[发明专利]一种基于视觉识别的棉花打顶机器人及其实现方法

权利要求书

1.一种基于视觉识别的棉花打顶机器人，其特征在于：包括底座支撑机构、嵌入式主控制端，一个以上的升降运动机构、末端执行机构和视觉识别机构；所述的末端执行机构，包括电机、刀头、保护套；整个末端执行机构固定于升降运动机构上，电机固定在末端执行机构上，刀头通过法兰联轴器连接在电机的传动轴末端，刀头的外部设有保护套，保护套固定在末端执行机构上，用于限制刀头的切除范围。

2.根据权利要求1所述的棉花打顶机器人，其特征在于：所述的升降运动机构，包括固定板、滚珠丝杆、导向光轴和升降运动块；步进电机固定于固定板上，步进电机的传动轴与螺旋顶丝联轴器的一端相连接，螺旋顶丝联轴器的另一端与滚珠丝杆相连接；上支座与下支座安装在固定板上，左右两根导向光轴和中间的滚珠丝杆安装在上支座和下支座之间；升降运动块通过丝杆传动在上支座和下支座之间做升降运动，升降运动块内嵌有直线轴承，与导向光轴相配合；滚珠丝杆与丝杆螺母相配合，丝杆螺母安装在升降运动块上，随刀头一同上下升降运动。

3.根据权利要求1所述的棉花打顶机器人，其特征在于：所述的嵌入式主控制端安装在底座支撑机构上，包括无线通信发送模块、电机驱动模块。

4.根据权利要求1所述的棉花打顶机器人，其特征在于：所述刀头的形状为非全圆刀头；刀头的外沿为半圆锯齿状，通过旋转剪切顶芽。

5.根据权利要求1所述的棉花打顶机器人，其特征在于：所述保护套的内底面设置有4°～5°的坡度，且带坡度平面较为光滑不粗糙。

6.根据权利要求1所述的棉花打顶机器人，其特征在于：所述的视觉识别机构，包括相机固定架、双目相机和PC视觉处理端；所述PC视觉处理端安装在底座支撑机构上；相机固定架固定于升降运动块上，双目相机安装在相机固定架上，双目相机用于识别棉花顶芽的位置，每个双目相机控制一个升降运动机构工作。

7.根据权利要求1所述的棉花打顶机器人，其特征在于：所述的底座支撑机构，包括顶板和4个脚架，脚架的底端还可以连接万向轮。

8.一种基于视觉识别的棉花打顶实现方法，其特征在于：是采用权利要求1～7中任一项所述的基于视觉识别的棉花打顶机器人进行顶芽切除，包括下述步骤：

(1)棉花打顶机器人进行位置的初始化，即坐标的初始化；双目相机获取棉花顶芽所处的空间位置，事先确定某一参照位置，通过双目测距技术计算得到棉花顶芽竖直方向上相对于左摄像头光心的距离数据，然后通过坐标转换规则将棉花顶芽位置数据转换成机器坐标即棉花顶芽在竖直方向上相对于末端执行机构的距离数据；

(2)根据所获得的棉花顶芽在竖直方向上相对于末端执行机构的距离数据，确定步进电机控制滚珠丝杆所需要转动圈数，升降运动机构在竖直方向移动到待去除顶芽1cm～4cm的距离，使得末端执行机构靠近目标棉花顶芽；

(3)末端执行机构准确靠近目标棉花顶芽后，控制末端执行器的电机启动，控制刀头旋转，实现剪切动作。

9.根据权利要求8所述的基于视觉识别的棉花打顶实现方法，其特征在于采用下述控制方法：

(1)嵌入式主控制端控制整个系统进行初始化：控制升降运动机构的步进电机完成一个完整的升降运动，并回到初始位置；控制末端执行机构完成电机的启动与关闭；控制视觉识别机构完成初始化；如果初始化失败，则通过异常报警模块进行报警，同时将异常数据通过无线通信发送模块进行上传；

(2)视觉识别机构将转动圈数数据发送给嵌入式主控制端；嵌入式主控制端根据此数据控制升降运动机构的步进电机转动给定的圈数；

(3)末端执行机构准确靠近目标棉花顶芽后，视觉识别机构将到达标志信息发送给嵌入式主控制端；嵌入式主控制端启动末端执行机构的电机，接收到视觉识别机构的完成标志信息后关闭电机；

(4)嵌入式主控制端通过无线通信发送模块将整个运行过程数据进行上传；

(5)整个系统在运行过程中如发生故障，则通过异常报警模块进行报警，同时将故障数据通过无线通信发送模块进行上传。

10.根据权利要求8所述的基于视觉识别的棉花打顶实现方法，其特征在于采用下述视觉识别方法：

(1)双目标定及校正：对双目相机进行立体标定，先是分别对两个相机进行单目标定，得到每一个相机的内参矩阵和畸变矩阵；然后对两个相机同时进行双目立体视觉标定，得到用于双目校正的重投影矩阵，以及像素距离与真实物理距离的转换关系；再将双目相机拍摄到的棉花顶芽图像进行双目校正，得到双目校正后的图像；

(2)获取棉花顶芽三维空间点云：棉花打顶机器人工作时，其双目立体相机采集棉花顶芽的彩色图像和深度图像；然后将彩色图像输入至棉花顶芽识别网络模型，可得出棉花顶芽的最小外接矩形图像；结合深度图像，根据针孔成像原理及三角测距原理，可求得棉花顶芽在相机坐标系下的三维点云；

(3)数据集的采集与制作：使用相机采集大量的棉花顶芽的图片；然后使用标注工具对棉花顶芽的图片进行标注，即将图片中棉花顶芽的最小外接矩形标注出来，形成数据集合；

(4)网络模型搭建与训练：使用Yolov4神经网络对数据集进行训练，训练完成后获得棉花顶芽识别网络模型的权重文件，并用配置文件与权重文件预测未知样本。