一種輪式采花機器人設計

摘要：針對黃蜀葵花朵特定采收的時間和人工采摘效率過低的問題，為實現各類花朵采摘機械化和智能化的需求，以黃蜀葵花朵為例并結合其生長特性，設計一種輪式采花機器人。采用工控機和嵌入式微控制器作為采花機器人的主控系統，執行機構采用電力驅動，以蓄電池供電，通過多個推桿電機、舵機和動態基座（基于航姿參考系統，可自動調節工作平臺傾角的機構）構成輪式行走機構，采用兩個攝像頭分別同時獲取黃蜀葵花朵圖像，通過深度識別算法以篩選識別可采摘的目標，采用多個舵機配合帶輪結構構成機械臂和夾爪的控制機構，以完成花朵的采摘與收集。試驗結果表明，機器人對花朵定位的準確率可達75%，識別率高達100%。采花機器人通過主控制系統在試驗田里能成功完成采摘作業，由機械臂配合其夾爪成功抓取花朵，上位機軟件可以完成圖像采集識別、機械臂控制和機器人工作路線的行駛等操作。該機器人適用于各地黃蜀葵和其他部分植物花朵的采集。

關鍵詞：黃秋葵；機器視覺；深度學習；農業自動化；花朵采摘；慣性導航系統

中圖分類號：S225.99" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2024） 09?0202?07

Design of a wheeled flower picking robot： Taking Abelmoschus manihot （Linn.） Medicus

as an example

Sang Yinan Xu Zenglai Wang Qiong Ge Haitao Wang Dianguang

（1. SYD Dynamics ApS， Odense M， 5230， Denmark; 2. Jiangsu Key Laboratory for the Research

and Utilization of Plant Resources， Institute of Botany， Jiangsu Province and Chinese Academy of Sciences

（Nanjing Botanical Garden Mem. Sun Yat?Sen）， Nanjing， 210014， China;

3. Jiangsu Suzhong Pharmaceutical Research Institute Co.， Ltd.， Nanjing， 210018， China）

Abstract： In order to solve the problem that the specific harvesting time and the manual picking efficiency of Abelmoschus manihot are too low， and to meet the needs of mechanization and intelligence in picking all kinds of flowers， a wheeled flower picking robot is designed by taking Abelmoschus manihot （Linn.） Medicus as an example and combining their growth characteristics. The system adopts industrial computer and embedded microcontroller as the main control system of the machine. The actuator of the machine is powered by electric drive in the form of battery. The wheel type walking mechanism is composed of multiple pusher motor actuators and dynamic bases （a mechanism that can automatically adjust the inclination of the working platform based on the attitude reference system）. Two cameras are used to obtain the flower images of hollyhock respectively， and the depth recognition algorithm is used to screen and identify the picking targets. Multiple steering gears and pulley structure are used to form the control structure of mechanical arm and gripper to complete the picking and collection of flowers. The experimental results show that the robot can locate flowers with 75% accuracy and 100% recognition rate. The picking robot can successfully complete the picking operation in the test field through the main control system. The robot arm cooperates with its gripper to successfully grasp the flowers. The upper computer software can complete the operations such as image acquisition and recognition， robot arm control and robot working route driving. It is suitable for the collection of yellow marshmallow and other plant flowers.

Keywords： Abelmoschus manihot; machine vision; deep learning; agricultural automation; flower picking; inertial navigation system

0 引言

黃蜀葵（Abelmoschus manihot （Linn.） Medic.）是一種具備較高效益的經濟作物。其各個部位可用作蔬菜、飼料、油料[1]。而最受關注的，則是其花的應用。黃蜀葵花含有黃酮類化合物，具有清利濕熱，消腫解毒等功效。可用于濕熱壅遏，淋濁水腫；外治癰疽腫毒，水火燙傷，臨床上對水腫、腎炎等癥狀的治療具有良好效果[2]，是《中國藥典》收載的品種[3]。農作物的收成依賴于較為龐大的采摘作業體系，無論是黃蜀葵花朵的采摘還是在果蔬的采摘生產中都是需要較高的人力成本。對黃蜀葵的栽種培養技術的研究指出因其開放時間僅有一天，所有開放的花均需要當天采摘[4]，所需的勞動強度很大。根據相關數據統計表明，我國在果蔬及其他生產過程中的采摘工作所需勞動力占整個生產過程40%，而人工采摘成本占整個生產成本的60%[5?8]。其次是黃蜀葵花朵自身生長的特性，目前制約黃蜀葵花藥材生產的主要因素是其采摘時間的問題。每朵黃蜀葵花盛開時間僅有一天，為保證黃蜀葵花朵的新鮮程度采摘的時間點就顯得極為重要。此外，隨著城市化不斷推進和社會老齡化的不斷加劇，我國從事農業生產的人口出現嚴重的高齡化現象[5， 8]，勞動力不足成為黃蜀葵花生產的主要制約因素，因此對于農業中黃蜀葵花朵及其他特殊藥材花朵采摘的需求日益增加并逐漸迫切。

近年來，隨著機器視覺和深度學習技術的發展，國內外各研發人員對自動采摘機器人的研究及其相關技術都廣泛應用于果蔬類[9， 10]或果梗類[11， 12]等作物的識別和采摘，Avigad等[13]以可伸縮三指式末端執行器，采用深度相機識別配合其三指式末端執行器可抓取蘋果；徐麗明等[14]設計了一種雙V型手指臍橙采摘機器人末端執行器，通過視覺系統獲取果實和果梗的位姿進行定位，而后末端執行器通過吸附，夾持和旋切三部分機構對果實進行抓取；陳燕等[15]研發了基于雙目立體視覺預定位的方式提前對果實的分布進行識別定位，采摘時再對果實的采摘點進行精準定位；根據上述所提的研究案例無論國內外，對于果蔬的識別定位和采摘的研發技術逐漸趨向于成熟并且不斷的取得進展和成果，而對于黃蜀葵花朵的采摘其實是異曲同工[16]，即宏觀來說都是采用圖像識別定位技術和末端執行器的執行采摘，縱觀國內對于花朵采摘的研究情況屈指可數，且現有的采摘機器人普遍都存在如下缺點：設計和制造成本過高；花朵識別以及采摘成功率不高；市場的推廣性不高。

基于此，本文對黃蜀葵試驗田實地調研后，結合其花朵的生長特性和采摘的具體要求，對機器人手臂和底座結構進行設計，對花朵識別算法進行測試，最后全機實地驗證。

1 黃蜀葵采收要求

傳統的采花機器開發主要集中在金銀花、川紅花等少數作物上。通常使用打擊式采摘，將大量花朵和葉片打下，在之后再進行后處理。較新式的機器使用的采摘原理大致可分為3種：吸入式，篩選式和拉斷式。2013年，劉啟超等[17]提出的金銀花采花機使用軟滾輪對花朵進行篩選。2016年，姬長英等[18]提出的手推式杭白菊梳齒摘花機則利用梳齒控制力度保證將花剪下。2021年，徐虹等[19]提出的川紅花采摘裝置則使用風機將花吸入。以上幾種采花機器有兩個共同的缺點：一方面，對花朵的識別仍然有賴于操作人員，機器只實現了半自動化，不利于進一步提升采收效率；另一方面，無論是碎花、吸入、篩選還是拉斷，都對花的力學性能提出了要求：對于更為脆弱的花朵，這些方法均無法實現有效的采摘，因而也難以適用于黃蜀葵上。此外，黃蜀葵為無限花序植物，其開花方式為花序下部的花先開，每日開1～3朵，逐次向上開放，這種開花方式也決定了不能使用滾筒、梳齒等任何對花序后續生長有破壞性的采收方式。

2 機械結構設計

2.1 總體結構

輪式采花機器人主要由底盤、機械臂平臺和機械臂三部分組成，采用立柱式設計，如圖1所示。其外形尺寸為長91 cm，寬65 cm，高212 cm；該機器人是以電力驅動為主，通過電池供電，考慮到機器在使用周期內應無需更換電池，且機器或者電池達到使用壽命時，確保其能有效進行資源回收和環保處理，其供電方式采用磷酸鐵鋰電池供電。根據設計電壓范圍，以及考慮機器在作業時的續航能力，其選用電壓為12 V，容量為80 Ah，平均功率約2 kW的磷酸鐵鋰電池。使用該電池即可以為機器人提供長達約4 h的工作時長，又能節省機器電源設備的成本。

機器人整體都以電池提供電源，由電動機直接驅動動力輪前進，通過動力輪差速控制方向實現行走功能。萬向輪為從動，僅起到支撐作用。電池同時還向機械臂以及工控機供電。機器人頂部含有可以旋轉的攝像頭和兩個機械臂同時進行作業。一臺機器一般可以安裝2個采摘機械臂（或者等同效果機械裝置，本文以1個機械臂為例進行研究），每個機械臂水平作業半徑為1 m，垂直作業半徑約1 m，完成作業操作范圍覆蓋。作業時，將采花機器人置于田地中，采花機器人通過攝像頭識別花朵并判斷花的位置，然后控制動力輪移動自身位置，控制推桿電機平衡機器人的重心以保持穩定，最后通過伺服電機控制機械臂完成對花朵的摘取，并置于收集桶中，完成采集。

2.2 底盤

機器人的底盤包含動力輪、萬向輪、電池包和硬件控制電路等部分，如圖2所示。因考慮到該機器人輪子是在田間旱地行駛，為防止其在運作時打滑及保證其對地面有較強的適應性和耐磨性，故該機器人采用具有高齒且有高花紋的農用人字輪胎動力輪。該機器人底盤的輪子選擇高齒高花紋的動力輪為兩個獨立控制的固定軸輪組，通過兩個伺服電機來驅動輪子轉動行駛，利用主控機調控伺服電機轉速的差動來實現轉向。萬向輪為從動，僅起到支持作用，與兩個動力輪共同構成底盤支承的三個點。田間地勢崎嶇，對采花機器人的平衡性以及機械臂平臺的水平性提出了較高的要求。為了盡可能降低重心、提高采花機器人的平衡性，將較重的電池包以及控制驅動硬件電路固定于底盤上。底盤上的兩個推桿電機以及一個連桿通過球關節軸承與機械臂平臺連接。

2.3 機械臂平臺

為使機器人獲得足夠的平衡性并讓機械臂平臺具有足夠的水平性，除了結構上盡可能降低重心外，為此還使用機械臂平臺對機器人的傾斜進行主動的平衡和補償。機械臂平臺材料選用玻璃纖維層壓板，板厚4 mm。此外，為了解決機器人在采摘黃蜀葵花朵時，因凹凸不平的地面會使得機體發生些許的傾斜或因硬件架構本身的活動范圍受限等因素，導致機械臂與花朵之間產生過大的間距而無法順利抓取花朵等問題，為此該機器人的機械臂平臺是利用兩個額定電壓為12 V，行程400 mm的推桿電機（平衡推桿）配合1個阻尼支點，使用鋁型材并安裝集成的慣性測量單元（IMU）所搭建的一個航姿參考系統自動調節工作平臺傾角的機構。該慣性測量單元選用了SYD Dynamics的TransducerM系列航向姿態儀，型號為TM200。如圖3所示，機械臂平臺便可通過集成的慣性測量單元實時測量平臺傾角，將與水平面的角度差導入PID控制算法計算補償量并驅動推桿電機維持平臺水平。機械臂平臺頂端集成攝像頭云臺，通過旋轉攝像頭實時采集周圍花朵的信息。機械臂平臺外掛收集桶，用于收集采摘到的花朵。

2.4 機械臂

機械臂由肩關節電機、大臂電機、小臂電機、大臂、小臂、夾爪6個部分組成，如圖4所示。肩關節電機固連在機械臂平臺上，為機械臂提供在水平面旋轉的自由度。機械臂選用肩關節電機，型號為普蘭特傳動35STH28。大臂電機直接驅動大臂，大臂電機選用普蘭特傳動42STH61，材料為鋁6061合金。而小臂電機則通過同步帶與肘關節的同步帶輪相連，從而驅動小臂。小臂電機選用普蘭特傳動20STH30，材料為鋁6061合金。大臂電機和小臂電機均固定于肩關節處，以降低驅動負載。夾爪由伺服電機驅動，通過伺服電機旋轉角度控制夾爪張合角度大小，夾爪材料為UHMW。

3 控制系統

3.1 硬件連接

采花機器人的硬件部分的連接如圖5所示。其硬件部分主要由兩個控制單元組成：工控機以及總控Arduino平臺。其中工控機主要負責處理采花機器人的感知系統，總控Arduino平臺則根據工控機處理后的決定來控制采花機器人具體的動作執行。工控機控制攝像頭云臺按照一定的角度間隔掃描機器人前方的扇面，然后再通過USB接口讀取兩個攝像頭的數據。工控機通過UART串口給總控Arduino發送指令，并獲得航向角數據。

總控Arduino平臺通過UART串口接收由慣性傳感器提供的俯仰、滾轉、偏航角度等信息，通過生成方波向大臂伺服電機、小臂伺服電機以及夾爪伺服電機發送轉動指令。總控Arduino平臺也會通過UART串口向下游輪組Arduino平臺發送指令，以控制動力輪的驅動。總控Arduino平臺還通過輸入輸出口向推桿Arduino平臺發送啟動停止指令，以控制推桿電機，來使采花機器人保持自身的平衡以及機械臂平臺的水平。

3.2 反饋流程

采花機器人的控制系統由路徑控制、平臺平衡穩定、花朵定位采摘3個獨立的反饋回路組成。

3.2.1 路徑控制反饋回路

路徑控制反饋回路如圖6所示。該回路通過全球衛星定位系統實時獲取采花機器人的位置，并結合航向角，與預設的路徑采摘停靠點位置朝向計算差值，將偏差量導入PID控制算法，計算出需要補償的輪組轉動角度，再驅動輪組將機器人移動到合適的位置朝向。

3.2.2 機械臂平臺平衡穩定反饋回路

機械臂平臺平衡穩定反饋回路如圖7所示。該回路通過慣性傳感器讀取機械臂平臺的俯仰、滾轉角度，與預設的平臺傾角（完全水平，即0°）計算差值，然后將偏差量導入PID控制算法，計算出需要補償的推桿高度，再驅動兩個推桿電機將機械臂平臺支撐調節到水平面。

3.2.3 花朵采摘定位反饋回路

花朵采摘定位反饋回路如圖8所示。該回路通過云臺攝像頭掃描植物，并通過深度學習算法識別花朵。之后，肩關節電機將機械臂旋轉至攝像頭方向，通過小臂攝像頭選定目標花朵并持續跟蹤。小臂攝像頭還通過雙目視覺對花朵進行持續測距，并以此計算花朵與夾爪間的偏移量。最后將該偏移量導入PID算法，驅動機械臂靠近目標花朵，啟動夾爪并完成采集和收集工作。

4 花朵識別算法

4.1 花朵識別算法簡介

花朵識別算法被用于云臺攝像頭掃描花朵和小臂攝像頭跟蹤花朵兩處。采花機器人使用的花朵識別算法被置于工控機中，使用TensorFlow 2實現。將預訓練的模型置于工控機中，調用TensorFlow 2 Object Detection API，即可對攝像頭所攝圖像中的花朵進行識別。再利用Block Matching算法，即可完成對花朵的測距。

TensorFlow 2是計算機領域一種相對標準化的用于實現深度神經網絡技術的軟件計算框架，其中包括的子框架名為TensorFlow 2 Object Detection API，該子框架提供了一套相對完整的基于計算機學習算法的視覺處理軟件體系，包括識別和訓練。對于常見的物體的識別，如人體、動物和植物的簡單辨別，在該子框架下可以借助已有的訓練模型實現運算和識別，典型的訓練模型包括SSD MobileNet卷積神經網絡模型。在本文中，因黃蜀葵花的特殊性，常規的訓練模型不具備識別該目標的能力，故需要結合現場采集的照片素材，經過人工分類標記作為輸入數據，對模型進行進一步改進，這個過程稱為“學習”或者“訓練”，如圖9所示。

4.2 識別訓練素材

通過實地拍攝照片實現訓練素材的收集，采集的設備為機載攝像頭和便攜式照相機。本文針對黃蜀葵花朵訓練識別模型所用的部分素材如圖10所示。通過人工框選圖片中的黃蜀葵實例完成相關素材的標記，并通過TensorFlow 2提供的軟件工具，轉換成可以由TensorFlow 2 Object Detection API進行訓練的數據集。在測試試驗中，選取了76張照片，每張照片中含有一個或者多個黃蜀葵花朵，對于靠近攝像頭區域的約5 m內盛開花朵，進行上述人工標記，標記總數超過700件。

4.3 模型訓練

在建立好圖片素材和標記數據倉庫后，便可借助TensorFlow 2提供的運算庫，按照SSD MobileNet模型構建的卷積神經網絡進行模型訓練。為了取得較佳的訓練效果，提升識別模型的可靠度和精確度，可采取增加訓練圖片素材的方式，或者通過增加訓練算法的迭代次數。試驗中，采用了11 000 MOps/Sec浮點運算能力的桌面架構CPU，訓練時長為5 h，該浮點運算能力近似于一臺普通電腦的運算性能；嘗試并挑選合適的卷積神經網絡模型，本文采用了SSD MobileNet模型；根據被識別物體的大小選取合適的圖像分辨率，本文圖像的分辨率為320像素×320像素。

5 全機實地測試驗證

5.1 花朵識別算法測試驗證

本項測試通過黃蜀葵花試驗田中的實地驗證來測試并改進花朵拍攝的相關參數以及識別算法。試驗現場如圖11所示。在進行大量的花朵圖像采集篩選后，在試驗中發現采摘機器人機頂安裝的攝像頭拍攝和截取的圖片，在不同分辨率和不同色調參數下的拍攝，都會使得花朵的識別率存在一些差異。因此為作對比試驗，一組黃蜀葵花朵由采花機器人機頂安裝的默認參數的攝像頭拍攝，另一組黃蜀葵花朵由調整過色調（曝光、白平衡、飽和度等）參數的攝像頭進行人工移動拍攝。

5.1.1 算法評價方法

驗證一個基于計算機圖像識別的算法準確性能，通常可采用的方法如下：其指標包含True Positive指標（簡稱TP），即被識別圖像中，目標真實存在且被算法正確識別的目標數量；False Positive指標（簡稱FP），即被識別圖像中目標不存在，但是算法誤將非目標區域判斷為目標的數量；True Negative指標（簡稱TN），即被識別圖像中目標不存在，且算法判斷出該目標不存在；False Negative指標（簡稱FN），即被識別圖像中目標真實存在，但是算法誤認為目標不存在的目標數量。

準確率表示圖像算法從干擾信息中辨別正確目標的能力；識別率表示圖像算法識別過程中，真實世界的被識別目標往往存在多種形態光照條件，而識別率是一種考察算法在識別目標形態多樣化的環境下的發現能力。

準確率

Accuracy=TP+TN/TP+TN+FP+FN×100% （1）

識別率

Precision=TP/TP+FP×100% （2）

上述準確率和識別率的計算可以針對某一幀圖片進行，也可以針對具有一段時間長度的視頻流進行統計。在本文中采用第一種方法，即以幀為單位對圖片上的目標識別情況進行統計。

5.1.2 性能優化試驗

通常情況下，用于訓練和識別的原始圖像素材質量將直接影響訓練效果和識別率。確定同一套攝像頭在不同的軟件配置下的性能優劣，成為優化設備識別性能的關鍵之一。將拍攝的兩組圖片通過深度學習識別算法程序對機器人的識別系統進行不斷的框選和訓練，而后將這些框選和訓練的數據加載到采花機器人里，讓機器人在試驗田中行走，使用機頂安裝的攝像頭實時拍攝的場景來對比花朵的識別率。其結果也證實，調整過色調（曝光、白平衡、飽和度等）參數的該組黃蜀葵花朵的圖片識別率較高。同等分辨率下不同色調參數的圖片所得到的識別效果如圖12所示。在機器人約1.2 m范圍內，基于前述指標對圖12中的識別效果進行參數化對比如表1所示。

由圖13可知，使用手機等其他拍攝工具拍攝的高清晰度高分辨率的黃蜀葵花朵圖片，相比這兩組使用攝像頭拍攝的花朵具有更高的識別準確率。這就意味著，高清晰度高分辨率的圖片更能讓識別系統精準識別到黃蜀葵花朵，但其所占用的內存就會更大，深度學習算法運行時也將更耗費時間；而低分辨率低清晰度的圖片雖然內存占用不大，但其識別準確率將會有所降低。經過對黃蜀葵花姿態大量圖像的篩選和訓練，采摘機器人的識別算法對其周邊近處的黃蜀葵花朵定位的準確率達到75%，識別率高達100%。

5.2 機器人實地測試驗證

采花機器人的實地測驗證如圖14所示。在黃蜀葵種植基地中，測試區域占地0.066 7 hm²，分為8列，每列寬度2.6 m，其中包含行駛區域寬1.3～1.4 m，將測試機器人設備置于行駛區域中完成自動化識別后，進行采摘作業并記錄識別率以及采摘成功率。

該機器人通過各種傳感器感知和計算機處理，對試驗現場作業環境下盛開的黃蜀葵花自動化完成識別和標注，而后計算機通過自動化引導機械臂完成采摘操作。該機器人主體可以完成按照事先規劃路徑在測試種植場地內行駛，完成采摘場地的遍歷。

通過測試發現，在作業半徑1.2～1.5 m內，機器人具有一定應對環境變化的能力，例如避障和越障能力。該機器人可以準確完成包括識別、抓、摘、放等采花步驟，按照設計要求完成花朵的采摘工作，其中識別率超過75%，抓取成功率不低于80%。

6 結論

1） 設計一款黃蜀葵輪式采花機器人。以電動機為動力行進，通過攝像頭雙目視覺識別花朵并測定方位距離后，由處理器控制機械臂及其上的夾爪完成采摘并置于收集桶中。

2） 采用單目視覺的測量方法，在遮擋不嚴重的情況下能夠有效識別可采摘的黃蜀葵花朵，并較為準確地獲取黃蜀葵的位置。試驗結果表明，機器人對花朵定位的準確率可達75%，識別率高達100%。單目視覺的識別準確度和成功率會受到光照環境的影響，其魯棒性需進一步提高。

3） 此機器人仍有一些地方有待后續改進，如機器穩定性尚不足、在摘取花瓣的時候不能自動分離花萼與花瓣、對于花梗韌性較大的花采收有一定困難等。

參 考 文 獻

[ 1 ] 金玉松. 值得開發的經濟作物：黃蜀葵[J]. 農村新技術， 2003（1）： 66.

[ 2 ] 溫銳， 謝國勇， 李旭森， 等. 黃蜀葵化學成分與藥理活性研究進展[J]. 中國野生植物資源， 2015， 34（2）： 37-44.

Wen Rui， Xie Guoyong， Li Xusen， et al. Advance research on chemical constituents and pharmacological activities of Abelmoschus manihot （L.） Medic [J]. Chinese Wild Plant Resources， 2015， 34（2）： 37-44.

[ 3 ] 國家藥典委員會編. 中華人民共和國藥典（2020年版）一部[M]. 北京： 中國醫藥科技出版社， 2020.

[ 4 ] 郭淑英， 馬金貴， 馬書燕. 黃蜀葵標準化生產優質高效栽培技術規程[J]. 現代農村科技， 2016（11）： 14-15.

[ 5 ] 宋健， 張鐵中， 徐麗明， 等. 果蔬采摘機器人研究進展與展望[J]. 農業機械學報， 2006， 37（5）： 158-162.

Song Jian， Zhang Tiezhong， Xu Liming， et al. Research actuality and prospect of picking robot for fruits and vegetables [J]. Transactions of the Chinese Society for Agricultural Machinery， 2006， 37（5）： 158-162.

[ 6 ] 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.

[ 7 ] 耿端陽， 張鐵中， 羅輝， 等. 我國農業機械發展趨勢分析[J]. 農業機械學報， 2004， 35（4）： 208-210.

Geng Duanyang， Zhang Tiezhong， Luo Hui， et al. Analysis on the development trend of agricultural machinery in China [J]. Transactions of the Chinese Society for Agricultural Machinery， 2004， 35（4）： 208-210.

[ 8 ] 陳威， 郭書普. 中國農業信息化技術發展現狀及存在的問題[J]. 農業工程學報， 2013， 29（22）： 196-205.

Chen Wei， Guo Shupu. Current situation and existing problems of agricultural informatization in China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（22）： 196-205.

[ 9 ] 周增產， Bontsema J， VanKollenburg?Crisan L. 荷蘭黃瓜收獲機器人的研究開發[J]. 農業工程學報， 2001（6）： 77-80.

Zhou Zengchan， Bontsema J， Vankollenburg?Crisan L. Development of cucumber harvesting robot in Netherlands [J]. Transactions of the Chinese Society of Agricultural Engineering， 2001（6）： 77-80.

[10] 陳軍， 王虎， 蔣浩然， 等. 獼猴桃采摘機器人末端執行器設計[J]. 農業機械學報， 2012， 43（10）： 151-154， 199.

Chen Jun， Wang Hu， Jiang Haoran， et al. Design of end?effector for kiwifruit harvesting robot [J]. Transactions of the Chinese Society for Agricultural Machinery， 2012， 43（10）： 151-154， 199.

[11] 蔣志林， 王佳盛， 李嘉威， 等. 機器人采摘荔枝的跌落碰撞損傷試驗[J]. 華南農業大學學報， 2017， 38（6）： 112-117.

Jiang Zhilin， Wang Jiasheng， Li Jiawei， et al. Experiment on drop collision damages during litchi picking by robot [J]. Journal of South China Agricultural University， 2017， 38（6）： 112-117.

[12] 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.

[13] 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： US2020/0128744A1， 2020-04-30.

[14] 徐麗明， 劉旭東， 張凱良， 等. 臍橙采摘機器人末端執行器設計與試驗[J]. 農業工程學報， 2018， 34（12）： 53-61.

Xu Liming， Liu Xudong， Zhang Kailiang， et al. Design and test of end effector of navel orange picking robot [J]. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（12）： 53-61.

[15] 陳燕， 王佳盛， 曾澤欽， 等. 大視場下荔枝采摘機器人的視覺預定位方法[J]. 農業工程學報， 2019， 35（23）： 48-54.

Chen Yan， Wang Jiasheng， Zeng Zeqin， et al. Research on vision pre?positioning for litchi picking robot under large field of view [J]. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（23）： 48-54.

[16] 陳飛， 葛云， 張立新， 等. 紅花采摘機器人集條預定位機構設計與試驗[J]. 農業工程學報， 2021， 37（15）： 10-19.

Chen Fei， Ge Yun， Zhang Lixin， et al. Design and experiment of the strip?collected pre?positioning mechanism for safflower picking robots [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（15）： 10-19.

[17] 劉啟超， 龍福東. 輕便式金銀花采花機[P]. 中國專利： CN203289907U， 2013-11-20.

[18] 姬長英， 王春香， 顧寶興， 等. 手推式杭白菊梳齒摘花機結構設計與試驗[J]. 農業機械學報， 2016， 47（7）： 143-150， 142.

Ji Changying， Wang Chunxiang， Gu Baoxing， et al. Structure design and experiment of hand?push Chrysanthemum morifolium comb?teeth picking machine [J]. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（7）： 143-150， 142.

[19] 徐虹， 凌準. 一種具有可調節結構的川紅花采摘裝置[P]. 中國專利： CN215530054U， 2022-01-18.