基于YOLO网络的幼苗分拣系统设计

吴 超，张 成，吴柯锦，刘俊安，姚建新

(常州机电职业技术学院，江苏 常州 213164)

0 引言

幼苗栽培整理系统技术主要用于提高生产力、统一经营管理，在国内有很大的发展空间。但幼苗盘的搬运和分拣主要由人工完成，降低了农业自动化程度。目前，国内育苗场因标准不统一，幼苗盘的搬运作业机械化程度仍然不高，其整理方式以人力为主，自动化程度低且增加了劳动成本。国外设施农业发达的国家对幼苗的整理装置研究较多，荷兰通过控制农业机器人对幼苗进行逐个整理，但是这些系统复杂、价格昂贵，很难在小规模农企中广泛应用，因而急需一种适合我国国情的机械设备代替人工操作，实现幼苗的快速识别与整理，进而与幼苗盘搬运系统相结合，提高效率，降低劳动成本。

1 分拣系统总体设计

基于YOLO网络的幼苗分拣系统主要包括幼苗根部识别和机械手控制两部分，树苗的根部识别是通过摄像头采集图像，把采集好的图像经过YOLOv5[1]算法检测，得出抓取点位置，提取坐标定位，然后把坐标定位数值，送给机械臂，接着控制M1魔术师机械手[2]，运行到相应的幼苗根部上方，抓取幼苗，改变位置。

通过视觉系统图像的采集、YOLO网络检测数据分析，得出苗木的抓取点位姿信息，结合相应算法获取苗木当前状态，将信息传递给机械手[3]，机械手根据获取到的位姿信息对苗木的姿态进行调整，得出符合栽培要求的状态。

通过流水线来识别幼苗的根部，通过对其位姿的检测做出相应的反馈到机械手，机械手根据信号对幼苗进行整理以达到理想效果。

分拣系统以越疆科技M1机械臂为主要硬件平台[4]，结合机器视觉设计了软件系统并对不同的工件进行了分拣实验验证，在实际的生产中具有较高的理论指导和应用价值。分拣系统总体设计思路如图1所示。

图1 分拣系统总体设计思路

2 定位设计

识别图像中的多个目标和坐标提取是系统对图像进行预处理的目的。摄像头采集到的图像由越疆科技的视觉识别系统完成。

树苗坐标并不能直接作为工件的定位坐标，需要将其从像素坐标系转换到检测的实际定位坐标，坐标转换原理如图2所示。

图2 坐标转换原理

系统需要先进行坐标定位，标定出图像在实际定位中的比例，机器人通过通信工作进行抓取处理。

2.1 树苗根部位置定位

机器视觉处理采用DobotVisionStudio。算法平台继承机器视觉软件，首先，在完成树苗分析以后，需要对树苗的位置进行定位，求取树苗根部位置的二值图像。

2.2 YOLOv5算法原理

YOLOv5是一种单阶段目标检测算法，主要包括输入端、基准端、颈部网络端、头部网络端。

(1)输入端：是指模型训练阶段的一些基本方法，包括Mosaic数据增强、自适应锚框计算、自适应图片缩放等。

(2)基准端：主要包括Focus，CSP两种结构。

(3)颈部连接端：在基准网络与输出层之间会有一些参数修改，所以会插入一些层，在YOLOv5中添加了FPN+PAN结构。

(3)头部网络端：锚框机制主要改进的是训练时的损失函数GIOU_Loss以及预测框筛选的DIOU_NUMS。其中，GIOU_Loss GIoU是源自IoU的一种边框预测的损失计算方法，在目标检测等领域，需要对预测边框与实际标注边框进行对比，计算损失。原理如图3所示。

图3 YOLOv5算法原理

在经典的NMS中，得分最高的检测框和其他检测框逐一算出对应的IOU值，并将该值超过NMS threshold的框全部过滤掉。可以看出，在经典NMS算法中，IOU是最重要的因素。

但是在实际应用场景中，当两个不同物体挨得很近时，由于IOU值比较大，往往经过NMS处理后，只剩下对应的检测框，导致漏检的错误情况发生。

基于此，DIOU-NMS不仅考虑IOU，还考虑两个框中心点之间的距离。如果两个框之间的IOU和距离比较大，可能会认为这是两个物体的框而不会被过滤掉。公式如下：

(1)

2.3 YOLOv5目标检测原理

首先输入图像，运用自适应图像缩到规定大小的范围，然后划分网络，分别预测目标边框，预测目标所属类别，经过运算经行置信度评分；其次对阈值进行比较，如果不是特别大的抑制，继续输出目标边界框和标注目标类型以及置信度评分，否则就舍弃边框，YOLOv5目标检测流程如图4所示。

3 机器人抓取流程

机器人抓取程序思路：PC机与相机建立通信联系，传送带传送树苗到指定的拍照位置，视觉处理获取位置，数据传送给机器人，机器人运动到点，然后抓取树枝，调整树枝位置到合适的角度，然后传送带送走树枝。循环执行机器人抓取流程如图5所示。

图5 机器人抓取流程

4 结语

目前，农业用的树苗分拣精确识别依旧面临很多问题，如移动平台采集图像成像质量不佳；在阴雨、大雾等气候条件恶劣情况下，容易受烟、雾、不良光照干扰，从而丢失目标纹理细节，对目标部位识别造成困难。以上问题需要对图像进行针对性的预处理，完成图像增强和重建等工作。在实验测试中还发现，传送带在速度较快，多重目标识别情况下漏检、错检概率明显增加，说明在复杂背景下的检测识别能力还有提升空间。