在我国的农业生产中,苹果作为重要龙头产业之一,其年产量、出口值均位于世界第一。在苹果的整个生产过程中,果实采摘作业的人工成本占比高。采摘周期短,同时务农人口不断减少,导致从事苹果生产的劳动力也愈发不足,自动化机械的需求也愈加迫切。自动苹果收获机器人能够取代采摘过程中大部分工作,实现苹果采摘的自动化、机械化和集中化管理。本文在国家自然科学基金项目(31571571)“基于快速视觉伺服控制的多照度环境苹果高效机器采摘方法研究”的支持下,对苹果收获机器人中基于深度学习和视觉伺服控制的苹果快速采摘技术展开研究。本文是以实际果园复杂环境下的各类苹果为研究对象,研究重点为目标苹果的快速识别方法和利用气动装置的快速采摘方法。分别通过对视觉算法的研究提高识别速度,通过对伺服控制系统的研究提高抓取速度,两者结合共同提高机器人的采摘速度。本研究主要完成的工作包含以下几点:1、苹果收获机器人中视觉算法的选择。由于目标苹果在复杂环境下的不稳定特征,使用基于颜色、形状和纹理特征的传统视觉识别方法无法全面地识别出所有环境下的苹果,因此提出基于深度学习的方法识别苹果的位置。本研究利用从苹果果园采集的果实图像制作数据集,同时利用深度学习框架Darknet搭建深度神经网络YOLO(You only look once)从而自适应地学习目标苹果的特征,实现复杂环境下苹果的识别。为了达成快速识别的目的(即满足实时性的要求),在不影响算法准确率的条件下缩减神经网络的规模,使得算法能够实时地检测苹果。2、苹果收获机器人视觉系统中深度神经网络结构的创建和超参数的调整。为了训练出能够正确识别苹果位置的深度神经网络,需要良好的数据集、超参数和神经网络模型。制作数据集所用的样本全部来自于实际果园中的苹果图像而非实验室中的苹果图像,超参数涉及到学习率、激励函数、样本的输入大小等,良好的超参数能够使训练过程中的梯度快速下降,并且训练曲线不会发生震荡或者停滞在鞍点。通过对不同规格网络在测试集上的mAP(mean Average Precision)、准确率(Precision)、召回率(Recall)、IOU(Intersection Over Union)的评估,外加检测时间的对比,最终选择出合适的神经网络结构并将训练的模型用在视觉识别系统的算法之中。3、苹果收获机器人的采摘流程中苹果抓取效率的优化。本研究中的收获机器人使用气动装置来优化抓取动作的速度,在采摘过程中涉及到的装置有Festo气动推杆、光电门感应器、割刀和末端执行器。利用Festo气动推杆来实现采摘过程中末端执行器的推进,光电门感应到苹果后触发信号启动末端执行器的抓手,抓到苹果后启动割刀分离苹果,最后返回推杆松开抓手完成整个抓取流程。4、苹果收获机器人快速抓取试验对采摘速度的评估。本文主要对连续抓取苹果的速度和准确率进行评估,用来验证视觉算法和气动控制流程的优化是否对整个采摘过程有明显提升。在苹果自动采摘试验中,1个苹果的平均采摘时间为7.81s,其中视觉算法识别苹果的时间为81ms,气动系统将苹果抓取时间优化到2.70s,苹果回收时间优化到0.64s,相比于原先的试验有明显提升。