基于货架期预测和成熟度判别的番茄采摘装置及其使用方法制造方法及图纸

本发明专利技术提供了基于货架期预测和成熟度判别的番茄采摘装置，包括车体，车体的支架上安装有微型计算机、图像采集器、和测距雷达，图像采集器采集番茄的果实图像数据，然后将其传送至微型计算机内，完成果实成熟度的判别预测，车体上还固定有果实收集箱，果实收集箱上通过转轴活动连接有采摘器，本发明专利技术利用图像采集器获取番茄果实的图像数据，再利用微型计算机对得到的图像数据进行预处理，预处理后的数据按照7:3分为训练数据和测试数据，对构建的LSTM神经网络模型进行训练；根据完成训练的LSTM神经网络模型完成番茄果实成熟度的判别预测，确保设施番茄果实在上市期间成熟度和口感最佳，提高了番茄采摘效率。提高了番茄采摘效率。提高了番茄采摘效率。

【技术实现步骤摘要】
基于货架期预测和成熟度判别的番茄采摘装置及其使用方法


[0001]本专利技术属于番茄种植
，具体涉及基于货架期预测和成熟度判别的番茄采摘装置及其使用方法。

技术介绍

[0002]番茄采摘是番茄生产过程中的重要一环，传统的番茄采摘依靠大量人力，耗费的采摘成本很大，人工采摘的番茄成熟度也会有所差异，在上市期间部分番茄的成熟度并不是最佳的。
[0003]目前，番茄的采摘装置研究较多，主要依靠机器视觉判别番茄成熟度，控制机械臂进行采摘，对于未成熟的番茄并不能确保在合适的时候采摘，不能确保上市期间番茄口感和成熟度最优，影响番茄种植过程中的经济效益。

技术实现思路

[0004]本专利技术所要解决的技术问题在于针对上述现有技术的不足，提供基于货架期预测和成熟度判别的番茄采摘装置及其使用方法，以解决上述
技术介绍
中提出的问题。
[0005]为解决上述技术问题，本专利技术采用的技术方案是：基于货架期预测和成熟度判别的番茄采摘装置，包括车体，所述车体上固定有支架，所述支架上安装有微型计算机、图像采集器、和测距雷达；
[0006]所述图像采集器采集番茄的果实图像数据，然后将其传送至微型计算机内，微型计算机获取设施番茄图像数据后并进行预处理，即基于深度学习方法识别出番茄果实的成熟度；
[0007]采集番茄的影响因子数据，所述影响因子包括果实成熟度、果实硬度和温度，将所述影响因子数据进行预处理后输入至番茄货架期预测模型，输出预测的番茄货架期，所述番茄货架期预测模型根据所述影响因子和所述影响因子对应的番茄货架期进行训练后得到，通过番茄果实的成熟度以及其货架期反推番茄最佳采摘时间完成果实成熟度的判别预测；
[0008]所述车体上还固定有果实收集箱，所述果实收集箱上通过转轴活动连接有采摘器，所述采摘器的控制器也与微型计算机之间信号连接，当微型计算机判断番茄果实成熟时，通过控制采摘器将成熟的番茄果实采摘到果实收集箱内。
[0009]优选的，所述深度学习方法采用AlexNet卷积神经网络，包含5个卷积层和3个全连接，其中第一卷积层、第二卷积层、第五卷积层后接一个最大池化层。
[0010]优选的，所述微型计算机判别预测果实成熟度包括以下步骤：
[0011]S101、先通过图像采集器进行番茄果实图像数据的获取，并将其传送至微型计算机内；
[0012]S102、微型计算机对得到的图像数据进行预处理，预处理后的数据按照7:3分为训练数据和测试数据；
[0013]S103、构建AlexNet神经网络模型，使用训练数据集对AlexNet神经网络模型进行训练；
[0014]S104、根据完成训练的AlexNet神经网络模型完成番茄果实成熟度的判别预测。
[0015]优选的，所述番茄货架期预测包括以下步骤：
[0016]S201、先通过采集器进行番茄影响因子数据的获取，并将其传送至微型计算机3内；
[0017]S202、微型计算机3对得到的数据进行预处理，预处理后的数据按照7:3分为训练数据和测试数据；
[0018]S203、构建LSTM神经网络模型，使用训练数据集对LSTM神经网络模型进行训练；
[0019]S204、根据完成训练的LSTM神经网络模型完成番茄货架期的预测。
[0020]优选的，所述图像数据进行预处理具体为使用MinMaxScaler公式：
[0021][0022]其中，X*表示归一化后的数据，X
max
表示数据的最大值，X
min
表示数据的最小值；
[0023]将所有数据归一化到0～1之间，完成图像数据的预处理。
[0024]优选的，所述LSTM神经网络模型包括一个输入层、一个LSTM细胞层、一个输出层；
[0025]LSTM递归循环神经网络的前向传播函数为：
[0026]i
<t>
＝σ(W
xi
x
<t>
+W
hi
h
<t
‑
1>
+W
ci
c
<t
‑
1>
+b
i
)
[0027]f
<t>
＝σ(W
xf
x
<t>
+W
hf
h
<t
‑
1>
+W
cf
c
<t
‑
1>
+b
f
)
[0028]c
<t>
＝f
t
c
<t
‑
1>
+i
t
tanh(W
xc
x
<t>
+W
hc
h
<t
‑
1>
+b
c
)
[0029]o
<t>
＝σ(W
xo
x
<t>
+W
ho
h
<t
‑
1>
+W
co
c
<t>
+b
o
)
[0030]h
<t>
＝o
<t>
tanh(c
<t>
)
[0031]其中，i
<t>
表示输入门、f
<t>
表示遗忘门、c
<t>
表示t时刻经过输入门和遗忘门后的细胞单元状态、o
<t>
表示t时刻输出门的细胞单元状态、h
<t>
表示t时刻LSTM单元的所有输出状态；
[0032]W表示权重矩阵；b表示偏置项；sigmoid表示激活函数，其作用是将变量映射至区间[0，1]中。
[0033]优选的，所述训练数据集对LSTM神经网络模型训练包含如下步骤：
[0034]S301、按照LSTM递归循环神经网络的前向传播函数公式计算LSTM细胞的输出值；
[0035]S302、在时间和网络层级两个方向上计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于货架期预测和成熟度判别的番茄采摘装置，其特征在于，包括车体(1)，所述车体(1)上固定有支架(2)，所述支架(2)上安装有微型计算机(3)、图像采集器(4)、和测距雷达(5)；所述图像采集器(4)采集番茄的果实图像数据，然后将其传送至微型计算机(3)内，微型计算机(3)获取设施番茄图像数据后并进行预处理，即基于深度学习方法识别出番茄果实的成熟度；采集番茄的影响因子数据，所述影响因子包括果实成熟度、果实硬度和温度，将所述影响因子数据进行预处理后输入至番茄货架期预测模型，输出预测的番茄货架期；所述番茄货架期预测模型根据所述影响因子和所述影响因子对应的番茄货架期进行训练后得到，通过番茄果实的成熟度以及其货架期反推番茄最佳采摘时间完成果实成熟度的判别预测；所述车体(1)上还固定有果实收集箱(6)，所述果实收集箱(6)上通过转轴(7)活动连接有采摘器(8)，所述采摘器(8)的控制器也与微型计算机(3)之间信号连接，当微型计算机(3)判断番茄果实成熟时，通过控制采摘器(8)将成熟的番茄果实采摘到果实收集箱(6)内。2.根据权利要求1所述的基于货架期预测和成熟度判别的番茄采摘装置，其特征在于，所述深度学习方法采用AlexNet卷积神经网络，包含5个卷积层和3个全连接，其中第一卷积层、第二卷积层、第五卷积层后接一个最大池化层。3.根据权利要求1所述的基于货架期预测和成熟度判别的番茄采摘装置，其特征在于，所述微型计算机(3)判别预测果实成熟度包括以下步骤：S101、先通过图像采集器(4)进行番茄果实图像数据的获取，并将其传送至微型计算机(3)内；S102、微型计算机(3)对得到的图像数据进行预处理，预处理后的数据按照7:3分为训练数据和测试数据；S103、构建AlexNet神经网络模型，使用训练数据集对AlexNet神经网络模型进行训练；S104、根据完成训练的AlexNet神经网络模型完成番茄果实成熟度的判别预测。4.根据权利要求1所述的基于货架期预测和成熟度判别的番茄采摘装置，其特征在于，所述番茄货架期预测包括以下步骤：S201、先通过采集器进行番茄影响因子数据的获取，并将其传送至微型计算机(3)内；S202、微型计算机(3)对得到的数据进行预处理，预处理后的数据按照7:3分为训练数据和测试数据；S203、构建LSTM神经网络模型，使用训练数据集对LSTM神经网络模型进行训练；S204、根据完成训练的LSTM神经网络模型完成番茄货架期的预测。5.根据权利要求4所述的基于货架期预测和成熟度判别的番茄采摘装置，其特征在于，所述图像数据进行预处理具体为使用MinMaxScaler公式：其中，X*表示归一化后的数据，X
max
表示数据的最大值，X
min
表示数据的最小值；将所有数据归一化到0～1之间，完成图像数据的预处理。
6.根据权利要求4所述的基于货架期预测和成熟度判别的番茄采摘装置，其特征在于，所述LSTM神经网络模型包括一个输入层、一个LSTM细胞层、一个输出层；LSTM递归循环神经网络的前向传播函数为：i
<t>
＝σ(W
xi
x
<t>
+W
hi
h
<t
‑
1>
+W
ci
c
<t
‑
1>
+b
i
)f
<t>
＝σ(W
xf
x
<t>
+W
hf
h
...

【专利技术属性】
技术研发人员：孔繁涛，孙伟，曹姗姗，刘继芳，安民，罗龙，杨入一，胡啸琦，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：