CN116343127A - 一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备 - Google Patents

一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备 Download PDF

Info

Publication number
CN116343127A
CN116343127A CN202310346433.1A CN202310346433A CN116343127A CN 116343127 A CN116343127 A CN 116343127A CN 202310346433 A CN202310346433 A CN 202310346433A CN 116343127 A CN116343127 A CN 116343127A
Authority
CN
China
Prior art keywords
apple
fruit
target
characteristic information
determining
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
Application number
CN202310346433.1A
Other languages
English (en)
Inventor
王金星
孙经纬
刘双喜
刘艺
刘俊生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Agricultural University
Original Assignee
Shandong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Agricultural University filed Critical Shandong Agricultural University
Priority to CN202310346433.1A priority Critical patent/CN116343127A/zh
Publication of CN116343127A publication Critical patent/CN116343127A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备，采用预先训练的识别检测模型识别苹果树图像中的苹果和苹果特征信息，所述特征信息包括果柄和果脐；将距离采摘机的末端执行器为距离最短的苹果作为目标苹果；根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别；根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，所述抓取方向用于所述末端执行器抓取所述目标苹果。根据识别出目标苹果中的特征信息，根据识别出的特征信息中是否包含有果柄或果脐确定目标苹果的姿态分类，根据姿态分类确定具体的抓取方向，进而实现了苹果的精确机械采摘，避免了苹果果实和树体的损伤。

Description

一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备
技术领域
本申请涉及图像处理技术领域，具体涉及一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备。
背景技术
果树种植业是我国的优势产业，我国的苹果种植面积和产量居于世界首位，并且仍处于稳步增长的态势。我国的农业机械化处于快速发展阶段，但水果采摘机械化水平低。苹果采摘是苹果生产周期中最耗时耗力的环节，季节性强，劳动强度大，用工成本高。
苹果为单果实水果，可以进行直接采摘，但是苹果结果密度大，果实姿态多样。传统苹果采摘为人工作业，时效性差，果实容易受损。为提高苹果采摘，传统技术中开始使用机械采摘。中国专利CN112840862A公开了一种适用于采摘多种水果的采摘机器人及其采摘方法，包括视觉装置、移动装置、执行装置和收集装置，通过其执行装置抓取空间的可调整以及气缸来回动作带动方形杆的瞬间摆动，借助瞬间摆动力完成多个夹爪的采摘动作。通过本发明的适用于采摘多种水果的采摘机器人及其采摘方法，可以适应采摘多种大小的水果，并且利用瞬间摆动力采摘水果，有效避免采摘过程对水果造成伤害。
但是在机械化采摘作业时需确定目标苹果的姿态，以正确的抓取方向摘取果实，以防损伤果实和树体。上述技术方案虽然实现了水果的机械采摘，但是无法对果实的姿态进行确定，进而无法实现果实的精确采摘。
发明内容
有鉴于此，本申请提供一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备，以利于解决现有技术中的问题。
第一方面，本申请实施例提供了一种基于果柄果脐识别的苹果抓取方法，包括：
采用预先训练的识别检测模型识别苹果树图像中的苹果和苹果特征信息，所述特征信息包括果柄和果脐；
将距离采摘机的末端执行器为距离最短的苹果作为目标苹果；
根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别；
根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，所述抓取方向用于所述末端执行器抓取所述目标苹果。
在一种可能的实现方式中，对识别检测模型进行训练包括：
通过高像素样本采集相机采集采摘期的苹果树样本图像；
使用计算机的图像标注工具标注样本图像中的苹果、果柄和果脐，生成苹果、果柄和果脐的掩膜；
使用采集的样本图像和标注的掩膜进行yolact识别检测模型的训练。
在一种可能的实现方式中，根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别，包括：
将所述苹果图像中的目标苹果及第一特征信息检测分割生成目标苹果及第一特征的掩膜；
如果所述第一特征的掩膜中未检测到果柄和果脐，则所述姿态类别为标准姿态；
或者，
如果所述第一特征的掩膜中检测到果柄或果脐，则所述姿态类别为非标准姿态。
在一种可能的实现方式中，如果姿态类别为标准姿态，根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，包括：
计算所述目标苹果掩膜的最小外界矩形；
确定所述最小外界矩形的短边中心线；
确定所述短边中心线上的任意两点，以距离地面最近的点为起始点，向另一点的方向为抓取方向。
在一种可能的实现方式中，如果姿态类别为非标准姿态，根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，包括：
如果所述第一特征的掩膜中检测到果柄，则计算所述目标苹果掩膜的最小外界矩形；
确定所述最小外界矩形的第一几何中心和所述果柄掩膜的第二几何中心；
将所述第一几何中心向所述第二几何中心中的方向为抓取方向；
或者，
如果所述第一特征的掩膜中检测到果脐，则计算所述目标苹果掩膜的最小外界矩形；
确定所述最小外界矩形的第一几何中心和所述果脐掩膜的第三几何中心；
将所述第三几何中心向所述第一几何中心中的方向为抓取方向。
第二方面，本申请实施例提供了一种基于果柄果脐识别的苹果抓取系统，包括：
获取模块，用于采用预先训练的识别检测模型识别苹果树图像中的苹果和苹果特征信息，所述特征信息包括果柄和果脐；
第一确定模块，用于将距离采摘机的末端执行器为距离最短的苹果作为目标苹果；
第二确定模块，用于根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别；
第三确定模块，用于根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，所述抓取方向用于所述末端执行器抓取所述目标苹果，
第三方面，本申请实施例提供了一种采摘设备，包括：
控制器；
末端执行器；
存储器；
以及计算机程序，其中所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，当所述指令被所述控制器执行时，使得所述采摘设备执行第一方面任一可能实现方式所述的方法，控制所述末端执行器按照确定的抓取方向对目标苹果进行抓取
在本申请实施例中，根据识别出目标苹果中的特征信息，根据识别出的特征信息中是否包含有果柄或果脐确定目标苹果的姿态分类，根据姿态分类确定具体的抓取方向，进而实现了苹果的精确机械采摘，避免了苹果果实和树体的损伤。
附图说明
图1为本申请实施例提供的一种基于果柄果脐识别的苹果抓取方法的流程示意图；
图2为本申请实施例提供的图像标注效果图；
图3为本申请实施例提供的标准姿态的苹果示意图；
图4为本申请实施例提供的非标准姿态的苹果示意图；
图5为本申请实施例提供的标准姿态的苹果抓取方向示意图；
图6为本申请实施例提供的一种非标准姿态的苹果抓取方向示意图；
图7为本申请实施例提供的另一种非标准姿态的苹果抓取方向示意图；
图8为本申请实施例提供的一种基于果柄果脐识别的苹果抓取系统的示意图；
图9为本申请实施例提供的采摘设备的示意图。
具体实施方式
为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
图1为本申请实施例提供的一种基于果柄果脐识别的苹果抓取方法的流程示意图，参见图1，本实施例中的基于果柄果脐识别的苹果抓取方法，包括：
S101，采用预先训练的识别检测模型识别苹果树图像中的苹果和苹果特征信息，所述特征信息包括果柄和果脐。
本实施例中，通过高像素样本采集相机采集采摘期的苹果树样本图像，使用计算机的图像标注工具标注样本图像中的苹果、果柄和果脐，生成苹果、果柄和果脐的掩膜，使用采集的样本图像和标注的掩膜进行yolact识别检测模型的训练学习。通过采摘机器人的识别相机实时采集苹果树图像，使用训练过的yolact识别检测模型进行苹果、果柄和果脐的实时识别检测，并进行实例分割。
为保证识别模型识别分割的准确性，所述样本图像采集的环境应为自然日光环境中的标准化矮砧密植苹果园，所述样本采集相机应距离苹果树树干1.2~1.5m进行样本图像采集，保持距离与所述采摘机器人作业时识别相机与苹果树距离相近，所述样本图像采集的苹果树应处于采摘期，样本图像采集时间应覆盖至8：00~16：00，共采集500张图像。
为保证模型识别精度并减少模型训练时间，调整所述采集的图像像素为1050×700，设置图片格式为jpg格式，在所述计算机安装Python集成环境Anacanda，在Anacanda创建并激活所述Labelme虚拟环境，在虚拟环境安装pyqt、pillow等环境包，最后安装所述Labelme图像标注工具，通过Anaconda Prompt启动所述Labelme，使用所述图像标注工具Labelme对所述采集的样本图像进行标注，以苹果、果柄和果脐作为标签，以超过4点多边形区域标注所述苹果、果柄和果脐所在像素区域，生成苹果、果柄和果脐的掩膜，所述苹果掩膜为包含果体、果脐但不包含果柄的像素区域，所述果柄掩膜为果柄所在的像素区域，所述果脐掩膜为果脐所在的像素区域，如图2所示。
将所述采集的样本图像和所述标注的掩膜分为训练集和测试集，其中400张样本图像及其标注的掩膜为训练集，100张样本图像及其标注的掩膜为验证集，使用所述训练集和验证集训练所述Yolact识别检测模型，使其学习成熟苹果、果柄和果脐的特征，并学习特征之间连接关系。
S102，将距离采摘机的末端执行器为距离最短的苹果作为目标苹果。
采摘机器人采摘区域建立三维坐标，采摘机器人的深度相机获取识别出苹果的三维坐标，确定与末端执行器直线距离最短的苹果为目标苹果。
S103，根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别。
本实施例中采用yolact识别检测模型将所述苹果图像中的目标苹果及第一特征信息检测分割生成目标苹果及第一特征的掩膜。如果所述第一特征的掩膜中未检测到果柄和果脐，则说明所述目标苹果的果柄和果脐在所述相机采集图像的二维平面方向，未被采集到图像中，且所述目标苹果的果脐应在二维平面方向朝向地面的一侧，此时将目标苹果的姿态类别确定为标准姿态，如图3中均为标准姿态的苹果。
如果所述第一特征的掩膜中检测到果柄或果脐，则说明目标苹果的果柄和果脐不在所述相机采集图像的二维平面方向，则目标苹果的果脐所在的二维平面方向没有朝向地面一侧，此时将目标苹果的姿态类别确定为非标准姿态，如图4均为非标准姿态的苹果。
S104，根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，所述抓取方向用于所述末端执行器抓取所述目标苹果。
本实施例中确定目标苹果的抓取方向时，需要根据情况而定，分为姿态类别为标准姿态和非标准姿态两种情况。
当姿态类别为标准姿态时，计算所述目标苹果掩膜的最小外界矩形；确定所述最小外界矩形的短边中心线；确定所述短边中心线上的任意两点，以距离地面最近的点为起始点，向另一点的方向为抓取方向。参见图5，图5中的苹果均为姿态标准的苹果，以图5中最左侧苹果为例，确定出了短边中心线L，在L上确定了任意两点A和B，其中A为距离最近的点，则从A到B的方向为抓取方向。采摘机器人在进行采摘作业时，应沿所述短边中线A到B的方向由近地端向上抓取所述目标苹果进行采摘作业。
此处需要指出的是，本实施例中针对的苹果为实验地区的苹果，苹果的特征为显著的传统苹果形状，因此本实施例中以短边中心线作为参考。如果涉及国外品种额蛇果等个体修长的苹果，不在本申请实施例的考虑范围之内。
上述是针对于姿态类别为标准姿态，如果姿态类别为非标准姿态，如所述第一特征的掩膜中检测到果柄，则计算所述目标苹果掩膜的最小外界矩形；确定所述最小外界矩形的第一几何中心和所述果柄掩膜的第二几何中心；将所述第一几何中心向所述第二几何中心中的方向为抓取方向。参见图6，第一几何中心为C，第二几何中心为D，则抓取方向为C到D。
如果所述第一特征的掩膜中检测到果脐，则计算所述目标苹果掩膜的最小外界矩形；确定所述最小外界矩形的第一几何中心和所述果脐掩膜的第三几何中心；将所述第三几何中心向所述第一几何中心中的方向为抓取方向。参见图7，第一几何中心为C，第三几何中心为E，则抓取方向为为E到C。
上述情况中的抓取方向为所述目标苹果在二维平面内的旋转方向，所述采摘机器人末端执行器在进行采摘作业时，应沿所述目标苹果旋转方向目标苹果掩码几何中心点一端抓取所述目标苹果进行采摘作业。
与上述实施例提供的一种基于果柄果脐识别的苹果抓取方法相对应，本申请还提供了一种基于果柄果脐识别的苹果抓取系统的实施例。
参见图8，基于果柄果脐识别的苹果抓取系统20，包括：
获取模块201，用于采用预先训练的识别检测模型识别苹果树图像中的苹果和苹果特征信息，所述特征信息包括果柄和果脐。
第一确定模块202，用于将距离采摘机的末端执行器为距离最短的苹果作为目标苹果。
第二确定模块203，用于根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别。
第三确定模块204，用于根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，所述抓取方向用于所述末端执行器抓取所述目标苹果。
与上述实施例相对应，本申请实施例还提供了一种采摘设备。
参见图9，本申请实施例还提供的种采摘设备30，包括：控制器301、存储器302及末端执行器303。本领域技术人员可以理解，图中示出的采摘设备结构并不构成对本申请实施例的限定，它还可以包括比图示更多的部件。
控制器301，为采摘设备的控制中心，利用各种接口和线路连接整个采摘设备的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行采摘设备的各种功能和/或处理数据。
存储器302，用于存储控制器301的执行指令，存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（SRAM），电可擦除可编程只读存储器（EEPROM），可擦除可编程只读存储器（EPROM），可编程只读存储器（PROM），只读存储器（ROM），磁存储器，快闪存储器，磁盘或光盘。
当存储器302中的执行指令由控制器301执行时，使得采摘设备30能够执行上述方法实施例中的部分或全部步骤，控制所述末端执行器303按照确定的抓取方向对目标苹果进行抓取。
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。

Claims (7)

1.一种基于果柄果脐识别的苹果抓取方法，其特征在于，包括：
采用预先训练的识别检测模型识别苹果树图像中的苹果和苹果特征信息，所述特征信息包括果柄和果脐；
将距离采摘机的末端执行器为距离最短的苹果作为目标苹果；
根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别；
根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，所述抓取方向用于所述末端执行器抓取所述目标苹果。
2.根据权利要求1所述的基于果柄果脐识别的苹果抓取方法，其特征在于，对识别检测模型进行训练包括：
通过高像素样本采集相机采集采摘期的苹果树样本图像；
使用计算机的图像标注工具标注样本图像中的苹果、果柄和果脐，生成苹果、果柄和果脐的掩膜；
使用采集的样本图像和标注的掩膜进行yolact识别检测模型的训练。
3.根据权利要求2所述的基于果柄果脐识别的苹果抓取方法，其特征在于，根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别，包括：
将所述苹果图像中的目标苹果及第一特征信息检测分割生成目标苹果及第一特征的掩膜；
如果所述第一特征的掩膜中未检测到果柄和果脐，则所述姿态类别为标准姿态；
或者，
如果所述第一特征的掩膜中检测到果柄或果脐，则所述姿态类别为非标准姿态。
4.根据权利要求3所述的基于果柄果脐识别的苹果抓取方法，其特征在于，如果姿态类别为标准姿态，根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，包括：
计算所述目标苹果掩膜的最小外界矩形；
确定所述最小外界矩形的短边中心线；
确定所述短边中心线上的任意两点，以距离地面最近的点为起始点，向另一点的方向为抓取方向。
5.根据权利要求3所述的基于果柄果脐识别的苹果抓取方法，其特征在于，如果姿态类别为非标准姿态，根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，包括：
如果所述第一特征的掩膜中检测到果柄，则计算所述目标苹果掩膜的最小外界矩形；
确定所述最小外界矩形的第一几何中心和所述果柄掩膜的第二几何中心；
将所述第一几何中心向所述第二几何中心中的方向为抓取方向；
或者，
如果所述第一特征的掩膜中检测到果脐，则计算所述目标苹果掩膜的最小外界矩形；
确定所述最小外界矩形的第一几何中心和所述果脐掩膜的第三几何中心；
将所述第三几何中心向所述第一几何中心中的方向为抓取方向。
6.一种基于果柄果脐识别的苹果抓取系统，其特征在于，包括：
获取模块，用于采用预先训练的识别检测模型识别苹果树图像中的苹果和苹果特征信息，所述特征信息包括果柄和果脐；
第一确定模块，用于将距离采摘机的末端执行器为距离最短的苹果作为目标苹果；
第二确定模块，用于根据所述目标苹果在所述苹果图像中被识别出的第一特征信息确定所述目标苹果的姿态类别；
第三确定模块，用于根据所述第一特征信息和所述目标苹果图像确定所述目标苹果的抓取方向，所述抓取方向用于所述末端执行器抓取所述目标苹果。
7.一种采摘设备，其特征在于，包括：
控制器；
末端执行器；
存储器；
以及计算机程序，其中所述计算机程序被存储在所述存储器中，所述计算机程序包括指令，当所述指令被所述控制器执行时，使得所述采摘设备执行权利要求1至5中任一项所述的方法，控制所述末端执行器按照确定的抓取方向对目标苹果进行抓取。
CN202310346433.1A 2023-04-03 2023-04-03 一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备 Pending CN116343127A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310346433.1A CN116343127A (zh) 2023-04-03 2023-04-03 一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310346433.1A CN116343127A (zh) 2023-04-03 2023-04-03 一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备

Publications (1)

Publication Number Publication Date
CN116343127A true CN116343127A (zh) 2023-06-27

Family

ID=86882168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310346433.1A Pending CN116343127A (zh) 2023-04-03 2023-04-03 一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备

Country Status (1)

Country Link
CN (1) CN116343127A (zh)

Similar Documents

Publication Publication Date Title
CN109863874B (zh) 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质
Fu et al. A novel image processing algorithm to separate linearly clustered kiwifruits
Song et al. Kiwifruit detection in field images using Faster R-CNN with VGG16
US11406061B2 (en) Automated walnut picking and collecting method based on multi-sensor fusion technology
CN101807247B (zh) 果蔬采摘点微调定位方法
Nguyen et al. Apple detection algorithm for robotic harvesting using a RGB-D camera
CN108858122A (zh) 一种温室植物病害巡检机器人及巡检方法
CN114175927B (zh) 一种圣女果采摘方法及圣女果采摘机械手
CN112990103A (zh) 一种基于机器视觉的串采二次定位方法
JP4961555B2 (ja) 植物の対象部分の位置特定方法とその方法による対象部分の位置特定装置及びその装置を用いた作業用ロボット
CN113569922A (zh) 一种苹果智能无损分拣的方法
Yoshida et al. A tomato recognition method for harvesting with robots using point clouds
Cho et al. Plant growth information measurement based on object detection and image fusion using a smart farm robot
CN116686545A (zh) 基于机器视觉控制的荔枝采摘机器人除遮方法
CN113615398B (zh) 果梗定位及水果采摘方法、装置、机器人及介质
Feng et al. Fruit Location And Stem Detection Method For Strawbery Harvesting Robot
CN112115885B (zh) 基于深度卷积神经网络的采摘用果树结果枝剪切点定位方法
Feng et al. Fruit bunch measurement method for cherry tomato based on visual servo
CN116343127A (zh) 一种基于果柄果脐识别的苹果抓取方法、系统及采摘设备
CN116524344A (zh) 一种基于rgb-d信息融合的番茄串采摘点检测方法
Feng et al. Visual Tracking Method of Tomato Plant Main-Stems for Robotic Harvesting
Uramoto et al. Tomato recognition algorithm and grasping mechanism for automation of tomato harvesting in facility cultivation
Wang et al. Study on Feedback and Correction of Tomato Picking Localization Information.
LU502977B1 (en) Automated walnut picking and collecting method based on multi-sensor fusion technology
CN117876645A (zh) 一种基于视觉深度学习算法检测成熟番茄根茎的方法

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