農業采摘機器人應用與發展現狀

一、引言

我國是重要的蔬菜和水果產地，蔬菜種植面積常年穩定在 2×10⁷hm² 以上，年產量達 8×10⁸t ，規模居世界第一；水果年產量達 3×10⁸t 以上，人均產量遠超世界平均水平，山東作為農業大省，蔬菜水果產量均居全國前列。近年來，隨著人口老齡化加劇以及農村人口流失，農村適齡勞動力大幅下降，而果蔬成熟期較為集中，用工量大，用工成本高，導致果蔬采摘時節勞動力短缺，過早過晚采摘均易導致果蔬品質的下降，因此研究應用替代人工的農業采摘機器人迫在眉睫。隨著工業化水平和人工智能的不斷發展，農業采摘機器人進入了快速發展時期，在機械結構、感知系統、控制系統以及通訊等方面不斷嘗試創新，各類農業采摘機器人正逐漸從試驗階段進入生產應用階段。本文分析了農業采摘機器人的國內外發展現狀，總結了農業采摘機器人的關鍵技術，結合實際應用效果提出了農業采摘機器人存在的主要問題，明確了未來發展方向。

二、國內外研究現狀

農業采摘機器人主要是由動力行走裝置、采摘機械臂、末端執行器、感知系統、控制系統以及通訊定位系統等組成，是一個復雜度高、精度要求高的智能農業裝備。眾多國內外專家學者在農業采摘機器人領域進行了深人研究和廣泛的應用嘗試，日本、美國、歐洲等國家從20世紀80年代起，就著手開展農業采摘機器人的相關研究工作，農業采摘機器人技術較為成熟，應用場景和采摘品類較多；隨著我國對智能農業裝備的重視，農業采摘機器人技術及其實際應用發展迅速。自前農業采摘機器人已經在蘋果、柑橘、草莓、番茄、甜椒等蔬果類作物的采摘方面得到了初步應用。

日本岡山大學的Kondo等設計的番茄采摘機器人，可以實現不同品種的番茄采摘，應用場景為溫室大棚環境，光照條件良好可控，該番茄采摘機器人由自走式底盤、單機械臂、末端執行器、視覺感知系統、控制系統等組成。工作時，視覺系統檢測識別到成熟番茄后，將位置信息發送給控制系統，控制末端執行器對番茄進行剪切和吸取，該機器人采摘成功率為 70% ，單果采摘時間為15s，其設計思路為后續的農業采摘機器人的研制提供了重要參考依據。美國AbundantRobotics公司設計的蘋果采摘機器人，其世界級的視覺系統采用了深度相機，并配有真空吸管吸取蘋果，機械臂采用并行結構，采摘速度快、識別準確率高、果實損傷程度低，但僅適用于V型果園，樹冠內部的果實難以實現準確采摘。英國劍橋大學研制的生菜采摘機器人，由雙機位攝像頭、機械臂、氣動切割式末端執行器、移動平臺、控制系統等組成，可在大田環境使用，該采摘機器人利用軟夾頭對生菜進行夾持，避免對生菜頭部造成損傷，田間測試識別準確率達 82% ，單株采摘時間為32s，采摘速度較低。

中國農業大學張鐵中等研制的草莓采摘機器人，應用對象為溫室內高架栽培模式的草莓，主要由機械臂、末端執行器、視覺識別系統、控制系統等組成，其末端執行器為氣動夾爪，具有可靠的夾持和切斷作用，采摘成功率達 88% ，單果采摘時間為 19s 。江蘇大學劉繼展等研制的番茄采摘機器人，其末端執行器采用新型真空吸盤對番茄實現有效吸取，再由執行機構后退或激光切割等形式，完成番茄果實與果柄的有效分離。西北農林科技大學李子旭等設計的弼猴桃采摘機器人，由末端執行器、Core-XY式結構機械臂、視覺感知系統、移動平臺、控制系統等組成，其末端執行器采用電動夾持、氣動剪切的方式實現對弼猴桃的穩定夾持與切割，通過建立阻抗控制系統降低對弼猴桃的抓取損傷。

三、農業采摘機器人關鍵技術

農業采摘機器人的基本組成包括末端執行器、機械臂、移動平臺、視覺感知系統和控制系統等模塊，工作時由視覺感知系統對作物進行識別定位，由末端執行器將作物與莖稈分離，因此作物采摘的成功與否關鍵在于如何準確的對作物進行識別和定位，分離過程盡可能減少對作物的損傷，主要包括三個關鍵技術，即作物識別技術、作物定位技術和作物分離技術。

（一）作物識別技術。作物識別技術是指對相機采集的圖像進行分割識別，以實現對成熟果實、非成熟果實以及非果實物體的精確區分，一般以機器視覺作為主要感知系統，多光譜及紅外感知系統作為補充。算法方面主要包括兩類，即傳統機器視覺算法和深度學習目標檢測模型。

傳統機器視覺算法是基于作物的外部特征進行區別的算法，包括對作物的形狀輪廓、顏色、紋理等特征進行識別，利用閾值分割、色彩空間分割、邊緣分割等方法實現圖像分割并完成特征提取，其過度依賴圖像質量，易受到外部因素的影響而造成識別率不穩定的情況。在自然條件下進行作物采摘時，光照情況隨著日出日落及氣象等原因不均勻，同時作物易受到枝葉遮擋、作物重疊遮擋、枝葉與作物色系相近等因素干擾，導致識別不準確現象。

深度學習目標檢測模型可以針對復雜干擾條件下的作物進行準確識別，通過對干擾條件下的圖像進行深度學習訓練，使得復雜環境下的作物識別也能達到較高的準確率，該模型需要大量不同情況下的作物圖像作為數據集，同時通過對深度學習算法不斷的改進和優化，以提高模型的學習效率和訓練精度，不同算法對不同作物的適應性也不同，需要經過對比試驗來不斷進行算法選擇和優化，以期達到較高的識別準確率。

（二）作物定位技術。作物定位技術是實現作物精準采摘的關鍵技術之一，作物被識別后需要獲取其準確的位置信息，以便實現最終的準確分離和收集。作物定位技術主要包括二維信息和三維信息的獲取。

二維信息的獲取方法主要為質心定位法和圓形包圍定位法。質心定位法通過計算分割后作物圖像的像素分布重心，確定幾何中心，可以實現簡單、快速的實時定位，適用于無遮擋及形狀規則的作物定位；圓形包圍定位法通過擬合略大于作物最大輪廓的外接圓，利用圓心和半徑來進行作物的定位，適用于圓形或近圓形輪廓的作物，對少量遮擋的作物也能實現較為準確的定位。為完成末端執行器精確移動至作物采摘位置的任務，僅獲取作物二維信息無法實現，需要獲取作物的三維信息，以實現空間定位。

三維信息的獲取方法主要包括立體視覺法、結構光法和使用TOF相機等方法。立體視覺法通常為雙目或多目視覺，通過多臺相機從不同角度拍攝，利用視差計算像素深度，構建三維點云，結構簡單、成本低，適用于自然光照條件下進行定位；結構光法是通過主動投射圖案到作物表面，利用相機獲取投射圖案變形信息計算深度，投射距離較近時深度精度高，適用于溫室或室內光照條件較好的場景；TOF相機通過發射紅外光脈沖并測量光往返時間來計算距離，以獲取深度信息，實時性強、精度高，適用于戶外采摘作業場景。

（三）作物分離技術。作物分離技術是指通過末端執行器來實現作物果實與莖葉分離的技術，在作物果實被識別定位后，由末端執行器實現作物果實分離。農業采摘機器人的采摘對象一般為蔬菜和瓜果等表皮較為薄脆易于損傷的作物，因此與作物果實直接接觸的末端執行器的結構以及工作方式，對作物果實損傷情況有直接影響。末端執行器一般執行兩部分功能，即實現作物果實的抓取和作物果實分離，根據抓取和分離的方式不同，可以將末端執行器分為手抓式、真空式和剪切式三大類。無論哪種方式的末端執行器均需要注意與作物果實直接接觸的部件盡量使用柔性及彈性的材料，避免作物果實表皮劃傷或因為拉拽等分離方式造成的作物振動碰撞損傷。

四、存在的問題

（一）采摘成功率低。自然環境復雜以及作物植株特性等原因，導致田間采摘時出現自然光照不均勻、遮擋、目標晃動等情況，造成識別及定位不準確，進而導致采摘失敗；冠層內部的作物果實，由于枝葉阻擋，識別定位及運動路徑不通暢，均會導致采摘失敗。

（二）采摘速度慢。農業采摘機器人的采摘速度跟機械結構和識別定位能力有關，由于自然環境復雜，作物識別定位需要大量計算，而機器人自身計算處理能力有限，導致識別定位能力受限；每次采摘機械臂和末端執行器均需要執行一系列動作，累計時間較長。

（三）作物果實損傷率高。由于農業采摘機器人針對的作物為蔬菜和瓜果等表皮薄脆品類，機械采摘過程中容易造成作物果實的損傷，末端執行器接觸和分離作物果實的過程均易造成機械損傷。

五、未來展望

針對農業采摘機器人存在的主要問題，未來可以在以下幾個方面開展研究工作。

（一）加強農機農藝融合。針對農業采摘機器人對作物采收過程中存在的冠層遮擋、作物互相遮擋等問題，可以通過農機農藝融合的方法，對種植農藝進行改進，實現標準化種植，例如果蔬可以進行V架型種植，降低采摘機器人的識別和分離難度，提高識別準確率和采摘速度。

（二）優化識別算法。針對自然環境下，農業采摘機器人識別過程中存在的干擾因素較多的情況，可以通過增強數據集、優化深度學習算法模型等方式提高作物識別準確率和識別速度。

（三）開發多臂協同作業。農業采摘機器人的采摘速度與機械臂的數量有較大的關系，目前的采摘機器人多為單機械臂采摘，作物果實被識別后需要等待上一個采摘過程完成，才能進行下一個采摘過程，采摘速度受限。通過增加機械臂的數目，提高機械臂協同作業能力，可以顯著提升采摘效率。

（作者單位：鄄城縣農業技術推廣中心）