摘要：全自動的嫁接苗培育系統一般經過精量播種、催芽、砧木與接穗苗培育、嫁接、移栽以及溫室培養等過程，其中各部分均為自動化作業。本文針對嫁接苗自動培育過程中的的移栽環節，設計了一款全自動嫁接苗智能移栽機器人，該機器人能與自動嫁接機配合，完成從嫁接機上夾取斷根嫁接苗再到移栽穴盤中完成移栽動作的自動化作業。該系統的軟件部分基于RGBD機器視覺，通過深度和彩色傳感器獲取移栽區域的實時點云信息，為移栽提供足夠的空間位置信息;硬件部分基于一臺六自由工業機器人UR5，在此基礎上設計了專門的末端執行器，配合路徑規劃，能在不傷苗的情況下完成嫁接苗的抓取以及種植動作。

　　關鍵詞： 嫁接苗、培育、移栽、機器人、自動化

　　0 引言

　　嫁接技術是目前瓜果類農場品實現穩定高產的有效手段之一，是人工營養繁殖方式的一種。但是，采用嫁接技術使得農產品培育所需的工作量明顯增加，再加上近年來越來越短缺的勞動力，嫁接苗的自動培育勢必成為今后農產品培育技術發展的方向。嫁接苗的培育分成很多步驟，自動化的嫁接苗培育系統不僅要使得其中每一步都實現自動化，還要求順接的每一步都能智能的銜接起來，實現整個培育流程的自動化。我國對嫁接技術的愈發重視以及對農業機械化的推進促使很多學者在嫁接苗的自動培育領域不斷的研究和作出成果[1-4]。

　　1嫁接苗全自動培育流程

　　嫁接苗的培育流程主要包括：播種、育苗、準備嫁接、嫁接、移栽以及生長管理。而全自動的培育流程需要每一個步驟都配備自動化的設備來完成其任務，同時，周密的管理和控制能良好的銜接各部分以形成一個統一的嫁接苗自動培育整體。

　　嫁接苗的全自動培育裝置一般包括以下幾個部分：苗的精密定向播種裝置、帶有檢測和調控功能的育苗裝置、嫁接前的供苗裝置、自動嫁接裝備、嫁接苗自動栽植設備以及嫁接苗自動管理設備。其中各個裝置的具體功能如下：

　　精密定向播種裝置：對大粒種子的生長點進行識別與方向的調整，實現播種的全程自動化;

　　帶有檢測與調控功能的育苗裝置：要求能對幼苗生長情況有 24 小時的監控，能夠對苗的生長情況進行判斷，并根據生長情況對培育環境進行相應的調控，還包括溫度光照等的控制;

　　自動供苗裝置：一般情況要求自動供苗裝置能夠對幼苗進行位置判斷，生長點判斷，還要求能夠剪斷以及夾緊幼苗，然后能夠將幼苗搬運到嫁接機托盤指定的位置，實現全程全自動;

　　自動嫁接設備：要求能將從供苗裝置得到的幼苗，先切斷再完成嫁接動作，最后將嫁接好的苗移動到指定的地方，方便栽植機器人栽植的時候獲取;

　　嫁接苗自動栽植設備：栽植設備的作用一般是從嫁接設備上取得嫁接好的苗，然后通過軌跡規劃將嫁接苗移栽到育苗穴盤中去，在種植之前，穴盤一般會經過自動的基質填充以及打孔工序，考慮到種苗的基質一般都具有相對松散的特性，移動到種苗地點的時候，可能會因為抖動或其他原因造成孔塌縮，有必要對所打孔是否能夠種植進行判斷。同時，要求自動栽植設備能準確獲得栽植點的位置深度信息，為種植提供充分的條件;

　　嫁接苗自動管理裝置：嫁接苗栽植成功后，需要轉移到溫室進行培養，培養的過程需要能夠對幼苗的生長情況進行監控，以便在發生問題的時候及時采取措施來保證嫁接苗的成活率和生長質量。　

　　　　　圖1 嫁接苗（自動化）培育流程      　　圖2 嫁接苗自動栽植流程圖

　　2 智能移栽機器人工作流程

　　本論文針對全自動化嫁接苗培育系統，研究其中的自動移栽環節，一般來講，嫁接苗的自動移栽需要完成以下幾個部分：

　　目標穴盤的準備：包括基質準備、基質的填充、基質的打孔以及通過傳送帶運輸穴盤到達指定位置等工序;

　　移栽信息的獲取：通過彩色和深度攝像頭獲取種植區域的穴盤點云信息，通過分析點云判斷穴孔是否符合種植要求和計算穴孔的位置坐標。其中，位置的檢測需要具有實時性;

　　機械臂的控制：包括控制末端抓手與嫁接機配合完成取苗，路徑規劃到達種苗位置，完成種苗動作。其中末端執行的設計是關鍵所在，要求能保證抓取時不傷害苗，同時能完成上述的動作。

　　整個移栽的流程如圖2所示，首先，在開始移栽之前，需要對穴盤進行基質填充，然后需要對基質進行打孔處理，經過上述處理的穴盤通過傳送帶移動到種植的區域，此時，圖像采集設備開始采集穴盤的圖像信息，然后傳輸給PC進行圖像數據的處理與分析，得出穴孔的位置信息，按照一定的時序與順序發送給移栽機器人，機器人在每一輪的移栽過程中接收一次穴孔的位置信息，然后移動到與嫁接機的對接口，通過IO信號與嫁接機進行交互并且控制末端抓手的開合完成取苗動作，接著按照規劃好的路徑到達指定的位置(即通過圖像處理計算出的穴孔位置)完成移栽。

　　3 硬件設計

　　本文設計的移栽機器人硬件部分主要包括六自由度機械臂、末端執行器、Kinect圖像傳感器、計算機、傳送帶以及穴盤組成。其關系如下圖所示，其實物圖為圖4所示。

圖3 移栽機器人硬件關系圖

圖4 移栽機器人硬件實物圖

　　其中，主要部件如下述：

　　Kinect傳感器：其彩色攝像頭像素為640×480，深度攝像頭像素為320×240，幀率30FPS，利用該傳感器，可以獲得精度足夠的穴盤點云。

　　末端執行器：通過利用氣缸獲得抓取和松開嫁接苗需要的行程，在爪手末端有海綿墊，防止傷害幼苗，利用帶有斜坡面的圧土機構來將土壓實。種苗動作為：爪手松開，嫁接苗落下，圧土機構向下運動，將穴孔壓實，再向上運動離開穴盤，完成圧土。

　　圖5 末端執行器示意圖

　　1、嫁接苗 2、連接盤 3、氣缸 4、進氣口 5、導軌 6、爪手 7、圧土機構 8、連接件 9、海綿墊

　　機械臂：選用型號為UR5的機械臂作為機器人的主體，該機械臂具有六個自由度，足夠滿足移栽動作的需求，同時還為以后的拓展預留了空間。機械臂的路徑規劃與控制可以在其示教器或者PC端進行。

　　4 軟件設計

　　整個軟件系統在Visual Studio 2010平臺下開發完成，主要用到的庫為OpenCV和Point Cloud Libray(點云庫)，整個軟件系統的的流程圖如圖6所示，主要包含了以下幾個部分：

　　圖6 軟件流程圖

　　(1)設備初始化：包括機械臂回零，Kinect傳感器初始化。

　　(2)傳送帶運送穴盤到達指定區域的時候，反饋一個IO信號，此時傳感器開始采集圖像數據，并通過USB數據線返回給PC。

　　(3)PC端程序判斷種植的順序，若是第一次種植，則調用圖像處理算法，通過生成穴盤區域的點云來分析在還沒有種苗情況下所有穴孔的位置信息，主要的操作步驟為：①生成穴盤區域點云②根據離線標定得到的傳送帶所在平面方程確定屬于穴盤上表面的點，距離該方程距離為穴盤高度的點即為穴盤上表面的點③將這些點重投影至二維圖像，在該圖像中使用canny算子[5]檢測邊界，再利用霍夫變換[6]擬合直線，目的是得到矩形④根據穴盤規格單個柵格內確定穴孔的位置和深度，主要用到點云的最鄰近算法和主成分分析算法[4]。若是第二次及以后的種植，則調用圖像匹配算法，將當前圖像與上一次種植前的圖像做特征點檢測，考慮到精度和效率的要求，權衡之下選擇了SURF[7]特征算法，SURF算法源于SIFT[8]算法，是一個高效的改進算法，結合隨機采樣一致算法[9]從匹配好的SURF特征點中計算兩幅圖的單應矩陣，從而計算出穴盤的移動的距離，這樣做的目的是減小上一次種植的機械沖擊導致的穴盤移動帶來的誤差。

　圖7 穴孔位置識別結果

    圖8嫁接苗圖像分離結果

　　(4)通過Socket通信將計算后的種植點坐標發送給機械臂，機械臂經過路徑規劃到達指定地方完成種植。

　　(5)在每一次種植完成之后，質量檢測算法會判斷此次種植是否成功，其目的在于保證移栽的成功率，若移栽失敗，為了不影響后續的種植，需要及時發出警報以便人工處理。檢測的算法基于點云信息以及背景差分法：首先使用點云信息分離嫁接苗與穴盤，可以去除穴盤背景，然后對剩下的嫁接苗圖像做圖像差分算法，可以得到此次種植的嫁接苗的圖像，從圖像的面積判斷單次種植是否成功。

　　(6)重復上述步驟直至穴盤種滿。

　　5 試驗與總結

　　采用培育了10天的南瓜幼苗進行了移栽實驗，所運行的軟件與硬件系統如上述，實驗所用穴盤基質提前打孔，孔徑約2cm，Kinect傳感器位于穴盤正上方約80cm處，種植過程沒有人工干預。種植的結果如表1所示。

　　圖9 移栽機器人綜合實驗

　　從實驗結果可以看出，在較低速度下移栽機器人工作平穩，成功率較高，但是隨著速度的增加，實驗平臺的振動明顯增加，當速度達到700株每小時的情況下成功率已經大大下滑。但是該實驗證明了該移栽機器人已經具備了對嫁接苗進行自動移栽的能力，整套硬件和軟件的可行性得到的驗證，然而在高速條件的穩定性還需要進一步的深入研究，如何克服高速條件下機械臂運動過大的加減速度帶來的振動是問題的關鍵。

　　參考文獻

　　[1]孫國祥, 汪小旵, 何國敏, 等. 穴盤苗移栽機末端執行器設計與虛擬樣機分析 [J] 農業機械學報, 2010, 41(10): 48-53.

　　[2]任燁. 基于機器視覺設施農業內移栽機器人的研究 [D].浙江:浙江大學, 2007.

　　[3]劉凱,辜松,PLC在穴盤苗移栽機器人控制系統中的應用[J].農機化研究,2009,31(12):179-180.

　　[4]楊揚, 曹其新, 盛國棟, 等. 基于機器視覺的育苗穴盤定位與檢測系統[J]. 農業機械學報, 2013, 44(006): 232-235.

　　[5]Canny J. A computational approach to edge detection[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1986 (6): 679-698.

　　[6]VC H P. Method and means for recognizing complex patterns: U.S. Patent 3,069,654[P]. 1962-12-18.

　　[7]Bay H, Tuytelaars T, Van Gool L. Surf: Speeded up robust features[M]//Computer vision–ECCV 2006. Springer Berlin Heidelberg, 2006: 404-417.

　　[8]Ng P C, Henikoff S. SIFT: Predicting amino acid changes that affect protein function[J]. Nucleic acids research, 2003, 31(13): 3812-3814.

　　[9]Fischler M A, Bolles R C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography[J]. Communications of the ACM, 1981, 24(6): 381-395.

　　作者簡介： 譚明豪，1993.01，上海交通大學2015屆直博生，地址：閔行區東川路800號，電話：18817519273

　　曹其新，1960.06，上海交通大學，教授、博士生導師