蔬菜采摘機器人及其關鍵技術研究進展

孫成宇　閆建偉　張富貴　茍園旻　徐勇

摘要：蔬菜采摘機器人對蔬菜生產機械化、自動化、智能化具有重要意義。對國內外蔬菜采摘機器人研究現狀、關鍵技術進行總結、分析，包括優化末端執行器提升采摘效率，優化圖像處理算法和深度學習模型提高識別精度。并對蔬菜采摘機器人的夾持式、吸持式和仿生式三類末端執行器的特點及適合場景進行分析。分析蔬菜采摘機器人視覺系統的組成結構，對比三種識別方法：傳統的圖像處理方法基于顏色、紋理特征等；機器學習方法如K-means聚類算法和支持向量機SVM算法等；深度學習方法如YOLO、Faster RCNN和SSD網絡等。根據不同蔬菜的生長環境及自身特性，歸納出適應的識別方法，并對比識別效果。最后，指出蔬菜采摘機器人在作業對象、作業環境、自身硬件、生產成本方面存在的問題；并在蔬菜種植模式、軟件系統、硬件系統以及利用區域特性方面作出展望。

關鍵詞：蔬菜；采摘機器人；視覺系統；末端采摘裝置；發展趨勢

中圖分類號：S233.4文獻標識碼：A文章編號：20955553 （2023） 11006310

Research progress of vegetable picking robot and its key technologies

Sun Chengyu， Yan Jianwei， Zhang Fugui， Gou Yuanmin， Xu Yong

（School of Mechanical Engineering， Guizhou University， Guiyang， 550025， China）

Abstract：The vegetable picking robot plays a crucial role in the mechanization， automation， and intelligentization of vegetable production. This paper summarizes and analyzes the research status and key technologies of vegetable picking robots at home and abroad， including optimizing end effectors to improve picking efficiency and enhancing recognition accuracy through advanced image processing algorithms and deep learning models. The characteristics and suitable scenarios of three types of end effectors for vegetable picking robots， namely gripper-based， suction-based， and biomimetic-based， are analyzed. The composition and structure of the visual system in vegetable picking robots are discussed， and three recognition methods are compared： traditional image processing methods based on color and texture features， machine learning methods such as K-means clustering and support vector machine （SVM） algorithms， and deep learning methods such as YOLO， Faster RCNN， and SSD networks. Based on the growth environment and characteristics of different vegetables， suitable recognition methods are summarized and compared in terms of recognition performance. Additionally， issues related to the target of operation， working environment， hardware constraints， and production costs of vegetable picking robots are identified， followed by prospective analysis on vegetable cultivation patterns， software systems， hardware systems， and leveraging regional characteristics.

Keywords：vegetables； picking robot； vision system； end picking device； development trend

0引言

蔬菜采摘收獲是蔬菜生產中耗時最多的一個環節。隨著蔬菜種植模式向規模化、工廠化方向發展以及機器視覺、人工智能等發展，各類蔬菜采摘機器人近年來取得了很大進步。蔬菜采摘機器人涵蓋的學科領域比較廣泛，從整體構架上來看涉及機械和材料科學領域；內部構件需要電子信息和計算機方面的知識；從運用的場景來看，涉及生物科學和農業的專業知識，總的來說就是集多學科于一體的交叉科學。采摘機器人將會涉及到視覺感應系統，重點引用了圖像傳感器和距離傳感器，圖像傳感器包括CCD黑白攝像機、立體照相機等，而距離感應器則有激光測距或者超聲波、無線［13］。

日本、美國、英國、西班牙等發達國家起步早，于20世紀80年代已開始相關研究，并取得了一系列成果［45］。而我國在這方面入門比較晚，但是也取得了相應的研究成果。例如，中國農業大學研究的仿自然環境條件下番茄采摘機器人，并設計了其總體構架。實現番茄采摘機器人全自動化，減少工作期間人機交互［6］。本文針對典型蔬菜采摘機器人國內外研究進展及其關鍵技術進行分析，提出現存一些問題，并對蔬菜采摘機器人未來發展進行展望。

1典型蔬菜采摘機器人國內外研究進展

1.1番茄采摘機器人

番茄是日常生活中較為常見的蔬菜，其容易識別、果實易采摘的特征致使它早在20世紀末期就被當作采摘機器的試驗對象。1983年從第一臺番茄采摘機器人問世到現在番茄采摘機器人經歷了近40年的研究發展，其研究歷程見圖1［57］。池田武史提出番茄在葉莖重疊的情況下的識別技術。機器人圖像處理技術的研究對于采摘工作是必不可少的，其中運用了RGB-D傳感器進行分析，以確保完成采摘作業并且能識別到周圍的障礙物。Jun等［8］提出的高效番茄收獲機器人，這種機器人是基于深度學習檢測番茄，然后提取目標作物的三維坐標，基于三維坐標控制機械手運動。另外還設計并測試一種帶有輔助單元的剪刀形切割模塊，用于克服結構限制并實現有效切割。

國內，中國農業大學、南京農業大學等也對此領域做出了相應的研究并取得一系列成果［1， 9］。于豐華等［6］發明的番茄采摘機器人配備STM32微控制器為主要控制器，并使用由RaspBerry Pi 4B控制器驅動的深度攝像頭。用于識別成熟番茄的設備上以及具有壓力傳感器的柔性手爪上。朱智惟等［10］為實現高效自動化采摘，提出改進YOLOv5s模型，通過跨層連接和軟性非極大值抑制實現多尺度特征融合，識別準確率達97.62%左右，應用到番茄采摘機器人系統實現準確采摘。

1.2黃瓜采摘機器人

早在1996年，荷蘭農業環境工程研究所研制出一種多功能黃瓜采摘機械。該機械得在特定的栽培環境下使用，黃瓜按照吊掛生長，這樣做是因為黃瓜的果實與莖葉顏色近似，吊掛生長便于識別過程中區分。此外，在相機前添加濾波片，再根據黃瓜的光譜反射特性可以更好地識別。此研究為后續的研究和種植模式奠定良好基礎［1113］。中國、日本等國家對黃瓜采摘機器人的研究也在穩步推進。中國農業大學湯修映等研究黃瓜采摘機器人的路徑規劃與避障系統，基于三次多項式插值函數提出新的運動軌跡算法，為穩定運行提供了堅實的基礎。近年來，學者們提出運用深度學習和多特征融合對自然環境中的黃瓜進行自動識別采摘。荷蘭研發視覺系統和機器深度學習軟件，在農產品自動分級、分類、包裝等領域提供解決方案。最新研發的Crux Agribotics黃瓜巡檢采收機器人，很好地實現了自動化采收，另外該機器人還配備病蟲害檢測功能、修剪功能、實時傳輸作物信息。

1.3蘑菇采摘機器人

Hu等［14］提出一種基于單目視覺的直徑和中心點位置測量方法運用在雙孢蘑菇采摘機器人上，通過攝像機的水平移動來測量雙孢蘑菇中心點的三維坐標，并提出橢圓擬合算法來提高定位精度。此外，深度信息用于補償雙孢蘑菇直徑測量的誤差，成功率高達90%。王玲等［15］采用結構光SR300深度相機針對褐蘑菇采摘，結合土壤表面深度的眾數，自適應選擇動態閾值， 提取蘑菇菌蓋二值圖，將此技術運用在工廠化模式下。國內對蘑菇采摘的研究可以追溯到1995年，吉林工業大學的周云山等［16］在已有的機器人本體的基礎上，提出利用計算機視覺識別提取蘑菇邊界輪廓的方法，并取得一定成效。平菇作為日常食用菌中較為常見的品種之一，有不少學者將其作為研究對象。蘇州大學的楊千［17］將溫室種植的平菇作為采摘目標。在分析相對應的研究對象，明確工作原理的基礎上，提出基于深度學習的改進SSD-MobileNet網絡用于檢測，分析SSD網絡和MobileNet v1網絡的各自特點，最終組合生成該檢測算法。在采摘定位層面使用D-H建模分析，得到每一運動單元的關系，使用“8領域”均值法得到平菇的相對坐標，將定位誤差控制在4mm以內。最終的試驗結果達到91.4%的采摘成功率，但是單體采摘時長還有待改進。

1.4茄子采摘機器人

日本對茄子采摘機器人做研究，Hayashi等［1819］提出茄子收獲機器人，采用一種結合顏色分段操作和垂直分割操作的機器視覺算法，在不同的光照條件下都能作用，驅動操縱器的視覺反饋模糊控制模型。初期原型具有判斷機制、抓果機制和剪梗機制，根據果實長度選擇性地選取果實，但是其成功率很低。其研究成果為自動化收獲茄子帶來了新的理念，并證明了可行性。Hayashi等隨后又增加了機械臂自由度的同時還設立了超聲傳感器，使其功能更合理。Sepulveda等［20］將基于支持向量機（SVM）分類器的算法用于雙臂茄子采摘機器人上，有效處理遮擋情況下的自動檢測和定位。宋健等［21］研發的開放式采摘機器人由DMC 2280型多軸運動控制器、安川交流伺服驅動系統以及彩色攝像機和機械結構組成，并對整體結構做出了優化設計。用直方圖的固定雙閾值法對G-B灰度圖像進行分割。隨后又對茄子采摘機器人的視覺和定位系統做出深層次的研究，利用閾值分割算法在亮度的基礎上對灰度圖像進行分割，在標定過程中使用雙目系統自行標定，質心為匹配基元。在此基礎上，進一步提高視覺系統的運算速度及可靠性，使用基于像素基色差值進行識別，采用了數學形態學方法的結合，去除干擾，并用搜索方向旋轉法提取特征信息，有較高的成功率。

1.5小結

隨著美國、歐盟等先進國家的采摘機器人相關產業逐漸完善，我國也必須迎頭趕上。國外從20世紀60年代就開始研究此類機械，中國對于蔬菜采摘機器人的研究比較滯后。近年來我國也取得了一些突破，尤其在環境和地形較好的區域表現出色，在西部山地丘陵等地仍不好實現完全自動化。多數采摘機械產品仍處于實驗室階段，真正商用的產品比較少。針對存在的問題，未來還需要加強對機械結構的優化，編寫簡潔高效的代碼，達到設備采摘靈活度高、智能程度高、適用范圍廣、價格適中的目的。

2關鍵技術研究進展

2.1末端執行器采摘裝置

蔬菜采摘機器人中的末端執行器是關鍵技術之一，其設計的好與壞，將直接影響采摘的成功率和破損率。末端執行器可以分為夾持式、吸持式、仿生機械手［2225］，其特點如表1所示。

2.1.1夾持式

日本蔬菜與茶葉研究所的Hayashi等［18］開發了茄子采摘機器人的末端執行器。執行機構通過彩色攝像頭初步檢測蔬菜位置，通過超聲波傳感器確定蔬菜位置，并用剪刀切割菜梗。該執行器能自動定位蔬菜和菜梗的位置，便于采摘。中國農業大學的紀超等［26］設計的溫室黃瓜采摘機器人，該機器人末端執行器由氣動柔性手指頭、切刀片和二次近景定位鏡頭等構成。柔性手指中使用了柔性材質橡皮，能夠在特定作用力下夾持蔬菜且不引起蔬菜損傷。二次近景定位攝像機在末端執行器到達定位點時，能及時采集黃瓜的近景信息，算出切割部位以避免直接切傷蔬菜。該末端執行器的優勢在于夾持裝置的柔性，能夠減少夾持黃瓜時給其所造成的傷害。因此，可以將軟體機器手爪技術應用于蔬菜采摘中。采用柔性材質，通過負載變化來修改自身外形與尺寸并且擁有無限自由度的新型末端執行器。西南大學的陳子文等［27］提出一種基于氣動無損夾持控制的末端執行器應用在番茄采摘中，通過ASAMS對運動動力學仿真，設計有壓力反饋的電氣控制伺服系統，以此來實現無損夾持。在重慶市璧山區的采摘試驗中，成功率達到96.03%。浙江工業大學的錢少明等［28］在測定成熟黃瓜的基本特性的前提下，末端夾持器選擇氣動柔性驅動器彎曲關節，實驗結果表明，裝配硅膠片的機爪對黃瓜表面壓損可以忽略不計，采摘成功率達9成。

2.1.2吸持式

吸持式和夾持式在外觀上有共通之處，但其內部元器件有吸盤輔助蔬菜采摘。Van Hentan等［11］研發的黃瓜采摘機器人及末端執行器，其末端執行器部分主要由機械手指、吸盤和切割器組成，該吸盤提供了將黃瓜穩定在機械手指可控范圍之內的力，穩定住黃瓜后切割器開始工作，從而收獲植株。但是實驗中出現無法釋放黃瓜的情況，說明其系統優化存在問題，有待改進。劉繼展等［29］設計的番茄采摘機器人末端執行器，配備真空吸盤設備將蔬菜從菜株上剝離，通過手指夾持機構對番茄可靠抓握，防止在切割過程中番茄穩定性較差的情況出現，而果梗切斷裝置使用的是激光，作者摒棄傳統的扭斷、刀具切割的方法，使用激光切割可以有效地避免果實的損傷破裂。同時在末端執行器上還裝配感知系統，對植株距離的把控以及周圍的視覺感知都有不錯的效果。該執行器通用性較之前設備高一些，可適用于類似形狀的蔬菜采摘。

2.1.3仿生機械手

仿生機械手是通過模擬生物形狀、構造和操控的原理，設計并生產出功能更集中、效能更高、生物學特性更佳的機械手臂。把可運用于生物體系中的優越構造和物理特征相結合，將能夠得到比大自然所形成的生物系統特性更全面的仿生機器。劉子娟等［30］提出仿蛇嘴機構的理念，通過運動學分析，對參數進行優化，設計出較為理想的機構。在此基礎上，重慶大學的王毅等［31］提出仿蛇嘴咬合式采摘執行末端，設計之初應用在柑橘采摘上，而咬合式的提出主要是參照了響尾蛇的咬合動作和蛇嘴的構造，從而設計了這種咬合式的執行末端。在設計過程中，進行了運動學建模仿真，此機構要實現上下顎以相同軌跡運動的同時，蛇頭骨骼結構中的下顎運動要相對獨立，執行末端的張角盡可能大。最終采摘實驗的成功率達87.5%。這種思想的提出為其應用在蔬菜采摘領域提供了很好的思路。Quan等［32］設計的多功能蜓爪式仿生末端執行器很好地利用了仿生這一原理。首先是獲得蜻蜓的相關物理信息，得到對應的數據。利用D-H法建立運動模型，得到主要抓取部位，測定極限值，最后進行試驗。末端執行器中手指和關節數量要仔細考量，這里使用欠驅動機械手，每個手指由三個關節構成，指節內的柔性鐵絲收緊后，接觸表面的力傳感器開始作用，達到界值停止收縮。該實驗的對象是成熟的番茄、茄子、柿子椒等蔬菜，試驗效果較好。

此處提到的欠驅動式（驅動數少于自由度數）末端執行器［33］，目前國內外大多研究都體現在結構的優化設計上，目前尚未有學者將其應用在蔬菜采摘這一領域，大多數停留在實驗階段。例如雷翔鵬等［34］研究了欠驅動手爪在不同抓取模式下的運動特性和抓取能力，以及在特定條件下優化基指節內推桿的長度和擺動角度，以最小化連接手指處的應力，有效增強了欠驅動手爪的實用性和可靠性。

2.2視覺系統

蔬菜采摘機器人的機器視覺主要包括相機、采集卡、圖像處理卡等，其中機器人能夠有效識別作物的關鍵點在于圖像的識別（處理）以及視覺定位。在視覺系統上的研究可以追溯到20世紀90年代，采摘機器人的目標檢測與識別技術近年來通過迭代更新，取得良好的成效，可以將其分為3個研究階段如表2所示。

三個研究階段為：（1）相對傳統的數字圖像處理技術，該方法主要涉及蔬菜相關特征的提取與識別［3537］；（2）隨著機器學習的發展，學術界又提出基于機器學習的圖像分割技術與分類器［3841］；（3）直到2006年杰弗里·辛頓以及他的學生魯斯蘭·薩拉赫丁諾夫正式提出深度學習的概念以后，深度學習掀起學術界的新浪潮，不少學者將深度學習應用在蔬菜采摘機器人之中［37， 4243］，并取得一定研究成果。

1） 基于蔬菜特征的數字圖像處理技術。呂小蓮等［44］基于顏色特征對成熟的番茄進行采摘，在確定采摘對象顏色特征的基礎上，建立基于色差信息的改進Ostu分割算法的識別模型，通過對圖像的處理去除自然背景，掃清GMM方法提取輪廓豐滿但是存在自然背景噪聲的運行障礙。Chaivivatrakul等［45］提出一種基于紋理分析的植物綠色果實檢測方法。該方法包括興趣點特征提取和描述符計算、利用支持向量機進行興趣點分類、候選果點映射、形態閉合和果實區域提取。針對苦瓜的24種興趣點特征和興趣點描述符的組合進行評估，取得較高的精度，苦瓜的檢出率為100%。足以說明該方法具有精確定位和監測。未來的工作將探索檢測和跟蹤的結合，以進一步改進該方法。以上的特征提取方法都是針對單個特征，在某些特定情況下其識別精度稍顯乏力。于是，后來就有學者針對多個特征融合的圖像處理技術展開一系列研究。Payne等［46］使用多特征融合的方式對作物的產量進行計數，對獲取的圖像進行分析，使用RGB和YCbCr顏色范圍內的顏色分割和基于相鄰像素可變性的紋理分割，將像素分割為果實和背景像素。對生成的斑點進行計數，以獲得每張圖像的果實計數。告別了單一特征在檢測時會遇到干擾的情況，多特征融合提高了檢測的精度和魯棒性。但是，這類方法也存在不足性，要是對于較不成熟的果實，其具有的顏色特征就可能會少，所以要較少地對顏色分割的強調，轉而考慮使用周長匹配作為改進果實檢測的一種手段。同時，也應該研究在野外條件下建立一致的光照條件的方法。

2） 基于機器學習的圖像處理技術。采用機器學習的方法對圖像進行識別，從給定的訓練樣本集出發，找到并總結樣本數據規律，從而對目標作物的圖像做出預測、識別。機器學習的類別主要有監督學習、無監督學習、強化學習等。學術界對這些方法都展開廣泛的研究［47］。在無監督學習中通常會使用到聚類算法，K-means聚類使用較為廣泛。由于在自然采摘條件下，機器人的視覺系統往往會受到光照條件的影響，為了消除這一影響，Wang等［3940］提出一種針對不同光照的分割算法。改進小波變換應用在作物圖像中，對作物表面的照明進行歸一化處理。基于Retinex的圖像增強算法對光照歸一化圖像中的作物進行突出顯示。采用K-means聚類的方法對作物圖像進行分割，對不同光照的影響具有魯棒性，并能精確分割不同顏色的果實，該算法的平均處理時間僅為1365ms。Luo等［47］利用基于K-means聚類和有效顏色成分的分割算法，根據每個像素區域的幾何信息確定每個目標作物的感興趣區域，并利用幾何約束方法確定合適的切割點。對從不同角度捕獲的作物圖像進行了測試，平均識別準確率為88.33%。該方法的結果在很大程度上依賴于每個作物像素區域提取的準確性，當提取精度不理想時，該方法在某些情況下可能會失敗。在監督學習領域，中國農業大學的李寒等［48］基于貝葉斯分類器算法，提出溫室綠熟番茄機器視覺檢測方法。要解決光線不均勻、有陰影或者遮擋的目標作物的問題，作者使用快速歸一化互相關函數對果實潛在區域檢測，隨后用區域分類器分類并判別是否為綠果。采取局部極大值法和隨機圓環變換檢測圓算法，分辨紅綠果同時存在的情況。為解決背景色近似的問題，還使用了有機結合紋理特征的方法。除此之外，還有基于支持向量機（Support Vector Machine）算法，它是一種線性分類和非線性分類都支持的二元分類算法，對于分類的精度要求很高。Lu等［49］提出針對實驗階段的訓練照片與自然環境下真實果實的不同，同時要有效地分辨紅綠藍色彩，作者使用形態學操作，使多類支持向量機（SVM）同時對果實和枝條進行分割，避免了傳統的閾值分割的低效性，識別率為92.4%，且直徑大于5個像素的分支可以被識別。為去除彩色圖像中的噪聲以及提高識別的精度和效率。Ji等［41］提出采用向量中值濾波器去除彩色圖像噪聲，基于區域增長和顏色特征變化的圖像分割方式。在獲得圖像的色彩特性和形態特點以后，提供一個通過支持向量機的蘋果識別分類算法來實現此目的。為去除背景和光照對圖像識別的干擾，并檢測未成熟的綠色柑橘果實。Sengupta等［50］提出的檢測算法中，形狀分析和紋理分類是該算法的兩個組成部分。形狀分析可以檢測盡可能多的目標。利用支持向量機（SVM）進行紋理分類，采用Canny邊緣檢測結合基于圖的連接組件算法和霍夫線檢測來去除假陽性，用尺度不變特征變換（SIFT）算法檢測關鍵點進一步去除。最后達到在自然環境下檢測率80.4%的效果。

3） 基于深度學習的識別技術。近年來，不少學者將目光鎖定在“深度學習”這一版塊，思考如何將其更好地運用在蔬菜采摘機器人領域。基于深度學習的卷積神經網絡模型種類繁多，但無外乎也可分為兩個大類，即單階段檢測算法和兩階段檢測算法。在單階段檢測算法中，比較常見的就是YOLO（You Only Look Once）網絡模型和SSD網絡模型。YOLO網絡模型首先提出是在2016年，經過迭代更新已經從YOLOv1發展到YOLOv5。YOLO算法是當前目標檢測算法領域中的佼佼者，它可以同時對目標圖像中的目標進行檢測和分類，突出其檢測速度快、高效，有效地彌補Faster RCNN算法在檢測速度上難以滿足實時需求的弊端。YOLOv1就是利用概率和邊界做回歸模型求解，相較其他算法在運行速度上有所提高，由于多次的卷積運算會將小目標（特征）過濾掉，造成精度的缺失。在保持原有的檢測速度基礎上，提出的v2增強預測精度、識別對象更多。v3保留v1大部分特征，通過改變模型結構的大小，實現速度與檢測精度平衡。2020年在v3的基礎上，做出相對全方位的改進，提出新的高效檢測算法YOLO v4，其集大成者，對模型進行不斷地調參、堆料。時隔兩個月學術界就提出了YOLO v5算法，其性能與v4相差無幾，創新點并不多，但是速度卻遠超v4，模型尺寸也非常小。張宏鳴等［51］基于改進的YOLO算法對玉米幼苗進行識別，獲得幼苗株數數據。與原來的算法相比，改進的FE-YOLO算法突出植株特征，用特征增強機制快速獲取幼苗株數，在模型中，構建基于動態激活的輕量特征網絡，引入注意力機制，實驗表明召回率和mAP都有所提高，識別精度得到提高。郭瑞等［52］提出將v4運用在大豆的豆莢測數實驗中，為了較好地計算單株大豆擁有的豆莢數，除了使用的聚類算法和注意力機制以外，還做出了改進。使用遷移學習進行預訓練，獲取的最優模型才用作對測試機的預測。總的來說，YOLO算法在不斷地升級優化，力圖達到更完美、更實用。至于SSD網絡模型，彭紅星等［53］提出利用改進的SSD模型對自然環境下的植株進行識別，改進點在于將輸入模型替換為ResNet-101，并基于遷移學習方法和隨機梯度下降算法對模型進行優化，在Caffe框架下得出不同類型的果實具有較優的實驗結果。還有學者針對茶葉檢測使用了SSD算法，在提取超綠因子和形態學處理的基礎上，又對數據集擴充，進行了人工標注，在神經網絡的計算下，調整相關的參數，得到一個理想的檢測模型。

兩階段檢測算法中涉及的種類就比較多，其中Faster R-CNN就比較常見，在果蔬采摘識別領域也有不少應用。杜玉紅等［54］提出使用改進Faster RCNN模型對棉花的異性纖維進行識別，由于異性纖維的尺寸和形狀相對多樣性，采用RseNet-50取代了VGG16作為特征提取網絡，對生成的候選框還需要使用k-means++聚類算法來改進，才能更好地實現定位和分類。除此之外，FCN網絡［55］對原始圖像的尺寸要求不高，識別效率高，但是精度不高。SegNet網絡［56］可以有效地分辨出果實和背景圖像，甚至對目標的邊界輪廓也能做出精準識別，分析出相對位置。Mask-RCNN網絡［57］可以對小的目標進行有效地識別，避免了在卷積運算中被忽略，可以使用在遮擋和目標重疊的情況。綜上所述，深度學習的網絡模型種類很多，根據特定情況選擇合理的算法才能達到理想的效果。

3存在問題與展望

3.1存在問題

1） 作業環境的復雜性。蔬菜采摘機器人應用的場景往往是非結構性。光譜反射特性是目前廣泛采用的識別原理，但受到天氣情況和光線等因素的影響。在光線較差或強光照射下，視覺系統很難準確識別邊界。此外，目標作物被遮擋也是一個考慮因素，雖然基于深度學習的方法可以解決這個問題，但需要大量的樣本和較長的識別時間。難以建立誤差補償機制是因為機器視覺和作業環境的復雜性之間的挑戰。當遇到訓練之外的意外情況時，視覺系統往往難以正確識別，導致誤識別的后果。此外，在圖像處理過程中還會受到噪聲的干擾，從而導致識別系統的不穩定和性能下降。針對這些問題，需要進一步優化和改進識別算法，以提高機器人在復雜環境下的作業能力。

2） 作業對象的不穩定性。作業對象的個體差異性和隨機性。針對這一問題，視覺系統需要有足夠大的訓練樣本來支持其工作，因為每個作業對象的特征略有不同。此外，蔬菜的成熟度和不同時期的顏色區間也存在差異，這也增加了識別的復雜性。在果實成熟的階段，平均采摘周期較長，導致部分地區的采摘效率較低。在采摘過程中，還要注意到蔬菜的柔軟易損特性，例如嫩葉和柔軟的菜皮容易受到損傷。因此，需要改進執行末端的設計，提高其通用性和實用性，以避免對蔬菜造成不必要的損害。綜上所述，為了能夠有效應對作業對象的不穩定性，采摘機器人的視覺系統和執行末端需要不斷改進和優化。

3） 硬件存在的不足。目前，對于執行末端的自由度控制還沒有達到理想效果。雖然較高的自由度可以提高靈活性和采摘效果，但相應的控制難度也增加。目前，欠驅動式執行末端仍處于實驗階段，并未廣泛應用。此外，激光測距儀也面臨一些問題。一方面，激光可能會受到障礙物的遮擋而無法準確照射到目標上；另一方面，如果測距過遠，可能會導致激光失焦，從而影響設備性能。激光測距儀本身也存在系統復雜、速度慢和高成本等問題，不是最佳選擇。除了距離傳感器外，使用視覺傳感器也存在問題。景深相機的分辨率受到限制，難以實現理想精度的測量，通常需要其他輔助設備來提高測量精度。此外，難以解決產生的未知誤差，相機鏡頭可能與周圍環境發生碰撞，導致畸變，影響成像精度，同時也會降低識別和特征提取的效果。因此，對于硬件不足的問題，需要進一步改進和優化，以提高采摘機器人的性能。

4） 采摘機器人的成本。隨著中國人口老齡化問題的出現，農業勞動力受到了一定的影響，因此在必要的情況下，推廣智能設備成為一種解決方案。要實現蔬菜采摘機器人的廣泛應用和推廣，需要在降低產品成本方面下功夫。只有當采摘機器人的成本性價比高于人工作業時，才能有廣泛應用的空間。在中國的山地丘陵地區農業機械的使用率相對較低。這些地區地勢陡峭、道路狹窄，常規農業機械難以到達耕作區域。通常情況下，勞動力需要將農業機械搬運到目標作業地，但由于勞動力短缺的現狀，常規設備很難解決這個問題。為了解決這些問題，需要在研發采摘機器人時注重降低成本，并確保其適應不同地區的特點和需求。

3.2展望

1） 從蔬菜本身出發。采取合理的栽培模式可以方便采摘機器人的收獲，并減少識別過程中的背景干擾和莖葉干擾。例如，采用懸掛式種植黃瓜可以讓成熟的果實顯露在棚架下方，減少了干擾，從而使圖像處理和末端執行器的工作更加容易。同時，需要更新農民傳統種植模式和方法的理念。即使不考慮普及采摘機器人，這種方法也有助于為蔬菜采摘機器人的實驗提供支持。因此，通過合理的栽培模式和更新種植理念，可以為采摘機器人的應用提供更好的條件。

2） 改善軟件系統。可以通過優化和升級基于相機視覺捕捉的算法，更好地提取目標作物的特征，并減少識別所需的時間。目前基于深度學習的方法得到了廣泛應用，可以結合現有的大數據產業構建產品數據庫，數據越全面，效果會越好。人工智能在過去十年中取得了巨大進步，為我們提供了各種便利，這是通過大量數據和訓練獲得的結果。通過反復訓練相同類型的圖片或動作，系統可以學習并改進。然而，目前的研究仍存在一些困難。由于機器學習的數據集需要精心策劃，這些數據集都存在局限性。在訓練系統時，需要確定一個發展軌跡，使網絡能夠發生變化。可以考慮三個方面的方法：一是引導和約束信息處理；二是從多樣化、多模式的輸入中學習；三是輸入是通過發展和主動學習來塑造的。在學習過程中，通常會盡量消除針對性干擾，讓數據本身來驅動學習。因此，機器需要內置偏好以塑造學習過程，并需要從更豐富的數據集中學習。因此，優化軟件系統可以為采摘機器人的性能提供重要支持。

3） 優化硬件系統。基于機械結構進行設計，使蔬菜采摘機器人便于控制并具備整體靈活性。機器人在工作過程中具有復雜多變的運動軌跡，因此機械結構應滿足這一要求，設置合理的自由度，并在必要時采用欠驅動式執行末端。同時，機器人整體外觀應緊湊，并符合運動軌跡的要求。此外，還需要進行運動學和動力學分析，以確保機器人能夠平穩運動、合理避障，并提高系統和設備的通用性。

當前的采摘機器人大多采用專用的控制系統、執行末端和程序代碼。在進一步研究中，應致力于突破機器人的限制性，形成可擴展、靈活多變、模塊化的產業格局。這將有助于減少開發成本和調試時間，實現一機多用的目標。此外，還應致力于研究多傳感器融合技術，充分考慮識別精度和機器成本之間的權衡，在合理的區間內實現低成本、高精度的目標。

4） 因地制宜。在不同地區，應根據地方情況進行適宜的蔬菜收獲方式選擇。在東部平原地區，蔬菜種植已實行自動化產業體系，采用模塊化種植以方便采摘機器人的收獲，并取得了良好成效。而在西部丘陵地區，由于地形限制，大規模自動化收獲可能受到阻礙，因此可以考慮實行人機交互蔬菜收獲模式。傳統的人工收獲強度大且效率低，但在此基礎上增設基于人工操作的采摘機，可以提高收獲效率，并降低在復雜環境下機器故障的概率。因此，在不同地區應采取適合當地條件的蔬菜收獲方式，以最大程度地提高效率和可靠性。

4結語

本文對經典的蔬菜采摘機器人取得的研究進展做了歸納總結，包括目標識別、定位和末端執行器優化設計等方面。重點總結了采摘機器人的末端執行器和視覺系統。文章梳理了夾持式結構、吸持式結構和仿生式末端執行器的特點及應用情況。在視覺系統方面，文中對于不同類型的識別技術進行了分析和比較。最后，還對當前的研究現狀進行了評估，并提出展望。

1） 對各類蔬菜采摘機器人的研究歷程進行分析，可以得出國內在蔬菜采摘機器人研究方面起步較晚，國外學者在末端執行器創新和識別系統應用方面取得了領先。近年來國內的研究也取得了創造性的突破。

2） 在末端執行器的研究領域，夾持式和吸持式結構的研究和應用趨于成熟，而仿生式機構的研發和應用受到研究者的關注。其具有較強的靈活性和適應性，能夠更好地適應復雜環境和完成精細任務，難點在于設計和控制方面的突破。

3） 在視覺系統的研究領域，重點比較了基于圖像處理、機器學習和深度學習的三類方法。傳統的圖像處理方法基于蔬菜特征，具有時效性和經驗性，但抗干擾能力差，容易受到環境的影響。機器學習方法準確性高，但需要大量標注數據和復雜的參數調優。深度學習方法雖然模型訓練時間長，但具備自動特征學習、高準確性和抗干擾能力強等優勢，已成為蔬菜識別領域的主流方法，具有較高的精度和魯棒性。

4） 盡管采摘機器人在靈活程度、自動化程度等方面還存在各式各樣的不足，隨著新技術的出現、科研水平的不斷提高，對于采摘機器人的研究深度也穩步攀升，在蔬菜采摘機器人關鍵技術和機構方面將會取得一些突破性的進展。

參考文獻

［1］劉繼展. 溫室采摘機器人技術研究進展分析［J］. 農業機械學報， 2017， 48（12）： 1-18.Liu Jizhan. Research progress analysis of robotic harvesting technologies in greenhouse ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（12）： 1-18.

［2］黃梓宸， Sugiyama Saki. 日本設施農業采收機器人研究應用進展及對中國的啟示［J］. 智慧農業（中英文）， 2022， 4（2）： 135-149.Huang Zichen， Sugiyama Saki. Research progress and enlightenment of Japanese harvesting robot in facility agriculture ［J］. Smart Agriculture， 2022， 4（2）： 135-149.

［3］Du Yuefeng， Fu Shenghui， Mao Enrong， et al. Development situation and prospects of intelligent design for agricultural machinery ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（9）： 1-17.

［4］Yasukawa S， Li B， Sonoda T， et al. Development of a tomato harvesting robot ［C］. 2017 International Conference on Artificial Life and Robotics， Miyazaki. 2017： 408-411.

［5］Takuya F， Shinsuke Y， Kazuo I. System development of tomato harvesting robot based on modular design ［C］. In： 2019 International Workshop on Smart Info-Media Systems in Asia： SS1-1. Tokyo， Japan： The Institute of Electronics， Information and Communication Engineers， 2019.

［6］于豐華， 周傳琦， 楊鑫， 等. 日光溫室番茄采摘機器人設計與試驗［J］. 農業機械學報， 2022， 53（1）： 41-49.Yu Fenghua， Zhou Chuanqi， Yang Xin， et al. Design of tomato picking robot in solar greenhouse ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（1）： 41-49.

［7］Chen K， Yang J， Jiang S， et al. Multi-sensor fusion tomato picking robot localization and mapping research ［J］. Journal of Physics： Conference Series， 2023， 2477（1）： 012057.

［8］Jun J， Seol J， Son H I. A novel end-effector for tomato harvesting robot： Mechanism and evaluation ［C］. 2020 20th International Conference on Control， Automation and Systems （ICCAS）. IEEE， 2020： 118-121.

［9］古煒豪， 秦廣明， 周詩豪， 等. 基于雙目定位的番茄采摘系統設計［J］. 中國農機化學報， 2016， 37（11）： 135-138.Gu Weihao， Qin Guangming， Zhou Shihao， et al. Design of tomato picking system based on binocular positioning ［J］. Journal of Chinese Agricultural Mechanization， 2016， 37（11）： 135-138.

［10］朱智惟， 單建華， 余賢海， 等. 基于YOLOv5s的番茄采摘機器人目標檢測技術［J］. 傳感器與微系統， 2023， 42（6）： 129-132.Zhu Zhiwei， Shan Jianhua， Yu Xianhai， et al. Target detection technology of tomato picking robot based on YOLOv5s ［J］. Transducer and Microsystem Technologies， 2023， 42（6）： 129-132.

［11］Van Henten E J， Van Tuijl B A J， Hemming J， et al. Field test of an autonomous cucumber picking robot ［J］. Biosystems Engineering， 2003， 86（3）： 305-313.

［12］Park Y， Seol J， Pak J， et al. Human-centered approach for an efficient cucumber harvesting robot system： Harvest ordering， visual servoing， and end-effector ［J］. Computers and Electronics in Agriculture， 2023， 212： 108116.

［13］張燕軍， 吳華昕， 蘇偉， 等. 氣力驅動的黃瓜梗剪切裝置設計與試驗［J］. 中國農機化學報， 2021， 42（2）： 101-108.Zhang Yanjun， Wu Huaxin， Su Wei， et al. Design and experiment of pneumatic cutting device for cucumber stalk ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 101-108.

［14］Hu Xiaomei， W Chuan， Y Tao. Design and application of visual system in the Agaricus bisporus picking robot ［A］. 2018 International Symposium on Power Electronics and Control Engineering （ispece 2018）［C］. Bristol： Iop Publishing Ltd， 2019， 1187： 032034.

［15］王玲， 徐偉， 杜開煒， 等. 基于SR300深度相機的褐蘑菇原位測量技術［J］. 農業機械學報， 2018， 49（12）： 13-19， 108.Wang Ling， Xu Wei， Du Kaiwei， et al. Portabella mushrooms measurement in situ based on SR300 depth camera ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（12）： 13-19， 108.

［16］周云山， 李強， 李紅英， 等. 計算機視覺在蘑菇采摘機器人上的應用［J］. 農業工程學報， 1995（4）： 27-32.Zhou Yunshan， Li Qiang， Li Hongying， et al. Application of computer vision in mushroom picking robot ［J］. Transactions of the Chinese Society of Agricultural Engineering， 1995（4）： 27-32.

［17］楊千. 平菇采摘機器人目標識別與定位控制關鍵技術研究［D］. 蘇州： 蘇州大學， 2020.Yang Qian. Research on key technology of target recognition and positioning control of pleurotus ostreatus picking robot ［D］. Suzhou： Soochow University， 2020.

［18］Hayashi S， Ganno K， Ishii Y， et al. Development of a harvesting end-effector for eggplants.［J］. Shokubutsu Kojo Gakkaishi， 2001， 13（2）： 97-103.

［19］Hayashi S， Ganno K， Ishii Y， et al. Robotic harvesting system for eggplants ［J］. Japan Agricultural Research Quarterly： JARQ， 2002， 36（3）： 163-168.

［20］Sepulveda D， Fernandez R， Navas E， et al. Robotic aubergine harvesting using dual-arm manipulation ［J］. IEEE Access， 2020， 8： 121889-121904.

［21］宋健， 王凱， 張曉琛. 茄子采摘機器人目標識別與測距方法［J］. 實驗室研究與探索， 2015， 34（9）： 54-57.Song Jian， Wang Kai， Zhang Xiaochen. A target recognition and ranging method for eggplant picking robot ［J］. Research and Exploration in Laboratory， 2015， 34（9）： 54-57.

［22］苑進. 選擇性收獲機器人技術研究進展與分析［J］. 農業機械學報， 2020， 51（9）： 1-17.Yuan Jin. Research progress analysis of robotics selective harvesting technologies ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（9）： 1-17.

［23］李國利， 姬長英， 翟力欣. 果蔬采摘機器人末端執行器研究進展與分析［J］. 中國農機化學報， 2014， 35（5）： 231-236， 240.Li Guoli， Ji Changying， Zhai Lixin. Research progress and analysis of end-effector for fruits and vegetables picking robot ［J］. Journal of Chinese Agricultural Mechanization， 2014， 35（5）： 231-236， 240

［24］Avigad G， Salomon S， Kahani A， et al. Robotic fruit harvesting machine with fruit-pair picking and hybrid motorized pneumatic robot arms ［P］. US Patent： 11477942， 2022-10-25.

［25］彭艷， 劉勇敢， 楊揚， 等. 軟體機械手爪在果蔬采摘中的應用研究進展［J］. 農業工程學報， 2018， 34（9）： 11-20.Peng Yan， Liu Yonggan， Yang Yang， et al. Research advances in the application of soft robotic grippers for fruit and vegetable picking ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（9）： 11-20.

［26］紀超， 馮青春， 袁挺， 等. 溫室黃瓜采摘機器人系統研制及性能分析［J］. 機器人， 2011， 33（6）： 726-730.Ji Chao， Feng Qingchun， Yuan Ting， et al. Development and performance analysis on cucumber harvesting robot system in greenhouse ［J］. Robot， 2011， 33（6）： 726-730.

［27］陳子文， 楊明金， 李云伍， 等. 基于氣動無損夾持控制的番茄采摘末端執行器設計與試驗［J］. 農業工程學報， 2021， 37（2）： 27-35.Chen Ziwen， Yang Mingjin， Li Yunwu， et al. Design and experiment of tomato picking end-effector based on non-destructive pneumatic clamping control ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（2）： 27-35.

［28］錢少明， 楊慶華， 王志恒， 等. 黃瓜抓持特性與末端采摘執行器研究［J］. 農業工程學報， 2010， 26（7）： 107-112.Qian Shaoming， Yang Qinghua， Wang Zhiheng， et al. Research on holding characteristics of cucumber and end-effector of cucumber picking ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2010， 26（7）： 107-112.

［29］劉繼展， 李萍萍， 李智國. 番茄采摘機器人末端執行器的硬件設計［J］. 農業機械學報， 2008（3）： 109-112.Liu Jizhan， Li Pingping， Li Zhiguo. Hardware design of the end-effector for tomato-harvesting robot ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2008（3）： 109-112.

［30］劉子娟， 費健， 付莊， 等. 仿生蛇嘴的機構原理與設計［A］. 2011年中國智能自動化學術會議論文集（第一分冊）［C］. 中國自動化學會智能自動化專業委員會， 2011： 485-489.

［31］王毅， 許洪斌， 張茂， 等. 仿蛇嘴咬合式柑橘采摘末端執行器設計與實驗［J］. 農業機械學報， 2018， 49（10）： 54-64.Wang Yi， Xu Hongbin， Zhang Mao， et al. Design and experiment of bite-model end-effector for citrus harvesting by simulating with mouth of snake ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（10）： 54-64.

［32］Quan Longzhe， Zhao Lin， Li Xinghui， et al. Design and test of multifunctional dragonfly claws form bio-mimetic end effector ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（8）.

［33］魏博， 何金銀， 石陽， 等. 欠驅動式柑橘采摘末端執行器設計與試驗［J］. 農業機械學報， 2021， 52（10）： 120-128.Wei Bo， He Jinyin， Shi Yang， et al. Design and experiment of underactuated end-effector for citrus picking ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（10）： 120-128.

［34］雷翔鵬， 劉業峰. 欠驅動多指機械手抓取能力分析與優化研究［J］. 控制工程， 2022， 29（4）： 730-737.Lei Xiangpeng， Liu Yefeng. Research and optimization design of grasping capability for under-actuated multi-finger manipulator ［J］. Control Engineering of China， 2022， 29（4）： 730-737.

［35］劉林， 苑進， 張巖， 等. 日光溫室基質培生菜鮮質量無損估算方法［J］. 農業機械學報， 2021， 52（9）： 230-240.Liu Lin， Yuan Jin， Zhang Yan， et al. Non-destructive estimation method for fresh weight of substrate cultured lettuce in a solar greenhouse ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（9）： 230-240.

［36］彭紅星， 鄒湘軍， 陳麗娟， 等. 基于雙次Otsu算法的野外荔枝多類色彩目標快速識別［J］. 農業機械學報， 2014， 45（4）： 61-68， 75.Peng Hongxing， Zou Xiangjun， Chen Lijuan， et al. Fast recognition of multi color objects in Litchi field based on double Otsu algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（4）： 61-68， 75.

［37］Lin G， Tang Y， Zou X， et al. Guava detection and pose estimation using a low-cost RGB-D sensor in the field ［J］. Sensors， Basel： Mdpi， 2019， 19（2）： 428.

［38］Moallem P， Serajoddin A， Pourghassem H. Computer vision-based apple grading for golden delicious apples based on surface features ［J］. Information Processing in Agriculture， 2017， 4（1）： 33-40.

［39］Wang C， Tang Y， Zou X， et al. A robust fruit image segmentation algorithm against varying illumination for vision system of fruit harvesting robot ［J］. Optik， Jena： Elsevier Gmbh， Urban & Fischer Verlag， 2017， 131： 626-631.

［40］Wang C， Zou X， Tang Y， et al. Localisation of litchi in an unstructured environment using binocular stereo vision ［J］. Biosystems Engineering， San Diego： Academic Press Inc Elsevier Science， 2016， 145： 39-51.

［41］Ji W， Zhao D， Cheng F， et al. Automatic recognition vision system guided for apple harvesting robot ［J］. Computers & Electrical Engineering， Oxford： Pergamon-Elsevier Science Ltd， 2012， 38（5）： 1186-1195.

［42］Chen S W， Shivakumar S S， Dcunha S， et al. Counting apples and oranges with deep learning： a data-driven approach ［J］. Ieee Robotics and Automation Letters， Piscataway： Ieee-Inst Electrical Electronics Engineers Inc， 2017， 2（2）： 781-788.

［43］Shelhamer E， Long J， Darrell T. Fully convolutional networks for semantic segmentation ［J］. Ieee Transactions on Pattern Analysis and Machine Intelligence， Los Alamitos： Ieee Computer Soc， 2017， 39（4）： 640-651.

［44］呂小蓮， 呂小榮， 盧秉福. 基于顏色信息的采摘西紅柿識別方法［J］. 計算機工程， 2010， 36（11）： 178-179， 182.Lü Xiaolian， Lü Xiaorong， Lu Bingfu. Identification methods of picking tomatoes based on color information ［J］. Computer Engineering， 2010， 36（11）： 178-179， 182.

［45］Chaivivatrakul S， Dailey M N. Texture-based fruit detection ［J］. Precision Agriculture， Dordrecht： Springer， 2014， 15（6）： 662-683.

［46］Payne A B， Walsh K B， Subedi P P， et al. Estimation of mango crop yield using image analysis-segmentation method ［J］. Computers and Electronics in Agriculture， 2013， 91： 57-64.

［47］Luo L， Tang Y， Zou X， et al. Robust grape cluster detection in a vineyard by combining the AdaBoost framework and multiple color components ［J］. Sensors， Basel： Mdpi， 2016， 16（12）： 2098.

［48］李寒， 張漫， 高宇， 等. 溫室綠熟番茄機器視覺檢測方法［J］. 農業工程學報， 2017， 33（S1）： 328-334， 388.Li Han， Zhang Man， Gao Yu， et al. Green ripe tomato detection method based on machine vision in greenhouse ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（S1）： 328-334.

［49］Lü Qiang， Cai Jianrong， Liu Bin， et al. Identification of fruit and branch in natural scenes for citrus harvesting robot using machine vision and support vector machine ［J］. International Journal of Agricultural and Biological Engineering， 2014， 7（2）： 115-121.

［50］Sengupta S， Lee W S. Identification and determination of the number of immature green citrus fruit in a canopy under different ambient light conditions ［J］. Biosystems Engineering， 2014， 117： 51-61.

［51］張宏鳴， 付振宇， 韓文霆， 等. 基于改進YOLO的玉米幼苗株數獲取方法［J］. 農業機械學報， 2021， 52（4）：221-229.Zhang Hongming， Fu Zhenyu， Han Wenting， et al. Detection method of maize seedlings number based on improved YOLO［J］. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（4）： 221-229.

［52］郭瑞， 于翀宇， 賀紅， 等. 采用改進YOLOv4算法的大豆單株豆莢數檢測方法［J］. 農業工程學報， 2021， 37（18）： 179-187.Guo Rui， Yu Chongyu， He Hong， et al. Detection method of soybean pod number per plant using improved YOLOv4 algorithm ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（18）： 179-187.

［53］彭紅星， 黃博， 邵園園， 等. 自然環境下多類水果采摘目標識別的通用改進SSD模型［J］. 農業工程學報， 2018， 34（16）： 155-162.Peng Hongxing， Huang Bo， Shao Yuanyuan， et al. General improved SSD model for picking object recognition of multiple fruits in natural environment ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（16）： 155-162.

［54］杜玉紅， 董超群， 趙地， 等. 改進Faster RCNN模型在棉花異性纖維識別中的應用［J］. 激光與光電子學進展， 2020， 57（12）： 132-141.Du Yuhong， Dong Chaoqun， Zhao Di， et al. Application of improved Faster RCNN model for foreign fiber identification in cotton ［J］. Laser & Optoelectronics Progress， 2020， 57（12）： 132-141.

［55］Lin G， Tang Y， Zou X， et al. Guava detection and pose estimation using a low-cost RGB-D sensor in the field ［J］. Sensors， Basel： Mdpi， 2019， 19（2）： 428.

［56］Barth R， Hemming J， Van Henten E J. Angle estimation between plant parts for grasp optimisation in harvest robots ［J］. Biosystems Engineering， San Diego： Academic Press Inc Elsevier Science， 2019， 183： 26-46.

［57］Yu Y， Zhang K， Yang L， et al. Fruit detection for strawberry harvesting robot in non-structural environment based on Mask-RCNN ［J］. Computers and Electronics in Agriculture， Oxford： Elsevier Sci Ltd， 2019， 163： 104846.