《基于YOLOv3的甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別與機(jī)械臂軌跡仿真》由會(huì)員分享，可在線閱讀，更多相關(guān)《基于YOLOv3的甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別與機(jī)械臂軌跡仿真（4頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。
1、基于YOLOv3的甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別與機(jī)械臂軌跡仿真
摘要：目前，甘蔗種植耗時(shí)長(zhǎng)、勞動(dòng)強(qiáng)度大，人們需要提高種植過(guò)程的機(jī)械化和智能化水平，而YOLOv3算法可以為機(jī)械數(shù)據(jù)采集和實(shí)時(shí)處理提供有力支持，因此有必要基于YOLOv3對(duì)甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別與機(jī)械臂軌跡仿真進(jìn)行研究。本文通過(guò)提取甘蔗莖節(jié)信息和構(gòu)建YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)對(duì)甘蔗莖節(jié)進(jìn)行實(shí)時(shí)動(dòng)態(tài)識(shí)別，提高識(shí)別效率和精確度;通過(guò)建立機(jī)械臂虛擬樣機(jī)，對(duì)機(jī)械臂運(yùn)動(dòng)學(xué)進(jìn)行仿真，提高軌跡仿真正確性。經(jīng)過(guò)試驗(yàn)驗(yàn)證和比照分析，設(shè)計(jì)的實(shí)時(shí)動(dòng)態(tài)識(shí)別和軌跡仿真方法具有較好的準(zhǔn)確性，能夠應(yīng)用于甘蔗實(shí)際種植中。
關(guān)鍵詞：YOLOv3算法;甘蔗莖節(jié);動(dòng)態(tài)識(shí)別;軌跡仿
2、真
中圖分類號(hào)：S566.1文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168〔2021〕02-0012-03
Real-timeDynamicRecognitionofSugarcaneStemNodesandSimulationofRoboticArmTrajectoryBasedonYOLOv3
GUOJinjian
〔ZhanJiangPreschoolEducationCollege〔BasicEducationCollegeofLingnanNormalUniversity〕，ZhanjiangGuangdong524000〕
Abstract：Atpresent，sugarca
3、neplantingistime-consumingandlabor-intensive，peopleneedtoimprovethemechanizationandintelligenceleveloftheplantingprocess，andtheYOLOv3algorithmcanprovidestrongsupportformechanicaldatacollectionandreal-timeprocessing，therefore，itisnecessarytostudythereal-timedynamicrecognitionofsugarcanestemnodesandth
4、esimulationofmanipulatortrajectorybasedonYOLOv3.Inthispaper，thereal-timedynamicrecognitionofsugarcanestemnodeswascarriedoutbyextractingtheinformationofsugarcanestemnodesandconstructingtheYOLOv3networkstructuretoimprovetheefficiencyandaccuracyofrecognition;byestablishingavirtualprototypeoftherobotica
5、rm，thekinematicsoftheroboticarmwassimulatedtoimprovetheaccuracyofthetrajectorysimulation.Afterexperimentalverificationandcomparativeanalysis，thedesignedreal-timedynamicidentificationandtrajectorysimulationmethodshavegoodaccuracyandcanbeappliedtoactualsugarcaneplanting.
Keywords：YOLOv3algorithm;suga
6、rcanestemsection;dynamicrecognition;trajectorysimulation
甘蔗是我國(guó)重要的經(jīng)濟(jì)農(nóng)作物，不僅是制作蔗糖的主要原料，還是化工產(chǎn)業(yè)的重要原料。機(jī)械臂裝置是甘蔗種植過(guò)程的關(guān)鍵部件，是提高作業(yè)效率的關(guān)鍵，對(duì)于提高甘蔗質(zhì)量和生產(chǎn)收益、降低本錢具有重要作用【1】。YOLOv3算法能夠?qū)Ω收崽卣鬟M(jìn)行識(shí)別定位，為種植機(jī)械數(shù)據(jù)采集和實(shí)時(shí)處理提供有力支持，進(jìn)一步提高檢測(cè)速度和識(shí)別效率【2】。因此，本文基于YOLOv3對(duì)甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別與機(jī)械臂軌跡仿真進(jìn)行研究。
1基于YOLOv3的甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別
在采集的甘蔗圖像中，甘蔗目標(biāo)只占少局部區(qū)域，
7、剩余大局部區(qū)域?yàn)楸尘埃瑥?fù)雜的背景對(duì)甘蔗莖節(jié)的識(shí)別產(chǎn)生一定影響，因此在進(jìn)行動(dòng)態(tài)識(shí)別前首先需要從圖像中分割甘蔗目標(biāo)，提取其信息特征。一方面，可以縮小圖像識(shí)別范圍，降低背景對(duì)莖節(jié)識(shí)別的干擾，減小后續(xù)算法輸入規(guī)模，提高運(yùn)行效率;另一方面，甘蔗目標(biāo)的直徑和橫軸交角是算法的關(guān)鍵參數(shù)，為分析莖節(jié)粗度和定位提供重要參考依據(jù)【3】。迭代線性擬合算法可用于估計(jì)甘蔗目標(biāo)的近似線性趨勢(shì)，根據(jù)圖像白點(diǎn)像素聚集程度趨近于實(shí)際目標(biāo)的標(biāo)準(zhǔn)，分割甘蔗目標(biāo)。下面以圖像的某像素位置為中心，將周圍區(qū)域的白點(diǎn)像素?cái)?shù)與面積的比值定義為圖像局部密度，其計(jì)算公式可以表示為：
[ρx=1Jxi∈JxIi]〔1〕
式中，[ρx]為圖像局部密
8、度;[x]為某一像素位置;[Jx]為該像素的局部鄰域像素集合;[Ii]為圖像的像素值。
假設(shè)將圖像的所有像素位置替換成局部密度值，那么甘蔗圖像轉(zhuǎn)化為局部密度圖像，再通過(guò)閾值抑制過(guò)濾干擾像素，具體公式可以表示為：
[ρx=0，ρx式中，[l]為過(guò)濾閾值;[m]為低抑制比例;[n]為高抑制比例;[am，n]為去除低值和高值后的密度平均值。
下面通過(guò)調(diào)整雙抑制閾值，對(duì)圖像執(zhí)行邊緣算子操作，得到甘蔗目標(biāo)線性趨勢(shì)信息，進(jìn)而確定目標(biāo)基線位置[4-5]。迭代后，穩(wěn)定的擬合線與橫軸的相交角度可作為甘蔗目標(biāo)與橫軸交角的特征信息估計(jì)。本研究通過(guò)白點(diǎn)像素距離計(jì)算甘蔗目標(biāo)直徑，沿橫軸方向?qū)D像劃分為列塊集合，列
9、塊高度可以表示為：
[Hb=Ve-Vs]〔3〕
式中，[Hb]為每個(gè)列塊高度;[Ve]為經(jīng)縱向投影后的最前面非零值位置;[Vs]為最后面非零值位置。
下面計(jì)算所有列塊的高度，在高度集合中刪除極大和極小值，剩余列塊的平均高度值即甘蔗的直徑，甘蔗直徑的估算公式可以表示為：
[GH=1BSl∈BSHBSl]〔4〕
式中，[GH]為甘蔗直徑;[BS]為列塊集合。
通過(guò)對(duì)甘蔗目標(biāo)進(jìn)行分割，人們可以得到橫軸交角和甘蔗直徑的特征信息估計(jì)。
YOLOv3網(wǎng)絡(luò)是一種物體定位識(shí)別算法，具有定位速度快、識(shí)別效率高的特點(diǎn)，主要通過(guò)計(jì)算損失函數(shù)，檢測(cè)不同尺度大小的目標(biāo)【5】。本文采用的損失函數(shù)可以表示
10、為：
[LP，W=p=1Palog1-gxp，Wyp=0blog1-gxp，Wyp>λoothers]〔5〕
式中，[P]為甘蔗圖像;[W]為網(wǎng)絡(luò)學(xué)習(xí)參數(shù);[g]為激活函數(shù);[λ]為正負(fù)樣本判定參數(shù);[a]為負(fù)樣本系數(shù);[b]為正樣本系數(shù);[xp]和[yp]為圖像像素點(diǎn)坐標(biāo)。
檢測(cè)圖像像素邊緣性時(shí)，本研究采用多分辨率模式，以1、2和5為倍數(shù)變換圖像分辨率，將其輸入卷積神經(jīng)網(wǎng)絡(luò)，根據(jù)網(wǎng)絡(luò)輸出的平均結(jié)果得到邊緣檢測(cè)指標(biāo)。
識(shí)別
在卷積神經(jīng)網(wǎng)絡(luò)中輸入甘蔗圖像，可以得到邊緣概率圖像，其像素值表示該位置為邊緣點(diǎn)確實(shí)信程度。首先從邊緣概率圖像中提取甘蔗目標(biāo)莖節(jié)信息，對(duì)圖像執(zhí)行啟發(fā)式莖節(jié)定位算法。
11、根據(jù)給定閾值范圍和閾值變化步長(zhǎng)，可以得到二值化圖像系列，具體表示為：
[Per=BerP，tt∈T]〔6〕
式中，[Per]為二值化圖像系列;[Ber]為圖像二值化操作;[P]為邊緣概率圖像;[T]為步長(zhǎng)變化。
變量[T]用公式可以表示為：
[T=ts-n0.02>e，n=0，1，2...]〔7〕
式中，[s]為起始閾值;[e]為終止閾值。
生產(chǎn)驗(yàn)證模板驗(yàn)證二值圖像，提取莖節(jié)邊緣線。接著，對(duì)候選位置進(jìn)行驗(yàn)證，以每個(gè)候選位置對(duì)應(yīng)橫軸為參考，縱向上移動(dòng)驗(yàn)證模板，驗(yàn)證完所有二值化圖像系列，對(duì)保存區(qū)域進(jìn)行邏輯操作，得到莖節(jié)識(shí)別結(jié)果。
2甘蔗種植機(jī)的機(jī)械臂軌跡仿真
首先使用Solid
12、Works軟件建立機(jī)械臂模型及裝配體模型，為構(gòu)建虛擬樣機(jī)奠定根底。裝配的主要部件包括機(jī)械臂上臂、下臂、轉(zhuǎn)動(dòng)座和固定座等，按照實(shí)際配合關(guān)系生成裝配體。然后，選擇整個(gè)裝配體模型進(jìn)行靜態(tài)干預(yù)檢查，修正各部件的相對(duì)位置，直至整體不存在干預(yù)部位。接下來(lái)，檢測(cè)動(dòng)態(tài)干預(yù)情況，根據(jù)實(shí)際情況對(duì)機(jī)械臂添加旋轉(zhuǎn)副和運(yùn)轉(zhuǎn)函數(shù)，選取適當(dāng)?shù)尿?qū)動(dòng)馬達(dá)速度值，檢查全局干預(yù)情況，進(jìn)一步確保三維模型的正確性。將修正好的三維機(jī)械臂模型復(fù)制到ADAMS工作目錄中，構(gòu)建機(jī)械臂虛擬樣機(jī)。在ADAMS設(shè)置好工作環(huán)境，依次定義和添加機(jī)械臂各個(gè)零件的材料屬性，并根據(jù)部件間相對(duì)運(yùn)動(dòng)關(guān)系添加模型約束，到達(dá)整體約束效果。為確保各轉(zhuǎn)動(dòng)副能按預(yù)期運(yùn)動(dòng)，
13、人們需要對(duì)模型添加驅(qū)動(dòng)設(shè)置，經(jīng)過(guò)以上步驟，完成機(jī)械臂虛擬樣機(jī)的構(gòu)建。
機(jī)械臂運(yùn)動(dòng)學(xué)仿真由正運(yùn)動(dòng)和逆運(yùn)動(dòng)兩局部組成，正運(yùn)動(dòng)仿真實(shí)質(zhì)是根據(jù)各關(guān)節(jié)旋轉(zhuǎn)角度，推導(dǎo)空間坐標(biāo)位置和形態(tài);逆運(yùn)動(dòng)仿真實(shí)質(zhì)是由空間坐標(biāo)位置和形態(tài)，反向推導(dǎo)各關(guān)節(jié)旋轉(zhuǎn)角度。首先建立連桿坐標(biāo)系[D-H]，得到齊次變換矩陣。
構(gòu)建虛擬樣機(jī)，為機(jī)械臂軌跡仿真奠定了根底。在驗(yàn)證模型信息正確后，人們可以利用ADAMS的測(cè)量和輸出功能，對(duì)模型進(jìn)行參數(shù)提取和運(yùn)動(dòng)軌跡仿真。
3試驗(yàn)結(jié)果與分析
識(shí)別效果
為檢驗(yàn)本文提出的甘蔗莖節(jié)識(shí)別方法的效果，筆者設(shè)計(jì)10組試驗(yàn)，原始圖像像素大小為1280[]1024，試驗(yàn)結(jié)果如表1所示。
由表1可
14、知，本文設(shè)計(jì)的甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別方法的識(shí)別率較高，識(shí)別速度也較快。為驗(yàn)證本文方法的莖節(jié)定位精度，筆者設(shè)計(jì)定位誤差試驗(yàn)，其共分為5個(gè)誤差等級(jí)，試驗(yàn)結(jié)果如表2所示。
由表2可知，93%的甘蔗莖節(jié)的定位誤差處于32像素以內(nèi)，說(shuō)明甘蔗圖像經(jīng)過(guò)識(shí)別后，莖節(jié)附近的邊緣線與其他區(qū)域存在較大差異，具有一定的獨(dú)特性，邊緣線可作為莖節(jié)識(shí)別的重要依據(jù)[6-8]。
識(shí)別效果比照測(cè)試
為檢測(cè)本文甘蔗莖節(jié)識(shí)別方法的有效性，本研究將本文方法設(shè)置為試驗(yàn)組，將基于小波變換和結(jié)構(gòu)化機(jī)器學(xué)習(xí)的莖節(jié)識(shí)別方法設(shè)置為對(duì)照組，分別從莖節(jié)完整識(shí)別率、消耗時(shí)間和定位精確度三個(gè)指標(biāo)對(duì)識(shí)別方法進(jìn)行比照，其中定位精確度用誤差在32像素以內(nèi)的
15、莖節(jié)數(shù)量比例表示，比照結(jié)果如表3所示。
由表3的比照結(jié)果可知，與其他兩種方法相比，本文設(shè)計(jì)方法具有速度快、識(shí)別率高和精度高的特點(diǎn)，具有較高的實(shí)用性。
為檢驗(yàn)本文機(jī)械軌跡仿真方法的有效性，本研究將其與其他兩種傳統(tǒng)方法進(jìn)行比照測(cè)試，從仿真準(zhǔn)確度、運(yùn)動(dòng)平均速度和時(shí)間三個(gè)指標(biāo)評(píng)價(jià)仿真方法的效果，比照測(cè)試結(jié)果如表4所示。
由表4比照結(jié)果可知，本文設(shè)計(jì)的軌跡仿真方法具有準(zhǔn)確率高和速度快的特點(diǎn)，可應(yīng)用于實(shí)際的機(jī)械臂運(yùn)動(dòng)空間求解中。
4結(jié)語(yǔ)
本文基于YOLOv3對(duì)甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別與機(jī)械臂軌跡仿真進(jìn)行研究，提高了甘蔗莖節(jié)的識(shí)別精確度和機(jī)械臂軌跡仿真的準(zhǔn)確度，有助于進(jìn)一步促進(jìn)甘蔗種植的機(jī)械化開(kāi)展
16、。對(duì)于機(jī)械臂的軌跡仿真，本文沒(méi)有考慮運(yùn)輸面板對(duì)機(jī)械臂的影響，以后研究可以對(duì)機(jī)械臂最小軌跡路線和運(yùn)輸截面角度進(jìn)行探討。
參考文獻(xiàn)：
【1】齊榕，賈瑞生，徐志峰，等.基于YOLOv3的輕量級(jí)目標(biāo)檢測(cè)網(wǎng)絡(luò)[J].計(jì)算機(jī)應(yīng)用與軟件，2021〔10〕：208-213.
改進(jìn)YOLOv3的同步目標(biāo)定位與多種屬性識(shí)別[J].計(jì)算機(jī)應(yīng)用，2021〔1〕：1-7.
改進(jìn)YOLOv3的目標(biāo)跟蹤算法研究[J].計(jì)算機(jī)仿真，2021〔5〕：213-217.
方法研究[J].農(nóng)機(jī)化研究，2021〔8〕：6-12.
【5】盛奮華，陳祖爵.基于虛擬仿真技術(shù)的甘蔗收割機(jī)喂入裝置研究[J].農(nóng)機(jī)化研究，2021〔9〕：59-63.
識(shí)別與蔗芽檢測(cè)[J].洛陽(yáng)理工學(xué)院學(xué)報(bào)〔自然科學(xué)版〕，2021〔2〕：67-72.
識(shí)別[J].計(jì)算機(jī)應(yīng)用，2021〔4〕：1208-1213.
[8]溫翔，楊望，郭無(wú)極，等.切段式甘蔗收割機(jī)排雜離散元仿真參數(shù)標(biāo)定及驗(yàn)證[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021〔1〕：12-18.
基于YOLOv3的甘蔗莖節(jié)實(shí)時(shí)動(dòng)態(tài)識(shí)別與機(jī)械臂軌跡仿真
