陳金艦

摘 要：目前，甘蔗種植耗時長、勞動強度大，人們需要提高種植過程的機械化和智能化水平，而YOLOv3算法可以為機械數(shù)據(jù)采集和實時處理提供有力支持，因此有必要基于YOLOv3對甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真進行研究。本文通過提取甘蔗莖節(jié)信息和構建YOLOv3網(wǎng)絡結構對甘蔗莖節(jié)進行實時動態(tài)識別，提高識別效率和精確度;通過建立機械臂虛擬樣機，對機械臂運動學進行仿真，提高軌跡仿真正確性。經(jīng)過試驗驗證和對比分析，設計的實時動態(tài)識別和軌跡仿真方法具有較好的準確性，能夠應用于甘蔗實際種植中。

關鍵詞：YOLOv3算法;甘蔗莖節(jié);動態(tài)識別;軌跡仿真

中圖分類號：S566.1文獻標識碼：A文章編號：1003-5168（2021）02-0012-03

Real-time Dynamic Recognition of Sugarcane Stem Nodes and Simulation of Robotic Arm Trajectory Based on YOLOv3

GUO Jinjian

（ZhanJiang Preschool Education College （Basic Education College of Lingnan Normal University），Zhanjiang Guangdong 524000）

Abstract： At present， sugarcane planting is time-consuming and labor-intensive， people need to improve the mechanization and intelligence level of the planting process， and the YOLOv3 algorithm can provide strong support for mechanical data collection and real-time processing， therefore， it is necessary to study the real-time dynamic recognition of sugarcane stem nodes and the simulation of manipulator trajectory based on YOLOv3. In this paper， the real-time dynamic recognition of sugarcane stem nodes was carried out by extracting the information of sugarcane stem nodes and constructing the YOLOv3 network structure to improve the efficiency and accuracy of recognition; by establishing a virtual prototype of the robotic arm， the kinematics of the robotic arm was simulated to improve the accuracy of the trajectory simulation. After experimental verification and comparative analysis， the designed real-time dynamic identification and trajectory simulation methods have good accuracy and can be applied to actual sugarcane planting.

Keywords： YOLOv3 algorithm;sugarcane stem section;dynamic recognition;trajectory simulation

甘蔗是我國重要的經(jīng)濟農(nóng)作物，不僅是制作蔗糖的主要原料，還是化工產(chǎn)業(yè)的重要原料。機械臂裝置是甘蔗種植過程的關鍵部件，是提高作業(yè)效率的關鍵，對于提高甘蔗質(zhì)量和生產(chǎn)收益、降低成本具有重要作用[1]。YOLOv3算法能夠?qū)Ω收崽卣鬟M行識別定位，為種植機械數(shù)據(jù)采集和實時處理提供有力支持，進一步提高檢測速度和識別效率[2]。因此，本文基于YOLOv3對甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真進行研究。

1 基于YOLOv3的甘蔗莖節(jié)實時動態(tài)識別

1.1 提取甘蔗莖節(jié)信息

在采集的甘蔗圖像中，甘蔗目標只占少部分區(qū)域，剩余大部分區(qū)域為背景，復雜的背景對甘蔗莖節(jié)的識別產(chǎn)生一定影響，因此在進行動態(tài)識別前首先需要從圖像中分割甘蔗目標，提取其信息特征。一方面，可以縮小圖像識別范圍，降低背景對莖節(jié)識別的干擾，減小后續(xù)算法輸入規(guī)模，提高運行效率;另一方面，甘蔗目標的直徑和橫軸交角是算法的關鍵參數(shù)，為分析莖節(jié)粗度和定位提供重要參考依據(jù)[3]。迭代線性擬合算法可用于估計甘蔗目標的近似線性趨勢，根據(jù)圖像白點像素聚集程度趨近于實際目標的標準，分割甘蔗目標。下面以圖像的某像素位置為中心，將周圍區(qū)域的白點像素數(shù)與面積的比值定義為圖像局部密度，其計算公式可以表示為：

[ρx=1Jxi∈JxIi]? ? ? ? ? ? ? ? ? ? ? ? ?（1）

式中，[ρx]為圖像局部密度;[x]為某一像素位置;[Jx]為該像素的局部鄰域像素集合;[Ii]為圖像的像素值。

若將圖像的所有像素位置替換成局部密度值，則甘蔗圖像轉(zhuǎn)化為局部密度圖像，再通過閾值抑制過濾干擾像素，具體公式可以表示為：

[ρx=0，ρx

式中，[l]為過濾閾值;[m]為低抑制比例;[n]為高抑制比例;[am，n]為去除低值和高值后的密度平均值。

下面通過調(diào)整雙抑制閾值，對圖像執(zhí)行邊緣算子操作，得到甘蔗目標線性趨勢信息，進而確定目標基線位置[4-5]。迭代后，穩(wěn)定的擬合線與橫軸的相交角度可作為甘蔗目標與橫軸交角的特征信息估計。本研究通過白點像素距離計算甘蔗目標直徑，沿橫軸方向?qū)D像劃分為列塊集合，列塊高度可以表示為：

[Hb=Ve-Vs]? ? ? ? ? ? ? ? ? ? ? ? ? ? （3）

式中，[Hb]為每個列塊高度;[Ve]為經(jīng)縱向投影后的最前面非零值位置;[Vs]為最后面非零值位置。

下面計算所有列塊的高度，在高度集合中刪除極大和極小值，剩余列塊的平均高度值即甘蔗的直徑，甘蔗直徑的估算公式可以表示為：

[GH=1BSl∈BSHBSl]? ? ? ? ? ? ? ? ? ? ? ? ?（4）

式中，[GH]為甘蔗直徑;[BS]為列塊集合。

通過對甘蔗目標進行分割，人們可以得到橫軸交角和甘蔗直徑的特征信息估計。

1.2 構建YOLOv3網(wǎng)絡結構

YOLOv3網(wǎng)絡是一種物體定位識別算法，具有定位速度快、識別效率高的特點，主要通過計算損失函數(shù)，檢測不同尺度大小的目標[5]。本文采用的損失函數(shù)可以表示為：

[LP，W=p=1Pa×log1-gxp，Wyp=0b×log1-gxp，Wyp>λoothers]? ? ? （5）

式中，[P]為甘蔗圖像;[W]為網(wǎng)絡學習參數(shù);[g]為激活函數(shù);[λ]為正負樣本判定參數(shù);[a]為負樣本系數(shù);[b]為正樣本系數(shù);[xp]和[yp]為圖像像素點坐標。

檢測圖像像素邊緣性時，本研究采用多分辨率模式，以1、2和5為倍數(shù)變換圖像分辨率，將其輸入卷積神經(jīng)網(wǎng)絡，根據(jù)網(wǎng)絡輸出的平均結果得到邊緣檢測指標。

1.3 甘蔗莖節(jié)定位識別

在卷積神經(jīng)網(wǎng)絡中輸入甘蔗圖像，可以得到邊緣概率圖像，其像素值表示該位置為邊緣點的確信程度。首先從邊緣概率圖像中提取甘蔗目標莖節(jié)信息，對圖像執(zhí)行啟發(fā)式莖節(jié)定位算法。根據(jù)給定閾值范圍和閾值變化步長，可以得到二值化圖像系列，具體表示為：

[Per=BerP，tt∈T]? ? ? ? ? ? ? ? ? ? ? ? （6）

式中，[Per]為二值化圖像系列;[Ber]為圖像二值化操作;[P]為邊緣概率圖像;[T]為步長變化。

變量[T]用公式可以表示為：

[T=ts-n×0.02>e，n=0，1，2...]? ? ? ? ? ? ? ? ?（7）

式中，[s]為起始閾值;[e]為終止閾值。

生產(chǎn)驗證模板驗證二值圖像，提取莖節(jié)邊緣線。接著，對候選位置進行驗證，以每個候選位置對應橫軸為參考，縱向上移動驗證模板，驗證完所有二值化圖像系列，對保留區(qū)域進行邏輯操作，得到莖節(jié)識別結果。

2 甘蔗種植機的機械臂軌跡仿真

2.1 建立機械臂虛擬樣機

首先使用SolidWorks軟件建立機械臂模型及裝配體模型，為構建虛擬樣機奠定基礎。裝配的主要部件包括機械臂上臂、下臂、轉(zhuǎn)動座和固定座等，按照實際配合關系生成裝配體。然后，選擇整個裝配體模型進行靜態(tài)干涉檢查，修正各部件的相對位置，直至整體不存在干涉部位。接下來，檢測動態(tài)干涉情況，根據(jù)實際情況對機械臂添加旋轉(zhuǎn)副和運轉(zhuǎn)函數(shù)，選取適當?shù)尿?qū)動馬達速度值，檢查全局干涉情況，進一步確保三維模型的正確性。將修正好的三維機械臂模型復制到ADAMS工作目錄中，構建機械臂虛擬樣機。在ADAMS設置好工作環(huán)境，依次定義和添加機械臂各個零件的材料屬性，并根據(jù)部件間相對運動關系添加模型約束，達到整體約束效果。為確保各轉(zhuǎn)動副能按預期運動，人們需要對模型添加驅(qū)動設置，經(jīng)過以上步驟，完成機械臂虛擬樣機的構建。

2.2 機械臂運動學仿真

機械臂運動學仿真由正運動和逆運動兩部分組成，正運動仿真實質(zhì)是根據(jù)各關節(jié)旋轉(zhuǎn)角度，推導空間坐標位置和形態(tài);逆運動仿真實質(zhì)是由空間坐標位置和形態(tài)，反向推導各關節(jié)旋轉(zhuǎn)角度。首先建立連桿坐標系[D-H]，得到齊次變換矩陣。

構建虛擬樣機，為機械臂軌跡仿真奠定了基礎。在驗證模型信息正確后，人們可以利用ADAMS的測量和輸出功能，對模型進行參數(shù)提取和運動軌跡仿真。

3 試驗結果與分析

3.1 甘蔗莖節(jié)實時動態(tài)識別效果

為檢驗本文提出的甘蔗莖節(jié)識別方法的效果，筆者設計10組試驗，原始圖像像素大小為1 280[×]1 024，試驗結果如表1所示。

由表1可知，本文設計的甘蔗莖節(jié)實時動態(tài)識別方法的識別率較高，識別速度也較快。為驗證本文方法的莖節(jié)定位精度，筆者設計定位誤差試驗，其共分為5個誤差等級，試驗結果如表2所示。

由表2可知，93%的甘蔗莖節(jié)的定位誤差處于32像素以內(nèi)，表明甘蔗圖像經(jīng)過識別后，莖節(jié)附近的邊緣線與其他區(qū)域存在較大差異，具有一定的獨特性，邊緣線可作為莖節(jié)識別的重要依據(jù)[6-8]。

3.2 甘蔗莖節(jié)識別效果對比測試

為檢測本文甘蔗莖節(jié)識別方法的有效性，本研究將本文方法設置為試驗組，將基于小波變換和結構化機器學習的莖節(jié)識別方法設置為對照組，分別從莖節(jié)完整識別率、消耗時間和定位精確度三個指標對識別方法進行對比，其中定位精確度用誤差在32像素以內(nèi)的莖節(jié)數(shù)量比例表示，對比結果如表3所示。

由表3的對比結果可知，與其他兩種方法相比，本文設計方法具有速度快、識別率高和精度高的特點，具有較高的實用性。

3.3 機械臂軌跡仿真對比測試

為檢驗本文機械軌跡仿真方法的有效性，本研究將其與其他兩種傳統(tǒng)方法進行對比測試，從仿真準確度、運動平均速度和時間三個指標評價仿真方法的效果，對比測試結果如表4所示。

由表4對比結果可知，本文設計的軌跡仿真方法具有準確率高和速度快的特點，可應用于實際的機械臂運動空間求解中。

4 結語

本文基于YOLOv3對甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真進行研究，提高了甘蔗莖節(jié)的識別精確度和機械臂軌跡仿真的準確度，有助于進一步促進甘蔗種植的機械化發(fā)展。對于機械臂的軌跡仿真，本文沒有考慮運輸面板對機械臂的影響，以后研究可以對機械臂最小軌跡路線和運輸截面角度進行探討。

參考文獻：

[1]齊榕，賈瑞生，徐志峰，等.基于YOLOv3的輕量級目標檢測網(wǎng)絡[J].計算機應用與軟件，2020（10）：208-213.

[2]吳疆，孫怡峰，湯光明，等.基于改進YOLOv3的同步目標定位與多種屬性識別[J].計算機應用，2020（1）：1-7.

[3]蔡錦華，祝義榮.基于改進YOLOv3的目標跟蹤算法研究[J].計算機仿真，2020（5）：213-217.

[4]郭無極，楊望，溫翔，等.切段式甘蔗收割機排雜仿真建模方法研究[J].農(nóng)機化研究，2020（8）：6-12.

[5]盛奮華，陳祖爵.基于虛擬仿真技術的甘蔗收割機喂入裝置研究[J].農(nóng)機化研究，2016（9）：59-63.

[6]張東紅，吳玉秀，陳晨.基于圖像處理的甘蔗莖節(jié)識別與蔗芽檢測[J].洛陽理工學院學報（自然科學版），2019（2）：67-72.

[7]石昌友，王美麗，劉欣然，等.基于機器視覺的不同類型甘蔗莖節(jié)識別[J].計算機應用，2019（4）：1208-1213.

[8]溫翔，楊望，郭無極，等.切段式甘蔗收割機排雜離散元仿真參數(shù)標定及驗證[J].中國農(nóng)機化學報，2020（1）：12-18.