logo móvil
Contáctanos

Un método de detección de agarre para robot de cosecha de kiwi basado en aprendizaje profundo

Autores: Ma, Li; He, Zhi; Zhu, Yutao; Jia, Liangsheng; Wang, Yinchu; Ding, Xinting; Cui, Yongjie

Idioma: Inglés

Editor: MDPI

Año: 2022

Descargar PDF

Acceso abierto

Artículo científico
2022

Un método de detección de agarre para robot de cosecha de kiwi basado en aprendizaje profundo


Categoría

Ciencias Agrícolas y Biológicas

Subcategoría

Agronomía y Ciencia de los Cultivos

Palabras clave

Cosecha de kiwi
Robótica
Método de detección de agarre
GG-CNN2
Tasa de éxito de la cosecha
Tasa de caída de frutas

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 21

Citaciones: Sin citaciones


Descripción
La cosecha de kiwi con robótica puede ser problemática debido a la característica de agrupamiento. El agarre del efector final causará fácilmente un agarre inestable de la fruta, o la acción de flexión y separación interferirá con la fruta vecina debido a un ángulo de agarre inapropiado, lo que afectará aún más la tasa de éxito. Por lo tanto, predecir el ángulo de agarre correcto para cada fruta puede guiar al agarre para acercarse, agarrar, doblar y separar la fruta de manera segura. Para mejorar la tasa de agarre y la tasa de éxito de la cosecha, este estudio propuso un método de detección de agarre para un robot recolector de kiwis basado en el GG-CNN2. Basándose en las características de crecimiento vertical hacia abajo del kiwi, se definió la configuración de agarre del manipulador. El kiwi agrupado se dividió principalmente en fruta única, grupo lineal y otro grupo, y el conjunto de datos de agarre incluyó imágenes de profundidad, imágenes en color y etiquetas de agarre. El GG-CNN2 se mejoró basándose en la pérdida focal para evitar que el algoritmo genere la configuración de agarre óptima en el fondo o en el borde de la fruta. La prueba de rendimiento de la red de detección de agarre y la prueba de verificación de la recolección robótica se llevaron a cabo en huertos. Los resultados mostraron que el número de parámetros de GG-CNN2 fue de 66,7 k, la velocidad promedio de cálculo de imagen fue de 58 ms y la precisión promedio de detección de agarre fue del 76,0%, lo que garantiza que la detección de agarre pueda ejecutarse en tiempo real. Los resultados de la prueba de verificación indicaron que el manipulador combinado con la información de posición proporcionada por la red de detección de objetivos YOLO v4 y el ángulo de agarre proporcionado por la red de detección de agarre GG-CNN2 podría lograr una tasa de éxito de cosecha del 88,7% y una tasa de caída de frutas del 4,8%; el tiempo promedio de recolección fue de 6,5 s. En comparación con el método en el que la red de detección de objetivos solo proporciona información de posición de la fruta, este método presentó las ventajas de la tasa de cosecha y la tasa de caída de frutas al cosechar grupos lineales, especialmente otro grupo, y el tiempo de recolección aumentó ligeramente. Por lo tanto, el método de detección de agarre propuesto en este estudio es adecuado para la recolección de múltiples kiwis cercanos y puede mejorar la tasa de éxito de la cosecha robótica.

Otros recursos que podrían interesarte

Temas Virtualpro