，

(沈陽(yáng)工學(xué)院，信息與控制學(xué)院軟件教研室，沈陽(yáng) 113122)

0 引言

近年來(lái)，我國(guó)農(nóng)業(yè)發(fā)生了翻天覆地的變化，科學(xué)技術(shù)在農(nóng)業(yè)生產(chǎn)過程中占據(jù)著越來(lái)越重要的作用，有效的推動(dòng)了現(xiàn)代農(nóng)業(yè)的發(fā)展。在科技逐漸進(jìn)步的過程中勞動(dòng)力資源豐富不再是我國(guó)農(nóng)業(yè)的優(yōu)勢(shì)，逐漸的改變了社會(huì)經(jīng)濟(jì)結(jié)構(gòu)。應(yīng)當(dāng)通過對(duì)現(xiàn)代生產(chǎn)技術(shù)的應(yīng)用以及農(nóng)業(yè)機(jī)械設(shè)備的推廣來(lái)提升生產(chǎn)效率。作為農(nóng)業(yè)大國(guó)，我國(guó)政府對(duì)于農(nóng)業(yè)的發(fā)展非常重視，投入了大量的資金來(lái)進(jìn)行農(nóng)業(yè)技術(shù)科研，有效的推廣并使用了農(nóng)業(yè)生產(chǎn)機(jī)械以及各項(xiàng)先進(jìn)農(nóng)業(yè)技術(shù)，對(duì)于先進(jìn)技術(shù)和設(shè)備在我國(guó)的推廣有一定的推動(dòng)作用。我國(guó)的農(nóng)業(yè)生產(chǎn)在快速發(fā)展的過程中進(jìn)一步加強(qiáng)了其在國(guó)民經(jīng)濟(jì)中的基礎(chǔ)地位[1-2]。

目前采摘機(jī)器人在果蔬生產(chǎn)中得到了一定的應(yīng)用，相比于人工采摘，機(jī)器人在單位時(shí)間內(nèi)所采摘果實(shí)的質(zhì)量以及數(shù)量有非常明顯的差距。同時(shí)機(jī)器人在采摘的過程中會(huì)損傷果實(shí)。應(yīng)當(dāng)通過高精度視覺系統(tǒng)技術(shù)的研發(fā)來(lái)解決這一問題，保證采摘果實(shí)的準(zhǔn)確度和速度。因此需要對(duì)機(jī)器視覺技術(shù)進(jìn)行深入的研究，該技術(shù)與很多學(xué)科方面的知識(shí)存在緊密的聯(lián)系，主要包括過程控制學(xué)、生物學(xué)、影響成型、計(jì)算機(jī)學(xué)以及光學(xué)原理等等[3-4]。

1 果實(shí)識(shí)別與摘取機(jī)械手

果實(shí)識(shí)別與摘取機(jī)械手總體結(jié)構(gòu)如圖1所示，機(jī)械手采用履帶式行走底盤在果林間行走，通過視覺傳感器獲取果樹信息，通過圖形識(shí)別技術(shù)獲取目標(biāo)果樹中的果實(shí)數(shù)量和位置信息，從而控制機(jī)械手完成摘取果實(shí)的任務(wù)。

圖1 果實(shí)識(shí)別與摘取機(jī)械手總體結(jié)構(gòu)

主要技術(shù)問題：

(1)果實(shí)圖形識(shí)別技術(shù)。通過圖形分割處理技術(shù)從采集到的原始圖形中分割出目標(biāo)果實(shí)圖形，再利用由遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法構(gòu)建果實(shí)圖形識(shí)別模型，完成對(duì)果實(shí)圖形的識(shí)別，并保證了識(shí)別效率[5]。

(2)機(jī)械手的路徑規(guī)劃。

在使用機(jī)械手摘取果實(shí)的過程中應(yīng)當(dāng)保證機(jī)械手運(yùn)行路徑的優(yōu)化，這樣可以降低機(jī)械手運(yùn)行成本。因此首先使用圖像識(shí)別技術(shù)識(shí)別出機(jī)械手當(dāng)前視線中的果實(shí)數(shù)量和位置，利用遺傳算法對(duì)機(jī)械手的運(yùn)行路徑進(jìn)行優(yōu)化，并將其結(jié)果與隨機(jī)路徑規(guī)劃和人工路徑規(guī)劃的結(jié)果進(jìn)行對(duì)比。

2 圖像分割處理

在跟蹤和識(shí)別重疊果實(shí)的過程中的技術(shù)難點(diǎn)是分割重疊果實(shí)，后續(xù)匹配和識(shí)別圖像會(huì)受到分割效果的影響。盡管在實(shí)時(shí)性上固定閾值分割具有一定的優(yōu)勢(shì)，但不具有足夠的適應(yīng)性，特別是在圖像較為復(fù)雜的情況下，通過對(duì)動(dòng)態(tài)閾值分割法的影響，充分利用果實(shí)顏色與蘋果圖像背景所存在的不同，以顏色為基礎(chǔ)對(duì)Otsu法進(jìn)行了應(yīng)用[6]。

σ2(t)=ω0(μ0-μ)2+ω1(μ1-μ)2=

ω0ω1(μ0-μ1)2

(1)

使得σ2(t)取得最大值的t就是分割目標(biāo)與背景的最佳閾值T。

3 果實(shí)圖像識(shí)別模型構(gòu)建

3.1 圖像識(shí)別算法

在分析處理后果實(shí)圖像的過程中采用了神經(jīng)網(wǎng)絡(luò)算法，這樣可以對(duì)圖像中的果實(shí)進(jìn)行識(shí)別。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型網(wǎng)絡(luò)，能夠?qū)崿F(xiàn)逆向反饋誤差信號(hào)并前向輸入信號(hào)。輸出信號(hào)在進(jìn)行前向運(yùn)輸過程中途徑為輸入層-隱含層-輸出層，可以逐層處理。反饋可以通過輸出層輸出和期望輸出的對(duì)比來(lái)實(shí)現(xiàn)，通過兩個(gè)的差值可以對(duì)網(wǎng)絡(luò)結(jié)構(gòu)中的權(quán)值進(jìn)行調(diào)整。經(jīng)過對(duì)此訓(xùn)練以后就可以保證期望輸出與實(shí)際輸出比較接近，進(jìn)而保證閾值和權(quán)值合適。

因此非線性是神經(jīng)網(wǎng)絡(luò)函數(shù)比較明顯的特顯，其中輸出層輸出的變量為非線性函數(shù)的因變量，輸入層輸入的變量為自變量，這樣函數(shù)映射就能夠形成。以神經(jīng)網(wǎng)絡(luò)相關(guān)特性為基礎(chǔ)，在對(duì)識(shí)別質(zhì)量影響因素進(jìn)行充分分析的基礎(chǔ)上，應(yīng)用神經(jīng)網(wǎng)絡(luò)函數(shù)分析這些因素和識(shí)別質(zhì)量之間的關(guān)系，其中可以通過權(quán)值和閾值將這些關(guān)系體現(xiàn)出來(lái)。

然而在BP神經(jīng)網(wǎng)絡(luò)應(yīng)用的過程中存在以下問題：首先權(quán)值和閾值的生成是隨機(jī)的，局部最優(yōu)的出現(xiàn)會(huì)使得訓(xùn)練效果降低；然后學(xué)習(xí)率無(wú)法有效的確定，既無(wú)法保證過大的學(xué)習(xí)率，而且學(xué)習(xí)率太小會(huì)使得訓(xùn)練過程放緩，降低了收斂速度。采用了兩種方法來(lái)解決該問題：首先根據(jù)遺傳算法來(lái)進(jìn)行權(quán)值和閾值的尋找，這樣局部最優(yōu)問題就能夠避免出現(xiàn)；然后對(duì)原有的固定學(xué)習(xí)率進(jìn)行改進(jìn)，這樣就可以有效的保證學(xué)習(xí)效率的提升。

最為一種自適應(yīng)以及可以并行運(yùn)算的算法，在組合優(yōu)化、機(jī)器學(xué)習(xí)、自適應(yīng)控制以及人工生命過程中遺傳算法應(yīng)用比較廣泛，在現(xiàn)代智能計(jì)算中發(fā)揮著非常重要的作用，在對(duì)遺傳算法進(jìn)行應(yīng)用的過程中通過對(duì)二進(jìn)制和多進(jìn)制的采用來(lái)編碼所優(yōu)化參數(shù)，然后產(chǎn)生n個(gè)隨機(jī)的初始種群，根據(jù)種群優(yōu)化的目標(biāo)反向可以對(duì)種群的適應(yīng)度函數(shù)進(jìn)行確定。其中交叉操作通過對(duì)兩個(gè)染色體的基因進(jìn)行交換來(lái)實(shí)現(xiàn)新個(gè)體的產(chǎn)生，變異操作決定了GA的全局搜索能力。其中變異操作是指對(duì)染色體的相關(guān)基因進(jìn)行變異，新個(gè)體可以通過變異操作來(lái)產(chǎn)生，通過變異才做還能夠確定GA的全局搜索能力。利用文獻(xiàn)[8]中的改進(jìn)算法可以優(yōu)化遺傳優(yōu)化算法，進(jìn)化速度可以通過常規(guī)交叉和變異操作的改動(dòng)來(lái)提升。首先應(yīng)用免疫算法中所存在的免疫記憶機(jī)制，對(duì)優(yōu)秀個(gè)體進(jìn)行保護(hù)，不進(jìn)行變異和交叉操作，保證能夠快速的找到最優(yōu)解；然后對(duì)變異過程中的變異概率進(jìn)行改變，在培訓(xùn)適應(yīng)度的基礎(chǔ)上對(duì)后30%的個(gè)體進(jìn)行標(biāo)記，然后為了保證出現(xiàn)最優(yōu)個(gè)體出現(xiàn)的概率更高，對(duì)變異操作進(jìn)行優(yōu)化，這對(duì)于進(jìn)化速度的提升有非常積極的作用；最后，由于染色體的長(zhǎng)度較長(zhǎng)，因此采用多點(diǎn)交叉的方法來(lái)保證優(yōu)秀個(gè)體的產(chǎn)生。

3.2 識(shí)別模型構(gòu)建

由于BP神經(jīng)網(wǎng)路的應(yīng)用比較依賴于權(quán)值以及初始閾值，而隨機(jī)選取的方法會(huì)導(dǎo)致局部最優(yōu)現(xiàn)象的出現(xiàn)。然而作為一種自適應(yīng)概率搜索算法，全局優(yōu)化是遺傳算法應(yīng)用的主要目的，應(yīng)當(dāng)保證全局最優(yōu)解的獲取，因此應(yīng)用遺傳算法在優(yōu)化和尋優(yōu)神經(jīng)網(wǎng)絡(luò)初始閾值和權(quán)值時(shí)能夠進(jìn)行自適應(yīng)學(xué)習(xí)，對(duì)于學(xué)習(xí)和訓(xùn)練效率的提升有非常積極的影響，下圖所示為優(yōu)化流程。

圖2 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)流程

下面對(duì)遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的步驟進(jìn)行簡(jiǎn)單的介紹。

步驟1：采用隨機(jī)的方法生成NL個(gè)染色體，使用實(shí)數(shù)方法對(duì)這些染色體進(jìn)行編碼，染色體長(zhǎng)度可以通過下式進(jìn)行計(jì)算：

N=Ni×Nh+No×Nh+Nh+No

(2)

式中：Ni表示神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)；Nh表示神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)；No表示神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)。

步驟2：均方差通過將染色體的權(quán)值和閾值帶回神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算；

步驟3：將均方差帶回公式(1)和(2)進(jìn)行選擇操作；

步驟4：回到步驟2，進(jìn)行多次均方差的運(yùn)算保證均方差收斂，這樣就可以得到神經(jīng)網(wǎng)絡(luò)的最終閾值和權(quán)值[8]。

4 摘取機(jī)械手運(yùn)動(dòng)控制

4.1 果實(shí)目標(biāo)確定

通過圖像識(shí)別技術(shù)得到圖像中的果實(shí)位置后，需要控制位于圖像中心的機(jī)械手移動(dòng)到果實(shí)位置，摘取機(jī)械手移動(dòng)控制示意圖如圖3所示。

圖3 摘取機(jī)械手移動(dòng)控制示意圖

圖像采集系統(tǒng)采集到的圖像具有600個(gè)垂直像素點(diǎn)和800個(gè)水平像素點(diǎn)，得到分辨率為800×600的圖像，其中左上頂點(diǎn)為圖像中像素坐標(biāo)原點(diǎn)，就可以得到圖像中心坐標(biāo)(400，300)。通過對(duì)步進(jìn)電機(jī)控制機(jī)械手的運(yùn)動(dòng)進(jìn)行控制摘取果實(shí)，進(jìn)而得到對(duì)應(yīng)的移動(dòng)步數(shù)。

4.2 摘取機(jī)械手路徑規(guī)劃

在使用機(jī)械手摘取果實(shí)的過程中應(yīng)當(dāng)保證機(jī)械手運(yùn)行路徑的優(yōu)化，這樣可以降低機(jī)械手運(yùn)行成本。在機(jī)械手由先前位置移動(dòng)到當(dāng)前位置過程中所耗費(fèi)的成本就是機(jī)械手行進(jìn)成本。其中兩個(gè)位置之間的距離設(shè)定為Dij, 單位長(zhǎng)度的機(jī)械手行進(jìn)成本設(shè)定為a, 則可以按照下面的公式計(jì)算完成N個(gè)果實(shí)摘取的機(jī)械手行進(jìn)成本：

(3)

通過數(shù)學(xué)方法能夠得到典型TSP以及機(jī)械手路徑規(guī)劃問題的精確解，然而在節(jié)點(diǎn)數(shù)量較多的問題中這種精確解法并不適用。在對(duì)這種組合優(yōu)化問題進(jìn)行求解的過程中蟻群算法、神經(jīng)網(wǎng)絡(luò)算法、人工免疫算法、遺傳優(yōu)化算法以及粒子群優(yōu)化算法能夠發(fā)揮比較好的作用。因此在研究機(jī)械手路徑優(yōu)化的過程中應(yīng)用遺傳優(yōu)化算法。

作為一種模擬進(jìn)化算法，自然選擇機(jī)理、自適應(yīng)尋優(yōu)以及自然遺傳機(jī)制是遺傳算法的基礎(chǔ)。在對(duì)新達(dá)爾文主義生物遺傳進(jìn)化規(guī)律進(jìn)行模仿的過程中衍生出了遺傳算法。

使用遺傳算法進(jìn)行機(jī)械手路徑規(guī)劃優(yōu)化的基本流程進(jìn)行介紹[9-10]。

步驟 1：產(chǎn)生初始種群，采用隨機(jī)的方法產(chǎn)生一組初始個(gè)體，并利用這些個(gè)體產(chǎn)生初始群體，該群體表示一些可行解的集合；

步驟 2：對(duì)群體中每個(gè)個(gè)體的適應(yīng)函數(shù)值進(jìn)行計(jì)算，同時(shí)根據(jù)收斂條件進(jìn)行判斷，當(dāng)滿足條件是就將搜索結(jié)果輸出，如果不滿足就運(yùn)行下一步；

步驟 3：根據(jù)優(yōu)勝劣汰原則在個(gè)體適應(yīng)度的基礎(chǔ)進(jìn)行復(fù)制操作，保證所選擇的個(gè)體具有較高的適應(yīng)度；

步驟 4：通過交叉操作來(lái)對(duì)交叉概率(Pc)的取值進(jìn)行確定，根據(jù)Pc的大小來(lái)對(duì)交叉的個(gè)體數(shù)目進(jìn)行確定，在交叉操作過程中獲得的新個(gè)體將其父輩個(gè)體的特性包含在內(nèi)；

步驟 5：通過變異操作來(lái)對(duì)變異概率(Pm)的取值進(jìn)行確定，進(jìn)行變異的個(gè)體數(shù)目可以根據(jù)Pm的大小來(lái)選擇，種群多樣性通過變異能夠提升，進(jìn)而避免算法局部最優(yōu)的現(xiàn)象出現(xiàn)；

步驟 6：得到新種群，返回步驟 2。

圖4所示為使用遺傳算法進(jìn)行機(jī)械手路徑規(guī)劃優(yōu)化的操作流程圖。

圖4 基于遺傳算法的路徑優(yōu)化操作流程圖

5 果實(shí)識(shí)別與摘取路徑規(guī)劃實(shí)例分析

5.1 果實(shí)圖像特征提取

下面通過對(duì)采集到的果樹圖像進(jìn)行果實(shí)圖像特征提取實(shí)驗(yàn)。果樹圖像處理過程如圖5所示。

圖5 蘋果果實(shí)圖像處理過程

5.2 果實(shí)圖像識(shí)別結(jié)果分析

下面通過實(shí)驗(yàn)驗(yàn)證研究的果實(shí)圖像識(shí)別模型的準(zhǔn)確率。使用常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法建立基于Otsu 法圖像分割方法的果實(shí)圖像識(shí)別模型作為對(duì)比算法。實(shí)驗(yàn)樣本見表1所示，樣本中的完整果實(shí)比例逐漸減少。

表1 蘋果果實(shí)識(shí)別測(cè)試樣本

圖7 機(jī)械手行進(jìn)路徑優(yōu)化實(shí)例2(40個(gè)果實(shí))

實(shí)驗(yàn)結(jié)果表明，隨著樣本中的完整果實(shí)比例逐漸減少，兩種模型的識(shí)別準(zhǔn)確率均有所下降，在僅有60%完整果實(shí)比例的樣本中本文研究的識(shí)別模型仍保持較高的識(shí)別準(zhǔn)確率，而常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法建立的識(shí)別模型誤差較大，嚴(yán)重影響識(shí)別模型的性能，不適用于實(shí)際生產(chǎn)中。

5.3 機(jī)械手路徑規(guī)劃

以最低成本摘取果實(shí)路徑規(guī)劃任務(wù)為實(shí)例，重點(diǎn)考慮最小化機(jī)械手行進(jìn)成本，研究基于遺傳優(yōu)化算法的機(jī)械手路徑規(guī)劃性能。設(shè)定種群規(guī)模為40，交叉概率0.6，變異概率0.05[11]。由采集的果樹圖像中隨機(jī)抽取多張圖片，識(shí)別圖片中果實(shí)數(shù)量及位置，如圖6(a)、7(a)、8(a)所示。使用遺傳算法對(duì)機(jī)械手運(yùn)行路徑進(jìn)行規(guī)劃，適應(yīng)度函數(shù)變化如圖6(b)、7(b)、8(b)所示。進(jìn)行規(guī)劃后得到的機(jī)械手路徑如圖6(c)、7(c)、8(c)所示。

圖8 機(jī)械手行進(jìn)路徑優(yōu)化實(shí)例3(60個(gè)果實(shí))

機(jī)械手摘取20個(gè)果實(shí)的實(shí)例中，進(jìn)行隨機(jī)路徑規(guī)劃得到的機(jī)械手行進(jìn)路徑總長(zhǎng)度為6 636.5 mm，由人工進(jìn)行路徑規(guī)劃得到的機(jī)械手行進(jìn)路徑總長(zhǎng)為6 528.6 mm，由遺傳算法優(yōu)化后得到的機(jī)械手行進(jìn)路徑總長(zhǎng)度為6 452.6 mm。

機(jī)械手摘取40個(gè)果實(shí)的實(shí)例中，進(jìn)行隨機(jī)路徑規(guī)劃得到的機(jī)械手行進(jìn)路徑總長(zhǎng)度為12 062.7 mm，由人工進(jìn)行路徑規(guī)劃得到的機(jī)械手行進(jìn)路徑總長(zhǎng)為11 652.2 mm，由遺傳算法優(yōu)化后得到的機(jī)械手行進(jìn)路徑總長(zhǎng)度為10 475.4 mm。

機(jī)械手摘取60個(gè)果實(shí)的實(shí)例中，進(jìn)行隨機(jī)路徑規(guī)劃得到的機(jī)械手行進(jìn)路徑總長(zhǎng)度為17 218.3 mm，由人工進(jìn)行路徑規(guī)劃得到的機(jī)械手行進(jìn)路徑總長(zhǎng)為16 012.9 mm，由遺傳算法優(yōu)化后得到的機(jī)械手行進(jìn)路徑總長(zhǎng)度為13 774.9 mm。

三個(gè)實(shí)例中使用遺傳優(yōu)化算法得到的路徑相比隨機(jī)路徑規(guī)劃和人工路徑規(guī)劃得到的路徑長(zhǎng)度降低2.77%和1.16%、13.2%和10.1%以及19.9%和13.9%。通過三個(gè)機(jī)械手行進(jìn)路徑優(yōu)化實(shí)例可以看出，使用遺傳優(yōu)化算法得到的機(jī)械手行進(jìn)路徑相比隨機(jī)路徑規(guī)劃和人工路徑規(guī)劃所消耗的成本更低。并且隨著果實(shí)量的增加，遺傳優(yōu)化算法得到的機(jī)械手行進(jìn)路徑消耗的成本低的優(yōu)勢(shì)更加明顯。

6 結(jié)論

通過圖形分割處理技術(shù)從采集到的原始圖形中分割出目標(biāo)果實(shí)圖形，再利用由遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)算法構(gòu)建果實(shí)圖形識(shí)別模型，完成對(duì)果實(shí)圖形的識(shí)別。使用遺傳優(yōu)化算法對(duì)機(jī)械手行進(jìn)路徑的規(guī)劃過程進(jìn)行優(yōu)化。研究結(jié)果表明：

(1)隨著樣本中的完整果實(shí)比例逐漸減少，兩種模型的識(shí)別準(zhǔn)確率均有所下降，在僅有60%完整果實(shí)比例的樣本中本文研究的識(shí)別模型仍保持較高的識(shí)別準(zhǔn)確率，而常規(guī)BP神經(jīng)網(wǎng)絡(luò)算法建立的識(shí)別模型誤差較大，嚴(yán)重影響識(shí)別模型的性能，不適用于實(shí)際生產(chǎn)中。

(2)使用遺傳優(yōu)化算法得到的機(jī)械手行進(jìn)路徑相比隨機(jī)路徑規(guī)劃和人工路徑規(guī)劃所消耗的成本更低。并且隨著果實(shí)數(shù)量的增加，遺傳優(yōu)化算法得到的機(jī)械手行進(jìn)路徑消耗的成本低的優(yōu)勢(shì)更加突出。使用遺傳算法等優(yōu)化算法進(jìn)行機(jī)械手行進(jìn)路徑規(guī)劃的優(yōu)化，可提高機(jī)械手行進(jìn)效率，降低能耗以及機(jī)械手摘取果實(shí)成本。