谈数据挖掘在采摘机器人图像采集过程范文

摘要:针对采摘机器人果实识别速率较低导致采摘效率较低的问题，对数据挖掘技术在采摘机器人中图像采集过程的应用进行了分析。采摘机器人主要组成包括图像采集模块、运动控制模块、气压驱动模块、电源模块、微处理器模块和无线网传输模块。为了提升图像数据的处理速度，采用MR模型和决策树中的ID3算法对图像数据进行处理，并构建决策树模型，对图像数据进行数据挖掘处理。为了验证该采摘机器人的性能，对其进行数据挖掘算法调试试验和采摘机器人性能试验，结果表明:该图像处理算法速度显著提升，采摘机器人性能稳定，采摘效果好。

关键词:采摘机器人;数据挖掘技术;图像采集过程;MR模型;决策树

0引言

随着农村经济的发展和农业生产的进步，农业产品的生产模式逐渐向现代化发展。为了提高生产效率，农业机器人的应用范围越来越广。农业机器人的科技含量较高，是综合了自动控制、信息处理、计算机和精密机械等技术于一体的综合技术［1］。其中，采摘机器人是农业机器人的一种，其作业和控制过程最为复杂，主要是通过摄像机等设备利用机器视觉技术获取果实和环境的图像采集信息，利用软件对图像信息进行处理加工，并通过机械臂等装置完成果实的采摘［2］。但是，在实际的采摘过程中，获取的图像信息过多，且后续的图像分割和果实识别信息量过大，严重降低了果实识别速度及机器人的采摘效率。数据挖掘技术是在数据库中，利用适当的数据分析工具如模糊集、遗传算法和神经网络等，根据需要获得有用信息的过程。若在大量的图片数据中利用数据挖掘技术分析和提取有用的信息，可以有效减少后续的数据处理量，提高数据处理速度及处理效率［3］。目前，国内外学者研究较多的是决策树算法，该种算法是基于一定的规则方式在简单的数据集中进行学习和训练，进而实现在庞大的复杂数据集中获得有效信息。目前，数据挖掘技术还未在采摘机器人的图像处理中获得广泛应用，可以考虑将其应用于果实的识别过程。为此，笔者对数据挖掘技术在采摘机器人中图像采集的应用进行了分析和研究。

1硬件设计

1．1总体设计

采摘机器人采用微处理器作为核心控制单元，主要包括图像采集模块、运动控制模块、气压驱动模块、电源模块、微处理器模块和无线网传输模块，结构如图1所示。

1．2图像采集模块

图像采集模块主要用于对采摘机器人周围的环境及果实情况进行图像的采集和处理，包括对图片的采集、接收、处理、数据挖掘和存储等，并将结论通过无线网传输至微处理器。该模块主要由工业相机、摄像头、存储器和图像采集平台组成，如图2所示。摄像头采用OV9650型号摄像头，并配置CMOS传感器，以提高其集成度;CCD工业相机用于采集果实图片;存储器用于实时地将摄像头和相机拍摄到的信息及时存储。同时，在模块内部配置时序电路、模拟信号和数字信号处理电路及SCCB接口等，保证各类格式的兼容以及数据的传输。图像采集平台用于固定图像采集模块的信息，保证硬件设备的稳定性。

1．3运动控制模块

运动控制模块主要用于对采摘机器人的运动进行控制［4］，根据获得的目标果实位置信息到达采摘位置，并完成最终的采摘动作。模块主要由定位装置、机械臂、末端执行器和行走装置组成。其中，定位装置用于确定采摘机器人的位置，将位置信息传递给微处理器，计算机器人的采摘路径;行走装置用于使机器人按照采摘路径行驶至指定位置，由机械臂执行大动作，使末端执行器到达待采摘果实附近，执行最终的采摘动作，完成采摘。

1．4气压驱动模块

气压驱动模块主要为运动控制模块的各运动装置提供驱动力，通过控制气缸的运动速度，进而控制运动装置的作业速度。一般驱动装置主要包括液压、气动和电机驱动3种方式:液压驱动方式用于大负载作业，但在作业过程中容易出现漏油;电机驱动方式效率和精度均较高，但成本也高;气动驱动方式成本较低，精度可满足采摘要求，且使用寿命较长［5］。对比以上3种驱动方式，最终选择气动驱动方式。气动驱动模块主要包括气源、气源处理单元、比例方向阀、摆动气缸和直线气缸。其中，气源用于提供恒压气体;气源处理单元用于对恒压气体进行处理;比例方向阀用于调整气缸中的气体流量，以控制气体流速;摆动气缸和直线气缸起到驱动作用。气压驱动模块的原理图如图3所示。

1．5电源模块

电源模块主要为采摘机器人的作业提供必要的电能，外部原器件采用3．3V直流电源，内部各模块为采用9V电源供电，通过稳压片将电压转换为5V电压为驱动电路供电。为了提高机器人的安全性能，设计了过温保护和欠压锁定单元。电源模块的硬件设计如图4所示。

1．6微处理器模块和无线网传输模块

微处理器模块是采摘机器人的核心控制模块，用于控制采摘机器人的整体采摘过程。无线网传输模块用于数据的传输，实现对采摘机器人的远程控制。

2图像数据挖掘算法设计

采摘机器人在图像采集过程中，获得并存储的视频和图像数据过多，为了从这些图像数据中快速地获得有应用价值的信息，需要对这些图像信息进行数据挖掘。目前，数据挖掘应用较多的是决策树方法［6］，其中的ID3算法是决策树算法中较为常用且有效的数据挖掘算法，具有结构简单、清晰，学习能力较强等优点［7］，但是数据冗余较多。MR模型是并行处理方式，可以对大量的数据进行划分处理，可起到数据化简的效果。因此，采用基于MR的ID3算法对图像信息进行数据挖掘处理。

2．1MR模型和决策树

MR模型是通过对大数据进行划分，并规整、化简，最终得到结果的一种处理方式，其工作流程简决策树属于监管学习的分类方式，即每个给定的样本均有确定的属性和类别，通过学习可以获得分类器，对新的样本进行属性和类别的划分，每个决策树均代表类别与属性的对应关系。

2．2决策树模型构建

图像数据的决策树模型构建方法按照以下步骤进行:首先，假设决策树模型的训练数据集为M，这些数据集的类别包括T1，T2，…，Tn，分别划分至各类别的概率为P1，P2，…，Pn，则给定数据集M的分类期望值为H(M)=H(P1，P2，…，Pn)=－∑ni=1Piln(Pi)在这些数据集中，可以根据其所属类别T，将这些数据集划分为M1，M2，…，Mn，则这些数据集进行分类所需要的信息量可以通过各个子集进行加权得到。其平均值可通过下式计算，即H(T，M)=∑ni=1H(Mi)MiM信息增益可以根据数据集M的属性T进行划分得出，即Gain(T，M)=H(M)－H(T，M)通过以上方法可以建立ID3算法的决策树，但ID3方法生成的决策树对噪声比较敏感，且冗余数据较多。针对该缺点，在决策树算法中增加属性集依赖度的概念，去除决策树的冗余数据，以简化数据集。属性集依赖度S按照下式计算，即S=γU(V)=card(UOSU(V))card(W)范围为［0，1］。属性依赖度是一个在近似区域S内对个体元素U和V进行依赖度定义，则近似区域S为S=(U，R)其中，U为包含所有元素的集合;R为包含元素U和V的集合。在进行决策树的计算时，将其在MR平台运行，即可快速地对数据集进行挖掘处理，确定图像最佳属性。

3试验结果

为了验证该采摘机器人的性能，需要对其进行试验验证。考虑到本文主要对其图像采集过程进行数据挖掘技术优化，因此对其算法进行调试试验，并对采摘机器人的性能进行试验验证。

3．1数据挖掘算法调试试验结果

分别采用常规算法和数据挖掘算法对图片数据进行发送和接收任务。试验环境选择100Mbps的以太网连接的电脑集群，电脑工作频率为2．2GHz，测试在有不同数量节点介入时，不同数量级的图片数据匹配完成的时间。试验结果如图6所示。由图6可知:随着节点数量的增加和数量级的增加，数据处理速度逐渐增加;对比两种不同算法的数据处理速度，采用数据挖掘算法的图片数据处理时间明显短于常规算法，其处理速度优于传统算法。

3．2采摘机器人采摘性能测试

选择40m×60m的大棚进行苹果采摘试验，共选取不同位置的苹果20个进行采摘，统计采摘成功率。为了保证采摘机器人的稳定性，试验共进行5次，试验结果如表1所示。由表1可知:采摘机器人的采摘成功率均大于90%，作业过程性能较为稳定，符合客户对采摘机器人的性能要求。

4结论

1)针对采摘机器人果实识别速率较低，导致采摘效率较低的问题，对数据挖掘技术在采摘机器人中图像采集过程的应用进行了分析和研究。采摘机器人主要包括图像采集模块、运动控制模块、气压驱动模块、电源模块、微处理器模块和无线网传输模块。

2)为了提升图像数据的处理速度，采用MR模型和决策树中的ID3算法对图像数据进行处理，并构建决策树模型，对图像数据进行数据挖掘处理。

3)为了验证该采摘机器人的性能，对其进行数据挖掘算法调试试验和采摘机器人性能试验，结果表明:该图像处理算法速度显著提升，采摘机器人性能稳定，采摘效果良好。

作者：白俊 单位：北京京北职业技术学院