郝 淼 陳 勇 潘志剛 孫 燁

HAO Miao CHEN Yong PAN Zhi-gang SUN Ye

(南京林業(yè)大學機械電子工程學院，江蘇 南京 210037)

(Nanjing Forestry University, College of Mechanical and Electronic Engineering, Nanjing, Jiangsu 210037, China)

高檔名優(yōu)綠茶對所選取的芽葉非常講究，其鮮葉的采摘標準一般為一芽一葉、一芽兩葉，而且還要保證葉片的完整性?，F(xiàn)有的采茶機均基于剪切式原理工作，這種采摘方式對新梢嫩芽沒有選擇性，機采后鮮葉勻整度較差，不符合名優(yōu)綠茶生產(chǎn)的要求。因此，制作名優(yōu)綠茶的鮮葉國內外目前無一例外地只能靠人工采摘。但是人工采茶勞動強度大、工作效率低，而且采摘不及時會嚴重地影響茶葉質量和茶樹下一輪新梢的生長[1]。如何解決名優(yōu)茶生產(chǎn)中的采摘難是茶葉生產(chǎn)中最為迫切的問題[2]。自動化采摘是茶園亟需的一種工作效率高，又能適用于采摘制作高檔名優(yōu)綠茶鮮葉的采摘模式。實現(xiàn)自動化采茶，首先必須解決的是茶樹新梢的智能化識別與高速仿生采摘等關鍵問題。

近年已有學者開始了基于計算機視覺的新梢智能識別研究，四川農(nóng)業(yè)大學[3-5]研究了基于顏色和區(qū)域生長的茶葉嫩芽識別方法，在HSI空間研究了結合顏色和區(qū)域生長的茶葉圖像分割算法。浙江大學[6-7]研究了名優(yōu)茶機采分級技術，并對茶葉新梢生育過程中的節(jié)間和展葉角度變化進行了研究。南京林業(yè)大學[8-10]基于新梢顏色、形態(tài)等特征，綜合應用機器視覺、光柵投影三維測量、并聯(lián)機器人等技術，結合茶園農(nóng)藝研發(fā)了對新梢嫩芽有選擇性采摘的機器人。浙江工業(yè)大學[11-12]開展了基于機器視覺的乘用式采茶機研究，利用茶葉綠色最大差別法獲取RGB閾值進行機器視覺采摘的研發(fā)。由于新梢只是同一植株的不同部位，而且茶園自然背景極其復雜，所以新梢識別尚處于探索階段。另外，文獻檢索表明，目前國內外尚無適用于名優(yōu)綠茶智能化采茶的末端執(zhí)行器研究報道。

基于高檔名優(yōu)綠茶采摘要求，本研究創(chuàng)新性地設計了用于采茶機器人的、能夠模仿人工“提手采”動作的仿生采摘指。該仿生采摘指的工作原理是通過定位、固定、提拉等動作將新梢嫩芽的莖拉斷，并由氣力驅動?；谛律夷垩啃螒B(tài)與力學特性，不僅要求采摘指各桿件之間力的傳遞效率高，而且要求采摘指結構緊湊、小巧，因此本設計擬采用遺傳算法對采摘指結構進行優(yōu)化設計。

1 仿生采摘指設計模型

1.1 仿生采摘指設計模型

根據(jù)對龍井43(江蘇鑫品茶業(yè)有限公司)新梢形態(tài)與力學參數(shù)測量，確定第一節(jié)間距(圖1中A、B兩點間距)為4～6 mm?；凇疤崾植伞眲幼饕I分析以及新梢形態(tài)與力學參數(shù)測量結果，本研究設計了仿生采摘指的三維模型，如圖2所示。

圖1 茶葉新梢

1. A點提拉氣缸 2. 外層套 3. 中層套 4. 上連桿 5. 內連桿 6. 下連桿 7. 里層套 8. 芯軸 9. 下連桿 10. 內連桿 11. 上連桿 12. 提拉氣缸 13. B點夾持氣缸

圖2 仿生采摘指的三維模型

Figure 2 The three-dimensional model of the bionic plucking fingers

在仿生采摘指中，上連桿4、內連桿5、下連桿6組成支鏈1；上連桿11、內連桿10、下連桿9組成支鏈2。2個支鏈1組成夾指1；2個支鏈2組成夾指2。仿生采摘指對A、B 2點的夾持則由2個夾指完成，2夾指垂直分布。

仿生采摘指的工作過程為：B點夾持氣缸帶動外層套運動驅動夾指1實現(xiàn)對新梢上B點的夾持，A點夾持氣缸帶動里層套運動驅使夾指2實現(xiàn)對新梢上A點的夾持，提拉氣缸驅動芯軸運動，使得被夾緊的A點向上移動，從而實現(xiàn)一芽一葉的采摘。

1.2 支鏈結構參數(shù)設定

基于茶園測量新梢的力學特性以及形態(tài)特征參數(shù)確定：夾緊力設定為40 N能夠保證采摘時既不打滑又不將新梢的莖夾斷；支鏈指端距采摘指軸線最小距離δmin=1 mm，最大距離δmax=20 mm，支鏈工作區(qū)間如圖3所示；支鏈的設計尺寸參數(shù)初步設定為：L1=72 mm,L2=38 mm,L3=87 mm,θ0=60°，如圖4所示。

2 支鏈分析與計算模型

2.1 支鏈運動學分析

為了使得采摘指結構更加緊湊，采摘力傳遞效率更高，采用遺傳算法對采摘指的支鏈進行優(yōu)化。因2對支鏈工作原理相同，現(xiàn)取1對支鏈進行分析。又根據(jù)對稱原則，僅取1對支鏈的左半部分分析，如圖5所示。支鏈在整個運動范圍內，中間參數(shù)θ轉角變化范圍是[θbegin,θend]。當支鏈處于工作區(qū)間的邊界位置時，由支鏈工作區(qū)間分析與圖5所示支鏈簡圖分析可得：

圖3 支鏈工作區(qū)間分析

圖4 支鏈的結構參數(shù)

(1)

(2)

對連桿滑動機構進行運動學分析。如圖6所示：

L2×e-iθ+L3×e-iθ2=S+L3sinθ2×e-π/i。

(3)

采用歐拉公式變換為：

L2×cosθ+L3cosθ2=S，

(4)

L2sinθ=L3sinθ2。

(5)

求解得：

(6)

S=L2×cosθ+L3cosθ。

(7)

為了避免遺傳算法未知參數(shù)過多，由式(7)可得到θ2的表達式，以此作為替換未知約束參數(shù)，S則為支鏈優(yōu)化模型約束條件。

2.2 支鏈受力分析

對左半部分支鏈整體分析，如圖7所示。

可以將Fext移到C點處，并增加力矩Mext，由于Fext與Mext具有線性關系，Mext=Fext×L1cosβ。則可以通過求解滑塊機構對Fext進行求解，如圖8所示。

圖5 支鏈簡圖

圖6 支鏈運動學分析

圖7 支鏈整體受力分析

圖8 支鏈各桿件受力分析

按照力的傳遞的順序，根據(jù)受力平衡，依次對滑塊、桿件3以及桿件2進行受力分析。

(1) 滑塊受力分析：

F2,3×cosθ2-Fin=0，

(8)

F2,3×sinθ2-F4,3=0。

(9)

(2) 桿件3受力分析：

F3,2-F1,2=0。

(10)

(3) 桿件2受力分析：

(11)

F4,1y×L2×sinθ=Mext+F4,1x×L2×cosθ。

(12)

從以上各式求得：

(13)

類似的，可求得右半部分所需要的驅動力。

根據(jù)左右支鏈整合后的驅動力表達式：

(14)

3 支鏈桿件優(yōu)化

采用遺傳算法對采摘指的支鏈進行優(yōu)化時，需設置設計變量X，根據(jù)待優(yōu)化結構參數(shù)，則有支鏈桿件優(yōu)化模型的設計變量為：

X=[X1,X2,X3,X4]=[L1,L2,L3,θ0]。

(15)

支鏈優(yōu)化模型目標函數(shù)設計：

根據(jù)此前求解的驅動力表達式(14)，定義驅動系數(shù)為：

(16)

式中：

k1——驅動力與夾持力大小之間的系數(shù)，驅動系數(shù)越大，說明同樣的夾持力下，所需要的驅動力較大，即驅動效率較低；反之，驅動系數(shù)越小，說明同樣的夾持力下，需要的驅動力較小，驅動效率較高。

θ在連續(xù)的工作范圍[θbegin,θend]內，取等間距δθ的大小為π/360°的一系列離散狀態(tài)，假設可以分為n個這樣的區(qū)間，則目標函數(shù)代表在工作范圍內的平均驅動效率。表示：

(17)

支鏈優(yōu)化模型約束條件為：

由機械原理，形成滑塊機構的約束條件為：L2+L3>S。

根據(jù)支鏈各桿件的原始設計參數(shù)，設置設計變量取值范圍為：62 mm≤L1≤82 mm,28 mm≤L2≤48 mm,77 mm≤L3≤97 mm,40°≤θ0≤80°。

設計遺傳算法優(yōu)化過程如圖9所示。

圖9 遺傳算法優(yōu)化過程

根據(jù)上述遺傳算法優(yōu)化過程進行優(yōu)化，得知適應度的平均值和最大值隨著進化代數(shù)的增加呈波動式增長，逐步優(yōu)化收斂于最優(yōu)解。經(jīng)遺傳算法優(yōu)化后的參數(shù)為：L1=82 mm，L2=28 mm，L3=77 mm，θ0=46.09°。所選取優(yōu)化后的目標值為5.416，而優(yōu)化前目標值為7.383，相當于在同等夾持力要求下，優(yōu)化后采摘指比優(yōu)化前省力26.6%，且結構更趨近緊湊，優(yōu)化效果較明顯。根據(jù)優(yōu)化后的參數(shù)制作了如圖10所示的仿生采摘指樣機，基于氣力驅動的控制系統(tǒng)[13]如圖11所示。其中自主研發(fā)的嵌入式控制器通過光電耦合器和繼電器控制電磁換向閥，進而控制采摘指上面3個微型氣缸以實現(xiàn)對新梢莖的定位、固定、提拉動作，完成一芽一葉的采摘。

圖10 仿生采摘指樣機

1. 開關電源 2. 氣動三聯(lián)件 3. 空氣壓縮機 4. 嵌入式控制器 5. 電磁換向閥 6. 節(jié)流閥 7. 仿生采摘指樣機

圖11 氣動仿生采摘指系統(tǒng)組成

Figure 11 The prototype of the bionic plucking finger

4 試驗與分析

2018年4月底，分2次從江蘇鑫品茶業(yè)有限公司采摘了龍井43新梢的一芽四葉，每組樣本量為30個，并及時返回實驗室進行一芽一葉的采摘試驗。因現(xiàn)階段用于新梢嫩芽識別的計算機視覺裝置與仿生采摘指尚未集成為一個完整的系統(tǒng)，所以由人工拿著從茶園現(xiàn)場采集來的新梢樣本逐個放入采摘指進行試驗，以測試采摘指的仿生效果。結果如表1所示，采摘指樣機對一芽一葉采摘的成功率約為70%。

部分新梢一芽一葉的采摘試驗結果如圖12 所示。在60個樣本中采摘失誤數(shù)為19個，具體原因分析如表2所示。

由表2可知，樣機機械加工誤差所導致的夾爪閉合時發(fā)生錯位是采摘成功率不高的主要因素。后續(xù)研究中，一方面要提高采摘指機械加工精度，減少夾爪閉合時的錯位；另外一方面，將在采摘指夾爪指尖增加柔性材料，改善指尖與新梢莖的接觸狀態(tài)。

表1 仿生采摘指的采摘試驗統(tǒng)計結果

圖12 部分采摘試驗后的樣本

失誤類型失誤數(shù)失誤原因一芽一葉不完整4部分新梢葉片的葉展角較大錯采一芽兩葉3部分新梢第一節(jié)間距較短(夾爪的指尖有一定的寬度);部分新梢葉片的葉展角較小采摘的新梢未能與莖稈發(fā)生分離,但新梢的莖稈部分發(fā)生夾損12夾爪閉合時發(fā)生錯位,采摘指機械結構存在一定的加工誤差

5 結論

通過分析人工采茶時手指的動作要領，并基于在茶園開展的新梢形態(tài)及力學特征參數(shù)測量試驗，本研究提出并設計了模仿人工“提手采”的仿生采摘指。采摘指在氣力驅動下，通過定位、夾緊、提拉等動作實現(xiàn)對新梢嫩芽的選擇性采摘?；谥ф溄Y構運動學分析和遺傳算法優(yōu)化了采摘指結構參數(shù)，使得力的傳遞效率提高了26.6%，室內采摘試驗成功率約為70%。后續(xù)研究將進一步提高采摘成功率，并與視覺識別系統(tǒng)集成開展茶園現(xiàn)場試驗。