[发明专利]一种用于预测遮挡农作物摘取点的农业机器人作业方法

权利要求书

1.一种用于预测遮挡农作物摘取点的农业机器人作业方法，其特征在于，包括以下步骤：

采集目标农作物图像并输入训练好的神经网络模型中，对目标农作物进行识别及定位；

提取目标农作物的特征点集合，将提取的特征点集合与训练后的神经网络模型中的标准模板数据集合进行配准，计算得到目标农作物的旋转矩阵和平移矩阵；

根据点云配准结果计算目标农作物的可摘取范围，引导农业机器人进行采摘；

所述步骤“提取目标农作物的特征点集合，将提取的特征点集合与训练后的神经网络模型中的标准模板数据集合进行配准，计算得到目标农作物的旋转矩阵和平移矩阵”包括以下步骤：

设定基准坐标系；

提取目标农作物的点云数据形成特征点集合；

从特征点集合和标准模板数据集合中分别提取关键点，并计算关键点对应的特征描述子；

结合特征描述子在对应特征点集合和标准模板数据集合中的坐标位置，估计对应特征点集合和标准模板数据集合之间相对应的点对；

对估计的点对进行去噪处理，去除错误的点对，完成特征点集合和标准模板数据集合的粗配准；

采用最近点迭代算法对特征点集合和标准模板数据集合中的点云数据进行配准，得到两个点云数据之间的旋转矩阵和平移矩阵，完成精配准；

所述步骤“对估计的点对进行去噪处理，去除错误的点对，完成特征点集合和标准模板数据集合的粗配准”基于采样一致性原理对点对进行去噪处理，具体包括以下步骤：

从特征点集合中选择若干个采样点，计算所述采样点中配对距离大于预设距离的点，并去除配对距离大于预设距离的采样点；

对于每一个采样点，在标准模板数据集合中找到对应的点并存入采样点集合中，得到采样点集合与标准模板数据集合P_s之间的对应关系；

根据采样点集合与标准模板数据集合的对应关系，计算采样点定义的刚体变换矩阵，进而计算点云的度量错误；

重复前述步骤，直到求得的度量错误满足预设最佳度量错误；并对最佳度量错误进行非线性局部优化。

2.根据权利要求1所述的一种用于预测遮挡农作物摘取点的农业机器人作业方法，其特征在于，在所述步骤“采集目标农作物图像并输入训练好的神经网络模型中，对目标农作物进行识别及定位”前还包括以下步骤：

采用深度学习算法对农作物的图像进行检测和识别，得到指定农作物的标准模板数据，并训练出能够识别出对应农作物的神经网络模型。

3.根据权利要求2所述的一种用于预测遮挡农作物摘取点的农业机器人作业方法，其特征在于，所述步骤“采用深度学习算法对农作物的图像进行检测和识别，得到指定农作物的标准模板数据，并训练出能够识别出对应农作物的神经网络模型”包括以下步骤：

采集若干农作物的图像，并将采集的图像分成训练集和测试集；

构建YOLO神经网络，设定特征参数和激活函数；

将训练集输入YOLO神经网络，并设定损失函数对YOLO神经网络进行迭代训练，得到训练后的神经网络模型；

利用测试集的测试结果对神经网络模型进行验证。

4.根据权利要求3所述的一种用于预测遮挡农作物摘取点的农业机器人作业方法，其特征在于，所述YOLO神经网络包括多层卷积层和多层全连接层。

5.根据权利要求3所述的一种用于预测遮挡农作物摘取点的农业机器人作业方法，其特征在于，所述激活函数包括线性激活函数和非线性激活函数，其中YOLO神经网络的最后输出层采用线性激活函数；

所述非线性激活函数的公式为：

f(x)＝max(x,ax)

其中，max为取最大值函数，x为某一像素点的坐标，a为常数；

所述线性激活函数的公式为：

f(x)＝kx+a

其中，k和a均为常数，x为某一像素点的坐标；

所述损失函数的公式为：

其中，coorErr为YOLO神经网络识别到的预测数据与实际数据之间的坐标误差，iErr为预测数据与实际数据之间重叠尺度误差，claErr为预测数据与实际数据之间分类误差，s为某一图像的像素数量，i为整数。