基于采摘机器人触觉的猕猴桃成熟度感知方法＊

王 雯，张叶清，张 静，2，欧 月，李梦茹

（1.西南科技大学信息工程学院，四川 绵阳621010；2.中国科学技术大学信息科学技术学院，安徽 合肥230026）

1 引言

随着中国农业自动化水平不断提高，农业机器人因能有效解放劳动力，从而被大力推广，且目前中国农业机器人中的收获和采摘机器人被人们所重点关注[1]。现有的农业采摘机器人主要通过视觉感知对目标物体进行识别、定位和判别水果成熟度，而当目标为猕猴桃这类仅用视觉无法准确获取成熟度信息的水果时，则可通过触觉感知来实现。由于现阶段采摘机器人触觉感知能力不足，很大程度上限制了农业采摘机器人的发展，因此丰富农业机器人触觉感知能力是必要的。

由于采摘机器人的触觉感知能力不足，因而进行采摘作业时检测猕猴桃成熟度有一定的难度。大多数检测水果成熟度的方法是应用机器人视觉感官[2-5]，但对于仅用视觉无法准确获取成熟度信息的水果则难以分辨。孟庆龙等[6]将光纤光谱技术应用于检测猕猴桃硬度，从而判别猕猴桃成熟度，可做到无损快速检测，若将其应用于采摘作业，因环境条件限制难以满足。毛磊东等[7]利用三维压力传感器构建触觉感知系统，对表面参数进行识别，可用于检测物体的材质、检测抓取状态、判定滑移方向。但是，关于对猕猴桃成熟度感知方法的研究未见报道，而且以上实验平台多数对环境和条件有较高要求，难以将其适用于农业采摘环境中。

本文针对采摘机器人视觉感知的应用问题，提出将触觉感知应用在辨别猕猴桃成熟度上。利用3D触觉传感器开展夹取猕猴桃的实验，通过获取夹取猕猴桃时其所受的接触力时序模态特征，建立稀疏表征模型，再利用上升沿曲线到猕猴桃硬度之间的非线性映射，得到猕猴桃成熟度的估计等级。

2 触觉传感器力学模型

本研究采用3D触觉传感器进行触觉感知，触觉传感器由多个感应点阵列组成，每个感应点由触头、力敏导电橡胶和柔性电极三部分组成。触头为半球形，当对传感器施加压力时，触头会发生形变，力敏导电橡胶可直接感受形变。随着力敏导电橡胶上施加的压力改变，其与柔性电极导电体的接触状况会发生变化，从而导致接触电阻变化。压力传感器感应点受力模型如图1所示。

图1 传感器感应点模型图

3 研究试验

3.1 实验材料

本实验采用品质优良的徐香猕猴桃，果形多为椭圆形，外表有毛，每颗80～140 g。因同一成熟期内的猕猴桃硬度有差异，以人手触觉感知选取时可采成熟度期、食用成熟度期、生理成熟度期三种成熟度的猕猴桃各20个，去除有损伤和病虫害的果实，并分别对三组的20个猕猴桃按照硬软度进行编号。

3.2 实验设备

压力测试实验装置由R5机械臂、二指型末端执行器和3D触觉传感器组成。将压力传感器背部与手指指面贴合牢固，设置手指闭合速度，即夹取速度最小为20 mm/s；二指末端执行器行程为85 mm，完全闭合时位置为0 mm，设置手指每次夹取最终位置为47 mm（小于猕猴桃直径，而不使猕猴桃被夹破）。

3.3 实验方法

将3D触觉传感器装置置于采摘机器人末端执行器手指指面，手指与水平桌面平齐，且距离大致为猕猴桃高度一半。采用程序控制末端执行器，每次实验时手指的开合位置、速度、力度均保持一致，速度匀速且缓慢，位置和力度合适，不使猕猴桃受到损伤。依次对3组猕猴桃进行压力测试实验，当3D触觉传感器就绪时，启动末端执行器对猕猴桃进行夹取。提取手指与猕猴桃未接触时至夹取稳定后3D触觉传感器的压力值，计算数据，绘制猕猴桃受力大小随时间变化的曲线。将同一成熟度的猕猴桃受力曲线进行分析对比，得到同一成熟度下猕猴桃受力范围。猕猴桃压力测试实验如图2所示。

图2 猕猴桃压力测试实验示意图

3.4 感知效果

随机选取10个猕猴桃进行压力测试实验。用末端执行器手指夹取猕猴桃，对猕猴桃进行受力分析，得到猕猴桃稀疏表征模型，由曲线关系判断猕猴桃成熟度，并验证。

4 结果与分析

4.1 压力测试分析

在压力测试实验中猕猴桃表面受力的时序模态如图3所示。将该特征集通过最值滤波算法进行边沿提取，建立稀疏表征模型。利用上升沿曲线建立特征模型到猕猴桃硬度之间的非线性映射，可分别测量计算出可采成熟度、食用成熟度、生理期成熟度3组猕猴桃的上升斜率，如表1所示。

由图3可知，机械爪未接触到猕猴桃时，触觉传感器受到的压力几乎为0，在接触到猕猴桃时，受力突然变得很大，然后逐渐减小，又趋于平缓。

图3 猕猴桃时序模态

由表1可知，不同猕猴桃曲线上升斜率有差异，可采成熟度期猕猴桃曲线斜率基本大于食用成熟度期的猕猴桃，食用成熟度期猕猴桃曲线斜率大于生理成熟度期猕猴桃。三种成熟度抓取上升斜率k范围分别为13.28～23.17、5.67～13.93、3.29～6.99，且平均值分别为17.54、10.48、4.81。

表1 猕猴桃1～20号夹取上升斜率

对比参数可知，不同成熟度期猕猴桃抓取上升斜率差异呈梯形，成熟度越高上升斜率均值越高，且各成熟度斜率范围存在交叉，是由于不同猕猴桃半径、高度等有所不同，但整体趋势与成熟度关系成正比，即以同样的速度夹取猕猴桃时，硬度越大的猕猴桃上升斜率越大，越快达到力度的尖峰值，再逐步下降，最终趋于平缓。

4.2 感知效果分析

随机选取10个猕猴桃进行压力测试试验，分别建立10个猕猴桃的稀疏表征模型，由上升沿曲线测量和计算各猕猴桃的上升斜率。10组猕猴桃的上升斜率如表2所示。

分别对10个猕猴桃以人的触觉感知对猕猴桃成熟度进行初步验证，再采用紫外/可见光谱技术和BP网络检测猕猴桃糖度[8]，以确定猕猴桃成熟度。结果表明，猕猴桃7属于未熟期；猕猴桃3、5属于可采成熟期；猕猴桃2、6、8、9属于可食用成熟期；猕猴桃1、4、10属于生理成熟期。即测试准确度为85%，能有效感知猕猴桃成熟信息。

表2 测试猕猴桃数据

表2（续）

5 结论

本文提出了一种基于触觉的猕猴桃成熟度感知方法，克服了传统的仅用视觉感知难以判断猕猴桃这类水果成熟度的不足。通过3D触觉传感器实时采集抓取接触力，提取触觉感知信息并建立稀疏表征模型，再利用上升沿曲线的非线性映射，最终得到猕猴桃成熟度的估计等级。经验证该感知方法简便有效，可有效解决因视觉无法感知判断猕猴桃成熟度的问题。丰富了机器人触觉感知能力的应用，从而扩大了机器人感知技术的应用市场。后续研究将分析采摘机器人抓取水果时的滑动感知以及抓取的稳定性。