基于YOLOv3的甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真

基于YOLOv3的甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真 摘要：目前，甘蔗種植耗時長、勞動強度大，人們需要提高種植過程的機械化和智能化水平，而YOLOv3算法可以為機械數(shù)據(jù)采集和實時處理提供有力支持，因此有必要基于YOLOv3對甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真進(jìn)行研究。本文通過提取甘蔗莖節(jié)信息和構(gòu)建YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)對甘蔗莖節(jié)進(jìn)行實時動態(tài)識別，提高識別效率和精確度;通過建立機械臂虛擬樣機，對機械臂運動學(xué)進(jìn)行仿真，提高軌跡仿真正確性。經(jīng)過試驗驗證和比照分析，設(shè)計的實時動態(tài)識別和軌跡仿真方法具有較好的準(zhǔn)確性，能夠應(yīng)用于甘蔗實際種植中。關(guān)鍵詞：YOLOv3算法;甘蔗莖節(jié);動態(tài)識別;軌跡仿真中圖分類號：S566.1文獻(xiàn)標(biāo)識碼：A文章編號：1003-5168202102-0012-03Real-timeDynamicRecognitionofSugarcaneStemNodesandSimulationofRoboticArmTrajectoryBasedonYOLOv3GUOJinjianZhanJiangPreschoolEducationCollegeBasicEducationCollegeofLingnanNormalUniversity，ZhanjiangGuangdong524000Abstract：Atpresent，sugarcaneplantingistime-consumingandlabor-intensive，peopleneedtoimprovethemechanizationandintelligenceleveloftheplantingprocess，andtheYOLOv3algorithmcanprovidestrongsupportformechanicaldatacollectionandreal-timeprocessing，therefore，itisnecessarytostudythereal-timedynamicrecognitionofsugarcanestemnodesandthesimulationofmanipulatortrajectorybasedonYOLOv3.Inthispaper，thereal-timedynamicrecognitionofsugarcanestemnodeswascarriedoutbyextractingtheinformationofsugarcanestemnodesandconstructingtheYOLOv3networkstructuretoimprovetheefficiencyandaccuracyofrecognition;byestablishingavirtualprototypeoftheroboticarm，thekinematicsoftheroboticarmwassimulatedtoimprovetheaccuracyofthetrajectorysimulation.Afterexperimentalverificationandcomparativeanalysis，thedesignedreal-timedynamicidentificationandtrajectorysimulationmethodshavegoodaccuracyandcanbeappliedtoactualsugarcaneplanting.Keywords：YOLOv3algorithm;sugarcanestemsection;dynamicrecognition;trajectorysimulation甘蔗是我國重要的經(jīng)濟(jì)農(nóng)作物，不僅是制作蔗糖的主要原料，還是化工產(chǎn)業(yè)的重要原料。機械臂裝置是甘蔗種植過程的關(guān)鍵部件，是提高作業(yè)效率的關(guān)鍵，對于提高甘蔗質(zhì)量和生產(chǎn)收益、降低本錢具有重要作用【1】。YOLOv3算法能夠?qū)Ω收崽卣鬟M(jìn)行識別定位，為種植機械數(shù)據(jù)采集和實時處理提供有力支持，進(jìn)一步提高檢測速度和識別效率【2】。因此，本文基于YOLOv3對甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真進(jìn)行研究。1基于YOLOv3的甘蔗莖節(jié)實時動態(tài)識別在采集的甘蔗圖像中，甘蔗目標(biāo)只占少局部區(qū)域，剩余大局部區(qū)域為背景，復(fù)雜的背景對甘蔗莖節(jié)的識別產(chǎn)生一定影響，因此在進(jìn)行動態(tài)識別前首先需要從圖像中分割甘蔗目標(biāo)，提取其信息特征。一方面，可以縮小圖像識別范圍，降低背景對莖節(jié)識別的干擾，減小后續(xù)算法輸入規(guī)模，提高運行效率;另一方面，甘蔗目標(biāo)的直徑和橫軸交角是算法的關(guān)鍵參數(shù)，為分析莖節(jié)粗度和定位提供重要參考依據(jù)【3】。迭代線性擬合算法可用于估計甘蔗目標(biāo)的近似線性趨勢，根據(jù)圖像白點像素聚集程度趨近于實際目標(biāo)的標(biāo)準(zhǔn)，分割甘蔗目標(biāo)。下面以圖像的某像素位置為中心，將周圍區(qū)域的白點像素數(shù)與面積的比值定義為圖像局部密度，其計算公式可以表示為：x=1JxiJxIi1式中，x為圖像局部密度;x為某一像素位置;Jx為該像素的局部鄰域像素集合;Ii為圖像的像素值。假設(shè)將圖像的所有像素位置替換成局部密度值，那么甘蔗圖像轉(zhuǎn)化為局部密度圖像，再通過閾值抑制過濾干擾像素，具體公式可以表示為：x=0，x式中，l為過濾閾值;m為低抑制比例;n為高抑制比例;am，n為去除低值和高值后的密度平均值。下面通過調(diào)整雙抑制閾值，對圖像執(zhí)行邊緣算子操作，得到甘蔗目標(biāo)線性趨勢信息，進(jìn)而確定目標(biāo)基線位置4-5。迭代后，穩(wěn)定的擬合線與橫軸的相交角度可作為甘蔗目標(biāo)與橫軸交角的特征信息估計。本研究通過白點像素距離計算甘蔗目標(biāo)直徑，沿橫軸方向?qū)D像劃分為列塊集合，列塊高度可以表示為：Hb=Ve-Vs3式中，Hb為每個列塊高度;Ve為經(jīng)縱向投影后的最前面非零值位置;Vs為最后面非零值位置。下面計算所有列塊的高度，在高度集合中刪除極大和極小值，剩余列塊的平均高度值即甘蔗的直徑，甘蔗直徑的估算公式可以表示為：GH=1BSlBSHBSl4式中，GH為甘蔗直徑;BS為列塊集合。通過對甘蔗目標(biāo)進(jìn)行分割，人們可以得到橫軸交角和甘蔗直徑的特征信息估計。YOLOv3網(wǎng)絡(luò)是一種物體定位識別算法，具有定位速度快、識別效率高的特點，主要通過計算損失函數(shù)，檢測不同尺度大小的目標(biāo)【5】。本文采用的損失函數(shù)可以表示為：LP，W=p=1Palog1-gxp，Wyp=0blog1-gxp，Wyp>oothers5式中，P為甘蔗圖像;W為網(wǎng)絡(luò)學(xué)習(xí)參數(shù);g為激活函數(shù);為正負(fù)樣本判定參數(shù);a為負(fù)樣本系數(shù);b為正樣本系數(shù);xp和yp為圖像像素點坐標(biāo)。檢測圖像像素邊緣性時，本研究采用多分辨率模式，以1、2和5為倍數(shù)變換圖像分辨率，將其輸入卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)輸出的平均結(jié)果得到邊緣檢測指標(biāo)。識別在卷積神經(jīng)網(wǎng)絡(luò)中輸入甘蔗圖像，可以得到邊緣概率圖像，其像素值表示該位置為邊緣點確實信程度。首先從邊緣概率圖像中提取甘蔗目標(biāo)莖節(jié)信息，對圖像執(zhí)行啟發(fā)式莖節(jié)定位算法。根據(jù)給定閾值范圍和閾值變化步長，可以得到二值化圖像系列，具體表示為：Per=BerP，ttT6式中，Per為二值化圖像系列;Ber為圖像二值化操作;P為邊緣概率圖像;T為步長變化。變量T用公式可以表示為：T=ts-n0.02>e，n=0，1，2.7式中，s為起始閾值;e為終止閾值。生產(chǎn)驗證模板驗證二值圖像，提取莖節(jié)邊緣線。接著，對候選位置進(jìn)行驗證，以每個候選位置對應(yīng)橫軸為參考，縱向上移動驗證模板，驗證完所有二值化圖像系列，對保存區(qū)域進(jìn)行邏輯操作，得到莖節(jié)識別結(jié)果。2甘蔗種植機的機械臂軌跡仿真首先使用SolidWorks軟件建立機械臂模型及裝配體模型，為構(gòu)建虛擬樣機奠定根底。裝配的主要部件包括機械臂上臂、下臂、轉(zhuǎn)動座和固定座等，按照實際配合關(guān)系生成裝配體。然后，選擇整個裝配體模型進(jìn)行靜態(tài)干預(yù)檢查，修正各部件的相對位置，直至整體不存在干預(yù)部位。接下來，檢測動態(tài)干預(yù)情況，根據(jù)實際情況對機械臂添加旋轉(zhuǎn)副和運轉(zhuǎn)函數(shù)，選取適當(dāng)?shù)尿?qū)動馬達(dá)速度值，檢查全局干預(yù)情況，進(jìn)一步確保三維模型的正確性。將修正好的三維機械臂模型復(fù)制到ADAMS工作目錄中，構(gòu)建機械臂虛擬樣機。在ADAMS設(shè)置好工作環(huán)境，依次定義和添加機械臂各個零件的材料屬性，并根據(jù)部件間相對運動關(guān)系添加模型約束，到達(dá)整體約束效果。為確保各轉(zhuǎn)動副能按預(yù)期運動，人們需要對模型添加驅(qū)動設(shè)置，經(jīng)過以上步驟，完成機械臂虛擬樣機的構(gòu)建。機械臂運動學(xué)仿真由正運動和逆運動兩局部組成，正運動仿真實質(zhì)是根據(jù)各關(guān)節(jié)旋轉(zhuǎn)角度，推導(dǎo)空間坐標(biāo)位置和形態(tài);逆運動仿真實質(zhì)是由空間坐標(biāo)位置和形態(tài)，反向推導(dǎo)各關(guān)節(jié)旋轉(zhuǎn)角度。首先建立連桿坐標(biāo)系D-H，得到齊次變換矩陣。構(gòu)建虛擬樣機，為機械臂軌跡仿真奠定了根底。在驗證模型信息正確后，人們可以利用ADAMS的測量和輸出功能，對模型進(jìn)行參數(shù)提取和運動軌跡仿真。3試驗結(jié)果與分析識別效果為檢驗本文提出的甘蔗莖節(jié)識別方法的效果，筆者設(shè)計10組試驗，原始圖像像素大小為12801024，試驗結(jié)果如表1所示。由表1可知，本文設(shè)計的甘蔗莖節(jié)實時動態(tài)識別方法的識別率較高，識別速度也較快。為驗證本文方法的莖節(jié)定位精度，筆者設(shè)計定位誤差試驗，其共分為5個誤差等級，試驗結(jié)果如表2所示。由表2可知，93%的甘蔗莖節(jié)的定位誤差處于32像素以內(nèi)，說明甘蔗圖像經(jīng)過識別后，莖節(jié)附近的邊緣線與其他區(qū)域存在較大差異，具有一定的獨特性，邊緣線可作為莖節(jié)識別的重要依據(jù)6-8。識別效果比照測試為檢測本文甘蔗莖節(jié)識別方法的有效性，本研究將本文方法設(shè)置為試驗組，將基于小波變換和結(jié)構(gòu)化機器學(xué)習(xí)的莖節(jié)識別方法設(shè)置為對照組，分別從莖節(jié)完整識別率、消耗時間和定位精確度三個指標(biāo)對識別方法進(jìn)行比照，其中定位精確度用誤差在32像素以內(nèi)的莖節(jié)數(shù)量比例表示，比照結(jié)果如表3所示。由表3的比照結(jié)果可知，與其他兩種方法相比，本文設(shè)計方法具有速度快、識別率高和精度高的特點，具有較高的實用性。為檢驗本文機械軌跡仿真方法的有效性，本研究將其與其他兩種傳統(tǒng)方法進(jìn)行比照測試，從仿真準(zhǔn)確度、運動平均速度和時間三個指標(biāo)評價仿真方法的效果，比照測試結(jié)果如表4所示。由表4比照結(jié)果可知，本文設(shè)計的軌跡仿真方法具有準(zhǔn)確率高和速度快的特點，可應(yīng)用于實際的機械臂運動空間求解中。4結(jié)語本文基于YOLOv3對甘蔗莖節(jié)實時動態(tài)識別與機械臂軌跡仿真進(jìn)行研究，提高了甘蔗莖節(jié)的識別精確度和機械臂軌跡仿真的準(zhǔn)確度，有助于進(jìn)一步促進(jìn)甘蔗種植的機械化開展。對于機械臂的軌跡仿真，本文沒有考慮運輸面板對機械臂的影響，以后研究可以對機械臂最小軌跡路線和運輸截面角度進(jìn)行探討。參考文獻(xiàn)：【1】齊榕，賈瑞生，徐志峰，等.基于YOLOv3的輕量級目標(biāo)檢測網(wǎng)絡(luò)J.計算機應(yīng)用與軟件，202110：208-213.改進(jìn)YOLOv3的同步目標(biāo)定位與多種屬性識別J.計算機應(yīng)用，20211：1-7.改進(jìn)YOLOv3的目標(biāo)跟蹤算法研究J.計算機仿真，20215：213-217.方法研究J.農(nóng)機化研究，20218：6-12.【5】盛奮華，陳祖爵.基于虛擬仿真技術(shù)的甘蔗收割機喂入裝置研究J.農(nóng)機化研究，20219：59-63.識別與蔗芽檢測J.洛陽理工學(xué)院學(xué)報自然科學(xué)版，20212：67-72.識別J.計算機應(yīng)用，20214：1208-1213.8溫翔，楊望，郭無極，等.切段式甘蔗收割機排雜離散元仿真參數(shù)標(biāo)定及驗證J.中國農(nóng)機化學(xué)報，20211：12-18.