談數據挖掘在采摘機器人圖像采集過程范文

本站小編為你精心準備了談數據挖掘在采摘機器人圖像采集過程參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要:針對采摘機器人果實識別速率較低導致采摘效率較低的問題，對數據挖掘技術在采摘機器人中圖像采集過程的應用進行了分析。采摘機器人主要組成包括圖像采集模塊、運動控制模塊、氣壓驅動模塊、電源模塊、微處理器模塊和無線網傳輸模塊。為了提升圖像數據的處理速度，采用MR模型和決策樹中的ID3算法對圖像數據進行處理，并構建決策樹模型，對圖像數據進行數據挖掘處理。為了驗證該采摘機器人的性能，對其進行數據挖掘算法調試試驗和采摘機器人性能試驗，結果表明:該圖像處理算法速度顯著提升，采摘機器人性能穩定，采摘效果好。

關鍵詞:采摘機器人;數據挖掘技術;圖像采集過程;MR模型;決策樹

0引言

隨著農村經濟的發展和農業生產的進步，農業產品的生產模式逐漸向現代化發展。為了提高生產效率，農業機器人的應用范圍越來越廣。農業機器人的科技含量較高，是綜合了自動控制、信息處理、計算機和精密機械等技術于一體的綜合技術［1］。其中，采摘機器人是農業機器人的一種，其作業和控制過程最為復雜，主要是通過攝像機等設備利用機器視覺技術獲取果實和環境的圖像采集信息，利用軟件對圖像信息進行處理加工，并通過機械臂等裝置完成果實的采摘［2］。但是，在實際的采摘過程中，獲取的圖像信息過多，且后續的圖像分割和果實識別信息量過大，嚴重降低了果實識別速度及機器人的采摘效率。數據挖掘技術是在數據庫中，利用適當的數據分析工具如模糊集、遺傳算法和神經網絡等，根據需要獲得有用信息的過程。若在大量的圖片數據中利用數據挖掘技術分析和提取有用的信息，可以有效減少后續的數據處理量，提高數據處理速度及處理效率［3］。目前，國內外學者研究較多的是決策樹算法，該種算法是基于一定的規則方式在簡單的數據集中進行學習和訓練，進而實現在龐大的復雜數據集中獲得有效信息。目前，數據挖掘技術還未在采摘機器人的圖像處理中獲得廣泛應用，可以考慮將其應用于果實的識別過程。為此，筆者對數據挖掘技術在采摘機器人中圖像采集的應用進行了分析和研究。

1硬件設計

1．1總體設計

采摘機器人采用微處理器作為核心控制單元，主要包括圖像采集模塊、運動控制模塊、氣壓驅動模塊、電源模塊、微處理器模塊和無線網傳輸模塊，結構如圖1所示。

1．2圖像采集模塊

圖像采集模塊主要用于對采摘機器人周圍的環境及果實情況進行圖像的采集和處理，包括對圖片的采集、接收、處理、數據挖掘和存儲等，并將結論通過無線網傳輸至微處理器。該模塊主要由工業相機、攝像頭、存儲器和圖像采集平臺組成，如圖2所示。攝像頭采用OV9650型號攝像頭，并配置CMOS傳感器，以提高其集成度;CCD工業相機用于采集果實圖片;存儲器用于實時地將攝像頭和相機拍攝到的信息及時存儲。同時，在模塊內部配置時序電路、模擬信號和數字信號處理電路及SCCB接口等，保證各類格式的兼容以及數據的傳輸。圖像采集平臺用于固定圖像采集模塊的信息，保證硬件設備的穩定性。

1．3運動控制模塊

運動控制模塊主要用于對采摘機器人的運動進行控制［4］，根據獲得的目標果實位置信息到達采摘位置，并完成最終的采摘動作。模塊主要由定位裝置、機械臂、末端執行器和行走裝置組成。其中，定位裝置用于確定采摘機器人的位置，將位置信息傳遞給微處理器，計算機器人的采摘路徑;行走裝置用于使機器人按照采摘路徑行駛至指定位置，由機械臂執行大動作，使末端執行器到達待采摘果實附近，執行最終的采摘動作，完成采摘。

1．4氣壓驅動模塊

氣壓驅動模塊主要為運動控制模塊的各運動裝置提供驅動力，通過控制氣缸的運動速度，進而控制運動裝置的作業速度。一般驅動裝置主要包括液壓、氣動和電機驅動3種方式:液壓驅動方式用于大負載作業，但在作業過程中容易出現漏油;電機驅動方式效率和精度均較高，但成本也高;氣動驅動方式成本較低，精度可滿足采摘要求，且使用壽命較長［5］。對比以上3種驅動方式，最終選擇氣動驅動方式。氣動驅動模塊主要包括氣源、氣源處理單元、比例方向閥、擺動氣缸和直線氣缸。其中，氣源用于提供恒壓氣體;氣源處理單元用于對恒壓氣體進行處理;比例方向閥用于調整氣缸中的氣體流量，以控制氣體流速;擺動氣缸和直線氣缸起到驅動作用。氣壓驅動模塊的原理圖如圖3所示。

1．5電源模塊

電源模塊主要為采摘機器人的作業提供必要的電能，外部原器件采用3．3V直流電源，內部各模塊為采用9V電源供電，通過穩壓片將電壓轉換為5V電壓為驅動電路供電。為了提高機器人的安全性能，設計了過溫保護和欠壓鎖定單元。電源模塊的硬件設計如圖4所示。

1．6微處理器模塊和無線網傳輸模塊

微處理器模塊是采摘機器人的核心控制模塊，用于控制采摘機器人的整體采摘過程。無線網傳輸模塊用于數據的傳輸，實現對采摘機器人的遠程控制。

2圖像數據挖掘算法設計

采摘機器人在圖像采集過程中，獲得并存儲的視頻和圖像數據過多，為了從這些圖像數據中快速地獲得有應用價值的信息，需要對這些圖像信息進行數據挖掘。目前，數據挖掘應用較多的是決策樹方法［6］，其中的ID3算法是決策樹算法中較為常用且有效的數據挖掘算法，具有結構簡單、清晰，學習能力較強等優點［7］，但是數據冗余較多。MR模型是并行處理方式，可以對大量的數據進行劃分處理，可起到數據化簡的效果。因此，采用基于MR的ID3算法對圖像信息進行數據挖掘處理。

2．1MR模型和決策樹

MR模型是通過對大數據進行劃分，并規整、化簡，最終得到結果的一種處理方式，其工作流程簡決策樹屬于監管學習的分類方式，即每個給定的樣本均有確定的屬性和類別，通過學習可以獲得分類器，對新的樣本進行屬性和類別的劃分，每個決策樹均代表類別與屬性的對應關系。

2．2決策樹模型構建

圖像數據的決策樹模型構建方法按照以下步驟進行:首先，假設決策樹模型的訓練數據集為M，這些數據集的類別包括T1，T2，…，Tn，分別劃分至各類別的概率為P1，P2，…，Pn，則給定數據集M的分類期望值為H(M)=H(P1，P2，…，Pn)=－∑ni=1Piln(Pi)在這些數據集中，可以根據其所屬類別T，將這些數據集劃分為M1，M2，…，Mn，則這些數據集進行分類所需要的信息量可以通過各個子集進行加權得到。其平均值可通過下式計算，即H(T，M)=∑ni=1H(Mi)MiM信息增益可以根據數據集M的屬性T進行劃分得出，即Gain(T，M)=H(M)－H(T，M)通過以上方法可以建立ID3算法的決策樹，但ID3方法生成的決策樹對噪聲比較敏感，且冗余數據較多。針對該缺點，在決策樹算法中增加屬性集依賴度的概念，去除決策樹的冗余數據，以簡化數據集。屬性集依賴度S按照下式計算，即S=γU(V)=card(UOSU(V))card(W)范圍為［0，1］。屬性依賴度是一個在近似區域S內對個體元素U和V進行依賴度定義，則近似區域S為S=(U，R)其中，U為包含所有元素的集合;R為包含元素U和V的集合。在進行決策樹的計算時，將其在MR平臺運行，即可快速地對數據集進行挖掘處理，確定圖像最佳屬性。

3試驗結果

為了驗證該采摘機器人的性能，需要對其進行試驗驗證。考慮到本文主要對其圖像采集過程進行數據挖掘技術優化，因此對其算法進行調試試驗，并對采摘機器人的性能進行試驗驗證。

3．1數據挖掘算法調試試驗結果

分別采用常規算法和數據挖掘算法對圖片數據進行發送和接收任務。試驗環境選擇100Mbps的以太網連接的電腦集群，電腦工作頻率為2．2GHz，測試在有不同數量節點介入時，不同數量級的圖片數據匹配完成的時間。試驗結果如圖6所示。由圖6可知:隨著節點數量的增加和數量級的增加，數據處理速度逐漸增加;對比兩種不同算法的數據處理速度，采用數據挖掘算法的圖片數據處理時間明顯短于常規算法，其處理速度優于傳統算法。

3．2采摘機器人采摘性能測試

選擇40m×60m的大棚進行蘋果采摘試驗，共選取不同位置的蘋果20個進行采摘，統計采摘成功率。為了保證采摘機器人的穩定性，試驗共進行5次，試驗結果如表1所示。由表1可知:采摘機器人的采摘成功率均大于90%，作業過程性能較為穩定，符合客戶對采摘機器人的性能要求。

4結論

1)針對采摘機器人果實識別速率較低，導致采摘效率較低的問題，對數據挖掘技術在采摘機器人中圖像采集過程的應用進行了分析和研究。采摘機器人主要包括圖像采集模塊、運動控制模塊、氣壓驅動模塊、電源模塊、微處理器模塊和無線網傳輸模塊。

2)為了提升圖像數據的處理速度，采用MR模型和決策樹中的ID3算法對圖像數據進行處理，并構建決策樹模型，對圖像數據進行數據挖掘處理。

3)為了驗證該采摘機器人的性能，對其進行數據挖掘算法調試試驗和采摘機器人性能試驗，結果表明:該圖像處理算法速度顯著提升，采摘機器人性能穩定，采摘效果良好。

作者：白俊 單位：北京京北職業技術學院