机器视觉机器人在农业中的应用

　　机器人在今天的农业任务中得到了广泛的应用。其中许多任务需要机器视觉算法技术。机器人及其机器视觉算法从田间犁地、种籽、杂草处理、生长监测、果蔬采摘、分拣、分级甚至包装等方面进行改造，使其更好地适应自身的功能。下面，通过本文了解机器视觉机器人在农业中应用的技术。

　　机器人田间犁耕

　　田间犁耕是由一个无人驾驶拖拉机形状的机器人完成的。各种传感器，如全球定位系统，激光雷达和摄像头正在取代司机。基本上，它是GPS技术，以预定的路径规划为指导。机器视觉负责导航任务，尤其是在避障方面。利用Lidar建立了机器人拖拉机周围环境的三维模型。摄像机提供与此环境相对应的视频流。机器视觉的首要任务是对传感器的数据进行融合。一旦同步，就会发现障碍，并采取行动(比如绕过障碍)。

　　这里可以使用经典的识别算法，处理图像(常规摄像机)及其尺寸(Lidar)。然而，他们的表现与他们的编程目标密切相关。强度、颜色、形状和尺寸的变化可能会严重干扰性能–这意味着无法识别障碍。今天我们用深度学习若要识别其位置位于碰撞路径中的对象，请执行以下操作。正确的训练和广泛的标记例子，深度学习分类器可以提供一个高精度的导航。

　　播种和犁地差不多，这里的另一个挑战是紧紧跟随行并将种子植入它们的中心。这里的导航是基于深度学习的，允许处理任何轻松的条件来识别行。

　　机器视觉在杂草处理中的应用

　　杂草处理使用自驱动机器人平台。面临的挑战是如何在作物之间机动、识别和分类杂草，以及通过喷洒或摘出它们来处理它们。这种机器人，通常比犁和播种机器人小，除了相机控制的多关节手臂外，还具有自主驾驶能力。这些机器人的自动导航使用深度学习训练。

　　卷积神经网络

　　这个分类器在计划行之间的空隙中驱动机器人。另外，CNN分类器，使用相机饲料识别作物，并将它们归类为杂草。安装在机器人多关节手臂上的另一个摄像头，可以帮助手臂工具的位置，以便更好地处理杂草。这里的机器视觉算法首先使用校准和注册程序确保所有的工作在同一个坐标系统上，这样数据切换就简单了。

　　生产增长监控

　　生产增长监控可以由地面机器人或由机器人无人机。它是地面机器人，较适合水果和蔬菜。飞行无人机，使用自主导航，是比较好的棉花，大豆和类似的。地面机器人使用与前面解释相同的自主驾驶和导航能力。它配备了提供农作物视频流的扫描摄像机。机器视觉算法则采用深度学习分类器来识别和测量水果和蔬菜。

　　这种CNN算法是当今保持分类性能的技术，即使在亮度、颜色和几何变化的情况下也是如此。自动导航无人机机器人通过对目标进行分类，可以避免障碍物，并有可能阻塞飞行路径。他们的吊舱使用多光谱相机，协助产生植被指数-NDVI(归一化差异植被指数)。

　　机器视觉算法

　　果蔬采摘是一个复杂的过程，需要一组机器视觉算法来控制高自由度的机器人结构。这个机器人可能像人类一样，有移动能力，同时操纵它的手臂到水果的位置。正如所说，机器视觉算法应该完全“同步”。例如，导航算法和定位算法需要更新机器视觉算法，根据机器人的运动来调整它们的参考系统。机器视觉基于深度学习的自主驱动功能负责行间移动。

　　机器人的手臂摄像头实际上使用了两个摄像头：一个扫描树来检测和分类水果，另一个引导手臂的工具到采摘位置和方向。这两项活动，导航和检测水果，是完善的机器视觉的CNN能力。这个果实分类功能可以说是具有较高的分选精度，即使在部分遮挡和苛刻的光线条件下。

　　基于深度学习的机器人排序与分级

　　分拣和分级机器人就像手臂一样工作，摄像机安装在输送机上，得到了一个快速和准确的水果分类。深度学习算法可以从颜色和几何变化较大的任何角度识别缺陷(前提是以前进行了适当的训练)。这些算法被设置为执行第一次目标检测来定位水果，然后再进行分类。rvsto视觉有非常丰富的经验，在准确农业和世界比较好的深入学习算法和cnn的熟练程度。咨询我们的技术专家，看看如何使用完善的机器人技术应用到您的项目。