基于YOLO網絡的幼苗分揀系統設計

吳 超，張 成，吳柯錦，劉俊安，姚建新

(常州機電職業技術學院，江蘇 常州 213164)

0 引言

幼苗栽培整理系統技術主要用于提高生產力、統一經營管理，在國內有很大的發展空間。但幼苗盤的搬運和分揀主要由人工完成，降低了農業自動化程度。目前，國內育苗場因標準不統一，幼苗盤的搬運作業機械化程度仍然不高，其整理方式以人力為主，自動化程度低且增加了勞動成本。國外設施農業發達的國家對幼苗的整理裝置研究較多，荷蘭通過控制農業機器人對幼苗進行逐個整理，但是這些系統復雜、價格昂貴，很難在小規模農企中廣泛應用，因而急需一種適合我國國情的機械設備代替人工操作，實現幼苗的快速識別與整理，進而與幼苗盤搬運系統相結合，提高效率，降低勞動成本。

1 分揀系統總體設計

基于YOLO網絡的幼苗分揀系統主要包括幼苗根部識別和機械手控制兩部分，樹苗的根部識別是通過攝像頭采集圖像，把采集好的圖像經過YOLOv5[1]算法檢測，得出抓取點位置，提取坐標定位，然后把坐標定位數值，送給機械臂，接著控制M1魔術師機械手[2]，運行到相應的幼苗根部上方，抓取幼苗，改變位置。

通過視覺系統圖像的采集、YOLO網絡檢測數據分析，得出苗木的抓取點位姿信息，結合相應算法獲取苗木當前狀態，將信息傳遞給機械手[3]，機械手根據獲取到的位姿信息對苗木的姿態進行調整，得出符合栽培要求的狀態。

通過流水線來識別幼苗的根部，通過對其位姿的檢測做出相應的反饋到機械手，機械手根據信號對幼苗進行整理以達到理想效果。

分揀系統以越疆科技M1機械臂為主要硬件平臺[4]，結合機器視覺設計了軟件系統并對不同的工件進行了分揀實驗驗證，在實際的生產中具有較高的理論指導和應用價值。分揀系統總體設計思路如圖1所示。

圖1 分揀系統總體設計思路

2 定位設計

識別圖像中的多個目標和坐標提取是系統對圖像進行預處理的目的。攝像頭采集到的圖像由越疆科技的視覺識別系統完成。

樹苗坐標并不能直接作為工件的定位坐標，需要將其從像素坐標系轉換到檢測的實際定位坐標，坐標轉換原理如圖2所示。

圖2 坐標轉換原理

系統需要先進行坐標定位，標定出圖像在實際定位中的比例，機器人通過通信工作進行抓取處理。

2.1 樹苗根部位置定位

機器視覺處理采用DobotVisionStudio。算法平臺繼承機器視覺軟件，首先，在完成樹苗分析以后，需要對樹苗的位置進行定位，求取樹苗根部位置的二值圖像。

2.2 YOLOv5算法原理

YOLOv5是一種單階段目標檢測算法，主要包括輸入端、基準端、頸部網絡端、頭部網絡端。

(1)輸入端：是指模型訓練階段的一些基本方法，包括Mosaic數據增強、自適應錨框計算、自適應圖片縮放等。

(2)基準端：主要包括Focus，CSP兩種結構。

(3)頸部連接端：在基準網絡與輸出層之間會有一些參數修改，所以會插入一些層，在YOLOv5中添加了FPN+PAN結構。

(3)頭部網絡端：錨框機制主要改進的是訓練時的損失函數GIOU_Loss以及預測框篩選的DIOU_NUMS。其中，GIOU_Loss GIoU是源自IoU的一種邊框預測的損失計算方法，在目標檢測等領域，需要對預測邊框與實際標注邊框進行對比，計算損失。原理如圖3所示。

圖3 YOLOv5算法原理

在經典的NMS中，得分最高的檢測框和其他檢測框逐一算出對應的IOU值，并將該值超過NMS threshold的框全部過濾掉。可以看出，在經典NMS算法中，IOU是最重要的因素。

但是在實際應用場景中，當兩個不同物體挨得很近時，由于IOU值比較大，往往經過NMS處理后，只剩下對應的檢測框，導致漏檢的錯誤情況發生。

基于此，DIOU-NMS不僅考慮IOU，還考慮兩個框中心點之間的距離。如果兩個框之間的IOU和距離比較大，可能會認為這是兩個物體的框而不會被過濾掉。公式如下：

(1)

2.3 YOLOv5目標檢測原理

首先輸入圖像，運用自適應圖像縮到規定大小的范圍，然后劃分網絡，分別預測目標邊框，預測目標所屬類別，經過運算經行置信度評分；其次對閾值進行比較，如果不是特別大的抑制，繼續輸出目標邊界框和標注目標類型以及置信度評分，否則就舍棄邊框，YOLOv5目標檢測流程如圖4所示。

3 機器人抓取流程

機器人抓取程序思路：PC機與相機建立通信聯系，傳送帶傳送樹苗到指定的拍照位置，視覺處理獲取位置，數據傳送給機器人，機器人運動到點，然后抓取樹枝，調整樹枝位置到合適的角度，然后傳送帶送走樹枝。循環執行機器人抓取流程如圖5所示。

圖5 機器人抓取流程

4 結語

目前，農業用的樹苗分揀精確識別依舊面臨很多問題，如移動平臺采集圖像成像質量不佳；在陰雨、大霧等氣候條件惡劣情況下，容易受煙、霧、不良光照干擾，從而丟失目標紋理細節，對目標部位識別造成困難。以上問題需要對圖像進行針對性的預處理，完成圖像增強和重建等工作。在實驗測試中還發現，傳送帶在速度較快，多重目標識別情況下漏檢、錯檢概率明顯增加，說明在復雜背景下的檢測識別能力還有提升空間。