面向全自动化嫁接苗培育系统的智能移栽机器人的研究

　　摘要：全自动的嫁接苗培育系统一般经过精量播种、催芽、砧木与接穗苗培育、嫁接、移栽以及温室培养等过程，其中各部分均为自动化作业。本文针对嫁接苗自动培育过程中的的移栽环节，设计了一款全自动嫁接苗智能移栽机器人，该机器人能与自动嫁接机配合，完成从嫁接机上夹取断根嫁接苗再到移栽穴盘中完成移栽动作的自动化作业。该系统的软件部分基于RGBD机器视觉，通过深度和彩色传感器获取移栽区域的实时点云信息，为移栽提供足够的空间位置信息;硬件部分基于一台六自由工业机器人UR5，在此基础上设计了专门的末端执行器，配合路径规划，能在不伤苗的情况下完成嫁接苗的抓取以及种植动作。

　　关键词： 嫁接苗、培育、移栽、机器人、自动化

　　0 引言

　　嫁接技术是目前瓜果类农场品实现稳定高产的有效手段之一，是人工营养繁殖方式的一种。但是，采用嫁接技术使得农产品培育所需的工作量明显增加，再加上近年来越来越短缺的劳动力，嫁接苗的自动培育势必成为今后农产品培育技术发展的方向。嫁接苗的培育分成很多步骤，自动化的嫁接苗培育系统不仅要使得其中每一步都实现自动化，还要求顺接的每一步都能智能的衔接起来，实现整个培育流程的自动化。我国对嫁接技术的愈发重视以及对农业机械化的推进促使很多学者在嫁接苗的自动培育领域不断的研究和作出成果[1-4]。

　　1嫁接苗全自动培育流程

　　嫁接苗的培育流程主要包括：播种、育苗、准备嫁接、嫁接、移栽以及生长管理。而全自动的培育流程需要每一个步骤都配备自动化的设备来完成其任务，同时，周密的管理和控制能良好的衔接各部分以形成一个统一的嫁接苗自动培育整体。

　　嫁接苗的全自动培育装置一般包括以下几个部分：苗的精密定向播种装置、带有检测和调控功能的育苗装置、嫁接前的供苗装置、自动嫁接装备、嫁接苗自动栽植设备以及嫁接苗自动管理设备。其中各个装置的具体功能如下：

　　精密定向播种装置：对大粒种子的生长点进行识别与方向的调整，实现播种的全程自动化;

　　带有检测与调控功能的育苗装置：要求能对幼苗生长情况有 24 小时的监控，能够对苗的生长情况进行判断，并根据生长情况对培育环境进行相应的调控，还包括温度光照等的控制;

　　自动供苗装置：一般情况要求自动供苗装置能够对幼苗进行位置判断，生长点判断，还要求能够剪断以及夹紧幼苗，然后能够将幼苗搬运到嫁接机托盘指定的位置，实现全程全自动;

　　自动嫁接设备：要求能将从供苗装置得到的幼苗，先切断再完成嫁接动作，*后将嫁接好的苗移动到指定的地方，方便栽植机器人栽植的时候获取;

　　嫁接苗自动栽植设备：栽植设备的作用一般是从嫁接设备上取得嫁接好的苗，然后通过轨迹规划将嫁接苗移栽到育苗穴盘中去，在种植之前，穴盘一般会经过自动的基质填充以及打孔工序，考虑到种苗的基质一般都具有相对松散的特性，移动到种苗地点的时候，可能会因为抖动或其他原因造成孔塌缩，有必要对所打孔是否能够种植进行判断。同时，要求自动栽植设备能准确获得栽植点的位置深度信息，为种植提供充分的条件;

　　嫁接苗自动管理装置：嫁接苗栽植成功后，需要转移到温室进行培养，培养的过程需要能够对幼苗的生长情况进行监控，以便在发生问题的时候及时采取措施来保证嫁接苗的成活率和生长质量。　

     　　　　　　

　　　　　图1 嫁接苗（自动化）培育流程      　　图2 嫁接苗自动栽植流程图

　　2 智能移栽机器人工作流程

　　本论文针对全自动化嫁接苗培育系统，研究其中的自动移栽环节，一般来讲，嫁接苗的自动移栽需要完成以下几个部分：

　　目标穴盘的准备：包括基质准备、基质的填充、基质的打孔以及通过传送带运输穴盘到达指定位置等工序;

　　移栽信息的获取：通过彩色和深度摄像头获取种植区域的穴盘点云信息，通过分析点云判断穴孔是否符合种植要求和计算穴孔的位置坐标。其中，位置的检测需要具有实时性;

　　机械臂的控制：包括控制末端抓手与嫁接机配合完成取苗，路径规划到达种苗位置，完成种苗动作。其中末端执行的设计是关键所在，要求能保证抓取时不伤害苗，同时能完成上述的动作。

　　整个移栽的流程如图2所示，首先，在开始移栽之前，需要对穴盘进行基质填充，然后需要对基质进行打孔处理，经过上述处理的穴盘通过传送带移动到种植的区域，此时，图像采集设备开始采集穴盘的图像信息，然后传输给PC进行图像数据的处理与分析，得出穴孔的位置信息，按照一定的时序与顺序发送给移栽机器人，机器人在每一轮的移栽过程中接收*穴孔的位置信息，然后移动到与嫁接机的对接口，通过IO信号与嫁接机进行交互并且控制末端抓手的开合完成取苗动作，接着按照规划好的路径到达指定的位置(即通过图像处理计算出的穴孔位置)完成移栽。

　　3 硬件设计

　　本文设计的移栽机器人硬件部分主要包括六自由度机械臂、末端执行器、Kinect图像传感器、计算机、传送带以及穴盘组成。其关系如下图所示，其实物图为图4所示。

　　　　　　　

图3 移栽机器人硬件关系图

　　　　

图4 移栽机器人硬件实物图

　　其中，主要部件如下述：

　　Kinect传感器：其彩色摄像头像素为640×480，深度摄像头像素为320×240，帧率30FPS，利用该传感器，可以获得精度足够的穴盘点云。

　　末端执行器：通过利用气缸获得抓取和松开嫁接苗需要的行程，在爪手末端有海绵垫，防止伤害幼苗，利用带有斜坡面的圧土机构来将土压实。种苗动作为：爪手松开，嫁接苗落下，圧土机构向下运动，将穴孔压实，再向上运动离开穴盘，完成圧土。

　　

　　图5 末端执行器示意图

　　1、嫁接苗 2、连接盘 3、气缸 4、进气口 5、导轨 6、爪手 7、圧土机构 8、连接件 9、海绵垫

　　机械臂：选用型号为UR5的机械臂作为机器人的主体，该机械臂具有六个自由度，足够满足移栽动作的需求，同时还为以后的拓展预留了空间。机械臂的路径规划与控制可以在其示教器或者PC端进行。

　　4 软件设计

　　整个软件系统在Visual Studio 2010平台下开发完成，主要用到的库为OpenCV和Point Cloud Libray(点云库)，整个软件系统的的流程图如图6所示，主要包含了以下几个部分：

　　

　　图6 软件流程图

　　(1)设备初始化：包括机械臂回零，Kinect传感器初始化。

　　(2)传送带运送穴盘到达指定区域的时候，反馈一个IO信号，此时传感器开始采集图像数据，并通过USB数据线返回给PC。

　　(3)PC端程序判断种植的顺序，若是*次种植，则调用图像处理算法，通过生成穴盘区域的点云来分析在还没有种苗情况下所有穴孔的位置信息，主要的操作步骤为：①生成穴盘区域点云②根据离线标定得到的传送带所在平面方程确定属于穴盘上表面的点，距离该方程距离为穴盘高度的点即为穴盘上表面的点③将这些点重投影至二维图像，在该图像中使用canny算子[5]检测边界，再利用霍夫变换[6]拟合直线，目的是得到矩形④根据穴盘规格单个栅格内确定穴孔的位置和深度，主要用到点云的*邻近算法和主成分分析算法[4]。若是第二次及以后的种植，则调用图像匹配算法，将当前图像与上*种植前的图像做特征点检测，考虑到精度和效率的要求，权衡之下选择了SURF[7]特征算法，SURF算法源于SIFT[8]算法，是一个高效的改进算法，结合随机采样一致算法[9]从匹配好的SURF特征点中计算两幅图的单应矩阵，从而计算出穴盘的移动的距离，这样做的目的是减小上*种植的机械冲击导致的穴盘移动带来的误差。

　　　　　　　　

　图7 穴孔位置识别结果

   

    图8嫁接苗图像分离结果

　　(4)通过Socket通信将计算后的种植点坐标发送给机械臂，机械臂经过路径规划到达指定地方完成种植。

　　(5)在每*种植完成之后，质量检测算法会判断此次种植是否成功，其目的在于保证移栽的成功率，若移栽失败，为了不影响后续的种植，需要及时发出警报以便人工处理。检测的算法基于点云信息以及背景差分法：首先使用点云信息分离嫁接苗与穴盘，可以去除穴盘背景，然后对剩下的嫁接苗图像做图像差分算法，可以得到此次种植的嫁接苗的图像，从图像的面积判断单次种植是否成功。

　　(6)重复上述步骤直至穴盘种满。

　　5 试验与总结

　　采用培育了10天的南瓜幼苗进行了移栽实验，所运行的软件与硬件系统如上述，实验所用穴盘基质提前打孔，孔径约2cm，Kinect传感器位于穴盘正上方约80cm处，种植过程没有人工干预。种植的结果如表1所示。

　　

　　图9 移栽机器人综合实验

组别	移栽速率（株/小时）	移栽数量	成功次数	成功率（%）
1	300	50	45	90
2	300	50	47	94
3	500	50	40	80
4	500	50	42	84
5	700	50	31	62

　　从实验结果可以看出，在较低速度下移栽机器人工作平稳，成功率较高，但是随着速度的增加，实验平台的振动明显增加，当速度达到700株每小时的情况下成功率已经大大下滑。但是该实验证明了该移栽机器人已经具备了对嫁接苗进行自动移栽的能力，整套硬件和软件的可行性得到的验证，然而在高速条件的稳定性还需要进一步的深入研究，如何克服高速条件下机械臂运动过大的加减速度带来的振动是问题的关键。

　　参考文献

　　[1]孙国祥, 汪小旵, 何国敏, 等. 穴盘苗移栽机末端执行器设计与虚拟样机分析 [J] 农业机械学报, 2010, 41(10): 48-53.

　　[2]任烨. 基于机器视觉设施农业内移栽机器人的研究 [D].浙江:浙江大学, 2007.

　　[3]刘凯,辜松,PLC在穴盘苗移栽机器人控制系统中的应用[J].农机化研究,2009,31(12):179-180.

　　[4]杨扬, 曹其新, 盛国栋, 等. 基于机器视觉的育苗穴盘定位与检测系统[J]. 农业机械学报, 2013, 44(006): 232-235.

　　[5]Canny J. A computational approach to edge detection[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1986 (6): 679-698.

　　[6]VC H P. Method and means for recognizing complex patterns: U.S. Patent 3,069,654[P]. 1962-12-18.

　　[7]Bay H, Tuytelaars T, Van Gool L. Surf: Speeded up robust features[M]//Computer vision–ECCV 2006. Springer Berlin Heidelberg, 2006: 404-417.

　　[8]Ng P C, Henikoff S. SIFT: Predicting amino acid changes that affect protein function[J]. Nucleic acids research, 2003, 31(13): 3812-3814.

　　[9]Fischler M A, Bolles R C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the ACM, 1981, 24(6): 381-395.

　　作者简介： 谭明豪，1993.01，上海交通大学2015届直博生，地址：闵行区东川路800号，电话：18817519273

　　曹其新，1960.06，上海交通大学，教授、博士生导师