基于樹莓派視覺識別的柔性采摘機器人設計

摘要：本研究設計了一種基于樹莓派視覺識別的柔性采摘機器人，通過視覺識別、路徑規劃、采摘控制與遠程監控等功能模塊的協同工作，實現了果實的精準識別與無損采摘。系統采用樹莓派4B主控單元、Intel RealSense D435i深度攝像頭、UR3e機械臂及OnRobot RG2夾爪等硬件，結合YOLOv5、A*算法、PID控制算法及MQTT協議等技術，顯著提升了采摘效率，保證了果實完整性。測試結果表明，系統在視覺識別精度、路徑規劃效率及采摘成功率等方面均達到預期目標，為農業自動化提供了可靠的技術支持。

關鍵詞：樹莓派；視覺識別；柔性采摘機器人；路徑規劃；農業自動化

中圖分類號：TP3 文獻標識碼：A

文章編號：1009-3044（2025）09-0022-03 開放科學（資源服務） 標識碼（OSID） ：

0 引言

隨著農業現代化的推進，采摘機器人成為提高農業生產效率的重要工具。然而，傳統采摘機器人在靈活性和適應性方面存在不足，難以應對復雜多變的果園環境。基于樹莓派的視覺識別技術結合柔性機械臂，為解決這一問題提供了新思路。樹莓派作為一種低成本、高性能的嵌入式計算平臺，能實現高效的圖像處理與目標識別。柔性機械臂則可適應不同果實的形狀和位置，實現精準采摘。本研究旨在設計一種基于樹莓派視覺識別的柔性采摘機器人，以提高采摘效率和保證果實完整性，推動農業智能化發展。

1 需求分析

1.1 功能需求分析

基于樹莓派視覺識別的柔性采摘機器人須具備精準識別、路徑規劃、避障導航、采摘控制及遠程監控等功能。視覺識別模塊應能準確識別果實位置與成熟度；路徑規劃模塊需實現高效移動與避障；采摘控制模塊需協調機械臂與夾持器完成無損采摘[1]；遠程監控模塊應支持實時數據傳輸與狀態反饋。系統還需具備環境適應性，能在復雜農田環境中穩定運行。

1.2 性能需求分析

機器人需滿足高精度、高效率與高穩定性的性能要求。視覺識別精度應達到毫米級，確保果實定位準確；路徑規劃與避障響應時間需控制在毫秒級，保證移動流暢；采摘動作控制須具備高協調性，確保采摘成功率；系統整體功耗應優化，支持長時間連續作業。機器人須具備較強的環境適應性，能在不同光照、地形條件下穩定運行。

2 設計方案

2.1 機器人軟件功能模塊設計

2.1.1 視覺識別與果實定位功能模塊

視覺識別與果實定位功能模塊基于樹莓派開發，采用OpenCV（Open Source Computer Vision Library，開源計算機視覺庫） 和YOLOv5（You Only Look Once ver?sion 5，單階段目標檢測算法） 實現果實識別與定位。

首先，樹莓派連接的攝像頭采集農田環境圖像，利用OpenCV對圖像進行預處理，包括去噪、灰度化、邊緣檢測等操作，提升圖像質量[2]。隨后，YOLOv5算法加載預訓練的深度學習模型，對圖像中的果實進行目標檢測，識別果實的類別、位置及成熟度。果實定位功能計算果實中心點坐標，結合深度攝像頭獲取的距離信息，生成三維空間坐標，為后續路徑規劃提供數據支持。模塊還設計了光照自適應算法，能在不同光照條件下保持較高的識別精度，確保系統在復雜農田環境中的穩定性。

2.1.2 路徑規劃與避障導航功能模塊

路徑規劃與避障導航功能模塊基于A 算法（Astar Algorithm，啟發式搜索算法） 和DWA（Dynamic Window" Approach，動態窗口法） 實現。模塊首先根據視覺識別模塊提供的果實位置信息，結合機器人當前位置，利用A算法規劃從起點到目標點的最優路徑。A*算法評估路徑代價函數，綜合考慮路徑長度與障礙物分布，生成一條高效且安全的移動路徑[3]。避障導航功能利用DWA 算法實時處理激光雷達（LIDAR，Light Detection and Ranging，光探測與測距） 傳感器采集的環境數據，動態調整機器人移動方向與速度，避免與障礙物發生碰撞。模塊還集成了SLAM（Simulta?neous Localization and Mapping，同步定位與地圖構建） 技術，實時構建農田環境地圖，提升路徑規劃的精度與適應性。

2.1.3 采摘動作控制與協調功能模塊

采摘動作控制與協調功能模塊基于PID（Proportional-Integral-Derivative，比例-積分-微分） 控制算法和ROS（Robot Operating System，機器人操作系統） 實現。模塊首先根據視覺識別模塊提供的果實位置信息，生成機械臂的運動軌跡。PID控制算法調節機械臂關節電機的轉速與角度，確保機械臂能精準移動到目標位置。采摘動作協調功能通過ROS的多節點通信機制，實時同步機械臂與夾持器的動作，確保采摘過程的流暢性與穩定性[4]。模塊還設計了力反饋控制算法，力傳感器實時監測夾持器的夾持力度，避免對果實造成損傷。采摘完成后，模塊自動生成返回路徑，確保機器人能高效返回起始位置。

2.1.4 數據通信與遠程監控功能模塊

數據通信與遠程監控功能模塊基于MQTT（Mes?sage Queuing Telemetry" Transport，消息隊列遙測傳輸） 協議和WebSocket技術實現。首先，樹莓派的Wi-Fi 模塊與遠程服務器建立連接，利用MQTT協議實時傳輸機器人的狀態數據，包括位置信息、傳感器數據、任務進度等。遠程監控功能利用WebSocket技術實現雙向通信，用戶能在Web界面實時查看機器人運行狀態，并發送控制指令[5]。模塊還設計了數據緩存機制，在網絡不穩定時臨時存儲數據，確保數據的完整性與可靠性。遠程監控界面支持可視化展示，用戶可在地圖查看機器人位置，在圖表分析中看到任務執行效率，提升系統的可操作性與用戶體驗。

2.2 機器人硬件行動模塊設計

2.2.1 樹莓派主控單元

樹莓派主控單元采用樹莓派4B（Raspberry Pi 4Model B） 作為核心控制器，配備4GB RAM（Random Access" Memory，隨機存取存儲器） 和64 位四核ARMCortex-A72處理器，主頻為1.5GHz。選擇樹莓派4B 的原因在于其高性能計算能力與低功耗特性，能滿足視覺識別、路徑規劃等復雜算法的實時運行需求。樹莓派4B 支持雙頻Wi-Fi（Wireless" Fidelity，無線保真） 和藍牙5.0（Bluetooth 5.0） ，確保機器人與遠程監控系統之間的穩定通信[6]。樹莓派4B 提供豐富的GPIO（General Purpose Input/Output，通用輸入輸出） 接口，便于連接各類傳感器與執行器，為系統擴展提供靈活性。主控單元還配備了散熱風扇與金屬外殼，確保長時間運行時的穩定性與可靠性。

2.2.2 視覺傳感器模塊

視覺傳感器模塊采用Intel RealSense D435i深度攝像頭（Depth Camera） ，支持RGB（Red Green Blue，紅綠藍） 圖像與深度信息的同步采集。D435i的深度感知范圍為0.2m 至10m，分辨率為1280×720，幀率為30fps（Frames Per Second，幀每秒） ，能滿足農田環境中果實識別與定位的高精度需求。選擇D435i的原因在于其內置IMU（Inertial" Measurement Unit，慣性測量單元） ，能實時校正攝像頭姿態，提升圖像采集的穩定性。攝像頭通過USB 3.0接口與樹莓派連接，確保數據傳輸的高效性。視覺傳感器模塊還配備了遮光罩與防水外殼，適應復雜農田環境中的光照變化與濕度條件。

2.2.3 多自由度機械臂模塊

多自由度機械臂模塊采用UR3e（Universal Robots3e） 協作機械臂，具有6個自由度，最大負載為3kg，重復定位精度為±0.03mm。UR3e機械臂內置力傳感器，能實時監測末端執行器的受力情況，確保采摘動作的精準性與安全性。選擇UR3e的原因在于其輕量化設計與高靈活性，能適應不同高度與角度的果實采摘任務。機械臂的Ethernet（以太網） 接口與樹莓派連接，支持實時控制與狀態反饋。模塊還配備了防塵與防水保護裝置，確保在農田環境中的長期穩定運行。

2.2.4 柔性夾持器模塊

柔性夾持器模塊采用OnRobot RG2 柔性夾爪（Flexible Gripper） ，最大夾持力為40N，夾持范圍為0mm至110mm。RG2夾爪內置力反饋控制功能，能根據果實的大小與硬度自動調節夾持力度，避免對果實造成損傷。選擇RG2的原因在于其高適應性，能夾持不同形狀與大小的果實，如蘋果、番茄等。夾爪基于Modbus RTU（Remote Terminal" Unit，遠程終端單元） 協議與樹莓派通信，支持實時控制與狀態監測。模塊還設計了防滑橡膠墊與自清潔功能，確保夾持過程的穩定性與衛生性。

2.2.5 移動底盤與驅動模塊

移動底盤與驅動模塊采用TurtleBot3 Waffle Pi移動機器人底盤，配備兩個DYNAMIXEL XM430-W350 驅動電機，最大扭矩為3.0N·m，最高速度為0.22m/s。底盤采用四輪驅動設計，配備全向輪（Omni Wheel） ，能在復雜地形中靈活移動。選擇TurtleBot3 Waffle Pi 的原因在于其開源性與可擴展性，便于與樹莓派系統集成。底盤內置IMU與編碼器，能實時監測機器人的位置與姿態，支持SLAM（Simultaneous Localization and Mapping，同步定位與地圖構建） 功能。模塊還配備了防塵與防水外殼，確保在農田環境中的長期穩定運行。

3 測試分析

3.1 搭建測試環境

測試環境搭建在模擬農田場景中，包含不同光照條件（晴天、陰天） ，自然光照強度的變化會直接影響視覺識別模塊的成像質量，通過調節LED補光燈組模擬不同光照強度，可測試系統在20000～50000lux光照范圍內的適應性。地形條件設置平坦地面與15°坡道，主要考慮到實際果園中常見的坡度差異，機器人需在負載2kg果實的情況下完成±15°坡道的穩定行走，同時驗證路徑規劃算法在不同地形下的調整能力。果實分布密度設置稀疏（間距≥80 cm） 與密集（間距≤30 cm） 兩種模式，機械臂末端的激光測距儀實時檢測果實間距，評估系統在不同采摘難度下的作業效率。

測試平臺包括機器人硬件系統、遠程監控終端及數據采集設備。測試參數來源于實際果園環境，方法包括視覺識別精度測試、路徑規劃效率評估及采摘成功率統計。評價標準為視覺識別誤差≤±2mm，路徑規劃響應時間≤50ms，采摘成功率≥95%。測試過程進行多次重復實驗以驗證系統穩定性。

3.2 功能測試分析

在功能測試中，針對視覺識別精度，在晴天和陰天環境下利用蘋果模型進行測試。對于路徑規劃響應時間，對障礙物避讓場景進行記錄。采摘成功率則在果實密集分布區執行測試（測試結果見表1） 。

功能測試結果表明，視覺識別精度在晴天與陰天光照變化下，測試數據為±1.8 mm，優于≤±2 mm的標準值，在可接受范圍內，說明系統在光照變化時具有一定適應性。路徑規劃響應時間在障礙物避讓場景中，僅47.3 ms，遠小于≤50 ms的標準，能確保機器人快速靈活應對。采摘成功率在果實密集分布場景達96.7%，高于≥95%的標準，表明該系統在復雜果實布局下也能高效完成采摘任務，功能表現出色，整體功能滿足設計需求。

3.3 性能測試分析

進行性能測試時，為檢驗系統運行功耗，讓設備連續作業2小時，監測功率變化。針對機械臂定位精度，在復雜地形模擬采摘場景下精準測量。而數據傳輸延遲測試，則在Wi-Fi信號強度為-70dBm的環境中開展（測試結果見表2） 。

3.3 性能測試分析

進行性能測試時，為檢驗系統運行功耗，讓設備連續作業2小時，監測功率變化。針對機械臂定位精度，在復雜地形模擬采摘場景下精準測量。而數據傳輸延遲測試，則在Wi-Fi信號強度為-70 dBm的環境中開展（測試結果見表2） 。

性能測試結果顯示，系統運行功耗在連續作業2小時后為12.3 W，顯著低于標準值15 W，體現出良好的節能特性，有利于長時間穩定工作。機械臂定位精度在復雜地形采摘時達±0.027 mm，滿足≤±0.03 mm的標準，說明機械臂能精準定位，保障采摘作業準確性。數據傳輸延遲在Wi-Fi信號弱至-70 dBm的場景下為38.2 ms，低于≤50 ms的標準，確保數據傳輸穩定，系統性能可靠。

因此，從功能和性能上看，本系統已達到預期設計指標，具備較高的應用價值。

4結束語

本文成功設計并實現了一種基于樹莓派視覺識別的柔性采摘機器人，系統在視覺識別精度、路徑規劃效率及采摘成功率等方面均達到預期目標。未來，應進一步優化視覺識別算法，提升系統在復雜環境中的適應性；探索多機器人協同作業模式，擴大采摘范圍與效率；結合5G技術，實現更高效的遠程監控與數據交互。進行持續的技術創新與應用推廣，提高系統的適應性和可擴展性，為農業智能化發展提供更有力的支持。