采摘机器人是一种典型的智能农业设备,被广泛应用于种种复杂的采摘环境中实施作业,采摘机器人作为现代智能设备的代表,集机器人、传感器、控制器等先进技术于一体。近五年来,人工智能技术受到了广大科研人员的持续追捧,其中智能农业技术的发展也不例外。同时,制约采摘机器人机器性能提高的技术瓶颈主要在于视觉识别、图像处理、路径规划等方面。本文在研究过程中为提高智能采摘机器人的采摘效率,需要在特定目标生长情况下对实际应用提供参考,将以智能苹果采摘机器人作为研究对象,围绕视觉识别、目标定位、机械臂结构设计、软件设计等方面展开研究。本文的研究内容和取得的结论概括如下:首先,对自然光下苹果果实及其生长情况进行图像采集。针对苹果的实际生长特点和采摘作业需求,提出了基于改进的SSD神经网络的自然环境下苹果采摘模型。通过添加注意力机制与特征融合的方式提高苹果采摘机器人对于小目标及复杂环境下的苹果识别能力。并且提出了两种不同的改进方式:SSD-F及SSD-FC,经过实验与原始的SSD神经网络进行训练比较。实验结果表明,改进的模型中SSD-FC的方法不仅对于小目标及复杂环境区域的目标检测效果最优,而且由于模型复杂度的增加对识别稳定性并未产生较大影响,达到了预期效果。其次,搭建了苹果采摘机器人的目标定位系统,完成世界坐标系与像素坐标系转换关系的计算分析,深度相机的选用及标定试验。因为末端执行器获得的采摘目标坐标信息需要通过相机标定结果转换得出,所以将进行机械臂设计,机械臂D-H模型构建以及正运动学分析。选用Eye-in-hand的方式搭建视觉采摘系统及进行手眼标定仿真试验,并运用Tsai标定法获取手眼坐标的位置关系结果。最终对苹果采摘机器人视觉识别与定位系统进行试验验证。采用Intel Real Sense相机对苹果目标进行识别及三维定位,并将三维坐标信息实时地呈现在识别结果框内,实现系统可视化。通过试验验证了改进算法以及手眼标定转换结果的合理性。并设计出基于PyQt工具包的苹果智能识别软件。