TWI770909B

TWI770909B - 除雜草裝置及除雜草方法

Info

Publication number: TWI770909B
Application number: TW110111262A
Authority: TW
Inventors: 黃獻鋒; 楊家程
Original assignee: 亞東學校財團法人亞東科技大學
Priority date: 2021-03-29
Filing date: 2021-03-29
Publication date: 2022-07-11
Also published as: TW202236946A

Abstract

本發明公開一種除雜草裝置及除雜草方法。除雜草裝置包含一移除機構及設置於移除機構的一辨識模組。辨識模組包含能即時取得一即時影像資料的一影像擷取單元、電性耦接影像擷取單元與移除機構的一計算單元。計算單元能通過演算法由即時影像資料中選取涵蓋雜草的一影像框。當所述計算單元利用一最大移除尺寸數據比對影像框內的一雜草尺寸數據，從而判定影像框內的雜草未超出移除機構的移除能力時，計算單元發送一移除命令至移除機構，使移除機構移動並移除雜草。

Description

除雜草裝置及除雜草方法

本發明涉及一種裝置，尤其涉及一種除雜草裝置及除雜草方法。

目前社會高齡化之問題日趨嚴重，導致從事農業的青壯年勞動力逐漸不足，因此為解決前述問題而開發出能自動化除草的除雜草裝置。現有除雜草裝置實現除草的方式大多是採用攜帶農藥至高空以噴灑（例如：植保無人機），雖然此種方式能移除雜草，但噴灑區域的周遭動植物、及土壤也會受農藥汙染。也就是說，現有除雜草裝置存在無法辨別雜草的功能，從而導致後續無法僅針對雜草進行移除。

於是，本發明人認為上述缺陷可改善，乃特潛心研究並配合科學原理的運用，終於提出一種設計合理且有效改善上述缺陷的本發明。

本發明所要解決的技術問題在於，針對現有技術的不足提供一種除雜草裝置及除雜草方法，能有效地改善現有除雜草裝置所可能產生的缺陷。

本發明實施例公開一種除雜草方法，適用於移除位於多個植物中的一雜草，所述除雜草方法包含：利用一計算單元載入一雜草圖庫模型，其中所述雜草圖庫模型包含為所述雜草特徵的一雜草特徵參數；利用一影像擷取單元取得一即時影像資料；利用所述計算單元執行一深度學習演算法，並由所述即時影像資料中選取涵蓋一辨識目標的一影像框，其中所述影像框包含一辨識參數；利用所述計算單元依據所述雜草特徵參數比對所述辨識參數，以判定所述辨識目標是否為所述雜草；若是，載入一最大移除尺寸數據至所述計算單元，其中所述最大移除尺寸數據為一移除機構所能移除的最大雜草尺寸；利用所述計算單元依據所述辨識參數計算產生一雜草尺寸數據及一雜草座標數據；利用所述計算單元依據所述最大移除尺寸數據判斷所述雜草尺寸數據是否超出移除能力；以及若否，所述計算單元利用所述雜草座標數據及所述雜草尺寸數據發送一移除命令至所述移除機構。

本發明實施例另外公開一種除雜草裝置，包括：一移除機構，包含：一載體；一帶動單元，設置於所述載體上；一第一驅動單元，設置於所述載體上，並且所述第一驅動單元能驅動所述帶動單元轉動，使所述載體移動；一第二驅動單元，設置於所述載體上；及一移除單元，連接於所述第二驅動單元，所述移除單元能被所述第二驅動單元驅動而用來移除一雜草；一蓄電單元，電性耦接所述第一驅動單元、所述第二驅動單元、所述移除單元；以及一辨識模組，設置於所述移除機構上，並且電性耦接所述移除機構，所述辨識模組包含：一影像擷取單元，能即時取得一即時影像資料；一計算單元，電性耦接所述影像擷取單元及所述移除機構，所述計算單元能通過一深度學習演算法由所述即時影像資料中選取涵蓋所述雜草的一影像框；其中，所述影像框包含一雜草尺寸數據及一雜草座標數據；其中，所述計算單元能預先載入一最大移除尺寸數據；當所述計算單元利用所述最大移除尺寸數據比對所述雜草尺寸數據，從而判定所述影像框內的所述雜草的尺寸於未超出所述移除單元的移除能力時，所述計算單元利用所述雜草座標數據發送一移除命令至所述移除機構，使所述移除機構移動並移除所述雜草。

綜上所述，本發明實施例所公開的除雜草裝置及除雜草方法，能通過“所述計算單元執行所述深度學習演算法，判定所述即時影像資料中是否有所述雜草的存在”及“利用所述計算單元依據所述最大移除尺寸數據判斷所述雜草尺寸數據是否超出移除能力”的設計，使所述除雜草裝置能具備準確辨別雜草並移除的功效、以及提高的雜草移除效率的功效。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明所公開有關“除雜草裝置及除雜草方法”的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不悖離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。

應當可以理解的是，雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號，但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件，或者一信號與另一信號。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。

[第一實施例]

如圖1至圖3所示，其為本發明的其中一種實施例，本實施例公開一種除雜草裝置100及除雜草方法。為便於理解本實施例的除雜草方法，以下先說明除雜草裝置100的各個元件構造與連接關係，接著，再介紹所述除雜草裝置100的除雜草方法（即下述第二實施例）。

參閱圖1及圖2所示，本實施例提供一種除雜草裝置100，所述除雜草裝置100包含一移除機構1及設置於所述移除機構1的一辨識模組2，所述辨識模組2能準確辨識多個植物中的一雜草A1，從而命令所述移除機構1移除所述雜草A1，意即所述除雜草裝置100是能針對雜草進行移除的可移動裝置。換個角度說，任何無法針對雜草進行移除的除雜草裝置（例如：農藥噴灑車），並非本發明所指的除雜草裝置100。

所述移除機構1包含一載體11、以及設置於所述載體11上的一帶動單元12、一第一驅動單元13、一第二驅動單元14與一移除單元15。其中，所述載體11於本實施例中採用結構剛性高且重量輕的材質所製成（例如：鋁合金），由多個輪子組成的所述帶動單元12則設置於所述載體11的兩側。所述第一驅動單元13於本實施例中是步進馬達，並且能驅動所述帶動單元12轉動，而帶動所述載體11移動。

需注意的是，所述帶動單元12於本實施例中雖是以輪子為例，但本發明不受限於此。舉例來說，本發明於其他未繪示的實施例中，所述帶動單元12也可以根據實據應用的地形更換為一履帶。

所述第二驅動單元14於本實施例中為步進馬達，並且能用來驅動所述移除單元15移除所述雜草A1。所述移除單元15於本實施例中包含一移動組件151及設置於所述移動組件151的一除草鑽頭組件152，所述移動組件151能被所述第二驅動單元14驅動而沿彼此相互垂直的兩個方向（例如：圖1的上下方向及左右方向）相對所述載體11移動，從而帶動所述除草鑽頭組件152移動。所述除草鑽頭組件152於本實施例中具有一驅動件1521及連接所述驅動件1521的一鑽頭件1522，所述驅動件1521能驅動所述鑽頭件1522轉動。其中，所述鑽頭件1522包含一軸心部1522A及圍繞所述軸心部1522A的一環繞部1522B，所述環繞部1522B大致沿所述軸心部1522A螺旋配置，因此當所述鑽頭件1522於轉動時，所述環繞部1522B能將所述雜草A1以旋轉方式抽離土壤，但本發明不受限於此。舉例來說，本發明於其他未繪示的實施例中，所述移除單元15也可以是機器手臂及設置於機器手臂的除草切割組件所組成。

於優選情況下，所述驅動件1521是採用額定轉數大於5500/rpm的高扭力直流馬達，從而確保所述鑽頭件1522被所述雜草A1纏住時，所述驅動件1521仍可以將所述雜草A1連根拔起。

需額外說明的是，所述移除機構1於本實施例中更包含一蓄電單元16，所述蓄電單元16電性耦接所述第一驅動單元13、所述第二驅動單元14、及所述驅動件1521。也就是說，所述移除機構1是採用電能作為動力源，但本發明不受限於此。

接著配合圖1所示，所述辨識模組2設置於所述移除機構1上，並且電性耦接所述移除機構1，所述辨識模組2能辨識所述雜草A1及命令所述移除機構1進行移動及移除等動作，以下將先介紹所述辨識模組2的各元件及連接關係，至於辨識所述雜草A1及命令所述移除機構1的方法將會於後面第二實施例進行說明。

所述辨識模組2包含一影像擷取單元21及電性耦接所述影像擷取單元21與所述移除機構1的一計算單元22。其中，所述影像擷取單元21於本實施例中是採用具備光線校正、及自動對焦功能的網路攝影機（例如：Logitech ^®C525網路攝影），但本發明不受限於此。所述影像擷取單元21設置於所述移除單元15的前端上，並且能轉動朝所述移除機構1的前方或下方（也就是朝土壤方向）以即時取得一即時影像資料H2。

所述計算單元22於本實施例中是由Nvidia ^®Jetson Nano及Arduino ^®UNO相互電性耦接所組成的開發板，但本發明不受限於此。所述計算單元22於運作時，其能通過一深度學習演算法由所述即時影像資料H2中選取涵蓋（經辨識確認後的）所述雜草A1的一影像框H1，並且所述影像框H1包含一雜草尺寸數據及一雜草座標數據。需說明的是，所述計算單元22辨識所述雜草A1的方式將會後面第二實施例進行介紹。

所述計算單元22能預先載入一最大移除尺寸數據，所述最大移除尺寸數據為所述移除機構1所能移除的所述雜草A1之最大尺寸。當所述計算單元22利用所述最大移除尺寸數據比對所述雜草尺寸數據，從而判定所述影像框H1內的所述雜草A1的尺寸於未超出所述移除單元15的移除能力時，所述計算單元22利用所述雜草座標數據發送一移除命令至所述移除機構1，使所述移除機構1移動並移除所述雜草A1。

換句話說，所述計算單元22會於確認所述影像擷取單元21的影像區域存在所述雜草A1後，會優先計算所述雜草A1的尺寸是否超過所述移除機構1所能負荷的移除尺寸，才會進一步地下達移除命令。

具體來說，所述計算單元22發送的所述移除命令包含一移動子命令及一除草子命令。所述移動子命令用以控制所述第一驅動單元13，所述第一驅動單元13會依據所述雜草座標數據中的所述雜草A1位置驅動所述帶動單元12，使所述載體11移動。

所述除草子命令用來控制所述第二驅動單元14、所述移動組件151及所述除草鑽頭組件152，所述第二驅動單元14於所述載體11抵達一預定執行位置（也就是完成所述移動子命令）時，所述第二驅動單元14驅動所述移動組件151依據所述雜草座標數據及所述雜草尺寸數據帶動所述除草鑽頭組件152移動至所述雜草A1的根部位置，所述除草鑽頭組件152則進一步地進行除草，但本發明不受限於此。

[第二實施例]

如圖4及圖5所示，其為本發明的第二實施例，本實施例為上述除雜草裝置100的除雜草方法，意即本實施例的所述方法會利用第一實施例的所述除雜草裝置100的元件，因此需同時搭配圖1至圖3。所述方法包括步驟S101至步驟S117，但於實際應用時，上述步驟S101至步驟S117的其中一個步驟能夠視設計者的需求而省略或是以合理之變化態樣取代。

步驟S101：利用所述計算單元22載入一雜草圖庫模型。具體來說，所述雜草圖庫模型是先通過人工智慧或人力方式框選多個圖片中的雜草，從而建立所述雜草A1的特徵模型，意即所述雜草圖庫模型包含為所述雜草A1特徵的一雜草特徵參數。

步驟S103：利用所述影像擷取單元21取得一即時影像資料H2。詳細地說，所述即時影像資料H2為所述影像擷取單元21於一時間點中所取得其鏡頭範圍內的影像資訊，當然影像資訊可能包含或不包含多個所述植物。

步驟S105：利用所述計算單元22執行一深度學習演算法，並由所述即時影像資料H2中選取涵蓋一辨識目標的一影像框H1（如圖3所示），其中所述影像框H1包含一辨識參數。值得注意的是，所述深度學習演算法於本實施例可以例如是一卷積神經網路(Convolutional Neural Network)，並且採用Darknet-53之神經網路架構的YOLOV3-tiny。

進一步地說，所述卷積神經網路包含一卷積層與一池化層，所述池化層能縮減維度、並在所述卷積層後加上一批次處理規範（Batch Normalization），從而提升模型的收斂速度與準確度。在所述池化層與所述卷積層進行上取樣，使用多尺度檢測技術，能提升對小目標的檢測。但須注意的是，上述僅舉例可用於深度學習演算法的範例，而非用以限制本發明可採用的深度學習演算法。

此外，所述影像框H1於本實施例中為一矩形，並且所述影像框H1的所述雜草特徵參數包括一深度數據及一影像矩陣數據，但本發明不受限於此。舉例來說，基於採用選取（或稱圈選）出涵蓋所述雜草A1的概念，因此所述影像框H1也可以是不規則形狀。

步驟S107：利用所述計算單元22依據所述雜草特徵參數比對所述辨識參數，以判定所述辨識目標是否為所述雜草A1；若是，執行下述步驟S109；若否，執行下述步驟S111。具體來說，所述計算單元22的一分類器（Support Vector Machine；SVM）利用所述雜草特徵參數的所述深度數據及所述影像矩陣數據比對所述辨識參數進行分類，從而達到實現判定所述雜草A1之目的。

步驟S109：載入一最大移除尺寸數據至所述計算單元22，其中所述最大移除尺寸數據為所述移除機構1所能移除的最大雜草尺寸，並接續執行所述步驟S113。

步驟S111：利用所述計算單元發送一移動命令至所述移除機構1，使所述移除機構1移動，並接續執行所述步驟S101。

步驟S113：利用所述計算單元依據所述辨識參數計算產生一雜草尺寸數據及一雜草座標數據。詳細地說，所述雜草尺寸數據為所述雜草A1的實際尺寸，所述雜草座標數據為所述雜草A1所在的三軸座標位置。

步驟S115：利用所述計算單元22依據所述最大移除尺寸數據判斷所述雜草尺寸數據是否超出移除能力。若是，執行上述步驟S111；若否，執行下述步驟S117。

步驟S117：所述計算單元22利用所述雜草座標數據及所述雜草尺寸數據發送一移除命令至所述移除機構1，使所述移除機構1移除所述雜草A1，並接著繼續執行所述步驟S111。

進一步地說，所述除雜草方法於執行所述步驟S117的過程中，還更包含子步驟S1171～子步驟S1174，而前述子步驟S1171～子步驟S1174為所述移除機構1進行移除所述雜草A1的細部步驟，以下將介紹各個子步驟。

子步驟S1171：利用所述第一驅動單元13接收所述移除命令的一移動子命令。

子步驟S1172：利用所述第一驅動單元13依據所述雜草座標數據中的所述雜草A1位置驅動所述帶動單元12，使所述載體11移動至一預定執行位置。其中，所述預定執行位置是所述移除機構1進行移除所述雜草A1時的位置。

子步驟S1173：利用所述第二驅動單元14接收所述移除命令的一除草子命令。

子步驟S1174：利用所述第二驅動單元14驅動所述移除機構1的一移除單元15依據所述雜草座標數據及所述雜草尺寸數據移動至所述雜草A1的位置並移除。

[本發明實施例的技術效果]

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

100:除雜草裝置 1:移除機構 11:載體 12:帶動單元 13:第一驅動單元 14:第二驅動單元 15:移除單元 151:移動組件 152:除草鑽頭組件 1521:驅動件 1522:鑽頭件 1522A:軸心部 1522B:環繞部 16:蓄電單元 2:辨識模組 21:影像擷取單元 22:計算單元 H1:影像框 H2:即時影像資料 A1:雜草 S101～S117:步驟 S1171～S1174:子步驟

圖1為本發明第一實施例的除雜草裝置的立體示意圖。

圖2為本發明第一實施例的除雜草裝置的方塊示意圖。

圖3為本發明第一實施例的即時影像資料的平面示意圖。

圖4為本發明第二實施例的除雜草方法的步驟流程示意圖。

圖5為本發明第二實施例的除雜草方法的子步驟流程示意圖。

S101~S117:步驟

Claims

一種除雜草方法，適用於移除位於多個植物中的一雜草，所述除雜草方法包含：利用一計算單元載入一雜草圖庫模型，其中所述雜草圖庫模型包含為所述雜草特徵的一雜草特徵參數；利用一影像擷取單元取得一即時影像資料；利用所述計算單元執行一深度學習演算法，並由所述即時影像資料中選取涵蓋一辨識目標的一影像框，其中所述影像框包含一辨識參數；利用所述計算單元依據所述雜草特徵參數比對所述辨識參數，以判定所述辨識目標是否為所述雜草；若是，載入一最大移除尺寸數據至所述計算單元，其中所述最大移除尺寸數據為一移除機構所能移除的最大雜草尺寸；利用所述計算單元依據所述辨識參數計算產生一雜草尺寸數據及一雜草座標數據；利用所述計算單元依據所述最大移除尺寸數據判斷所述雜草尺寸數據是否超出移除能力；以及若否，所述計算單元利用所述雜草座標數據及所述雜草尺寸數據發送一移除命令至所述移除機構。
如請求項1所述的除雜草方法，其中，所述深度學習演算法為一卷積神經網路(Convolutional Neural Network)。
如請求項2所述的除雜草方法，其中，所述卷積神經網路為採用為Darknet-53之神經網路架構的YOLOV3-tiny。
如請求項3所述的除雜草方法，其中，所述卷積神經網路包含一卷積層與一池化層，所述池化層能縮減維度、並在所述卷積層後加上一批次處理規範（Batch Normalization）。
如請求項1所述的除雜草方法，其中，所述影像框為一矩形，並且所述影像框的所述特徵參數包括所述矩形內的一深度數據及一影像矩陣數據，所述計算單元依據所述深度數據及所述影像矩陣數據計算產生所述雜草尺寸數據及所述雜草座標數據。
如請求項1所述的除雜草方法，其中，所述計算單元於發送所述移除命令至所述移除機構的過程中，所述除雜草方法更包含：利用所述移除機構的一第一驅動單元接收所述移除命令的一移動子命令；利用所述第一驅動單元依據所述雜草座標數據驅動所述移除機構的一帶動單元，使所述移除機構移動至一預定執行位置；利用所述移除機構的一第二驅動單元接收所述移除命令的一除草子命令；利用所述第二驅動單元依據所述雜草座標數據及所述雜草尺寸數據移動驅動所述移除機構的一移除單元移動並移除所述雜草。
一種除雜草裝置，包括：一移除機構，包含：一載體；一帶動單元，設置於所述載體上；一第一驅動單元，設置於所述載體上，並且所述第一驅動單元能驅動所述帶動單元轉動，使所述載體移動；一第二驅動單元，設置於所述載體上；一移除單元，連接於所述第二驅動單元，所述移除單元能被所述第二驅動單元驅動而用來移除一雜草；及一蓄電單元，電性耦接所述第一驅動單元、所述第二驅動單元、所述移除單元；以及一辨識模組，設置於所述移除機構上，並且電性耦接所述移除機構，所述辨識模組包含：一影像擷取單元，能即時取得一即時影像資料；及一計算單元，電性耦接所述影像擷取單元及所述移除機構，所述計算單元能通過一深度學習演算法由所述即時影像資料中選取涵蓋所述雜草的一影像框；其中，所述影像框包含一雜草尺寸數據及一雜草座標數據；其中，所述計算單元能預先載入一最大移除尺寸數據；當所述計算單元利用所述最大移除尺寸數據比對所述雜草尺寸數據，從而判定所述影像框內的所述雜草的尺寸於未超出所述移除單元的移除能力時，所述計算單元利用所述雜草座標數據發送一移除命令至所述移除機構，使所述移除機構移動並移除所述雜草。
如請求項7所述的除雜草裝置，其中，所述移除單元包含一移動組件及設置於所述移動組件的一除草鑽頭組件，所述移動組件能被所述第二驅動單元驅動而沿彼此相互垂直的三個方向相對所述載體移動，從而帶動所述除草鑽頭組件移動並移除所述雜草。
如請求項8所述的除雜草裝置，其中，所述除草鑽頭組件包含電性耦接所述蓄電單元的一驅動件及連接所述驅動件的一鑽頭件，所述驅動件能驅動所述鑽頭件轉動；其中，所述鑽頭件包含一軸心部及圍繞所述軸心部的一環繞部，所述環繞部大致相對於所述軸心部的一延伸方向呈歪斜配置。
如請求項9所述的除雜草裝置，其中，所述驅動件採用額定轉數大於5500/rpm的高扭力直流馬達。