智能模式識別采摘機器人設計

葉鳳華

(廣東工業大學，廣州 510090)

0 引言

情感計算最早于20世紀80年代末就開始產生了，并且由Yale大學的老教授在分析了相關參數后，開辟性地將情感計算這一全新的領域展現在了人們面前。隨著對情感計算的不斷深入和延伸，該概念隨后被戈爾曼演化成為新一層次的概念，其研究成果公布于世后在全球范圍內刮起一股情感計算風，計算機智能方向掀起了學術研究的熱潮。采摘機器人是近年來在農業作業過程中開始使用的一種先進的智能化農機設備，由于我國采摘作業設備起步較晚，其智能化功能并不完善，并且使用的數量也較少。為了使機器人具有更加智能的自動化作業能力，且在農業作業中進行推廣，可以結合當前先進的情感計算技術，使機器人具有類人的作業能力，從而提高采摘作業的準確率和效率，對于提升農業的作業水平，降低人工作業的強度具有重要的現實意義。

1 情感計算人機交互模型及其在采摘機器人控制系統中的應用

情感計算從某種角度來說，是一類經典的最科學模式進行分析整合識別的過程，采用情感計算推理模式在理論上可以使農機智能作業設備對環境做出反應，使其自主地完成導航行走和作業。但在實際作業過程中，智能設備要想完成自主作業并不簡單，其難度在于需要對變化的進行實時的分析，像人類情感一樣對信息做出及時和恰如其分的反應，從而實現自主化作業過程。隨著計算機和信息技術的不斷進步，更加智能化的采摘機器人被應用到了農業作業過程中，如采摘機器人，如圖1所示。

圖1 智能自主作業采摘機器人Fig.1 Intelligent autonomous operation picking robot

圖1所示是美國加州蔬果研究委員會和華盛頓蘋果委員會共同研發的一款自主作業的機器人，在采摘過程中，機器人首先通過視覺系統對環境進行掃描，得到一幅關于采摘作業環境的數字化地圖；然后利用圖像分析系統準確地定位蘋果的具體位置，并智能化地判斷蘋果的成熟程度。該型采摘機器人的研發大大提高了采摘的成功率，提高了采摘的作業效率。

采摘機器人的智能化程度主要依賴于其像人類一樣的情感計算能力，在面對實際的采摘作業環境時，可以對環境做出反應，自主判斷需要作業的方位，并判斷哪些作物需要采摘，哪些作物不需要采摘。

2 采摘機器人智能識別模式模糊聚類算法

采摘機器人在對環境進行智能判斷和響應時，可以采用基于情感計算的圖像聚類和模糊算法，以提高其對復雜環境數據的處理效率。當前，智能化計算模型大部分采用分布式的計算方法，分布式計算的數據來源并不統一，利用計算機系統得到的情感模塊需要借助于機器語言進行表達，并采用編程技術高效的執行機器語言，這是情感計算智能識別模式設計的重點。

AML(Avatar Markup Language)是一種基于XML的多形式腳本語言，該語言的結構簡單，易于理解，并且各種軟件對該語言的兼容性較好，利用該語言可以成功地實現采摘作業環境因素的情感的表達。

實現采摘機器人的智能化僅僅采用簡單的機器語言是遠遠不夠的，還需要借助于智能算法。其中，模糊c均值聚類算法(FCM)便是一種很好的智能算法模型，其步驟也較為簡單。該算法可以對數據進行智能化分類，其依據主要是采集數據的隸屬度，是對硬c均值聚類(HCM)方法的一種改進，最早由Bezdek提出的。

FCM算法采用模糊分組的方法，將n個向量Xi(i=1,2,…,n)分為c組，并求每組的聚類中心，隸屬矩陣u允許有取值在0,1間的元素，通過歸一化規定，一個數據集的隸屬度的和總等于1，其表達式為

(1)

則可以得到FCM的目標函數為

(2)

其中，ci表示模糊組I的聚類中心；dij=‖ci-xj‖為第I個聚類中心與第J個數據點間的歐幾里德距離，且m∈[1,∞)是一個加權指數。通過構造如下新的目標函數，可求得使式(2)達到最小值的必要條件，則

(3)

其中，λj,j=1到n，是式(1)的n個約束式的拉格朗日乘子。對所有輸入參量求導，使式(2)達到最小的必要條件為

(4)

(5)

假設采集到的農作物環境分類數據集合為X={x1,x2,…,xN}，其中每一個數據集合xk有n個特性指標，設為Xk={x1k,x2k,…,xNk}T，從而把X分成c類進行模式識別。

3 基于聚類和模糊控制的采摘機器人智能模式識別測試

為了驗證聚類和模糊控制算法在采摘機器人智能模式識別中的作用，以溫室機器人為例，對算法進行了驗證，并通過編程的方式將算法嵌入到了機器人控制系統中，如圖2所示。

圖2 采摘機器人實驗過程Fig.3 The experimental process of picking robot

在溫室光線較差的環境，利用采摘機器人的智能模式識別方法進行采摘作業試驗，在模式識別時，采用了智能聚類算法對果實顏色進行分類，如圖3所示。

圖3 果實聚類圖像模式識別Fig.3 The fruit clustering image pattern recognition

試驗中，可以采用聚類算法對農作物的果實進行識別，識別的方式主要可以通過顏色來區別，將綠色枝葉和紅色的果實區分開，為采摘機器人目標追蹤提供技術支持。

如表1所示，采用智能模式識別算法后，在不同的測試過程中都得到了較高的模式識別準確率，從而驗證了算法的可行性，將其使用在農作物顏色識別系統中，會產生非常好的效果。

表1 模式識別準確率測試Table 1 The accuracy test of patterm recognition %

如表2所示，為了驗證模糊聚類算法在采摘機器人控制系統中使用的優越性，將其和不同算法表現出來的性能進行對比，由表2對比結果可知：本次選用的聚類模糊算法在算法準確率和計算效率上都具有突出的優勢。

表2 不同智能算法對比Table 2 The comparison of different intelligent algorithms

4 結論

為了提高采摘機器人的智能化程度，結合情感計算原理和方法，將模糊聚類算法嵌入到了機器人智能識別模式中，得到了一種采摘機器人自適應類人作業設計的新方法。利用該方法，采摘機器人的視覺系統和數據處理系統實現了環境信息的采集和模糊聚類，通過聚類可以有效地判斷果實的方位和成熟程度，最后決定是否采摘，整個過程實現了無人化操作。最后，對該方法進行了驗證，由采摘機器人作物顏色的判斷和算法的效率與準確率試驗結果表明：該方法可以有效的提高采摘機器人采摘的準確率和效率，對于提高采摘機器人自適應能力和自動化作業水平具有重要的意義。