 2022-07-05 | 杭州电子科技大学 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505779B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104703090B (zh) | 一种基于人脸识别的自动调节拾音设备及自动调节方法 | |
| CN108064560A (zh) | 基于Kinect景深相机的水果自动采摘系统及方法 | |
| CN101944231A (zh) | 小麦穗部形态参数提取方法 | |
| EP3327500A1 (en) | Automated walking device | |
| CN109215071A (zh) | 基于视觉的智能稻麦收割机割幅测量方法 | |
| CN106483135A (zh) | 基于机器视觉的复杂背景下玉米粒检测识别装置及方法 | |
| CN113505779A (zh) | 采茶机器人采茶面超声波和视觉融合探测方法及装置 | |
| CN104777785A (zh) | 一种基于指令域分析的数控加工工艺参数动态优化方法 | |
| CN111666946A (zh) | 基于点云过分割与面片生长的植株点云单叶片分割方法 | |
| JP5806997B2 (ja) | 農作業情報管理装置及び農作業情報管理システム | |
| CN117694220A (zh) | 基于图像分析的农业灌溉策略解析系统 | |
| Montes et al. | Real-time detection of broccoli crops in 3D point clouds for autonomous robotic harvesting | |
| CN108334091B (zh) | 收获机作业面积的计算方法、装置和收获机 | |
| CN114299144A (zh) | 一种基于机器视觉的水稻精准定位方法 | |
| US11874367B2 (en) | Method for ascertaining a plant height of field crops | |
| CN115223031B (zh) | 一种单目边框测距方法、装置、介质及幕墙机器人 | |
| CN110612813A (zh) | 基于嵌入式视觉平台的叶菜切割系统 | |
| CN103808308B (zh) | 一种家蚕吐丝行为数据的自动采集方法 | |
| Wang et al. | Extraction of 3D distribution of potato plant CWSI based on thermal infrared image and binocular stereovision system | |
| CN112949091A (zh) | 一种采集头仿形方法、系统、装置及介质 | |
| CN114972347A (zh) | 农作物病虫害检测方法、系统、设备及介质 | |
| CN112986275A (zh) | 一种胚芽米胚芽完整度在线检测系统 | |
| Samanta et al. | Histogram approach for detection of maize leaf damage | |
| Fu et al. | Study on Visual Detection Device of Plant Leaf Disease | |
| CN111886982A (zh) | 一种旱地栽植作业质量实时检测系统和检测方法 |
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 | ||
| GR01 | Patent grant |