基于Jetson Nano處理器的大蒜鱗芽朝向調整裝置設計與試驗

李玉華，劉全程，李天華，吳彥強，牛子孺，侯加林

基于Jetson Nano處理器的大蒜鱗芽朝向調整裝置設計與試驗

李玉華1,2,3，劉全程1，李天華1,2,3，吳彥強1,2,3，牛子孺1,2,3，侯加林1,2,3※

（1. 山東農業大學機械與電子工程學院，泰安 271018；2. 山東省農業裝備智能化工程實驗室，泰安 271018；3. 山東省園藝機械與裝備重點實驗室，泰安 271018）

為滿足大蒜定向播種的農藝要求，針對現有大蒜鱗芽調整方法對雜交蒜適應性差的問題，該研究設計了一種基于Jetson Nano處理器的大蒜鱗芽朝向自動調整裝置。采用雙卷積神經網絡模型結構，其中一個神經網絡模型對大蒜是否被喂入進行實時監測，檢測到大蒜喂入調整裝置后，一個ResNet-18網絡模型對蒜種鱗芽朝向進行判斷，當鱗芽朝上時大蒜鱗芽調整機構打開Y型料斗使大蒜以鱗芽朝上的姿態直接落下，當鱗芽朝下時大蒜鱗芽調整機構翻轉180°帶動大蒜一起翻轉后以鱗芽朝上的姿態落下，實現大蒜鱗芽朝向實時調整。神經網絡模型推理及舵機控制采用英偉達邊緣計算處理器Jetson Nano進行處理。利用離散元分析軟件EDEM結合正交試驗方法對調整裝置的關鍵結構參數進行優化，并以雜交大蒜為試驗對象進行臺架試驗，試驗結果表明：大蒜鱗芽調整成功率為96.25%，模型推理時間0.045 s，平均每粒大蒜調整時間為0.785 s，滿足大蒜播種機播種要求。該文研究結果可為解決雜交大蒜直立播種問題及邊緣計算在精密播種設備中的應用提供有益參考。

機器視覺；深度學習；邊緣計算；Jetson Nano處理器；大蒜；鱗芽朝向

0 引 言

定向播種[1]對大蒜產量、品質及出苗一致性有極其重要的影響[1-3]，并且便于對薄膜覆蓋大蒜進行破膜。單粒定向播種是大蒜種植的基本要求，大蒜播種密度大，人工勞動強度極大，可靠的自動化大蒜播種機是當前大蒜種植戶的迫切需求，而大蒜鱗芽自動調整是機械化播種推廣的關鍵技術[4]。

近年眾多學者及科研人員對大蒜鱗芽朝向自動調整進行了研究。其中典型機械式鱗芽朝向調整裝置有雙鴨嘴式大蒜鱗芽調整裝置[5]、三級錐形料斗鱗芽調整裝置[6]、錐形螺旋導管自動定向裝置[7]和旋轉式蒜瓣單粒定向取種裝置[8]。這些鱗芽朝向調整裝置主要利用大蒜重心靠近底部或鱗芽狹長的物理特點進行鱗芽朝向調整，對于形狀規則的薹蒜等品種具有良好的效果，但對雜交大蒜等形狀不規則的大蒜品種則效果不理想。

近年隨著機器視覺[9-10]及深度學習[11-12]應用的發展，在雜草識別[13-14]、害蟲檢測[15-17]、水果采摘[18]及分揀等農業領域已有眾多研究及應用，技術已相對成熟。已有學者利用機器視覺對大蒜鱗芽識別和朝向調整進行了研究，楊清明等[19]利用數字圖像形態學對大蒜圖像進行處理，進而判斷大蒜鱗芽位置；方春等[20]利用CNN的局部感知特點，提出了基于深度學習的大蒜鱗芽朝向識別算法；吳獻等[21]通過對蒜瓣樣本圖像進行形態學處理，采用種觀測窗的方法識別定位蒜瓣的尖角位置；趙麗清等[22]通過對大蒜圖像形態學處理后運用質心中心判別法判定大蒜的朝向并進行定位。

上述關于大蒜鱗芽調整的研究只是針對鱗芽識別算法層面，還未對機械和控制相關的應用進行具體研究。此外，侯加林等[23]設計了一款大蒜鱗芽調整試驗裝置，通過樹莓派對大蒜圖像進行處理并判斷鱗芽朝向。Li等[24]也提出了一種基于機器視覺的大蒜鱗芽朝向調整裝置，利用LabVIEW[25-26]實現圖像采集、預處理、鱗芽識別及調整機構控制。但樹莓派的運算能力相對較弱，無法滿足深度學習網絡對運算能力的需求；LabVIEW是基于PC的開發環境，體積大，成本高，無法在大蒜播種機上應用。

本文針對上述大蒜鱗芽調整裝置存在的問題，以邊緣計算處理器Jetson Nano[27-28]為平臺，以深度學習網絡為框架設計了一種大蒜鱗芽朝向自動調整裝置，并進行了臺架試驗，以期為大蒜智能化定向播種機的設計提供參考。

1 總體結構與工作原理

1.1 總體結構

大蒜鱗芽朝向調整裝置主要由蒜種喂入通道、攝像頭、攝像頭支架、鱗芽調整機構、翻轉舵機和支架等組成。其中鱗芽調整機構由翻轉架、復位彈簧、料斗開合舵機、Y型料斗Ⅰ和Y型料斗Ⅱ等組成，如圖1所示。翻轉舵機驅動整個鱗芽調整裝置翻轉180°，料斗開合舵機驅動2個Y型料斗張開或閉合，復位彈簧兩端分別與2個Y型料斗連接并處于拉伸狀態確保2個Y型料斗打開后的自動復位。

Y型料斗Ⅰ和Y型料斗Ⅱ采用非對稱結構，通過優化2個料斗的結構參數保證大蒜進入料斗后處于直立狀態。Y型料斗Ⅰ設立蒜種滑落引導槽，防止鱗芽調整機構翻轉時大蒜自旋轉而導致鱗芽調整失效。

1.蒜種喂入通道 2.攝像頭 3.攝像頭支架 4.鱗芽調整機構 5.翻轉舵機 6.支架 7.翻轉架 8.復位彈簧 9.Y型料斗Ⅰ 10.料斗開合舵機 11.Y型料斗Ⅱ

1.Garlic seeds feeding channel 2.Camera 3.Camera bracket 4.Garlic bulbil orientation adjustment mechanism 5.Servos for turning 6.Bracket 7.Tilting frame 8.Reset springs 9.Y-type hopper Ⅰ 10.Servos for hopper opening and closing 11.Y-type hopper Ⅱ

圖1 大蒜鱗芽調整裝置結構示意圖

Fig.1 Structure diagram of garlic bulbil orientation adjustment device

1.2 工作原理

邊緣計算處理器Jetson Nano通過大蒜檢測深度學習網絡實時處理攝像頭抓取的圖像并判斷是否有大蒜從蒜種喂入通道進入Y型料斗。當檢測到大蒜進入料斗后，立即通過鱗芽朝向判斷深度學習網絡對攝像頭抓取的圖像進行大蒜鱗芽朝向識別。當大蒜鱗芽朝上時，Jetson Nano處理器通過PWM信號控制料斗開合舵機旋轉一定角度，使Y型料斗Ⅰ和Y型料斗Ⅱ下端打開，大蒜以鱗芽朝上的狀態直接落入插播裝置；當大蒜鱗芽朝下時，Jetson Nano處理器通過PWM信號控制翻轉舵機旋轉180°，帶動鱗芽調整機構一起翻轉，此時大蒜將沿著Y型料斗Ⅰ的引導槽滑落并翻轉180°，實現大蒜鱗芽朝向的調整。

大蒜檢測深度學習網絡通過對大蒜和背景圖像進行實時分割進行大蒜檢測，判斷是否有大蒜喂入鱗芽調整裝置。鱗芽朝向判斷深度學習網絡對大蒜鱗芽的朝向進行實時判斷，從而為鱗芽調整裝置的控制提供依據。大蒜檢測和鱗芽朝向判斷采用大蒜檢測和大蒜鱗芽朝向識別2個網絡模型，以提高識別準確率，便于訓練，提高系統的實時性。

2 機械系統優化設計

前期理論分析及單因素試驗表明，大蒜鱗芽朝向調整裝置的結構參數對鱗芽調整合格率及效率具有較大影響。尤其是2個Y型料斗的結構參數。理想的Y型料斗結構應使大蒜喂入后處于直立狀態，且結構緊湊，便于在整機中的布置。大蒜在料斗內處于直立狀態（鱗芽朝上或朝下），可以保證大蒜鱗芽調整的成功率，且大蒜直立狀態時從上部拍攝的鱗芽圖像特征更便于神經網絡訓練和提高識別準確率。Y型料斗的高度尺寸應盡量減小有利于減小調整機構翻轉時所需要的空間，便于整體布置，縮短翻轉時大蒜滑落所有需要的時間，提高調整效率，并防止調整后的大蒜在下落過程中再次翻轉導致調整失敗。為找到最優的結構參數，根據對大蒜鱗芽調整裝置的結構參數的要求，采用離散元仿真試驗對Y型料斗I的結構進行優化。

2.1 離散元仿真模型

為獲得Y型料斗的最優結構參數，本文采用離散元分析軟件EDEM對大蒜鱗芽調整裝置性能進行仿真分析。以雜交大蒜為仿真分析對象，按體積分為大、中、小3級，每級大蒜籽粒的尺寸根據體積按正態分布進行設置[27]。顆粒間及顆粒與設備間的接觸模型均采用Hertz-Mindlin模型，仿真模型及關鍵結構參數如圖2所示。

注：為喂入通道角度，（°）；為Y型料斗I底部半徑，mm；為料斗高度差，mm。

Note:is the angle of the feeding channel, (°);is the radius of the Y-hopper I, mm;is the height difference of the hopper, mm.

圖2 EDEM仿真模型及關鍵結構參數

Fig.2 EDEM simulation model and key structural parameters

2.2 參數優化

通過實物模型前期試驗及仿真試驗發現，蒜種喂入通道角度、Y型料斗I底部半徑（后文簡稱料斗半徑）和料斗高度差對蒜種喂入Y型料斗后的直立率影響最大。因此取這3個參數為仿真試驗因素，以蒜種喂入Y型料斗后的直立率為試驗響應指標。根據前期單因素仿真試驗，綜合考慮結構尺寸限制，確定各試驗因素的取值范圍，如圖2所示。依據Box-Benhnken中心組合設計理論進行試驗設計，試驗因素和水平如表1所示。

表1 試驗因素編碼

仿真試驗方案與結果如表2所示，運用Design Expert 11.1.2.0數據分析軟件進行多元回歸擬合分析，得到直立率的回歸方程為

任意2個因素的相互作用對直立率的影響如圖3所示。由圖3a可知，隨料斗半徑增加，直立率先升后降。由圖3b可知，隨高度差增加，直立率也會相應升高。由圖3c可知，料斗半徑一定時，高度差增大直立率提高。

表2 試驗設計方案及結果

注：1、2、3表示各因素編碼值

Note:1、2and3represent the coding values of each factor

為確定Y型料斗的最優結構參數，以直立率最高為目標函數，以蒜種喂入通道角度、Y型料斗半徑和料斗高度差為約束條件，建立Y型料斗結構參數優化模型：

利用軟件Design-Expert軟件Optimization Numerical模塊進行優化，得到直立率最佳的參數組合為：喂入通道角度為80°，Y型料斗半徑為12.49 mm，料斗高度差為20 mm，此時模型預測的直立率為96.85%。考慮結構加工要求，對優化參數進行圓整，取Y型料斗半徑為12.50 mm，料斗高度差為20 mm，在相同試驗條件下重復3次試驗，結果取平均值，得到直立率均值為96.05%，試驗結果與優化結果基本一致，誤差小于5%。

3 控制系統

3.1 硬件設計

系統硬件由邊緣計算處理器Jetson Nano、電源模塊、攝像頭、PCA9685模塊、翻轉舵機和料斗開合舵機構成，如圖4所示。

邊緣計算處理器Jetson Nano是一款低成本高性能的AI嵌入式處理器，可應用于圖像分類、目標檢測、分割和語音處理等領域，具體規格參數見表3。其中軟件開發工具包NVIDIA JetPack SDK擁有用于深度學習、計算機視覺和加速計算的CUDA-X加速庫與應用程序接口（API），可極大提高人工智能（AI）應用開發的速度，PCA9685模塊可同時輸出16路PWM信號用于對翻轉舵機和料斗開合舵機進行驅動。

表3 Jetson Nano處理器規格參數

3.2 軟件設計

3.2.1 系統工作流程

根據系統的功能要求，設計系統控制流程為：初始化后控制攝像頭對鱗芽調整機構內部圖像進行采集，然后利用大蒜檢測網絡模型對采集的圖像進行處理，判斷是背景圖像還是大蒜圖像，如果是背景圖像則進行下一幀圖像采集并繼續判斷；如果是大蒜圖像，則將圖像輸入到鱗芽判斷網絡模型進行鱗芽的朝向判斷，如果鱗芽朝上控制料斗開合舵機打開2個Y型料斗使大蒜保持直立狀態落入插播裝置，如果鱗芽朝下則控制翻轉舵機將鱗芽調整機構翻轉180°，帶動大蒜一起翻轉180°并落下，實現鱗芽朝向調整，系統控制流程圖如圖5所示。

3.2.2 大蒜檢測及鱗芽識別方法

為了簡化模型的復雜度，降低訓練難度，提高識別準確率，對大蒜檢測和鱗芽朝向識別采用不同的神經網絡模型，網絡模型結構如圖6所示。

大蒜檢測模型主要對采集的大蒜圖像進行實時處理，判斷是否有蒜種喂入，由于2種圖像特征差異顯著，采用5層卷積神經網絡模型，前4層為4個由卷積層、ReLU層和池化層構成的卷積塊，第5層為全連接層。大蒜鱗芽朝向判斷模型對大蒜鱗芽朝上或朝下進行判斷，采用ResNet-18網絡結構，通過遷移學習對網絡參數進行訓練。

大蒜檢測模型訓練用圖像為8 000張RGB圖像，其中4 000張背景圖像，4 000張大蒜圖像，圖像大小為112×112。訓練過程中采用adam優化器對模型進行優化，設置初始學習率為0.001，批大小（bachsize）為32。訓練結果如圖7a所示，訓練后模型在測試集的識別準確率為99.3%。

大蒜鱗芽朝向判斷模型訓練用圖像為4 000張RGB圖像，其中鱗芽朝上的圖像2 000張，大蒜鱗芽朝下圖像2 000張，圖像大小為224×224。為加快訓練過程提高訓練準確率，采用基于ResNet-18網絡遷移學習訓練，訓練結果如圖7b所示，訓練后模型在測試集的識別準確率為99.4%。

4 臺架試驗

4.1 試驗材料與設備

為驗證基于Jetson Nano處理器的大蒜鱗芽朝向調整裝置的作業效果，于2020年11月在山東農業大學107實驗室開展了臺架試驗。試驗材料選用國內種植面積最大品種金鄉雜交大蒜為樣本，隨機選取200粒飽滿的蒜種進行試驗。

試驗設備為自行搭建的基于邊緣計算處理器Jetson Nano的大蒜鱗芽調整裝置試驗臺，結構如圖8所示，主要包括支架、Jetson Nano、PCA9685模塊、蒜種喂入通道、攝像頭、攝像頭支架、復位彈簧、翻轉舵機、料斗開合舵機和鱗芽調整機構等。其中，PCA9685驅動模塊頻率范圍為40-1000 Hz，通道數為16，電壓為DC 5-10 V；攝像頭具有IMX219的感光芯片，800 W分辨率和77°的對角視場角。

1.蒜種喂入通道 2.攝像頭 3.支架 4.翻轉舵機 5.鱗芽調整機構 6.邊緣計算處理器 7.舵機控制芯片 8.電源 9.料斗開合舵機

1.Garlic seed feeding channels 2.Camera 3.Bracket 4.Servos for turning 5.Garlic bulbil orientation adjustment mechanism 6. Edge computing processor 7.Servo control chip 8.Power 9.Servos for hopper opening and closing

圖8 大蒜鱗芽朝向調整試驗平臺

Fig.8 Test platform of garlic bulbil orientation adjustment

4.2 試驗方法

鱗芽朝向調整要求參照農藝及農戶實際播種需求，以地面垂直線為基準，蒜種鱗芽朝上且傾斜角小于30°視為朝上[29-30]，調整后鱗芽朝向在此范圍為合格。大蒜播種機大多采用錐形鴨嘴插播機構，蒜種落入錐形鴨嘴中時受到鴨嘴結構尺寸的限制限制，大蒜鱗芽處于朝上且傾斜角小于30°或朝下且傾斜角小于30°狀態。因此試驗采用錐形鴨嘴結構承接調整后的蒜種，鱗芽朝向調整合格個數通過試驗觀察統計得到，鱗芽朝向調整成功率計算公式如式（3）。

式中1為鱗芽朝向調整成功率，%；0為試驗蒜種個數；1為鱗芽朝向調整合格的蒜種個數。

識別成功率是指大蒜鱗芽朝向識別準確的概率，計算公式如式（4）。

式中2為鱗芽朝向識別成功率，%；2為鱗芽朝向識別正確的蒜種個數。

模型推理時間為采集圖像到鱗芽識別完成所需的時間；調整時間為圖像采集完成到大蒜鱗芽朝向調整完成所需要的總時間，是圖像采集時間、模型推理時間和舵機驅動鱗芽調整機構運動所需要的時間總和。

4.3 結果與分析

試驗結果如表4。由表4可知，鱗芽識別成功率均值為97.25%，鱗芽朝向調整成功率均值為96.25%，鱗芽朝向調整成功率低于識別成功率的原因是識別正確的大蒜在鱗芽調整過程中由于大蒜重心位置不規則引起大蒜下落時翻轉，最終導致調整失敗。模型推理時間均值為0.045 s，調整時間均值為0.785 s，其中鱗芽上時的調整時間均值為0.59 s，鱗芽朝下時均值為0.98 s，鱗芽朝上與鱗芽朝下時的調整時間相差較大，是因為對鱗芽朝下的大蒜進行鱗芽朝向調整需翻轉調整機構180°，然后將翻轉機構復位，而對于鱗芽朝上的大蒜進行鱗芽朝向調整時只需將2個Y型料斗下端打開即可，開合舵機旋轉角度較小，并且2個舵機的轉動角度速度一致，因此鱗芽朝下時的調整時間比鱗芽朝上的長。

表4 大蒜鱗芽朝向識別與調整試驗結果

5 討 論

本文試驗結果的鱗芽朝向調整時間均值為0.785 s，其中模型推理時間均為0.045 s，調整時間約為網絡模型推理時間的17倍，主要原因是所用舵機的旋轉角速度相對較小。因此縮短鱗芽調整時間，提高鱗芽調整效率的主要措施是提高舵機的轉速。已知現有的大蒜種植農藝為株距0.1～0.12 m，行距0.18～0.20 m。大蒜播種效率通過公式（5）進行計算：

式中為播種效率，hm2/h；為1次播種行數；為鱗芽朝向調整時間，s。

假設大蒜大播種機一次播種行數為12，當鱗芽朝向調整時間為0.59 s時，通過公式（5）計算大蒜播種效率為0.132～0.176 hm2/h；當鱗芽朝向調整時間為0.785 s時，大蒜播種效率為0.099～0.132 hm2/h；當鱗芽朝向調整時間為0.98 s時，大蒜播種效率為0.079～0.106 hm2/h。現有機械式鱗芽調整方法的大蒜播種工作效率在0.05～0.1 hm2/h范圍內[6,28]。通過對比分析可以看出，本文設計的大蒜鱗芽調整裝置的鱗芽朝向調整時間可以滿足播種機對播種效率的要求。

6 結 論

1）設計了一種基于Jetson Nano處理器的大蒜鱗芽朝向調整裝置，以Jetson Nano處理器對深度學習模型進行推理，實現大蒜檢測和鱗芽朝向識別。根據大蒜鱗芽朝向控制調整機構對大蒜鱗芽朝向進行調整，使大蒜最終均能以鱗芽朝上的姿態落入插播裝置，解決了難以采用純機械機構對雜交大蒜鱗芽朝向調整的問題。

2）大蒜檢測和鱗芽朝向識別采用雙神經網絡架構，大蒜檢測神經網絡實現對大蒜是否被喂入調整機構進行實時檢測，當檢測到大蒜時鱗芽朝向識別神經網絡對大蒜鱗芽朝向進行實時判斷，利用判斷結果控制調整機構對大蒜鱗芽朝向進行調整。

3）通過離散元仿真軟件EDEM對調整機構的關鍵參數進行優化，并通過臺架試驗進行了試驗驗證。試驗結果，大蒜鱗芽朝向調整成功率為96.25%，模型推理時間0.045 s，平均每粒大蒜調整時間為0.785 s，大蒜理論播種效率可達到0.099～0.132 hm2/h。

[1] 王僑，陳兵旗，朱德利，等. 基于機器視覺的定向播種用玉米種粒精選裝置研究[J]. 農業機械學報，2017，48(2)：27-37.

Wang Qiao, Chen Bingqi, Zhu Deli, et al. Vision-based selection machine of corn seed used for directional seeding[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(2): 27-37. (in Chinese with English abstract)

[2] 金誠謙，袁文勝，吳崇友，等. 大蒜播種時鱗芽朝向對大蒜生長發育影響的試驗研究[J]. 農業工程學報，2008，24(4)：155-158.

Jin Chengqian, Yuan Wensheng, Wu Chongyou, et al. Experimental study on effects of the bulbil direction on garlic growth[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(4): 155-158. (in Chinese with English abstract)

[3] 劉靜. 不同大蒜品種及鱗芽播種朝向對生長特性與品質的影響[D]. 泰安：山東農業大學，2018.

Liu Jing. Effects of Different Garlic Varieties and Bu1bil Seeding Directions on Growth Characteristic and Quality[D]. Tai’an: Shandong Agricultural University, 2018. (in Chinese with English abstract)

[4] 崔榮江，黃嘉寶，張振河，等. 大蒜機械化播種技術研究現狀[J]. 農業裝備與車輛工程，2018(6)：54-56.

Cui Rongjiang, Huang Jiabao, Zhang Zhenhe，et al. Research status of garlic mechanized sowing technology[J]. Agricultural Equipment & Vehicle Engineering, 2018(6): 54-56. (in Chinese with English abstract)

[5] 侯加林，黃圣海，牛子孺，等. 雙鴨嘴式大蒜正頭裝置調頭機理分析與試驗[J]. 農業機械學報，2018，49(11)：87-96.

Hou Jialin, Huang Shenghai, Niu Ziru, et al. Mechanism analysis and test of adjusting garlics upwards using two duckbill devices[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(11): 87-96. (in Chinese with English abstract)

[6] 耿愛軍，栗曉宇，侯加林，等. 自動定向大蒜播種機的設計與試驗[J]. 農業工程學報，2018，34(11)：17-25.

Geng Aijun, Li Xiaoyu, Hou Jialin, et al. Design and experiment of automatic directing garlic planter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(11): 17-25. (in Chinese with English abstract)

[7] 薦世春，劉云東. 大蒜播種機蒜瓣自動定向控制裝置的試驗研究[J]. 農業裝備與車輛工程，2009(10)：28-29，37.

Jian Shichun, Liu Yundong. Experimental research on the garlic clove automatic orientation control device of garlic planting machine[J]. Transactions of the Agricultural Equipment and Vehicle Engineering, 2009(10): 28-29, 37. (in Chinese with English abstract)

[8] 薦世春，趙峰，李青，等. 旋轉式蒜瓣單粒定向取種器的研究設計[J]. 農業裝備與車輛工程，2009(2)：18-20.

Jian Shichun, Zhao Feng, Li Qing, et al. Research and design on rotary garlic single-clove directional seed metering device[J]. Transactions of the Agricultural Equipment and Vehicle Engineering, 2009(2): 18-20. (in Chinese with English abstract)

[9] Liu H, Chahl J S. A multispectral machine vision system for invertebrate detection on green leaves[J]. Computers & Electronics in Agriculture, 2018, 150: 279-288.

[10] He Y, Wang H, Zhu S, et al. Method for grade identification of tobacco based on machine vision[J]. Transactions of the ASABE, 2018, 61(5): 1487-1495.

[11] 謝忠紅，徐煥良，黃秋桂，等. 基于高光譜圖像和深度學習的菠菜新鮮度檢測[J]. 農業工程學報，2019，35(13)：277-284.

Xie Zhonghong, Xu Huanliang, Huang Qiugui, et al. Spinach freshness detection based on hyperspectral image and deep learning method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 277-284. (in Chinese with English abstract)

[12] 孫鈺，周焱，袁明帥，等. 基于深度學習的森林蟲害無人機實時監測方法[J]. 農業工程學報，2018，34(21)：74-81.

Sun Yu, Zhou Yan, Yuan Mingshuai, et al. UAV real-time monitoring for forest pest based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 74-81. (in Chinese with English abstract)

[13] 苗榮慧，楊華，武錦龍，等. 基于圖像分塊及重構的菠菜重疊葉片與雜草識別[J]. 農業工程學報，2020，36(4)：178-184.

Miao Ronghui, Yang Hua, Wu Jinlong, et al. Weed identification of overlapping spinach leaves based on imagesub-block and reconstruction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(4): 178-184. (in Chinese with English abstract)

[14] 孫俊，譚文軍，武小紅，等. 多通道深度可分離卷積模型實時識別復雜背景下甜菜與雜草[J]. 農業工程學報，2019，35(12)：184-190.

Sun Jun, Tan Wenjun, Wu Xiaohong, et al. Real-time recognition of sugar beet and weeds in complex backgrounds using multi-channel depth-wise separable convolution model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(12): 184-190. (in Chinese with English abstract)

[15] Tetila E C, Machado B B, Menezes G V, et al. A deep-learning approach for automatic counting of soybean insect pests[J]. IEEE Geoence and Remote Sensing Letters, 2019, PP(99): 1-5.

[16] 張博，張苗輝，陳運忠. 基于空間金字塔池化和深度卷積神經網絡的作物害蟲識別[J]. 農業工程學報，2019，35(19)：209-215.

Zhang Bo, Zhang Miaohui, Chen Yunzhong. Crop pest identification based on spatial pyramid pooling and deep convolution neural network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(19): 209-215. (in Chinese with English abstract)

[17] Thenmozhi K, Reddy U S. Crop pest classification based on deep convolutional neural network and transfer learning[J]. Computers and Electronics in Agriculture, 2019, 164: 104906.

[18] 趙德安，吳任迪，劉曉洋，等. 基于YOLO深度卷積神經網絡的復雜背景下機器人采摘蘋果定位[J]. 農業工程學報，2019，35(3)：164-173.

Zhao Dean, Wu Rendi, Liu Xiaoyang, et al. Apple positioning based on YOLO deep convolutional neural network for picking robot in complex background[J] Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 164-173. (in Chinese with English abstract)

[19] 楊清明，李娟玲，何瑞銀. 基于圖像處理的大蒜蒜瓣朝向識別[J] . 浙江農業學報，2010，22(1)：119-123.

Yang Qingming, Li Juanling, He Ruiyin. Direction identification of garlic seeds based on image processing[J]. Acta Agriculturae Zhejiangensis, 2010, 22(1): 119-123. (in Chinese with English abstract)

[20] 方春，孫福振，任崇廣. 基于深度學習的大蒜鱗芽朝向識別研究[J]. 計算機應用研究，2019，36(2)：598-600，610.

Fang Chun, Sun Fuzhen, Ren Chongguang. Identifying bulbil direction of garlic based on deep learning[J]. Application Research of Computers, 2019, 36(2): 598-600, 610. (in Chinese with English abstract)

[21] 吳獻，胡偉. 基于觀測窗的大蒜鱗芽朝向識別研究[J]. 測控技術，2016，35(7)：35-39.

Wu Xian, Hu Wei. Research on garlic clove orientation recognition based on observation window[J]. Measurement & Control Technology, 2016, 35(7): 35-39. (in Chinese with English abstract)

[22] 趙麗清，馬志勇. 大蒜播種機裝盤系統蒜瓣定向識別算法的研究[J]. 農機化研究，2013，35(6)：163-166.

Zhao Liqing, Ma Zhiyong. The study of garlic machine installation system of the directional recognition algorithm[J]. Journal of Agricultural Mechanization Research, 2013, 35(6): 163-166.(in Chinese with English abstract)

[23] 侯加林，田林，李天華，等. 基于雙側圖像識別的大蒜正芽及排種試驗臺設計與試驗[J] . 農業工程學報，2020，36(1)：50-58.

Hou Jialin, Tian Lin, Li Tianhua, et al. Design and experiment of test bench for garlic bulbil adjustment and seeding based on bilateral image identification[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(1): 50-58. (in Chinese with English abstract)

[24] Li Y H, Wu Y Q, Li T H, et al. Design and experiment of adjustment device based on machine vision for garlic clove direction[J]. Computers and Electronics in Agriculture, 2020, 174: 105513.

[25] 白士寶，滕光輝，杜曉冬，等. 基于LabVIEW平臺的蛋雞舍環境舒適度實時監測系統設計與實現[J]. 農業工程學報，2017，33(15)：237-244.

Bai Shibao, Teng Guanghui, Du Xiaodong, et al. Design and implementation on real-time monitoring system of laying hens environmental comfort based on LabVIEW[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(15): 237-244. (in Chinese with English abstract)

[26] 許順，佟金，李默. 基于LabVIEW的蔬菜切碎機性能測試及工作參數優化[J]. 農業工程學報，2017，33(3)：250-256.

Xu Shun, Tong Jin, Li Mo. Performance testing of vegetable chopping machine based on LabVIEW and operation parameter optimization[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(3): 250-256. (in Chinese with English abstract)

[27] Debauche O, Sad M, Mahmoudi S A, et al. Edge computing and artificial intelligence for real-time poultry monitoring[J]. Procedia Computer Science, 2020, 175: 534-541.

[28] Carvajal O, Melin P, Miramontes I, et al. Optimal design of a general type-2 fuzzy classifier for the pulse level and its hardware implementation[J]. Engineering Applications of Artificial Intelligence, 2021, 97(4): 104069.

[29] 李玉華，張智龍，李天華，等. 輪勺式大蒜單粒取種裝置設計與試驗[J]. 農業機械學報，2020，51(3)：61-68.

Li Yuhua, Zhang Zhilong, Li Tianhua, et al Design and experiment of wheel-spoon type garlic precision seed-picking device[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(3): 61-68. (in Chinese with English abstract)

[30] 文恩楊，吳彥強，李天華，等. 牽引式大蒜播種機的設計[J].農機化研究，2020，42(1)：96-100.

Wen Enyang, Wu Yanqiang, Li Tianhua, et al. Design of traction garlic sowing machine[J]. Journal of Agricultural Mechanization Research, 2020, 42(1): 96-100. (in Chinese with English abstract)

Design and experiments of garlic bulbil orientation adjustment device using Jetson Nano processor

Li Yuhua1,2,3, Liu Quancheng1, Li Tianhua1,2,3, Wu Yanqiang1,2,3, Niu Ziru1,2,3, Hou Jialin1,2,3※

(1.,,271018,;2,271018,; 3,271018,)

Garlic cultivationis highly demanding for a single seedto maintain upright-directional sowing with the roots downwardvertically.However, current adjustment devicesfor the direction of garlic clovescannot besuitable for hybrid garlic varieties. In this study, an intelligent adjustment device was designedfor the direction of garlic cloveusing edge computing. The deviceconsistedof a feeding channelof garlic clove, a camera, a camera bracket, clove direction adjustment mechanism, turning servo and brackets. The adjustment mechanism of clove directionwas composed of flip frame, reset spring, hopper opening and closing servo, Y-type hopper I and II. A dual convolution neural network (CNN) structurewasadopted in thecontrol system,wherea custom deep learningCNNwas for garlic monitoringin real time, and a ResNet-18 network was for thedeterminationof garlic clove orientation. In monitoring, the garlic clove was distinguished from the background of images,therebydetermining whether the clove was fed to the adjustment. Areal-timedetection of orientation was to keep the pointy endof garlic clove facing upward,while the blunt end down into the soil. Asuitable control strategy was providedtopromptlyadjust the direction of garlic clove. Higher identification accuracyand real-time performance were achieved in two different networksfor separate detection and orientation of garlic clove.The specific procedure of orientation adjustment was as follows. Animage processing was performed to determine whether the garlic clove entered the Y-shaped hopper from the feeding channel. Once the garlic clove was detected to be in the hopper, an image was real-time captured by the camera. The captured image was processed immediately through the deep learning network of detection and orientation. When the scales (blunt end)of garlic cloveswere facingupward, the opening and closing servos of ahopper rotated at a certain angle to open the lower end of Y-type hopper I and II. As such, the garlic clove fell directly into the inserting with the scales facing upward. If the scales of garlic cloveswere facing downward, the turning servosand adjusting mechanismindividually rotated 180°, to accurately tailor the orientation of scaleswhen the garlic clove was slidingdown the guide slot of Y-type hopper I. Both theoretical and empirical data demonstrated that the structural parameters of the adjusting mechanismgreatly dominatedthe success rate of the adjusted scale bud. A discrete element method (DEM)was performed onacommercial software EDEM to simulate the working effect of the adjusting mechanism. An orthogonal test was also utilized to optimize the keyparameters of adjusting mechanism. An optimal combination of parameters was obtained,where the inclination angle of the garlic clove was 80°in the feeding channel,the radius of the Y-shaped hopper was 12.49 mm, and the height difference of the hopper was 20 mm.Finallya bench testwascarried out to verify the direction adjustment of garlic cloves.In scale bud,the success rate of identification was 97.25%, and the success rate of adjustment was 96.25%, where the success rate of adjustment was slightly lower than thatofrecognition.The reasonwas that the correctly identified garlic turnedover unexpectedly when falling, due to the irregular center of gravity inasingle seed. The mean inference timeof the model was 0.045s, indicating a small proportion of adjustment timefor the scale bud. The averageadjustment time was 0.785s,where the mean value was0.59s when the garlic cloves were facing up and0.98s when facing down. There was a relatively large difference inthe adjustment time when the garlic buds were faced up and down. This difference came into being because therewas inconsistent movement stroke of the adjustment mechanism in two cases, particularly where the rotation speed of the drive motor was the samewhen the scale buds were facingdown.Consequently, the adjustment timeof scale buds facing upwas shorterthan that of the roots downwardvertically in garlic planting.

machine vision; deep learning; edge computing; Jetson Nano processor; garlic; bulbil orientation

2020-12-13

2021-02-01

國家特色蔬菜產業技術體系項目(CARS-24-D-01)；山東省農業重大應用技術創新項目（SD2019NJ004）；山東省現代農業產業技術體系蔬菜產業創新團隊項目（SDAIT-05-11）

李玉華，講師，博士生，研究方向為智能農業裝備研究。Email：liyuhua@sdau.edu.cn

侯加林，教授，博士生導師，研究方向為智能農業裝備研究。Email：jlhou@sdau.edu.cn

10.11975/j.issn.1002-6819.2021.07.005

S223.2

A

1002-6819(2021)-07-0035-08

李玉華，劉全程，李天華，等. 基于Jetson Nano處理器的大蒜鱗芽朝向調整裝置設計與試驗[J]. 農業工程學報，2021，37(7)：35-42. doi：10.11975/j.issn.1002-6819.2021.07.005 http://www.tcsae.org

Li Yuhua, Liu Quancheng, Li Tianhua, et al. Design and experiments of garlic bulbil orientation adjustment device using Jetson Nano processor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(7): 35-42. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.07.005 http://www.tcsae.org