26、果园水果检测与抓取机制的改进方法

果园水果检测与抓取机制的改进方法

1. 机械臂操作面临的挑战

1.1 植物遮挡导致的问题

机械臂上的抓取机构需靠近果园树冠，这就需要手动或自主的移动平台。由于果园树冠遮挡，自主移动平台的导航依赖 RTK - GNSS，但即便有地面基站，RTK - GNSS 也会出现诸多误差。解决误差的有效方法是借助 CNN，利用 3D 相机和基于 LiDAR 的导航。此外，机器人系统在果园行间导航时，识别突然出现的障碍物（如掉落的树枝、工人、车辆等）至关重要。

1.2 抓取机构的灵活性挑战

抓取机构要能根据水果的大小和形状做出合适的调整。计算机视觉结合机器学习和机器人编程，有助于克服果园环境中的自动化难题。不过，即便有这些技术，在存在遮挡的情况下确定目标位置仍是一大挑战。目标水果的识别通常由包含相机的视觉系统完成，而机械臂在 3D 空间中的操作则需运用正向和逆向运动学。在规划机械臂末端执行器到达目标位置的正向和逆向运动时，会使用三角学和微积分表达式进行轨迹规划。

2. 光照变化、风、阴影及视觉系统挑战

2.1 光照与阴影对检测的影响

常用 3D 相机检测目标位置并进行机器人操作，但光照条件变化易导致漏检目标水果。有阴影时，3D 相机确定检测目标几何形状的准确性会降低，水果阴影、树叶上的轮廓斑点以及树叶形成的不同形状图案都会造成误检。而且，风导致的目标移动和树叶遮挡会进一步恶化检测情况。

2.2 应对光照变化的措施

多数用于水果检测的深度学习模型是用涵盖不同时段的数据集进行训练的，但在开放场地，光照变化仍会引发误差。当环境突然变化时，漏检目标水果的可能性更大。