基于YOLO算法的農(nóng)業(yè)機(jī)械自動(dòng)化控制系統(tǒng)探析

智能化技術(shù)在農(nóng)業(yè)機(jī)械設(shè)備中的應(yīng)用，可以深化農(nóng)業(yè)自動(dòng)化改革，提升農(nóng)業(yè)生產(chǎn)效率與質(zhì)量。深度學(xué)習(xí)算法作為人工智能技術(shù)之一，以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，通過(guò)大數(shù)據(jù)樣本訓(xùn)練，調(diào)整樣本權(quán)重，提升神經(jīng)網(wǎng)絡(luò)的自主學(xué)習(xí)能力，保證機(jī)械設(shè)備的自主識(shí)別能力與自動(dòng)化水平。將其應(yīng)用于采摘機(jī)器人系統(tǒng)，可以幫助采摘機(jī)器人系統(tǒng)有效識(shí)別果實(shí)大小、成熟度等，判斷是否采摘，啟動(dòng)相應(yīng)操作任務(wù)。

一、基于YOLO算法的農(nóng)業(yè)機(jī)械自動(dòng)化控制系統(tǒng)

（一）判斷依據(jù)及算法改進(jìn)

采摘機(jī)器人要具備自主導(dǎo)航、自動(dòng)識(shí)別與作業(yè)、自動(dòng)監(jiān)測(cè)等基礎(chǔ)功能，滿足農(nóng)業(yè)生產(chǎn)的自動(dòng)化需求。同時(shí)，該設(shè)備還要具備自主學(xué)習(xí)能力，提升果實(shí)識(shí)別能力[1]。采摘機(jī)器人果實(shí)識(shí)別流程如下：

初始化 $$ 圖像采集 $$ 神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)算法訓(xùn)練 $$ 圖像特征提取 $$ 圖像大小識(shí)別 $$ 成熟度等級(jí)識(shí)別 $$ 采摘。

1.判斷依據(jù)。采摘機(jī)器人是否采摘果實(shí)，判斷依據(jù)是果實(shí)成熟度，通過(guò)果實(shí)大小、顏色識(shí)別進(jìn)行確定。采摘機(jī)器人利用神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)訓(xùn)練，提取果實(shí)輪廓特征，確定果實(shí)位置、識(shí)別果實(shí)顏色，獲取果實(shí)成熟度。

2.算法改進(jìn)。為提升采摘機(jī)器人工作精度，需要對(duì)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行改進(jìn)，得到深度學(xué)習(xí)算法，形成多層次的神經(jīng)網(wǎng)絡(luò)算法，讓采摘機(jī)器人具備類(lèi)人思維，提升自主識(shí)別精準(zhǔn)度。

（二）基于深度學(xué)習(xí)的模型

采摘機(jī)器人以YOLO算法為基礎(chǔ)，通過(guò)邏輯判斷進(jìn)行決策。神經(jīng)網(wǎng)絡(luò)作為智能算法，在采摘機(jī)器人中的應(yīng)用，可以讓機(jī)器人系統(tǒng)決策更加精準(zhǔn)、可靠。

1.樣本訓(xùn)練。通過(guò)生物神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建，訓(xùn)練大數(shù)據(jù)樣本，提升采摘機(jī)器人的自主決策、預(yù)測(cè)與識(shí)別能力。生物神經(jīng)網(wǎng)絡(luò)中神經(jīng)元相互關(guān)聯(lián)，信息在神經(jīng)元上傳遞，樣本的權(quán)重在智能化訓(xùn)練中可以調(diào)整，保持神經(jīng)網(wǎng)絡(luò)良好的自適應(yīng)與自主學(xué)習(xí)能力[2]。

2.誤差信號(hào)反向傳播。采摘機(jī)器人系統(tǒng)中人工神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用，難點(diǎn)問(wèn)題是視覺(jué)與語(yǔ)音識(shí)別。神經(jīng)網(wǎng)絡(luò)算法具備雙向傳播功能，對(duì)比期望與實(shí)際輸出值，反向傳播誤差信號(hào)，時(shí)間與期望輸出值通過(guò)權(quán)值的調(diào)整與修正不斷接近，提升機(jī)器人系統(tǒng)的精準(zhǔn)度。

3.多層網(wǎng)絡(luò)。深度機(jī)器學(xué)習(xí)算法利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)造多層網(wǎng)絡(luò)，底層到高層的語(yǔ)義通過(guò)復(fù)雜映射，更容易建立起深層的網(wǎng)絡(luò)結(jié)構(gòu)。深層次的網(wǎng)絡(luò)結(jié)構(gòu)可以提取出高層的特征信息，在圖處理與語(yǔ)音識(shí)別中，通過(guò)深度學(xué)習(xí)，讓機(jī)器人系統(tǒng)具備自主識(shí)別與學(xué)習(xí)能力。

4.局部最優(yōu)解。深度學(xué)習(xí)算法中深度置信網(wǎng)絡(luò)是其中的重要模型之一，具有良好的收斂性，局部最優(yōu)解較多。玻爾茲曼機(jī)屬于隨機(jī)動(dòng)力系統(tǒng)，其他變量會(huì)影響每個(gè)變量的狀態(tài)，使用概率無(wú)向圖模型描述玻爾茲曼機(jī)，玻爾茲曼機(jī)存在k個(gè)節(jié)點(diǎn)（變量），要求能滿足3個(gè)性質(zhì)。

第一，隨機(jī)變量屬于二值的，可以使用二值的隨機(jī)向量表示隨機(jī)變量，可觀測(cè)變量、隱變量分別表示為V、H。第二，全部節(jié)點(diǎn)連接在一起，節(jié)點(diǎn)中的變量都依賴(lài)于其他變量。第三，變量之間相互影響，形成對(duì)稱(chēng)的關(guān)系。玻爾茲曼機(jī)的變量有6個(gè)，分別為x1、x2，x3，x4，x5，x6o 玻爾茲分布 + 得到隨機(jī)向量X的聯(lián)合概率，并確定能量函數(shù)，定義變量之間的連接權(quán)重、狀態(tài)和變量的偏置。

通過(guò)能量函數(shù)分析，可以明確農(nóng)業(yè)機(jī)械自動(dòng)化控制系統(tǒng)運(yùn)行過(guò)程中，對(duì)賦予權(quán)重較多的變量進(jìn)行分析，如果發(fā)生的偏置較多，則可以確定出最大影響因素。當(dāng)給定變量為組觀測(cè)值時(shí)，在模型的深度學(xué)習(xí)下，分析權(quán)重，得到學(xué)習(xí)網(wǎng)絡(luò)的最優(yōu)權(quán)重，為決策者提供參考。

二、基于YOLO算法的農(nóng)業(yè)機(jī)械自動(dòng)化控制系統(tǒng)設(shè)計(jì)

基于YOLO算法的農(nóng)業(yè)機(jī)械自動(dòng)化控制系統(tǒng)設(shè)計(jì)，要能實(shí)現(xiàn)基本的功能，比如視覺(jué)識(shí)別、定位與導(dǎo)航、數(shù)據(jù)采集等。系統(tǒng)設(shè)計(jì)分為兩個(gè)部分，即硬件設(shè)計(jì)與軟件設(shè)計(jì)，具體如下：

（一）硬件設(shè)計(jì)

1.主控板。主控芯片為針對(duì)果實(shí)4B開(kāi)發(fā)板，屬于易于使用的計(jì)算機(jī)主板，具有較大的存儲(chǔ)空間與較強(qiáng)的處理性能，且接口多，便于擴(kuò)展。

2.視覺(jué)系統(tǒng)。攝像頭與處理單元的性能較強(qiáng)，可以對(duì)農(nóng)作的果實(shí)圖形信息有效捕捉，采取的目標(biāo)識(shí)別與分類(lèi)算法為基于卷積神經(jīng)網(wǎng)絡(luò)的YOLO算法，高效處理圖片，便于精準(zhǔn)定位果實(shí)[3]。

3.機(jī)械手臂。機(jī)器人自動(dòng)采摘的部件是機(jī)械手臂，多個(gè)關(guān)節(jié)與執(zhí)行器組成機(jī)械手臂，移動(dòng)與旋轉(zhuǎn)靈活。在算法的精準(zhǔn)控制下，機(jī)械手臂可以完成相應(yīng)的操作與目標(biāo)。

4.傳感器和導(dǎo)航系統(tǒng)。設(shè)置傳感器與導(dǎo)航系統(tǒng)，感知環(huán)境信息，規(guī)劃最佳路線。

5.電源和供電系統(tǒng)。為保證機(jī)器人的正常、連續(xù)運(yùn)行，設(shè)置電源及供電系統(tǒng)，在穩(wěn)定供電基礎(chǔ)上，可以結(jié)合實(shí)際情況動(dòng)態(tài)電力輸出。

（二）軟件設(shè)計(jì)

采摘機(jī)器人系統(tǒng)軟件設(shè)計(jì)，采用基于卷積神經(jīng)網(wǎng)絡(luò)的YOLO算法，構(gòu)建導(dǎo)航地圖，在農(nóng)作物產(chǎn)地可以靈活、自主移動(dòng)，果實(shí)自標(biāo)的識(shí)別與記錄則通過(guò)圖像處理算法完成。視覺(jué)系統(tǒng)可以轉(zhuǎn)換坐標(biāo)系，形成果實(shí)空間坐標(biāo)點(diǎn)，機(jī)械臂在果實(shí)坐標(biāo)點(diǎn)的分析下，可以得到最優(yōu)行動(dòng)路線，關(guān)節(jié)電機(jī)得到指令后在指定目標(biāo)點(diǎn)開(kāi)展相應(yīng)的操作，利用手眼協(xié)同控制系統(tǒng)，末端執(zhí)行相應(yīng)的動(dòng)作，比如采摘姿態(tài)、抓取等，抓取過(guò)程中要對(duì)采摘狀況進(jìn)行實(shí)時(shí)反饋，并在夾住果實(shí)后，可以自動(dòng)松開(kāi)投入容器中[4]。系統(tǒng)軟件在復(fù)雜的壞境中，會(huì)遇到光線、障礙物等阻礙，導(dǎo)致目標(biāo)物識(shí)別率下降，所以還需加人YOLO算法進(jìn)行識(shí)別，提升果實(shí)識(shí)別的精準(zhǔn)度。

三、基于YOLO算法的農(nóng)業(yè)機(jī)械自動(dòng)化控制系統(tǒng)實(shí)現(xiàn)

（一）數(shù)據(jù)集劃分與標(biāo)注

分類(lèi)與整理相應(yīng)的采摘果實(shí)數(shù)據(jù)，劃分為訓(xùn)練集與驗(yàn)證集，對(duì)不同的數(shù)據(jù)進(jìn)行標(biāo)注。訓(xùn)練果實(shí)圖像數(shù)據(jù)2000張，劃分驗(yàn)證集為： 80% 用于訓(xùn)練集，20% 用于驗(yàn)證集，數(shù)據(jù)的標(biāo)注可以使用Labelimg完成，可以將果實(shí)數(shù)據(jù)分為成熟、半成熟與不熟三種，圖像中的果實(shí)標(biāo)點(diǎn)連接與框選采用YOLO的標(biāo)注格式完成，得到2000張圖形的模型訓(xùn)練數(shù)據(jù)集。為豐富數(shù)據(jù)集，需要加入沒(méi)有處理過(guò)的500張圖像，將這部分圖像作為測(cè)試用的數(shù)據(jù)集。數(shù)據(jù)集劃分的步驟如下：

1.數(shù)據(jù)集組織。圖像文件的格式為jpg與png，有相應(yīng)的標(biāo)簽，可以對(duì)圖像中的目標(biāo)位置與類(lèi)別進(jìn)行描述[5]。YOLO將標(biāo)簽文件格式標(biāo)注為txt，可以在不同的目標(biāo)檢測(cè)任務(wù)中應(yīng)用。

2.劃分比例選擇。訓(xùn)練集、驗(yàn)證集的比例需合理劃分，一般為8：2，按照數(shù)據(jù)量和任務(wù)特性對(duì)比例進(jìn)行調(diào)整。

3.數(shù)據(jù)集劃分代碼。數(shù)據(jù)集在代碼的編寫(xiě)下合理劃分，分為訓(xùn)練集和驗(yàn)證集，兩個(gè)數(shù)據(jù)集可以在不同的便箋文件中移動(dòng)。

4.文件夾結(jié)構(gòu)。建立images和labels子文件夾用于管理，images用于圖像存儲(chǔ)，labels屬于標(biāo)簽文件。兩個(gè)數(shù)據(jù)集都有文件夾結(jié)構(gòu)。

5.隨機(jī)化和保持一一對(duì)應(yīng)。數(shù)據(jù)集在劃分之前，隨機(jī)化處理數(shù)據(jù)集，隨機(jī)選擇兩個(gè)數(shù)據(jù)集的樣本。圖像和標(biāo)簽在劃分?jǐn)?shù)據(jù)集過(guò)程中需保持一一對(duì)應(yīng)，確保訓(xùn)練和驗(yàn)證能夠一致。

6.數(shù)據(jù)集劃分結(jié)果驗(yàn)證。為了驗(yàn)證劃分是否符合要求，需要通過(guò)文件數(shù)量的檢查，判斷是否保持一對(duì)應(yīng)的圖像和標(biāo)簽關(guān)系。

（二）數(shù)據(jù)集與預(yù)處理

采取增強(qiáng)和降噪處理輸入的圖像，每張圖像都可以在神經(jīng)網(wǎng)絡(luò)模型下得到有效訓(xùn)練，并能將關(guān)鍵的特征提取出來(lái)，因此做好數(shù)據(jù)預(yù)處理十分必要。對(duì)數(shù)據(jù)的預(yù)處理主要有數(shù)據(jù)集蒸餾、圖像濾波去噪等。在較大的數(shù)據(jù)集中通過(guò)數(shù)據(jù)集蒸餾轉(zhuǎn)換為較小的數(shù)據(jù)集，保持?jǐn)?shù)據(jù)分布的合理性，提升訓(xùn)練的速度與效果[6]。數(shù)據(jù)增強(qiáng)可以采用Mosaic，訓(xùn)練集圖像選擇后，通過(guò)縮放、排布等手段進(jìn)行處理，數(shù)據(jù)集中檢測(cè)物體的背景與小自標(biāo)得到豐富，針對(duì)復(fù)雜場(chǎng)景，也可以保證良好的檢測(cè)效果。

（三）復(fù)雜環(huán)境下的實(shí)時(shí)識(shí)別與檢測(cè)

為對(duì)果實(shí)進(jìn)行實(shí)時(shí)識(shí)別與檢測(cè)，要改進(jìn)識(shí)別與檢測(cè)方法，構(gòu)建YOLO網(wǎng)絡(luò)模型，加入可變形卷積模塊，動(dòng)態(tài)調(diào)整可變形卷積核的大小、位置，便于精準(zhǔn)識(shí)別與檢測(cè)果實(shí)，針對(duì)檢測(cè)結(jié)果實(shí)施成熟度計(jì)劃，成熟的果實(shí)二維坐標(biāo)與深度距離等可以在RGB-D深度相機(jī)的應(yīng)用下確定。在檢測(cè)過(guò)程中，對(duì)果實(shí)的檢測(cè)精度達(dá)到 85% 以上，處理速度則達(dá)到了20fps。

（四）三維定位

在確定果實(shí)類(lèi)別、檢測(cè)框與二維坐標(biāo)基礎(chǔ)上，果實(shí)出現(xiàn)重疊粘連時(shí)就會(huì)出現(xiàn)復(fù)雜場(chǎng)景，比如西紅柿發(fā)生重疊與粘連，難以精準(zhǔn)定位果實(shí)。因此不僅要對(duì)果實(shí)的成熟度進(jìn)行計(jì)算，判斷是否符合要求，還要確定果實(shí)的三維坐標(biāo)，判斷果實(shí)是否有最近的直線距離，通過(guò)這樣的方式可以保證果實(shí)采摘的合理性與有序性。果實(shí)三維坐標(biāo)信息可以由RGB-D深度色彩攝像頭定位，色彩圖像與深度圖像之間的關(guān)系形成映射，并與之前檢測(cè)到的結(jié)果進(jìn)行融合，可以分離復(fù)雜背景點(diǎn)云與果實(shí)點(diǎn)云。果實(shí)區(qū)域點(diǎn)云則可以在云濾波的方式下獲取，確實(shí)的點(diǎn)云通過(guò)RANSAC算法深度擬合后，確定出果實(shí)的三維坐標(biāo)與形狀。在點(diǎn)云數(shù)據(jù)的生成過(guò)程中，要求拍攝環(huán)境穩(wěn)定，獲取果實(shí)的彩色圖像信息。

（五）剪枝模式建模

設(shè)置標(biāo)準(zhǔn)化軌道在農(nóng)作物內(nèi)側(cè)，對(duì)6種機(jī)器人的剪枝模式進(jìn)行建模，得到6種角度與方式。以西紅柿的采摘為例，為避免傷害西紅柿，要采取剪夾一體化設(shè)計(jì)，通過(guò)剪枝手采摘西紅柿。在復(fù)雜環(huán)境下，機(jī)器人的適應(yīng)性較強(qiáng)，采摘目標(biāo)的枝條中間點(diǎn)坐標(biāo)在獲取后，可以在剪枝模式的應(yīng)用下，完成剪枝與采摘工作。

四、結(jié)論

農(nóng)業(yè)生產(chǎn)領(lǐng)域中智能化技術(shù)的應(yīng)用，極大提升了農(nóng)業(yè)生產(chǎn)效率，助力現(xiàn)代化農(nóng)業(yè)改革。機(jī)器人采摘系統(tǒng)作為典型的現(xiàn)代化農(nóng)業(yè)設(shè)備之一，基于卷積神經(jīng)網(wǎng)絡(luò)的YOLO算法，具有自主學(xué)習(xí)能力、自適應(yīng)能力，可以有效識(shí)別自標(biāo)果實(shí)，精準(zhǔn)開(kāi)展果實(shí)采摘工作。機(jī)器人采摘系統(tǒng)通過(guò)深度學(xué)習(xí)，可以形成類(lèi)人思維，不斷提升工作質(zhì)量與效率。該設(shè)備自動(dòng)化控制技術(shù)的實(shí)現(xiàn)與應(yīng)用，代表著我國(guó)現(xiàn)代化農(nóng)業(yè)技術(shù)水平不斷提高，有助于推進(jìn)現(xiàn)代化農(nóng)業(yè)高效發(fā)展。

參考文獻(xiàn)：

[1]張偉榮，陳學(xué)庚，齊江濤，等.基于深度學(xué)習(xí)和高斯過(guò)程回歸的玉米冠下視覺(jué)導(dǎo)航路徑提取方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（07）：15-26.

[2]王凱，王彥婷，胡延明.基于模糊神經(jīng)網(wǎng)絡(luò)的農(nóng)機(jī)自動(dòng)轉(zhuǎn)向系統(tǒng)的設(shè)計(jì)[J].農(nóng)機(jī)化研究，2024，46（01）：225-229.

[3]汪斌斌，楊貴軍，楊浩，等.基于YOLO_X和遷移學(xué)習(xí)的無(wú)人機(jī)影像玉米雄穗檢測(cè)J」農(nóng)業(yè)工程學(xué)報(bào)，2022，38（15）：53-62.

[4]武錦龍，吳虹麒，李浩，等.基于改進(jìn)DeepLabV3 + 的蕎麥苗期無(wú)人機(jī)遙感圖像分割識(shí)別方法研究[J]農(nóng)業(yè)機(jī)械學(xué)報(bào)，202455（05）：186-195.

[5]王楠，李震，李佳盟，等.融合多光譜成像與深度學(xué)習(xí)的作物植株葉綠素檢測(cè)系統(tǒng)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（S02）：260-269.

[6]宋蘇.深度學(xué)習(xí)背景下計(jì)算機(jī)視覺(jué)算法應(yīng)用探究——評(píng)《深度學(xué)習(xí)與計(jì)算機(jī)視覺(jué)：算法原理，框架應(yīng)用與代碼實(shí)現(xiàn)》[J].科技管理研究，2024，44（01）：10003.

（作者單位：甘肅省甘南藏族自治州舟曲縣江盤(pán)鎮(zhèn)農(nóng)業(yè)綜合服務(wù)中心）