典型文献
苹果品质动态无损感知及分级机器手系统
文献摘要：
为了实现灵活高效的苹果多品质指标检测分级,基于机器视觉技术及可见/近红外光谱技术,开发了用于苹果内外部品质无损感知及分级的机器手系统.机器手系统采用六轴机械臂搭载自行研发的末端执行器,末端执行器上装载有光学传感器与抓取结构,可以抓取流水线上的苹果并同时采集苹果的光谱进行糖度检测.使用CMOS相机采集苹果图像,训练并使用PP-YOLO深度学习目标检测模型处理采集的苹果图像,计算苹果的坐标位置实现苹果的动态定位,并获取苹果的果径大小、着色度信息实现外部品质检测.采集苹果样本光谱,结合不同的光谱预处理方式,利用偏最小二乘(Partial Least-Square,PLS)方法进行建模分析.试验结果表明,使用PP-YOLO目标检测算法处理图像和计算苹果位置,其识别速度为38帧/s,极大地提高了检测速度.使用归一化光谱比值法(Normalized Spectral Ratio,NSR)作为预处理算法的糖度建模结果较佳.采用NSR+CARS(Competitive Adaptive Reweighted Sampling,竞争性自适应重加权算法)作为机器手的动态光谱模型效果较佳,该动态光谱模型相关系数Rv为0.9589,验证均方根误差RMSEV(Root Mean Squared Error of Validation)为0.4627％,与静态下建立的模型相比,机器手在动态状态下采集光谱对所建立的预测模型的预测效果影响较小.对整体机器手系统进行了试验验证,机器手在工作时能够无损伤地抓取苹果,给出果径大小、着色度、糖度3个检测指标并依据指标自动划分等级,然后依据等级信息分级.随后测定了3个指标的实测值与预测值进行分析,果径大小的预测相关系数为0.9772,均方根误差为1.6315 mm;着色度的预测相关系数为0.9674,均方根误差为5.9734％;糖度的预测相关系数为0.9643,均方根误差为0.5048％,预测结果与真实值均具有较强的线性关系和较低的预测误差,机器手系统分级正确率为95％,完成一颗苹果的定位、抓取、检测、分级和放置的时间约为5.2 s,具有较好的工作可靠性,研究结果可为苹果多品质指标的高效检测提供参考.
文献关键词：
机器视觉;可见/近红外光谱;苹果;无损感知;分级;机器手系统
中图分类号：
作者姓名：
彭彦昆;孙晨;赵苗
作者机构：
中国农业大学工学院,北京 100083;国家农产品加工技术装备研发分中心，北京 100083
文献出处：
引用格式：
[1]彭彦昆;孙晨;赵苗-.苹果品质动态无损感知及分级机器手系统)[J].农业工程学报,2022(16):293-303
A类：
无损感知,机器手系统,NSR+CARS
B类：
苹果品质,分级机,品质指标,指标检测,机器视觉技术,近红外光谱技术,部品,六轴机械臂,搭载,末端执行器,上装,装载,载有,光学传感器,抓取,流水线,并同,糖度,CMOS,机采,PP,YOLO,学习目标,目标检测模型,模型处理,动态定位,果径,着色度,品质检测,光谱预处理,预处理方式,偏最小二乘,Partial,Least,PLS,建模分析,目标检测算法,果位,极大地提高,检测速度,谱比,比值法,Normalized,Spectral,Ratio,理算,较佳,Competitive,Adaptive,Reweighted,Sampling,竞争性自适应重加权算法,Rv,RMSEV,Root,Mean,Squared,Error,Validation,效果影响,无损伤,个检,检测指标,分等级,后测,实测值,真实值,预测误差,一颗,工作可靠性,高效检测
AB值：
0.343704
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
