摘要：针对非花果同期油茶果采收效率低这一问题,提出一种侧枝振动采摘点定位方法,通过振动侧枝降低树木损伤并实现高效采收。首先构建数据集,对侧枝分段标注,向UNet中添加CloFormer注意力机制并命名为Clo-UNet,实现侧枝的二维重构。其次,在Clo-UNet基础上进一步设计采摘点定位方法并命名为Clo-UNet-Point,该方法优先选择采收离果实最远且最粗的枝条。试验表明,Clo-UNet在验证集上表现优异,其中br_con(连果枝)、danger(危险区)和br_pro(优先采收区域)的平均交并比mIoU分别达到85.36%、86.37%和81.29%,平均像素精度mPA分别达到94.97%、96.17%和89.48%,Clo-UNet在整个数据集上的mIoU和mPA分别比UNet高5.14、6.85个百分点。通过观察验证集647幅图像,Clo-UNet-Point算法在不同光照条件下均能定位到采摘点,平均检测一张图像用时0.15 s。该研究可为未来非花果同期类油茶果的自动化振动采收奠定理论基础。

摘要：为实现茶嫩芽快速识别与采摘点定位,研究一种轻量级深度学习网络实现茶嫩芽分割与采摘点定位。采用MobileNetV2主干网络与空洞卷积相结合,较好地平衡茶嫩芽图像分割速度与精度的矛盾,实现较高分割精度的同时,满足茶嫩芽快速识别的要求,并设计外轮廓扫描与面积阈值过滤相结合的采摘点定位方法。试验表明:所提出的茶嫩芽分割算法在单芽尖及一芽一叶数据集中精度优异,平均交并比mIoU分别达到91.65%和91.36%;在保持高精度的同时,模型复杂度低,参数量仅5.81 M、计算量仅39.78 GFOLPs;在单芽尖、一芽一叶及一芽两叶数据集中各随机抽取200张图片进行采摘点定位验证,定位准确率分别达到90.38%、95.26%和96.60%。

摘要：茶叶嫩芽识别和采摘点定位是实现精品茶制作过程中机器人选择性自主采摘的前提。提出了一种基于图像处理的自然场景下茶叶嫩芽视觉识别与采摘点定位方法。通过对茶丛图像特征分析,设计了基于超绿特征的茶叶嫩芽图像分割方法,提取茶丛图像的超绿特征,采用大津法(OTSU)进行阈值分割,并通过闭运算去除噪声,经色彩合并获得嫩芽分割图像。设计了结合边缘检测和骨架化处理的嫩芽采摘点定位算法,获得了采摘点在图像中的像素位置,为茶叶嫩芽识别与采摘点定位提供了理论参考。

摘要：针对黄花菜采摘点识别定位求解困难,开发了一款基于双目视觉系统的黄花菜采摘机器人,从确定并联机械手尺寸参数到对黄花菜图像采摘点定位求解进行了研究。提出一种在自然场景下黄花菜视觉识别与采摘点定位方法,对黄花菜图像提取HSI空间分量S并采用迭代最佳阈值分割算法;将黄花菜生长趋势姿态分为两类,计算连通域最小外接矩形,确定不同生长姿态下的感兴趣区域;在区域内运用累计概率霍夫直线检测结合求解对应参考点点线最小距离约束,取线段离矩形框参考点距离最小的端点为采摘点。以晴天顺光、晴天背光和阴天光照条件下进行实验验证,结果表明可以为采摘机器人提供黄花菜采摘点精确坐标信息。