關(guān)鍵詞 菠蘿； 采摘器； 果莖切割點； 位置檢測； 多傳感器信息融合； YOLOv5

菠蘿（Ananas comosus （L.） Merr.）采摘是一項任務(wù)繁重的工作，而當(dāng)前多依靠人工采摘［1］，采收環(huán)境惡劣，在進行采摘時，果農(nóng)需要做好防護，尤其在炎熱的夏天，勞動強度大。隨著現(xiàn)代數(shù)字化和信息化技術(shù)不斷融入到農(nóng)業(yè)生產(chǎn)中［2］，使用智能采摘機器人進行田間采摘，可提高采摘效率，減輕勞動強度，降低人工和時間成本。

菠蘿的采摘方式主要有切割式、擰斷式和掰斷式等3 種方式，圍繞3 種采摘方式研制的菠蘿采收機械可分為人工輔助機械式采摘裝置、采用驅(qū)動裝置的菠蘿采摘設(shè)備和自動收獲機［3-4］。筆者所在實驗室設(shè)計了一種夾切一體的菠蘿采摘器，可搭載至采摘機器人上進行田間自主采摘，該采摘器雖可輕松采摘菠蘿，但是需要切割刀準確定位菠蘿果莖切割點位置，才能實現(xiàn)果實和果莖的有效分離［5-6］。

在對果梗采摘點定位研究中，可分為對果梗區(qū)域直接進行采摘點識別或根據(jù)果實與果梗的連通關(guān)系預(yù)測采摘點位置2 種方式。在直接對果梗采摘點識別研究中，寧政通等［7］提出通過改進掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)，并結(jié)合區(qū)域生長算法最后計算出葡萄果梗區(qū)域的最優(yōu)采摘點。Luo 等［8］研究了重疊葡萄串果梗切割點的檢測，將重疊葡萄簇像素區(qū)域劃分為2個獨立區(qū)域，然后確定葡萄果梗的感興趣區(qū)域，再使用幾何約束法確定每個果梗感興趣區(qū)域的切割點。Sun 等［9］提出一種基于多尺度特征融合的柑橘分枝關(guān)鍵點檢測，根據(jù)對柑橘果梗關(guān)鍵點檢測結(jié)果生成候選區(qū)域，從而實現(xiàn)果梗采摘點的快速識別。Chen等［10］提出了一種基于輕量級多特征融合的深度神經(jīng)網(wǎng)絡(luò)香蕉莖分割方法，可直接對香蕉莖采摘點進行識別。

在通過果梗與果實連通關(guān)系進而識別果梗采摘點的研究中，在識別柑橘果實后，根據(jù)果實質(zhì)心位置預(yù)測果梗所在區(qū)域，從而得到采摘點位置信息［11-13］。張勤等［14］通過目標檢測算法，并利用番茄串與果梗的連通關(guān)系，快速識別可采摘點的感興趣區(qū)域，融合果梗區(qū)域深度圖和彩色圖信息，得到采摘點精確坐標信息。戴寧［15］提出了一種圖像處理方法，基于柚掛果姿態(tài)和質(zhì)心位置確定感興趣區(qū)域，進而通過果梗骨架信息提取確定柚子采摘點，實現(xiàn)對柚采摘點位置的識別。Bai 等［16］提出根據(jù)串番茄果實質(zhì)心坐標和半徑，然后擬合出整串果實的輪廓線，再采用空間對稱樣條插值法和幾何分析法對果梗采摘點估計。

上述研究方法中均采用圖像處理方式獲取采摘點位置信息，但菠蘿植株葉片繁茂，裔芽及苞葉的影響導(dǎo)致果莖被嚴重遮擋，加上果莖與背景色相近，光照條件等因素影響，導(dǎo)致直接采用圖像處理難以準確識別果莖切割點的位置，如何準確判斷菠蘿果莖切割點位置是目前亟待解決的難題之一。

本研究探索一種多傳感器信息融合的菠蘿果莖切割點檢測方法，通過視覺圖像獲取菠蘿冠芽及果實長度信息，通過光電傳感器再對菠蘿冠芽頂部位置進行檢測，從而控制采摘器底部安裝的切割刀能準確到達果莖切割點，并搭建試驗臺進行室內(nèi)試驗，驗證該方法的有效性，旨在為實現(xiàn)菠蘿智能化采摘提供技術(shù)支撐。

1 材料與方法

1.1 菠蘿物理特性

菠蘿屬于灌木類樹種，母株生長的葉片茂盛且韌性強，葉片上布滿倒刺。菠蘿植株結(jié)構(gòu)如圖1 所示，可將其分為冠芽、葉片、果實、裔芽、苞葉、果莖，菠蘿果實的生長位置處于劍狀葉叢中，在采摘時需要實現(xiàn)和果莖的分離，田間測量統(tǒng)計數(shù)據(jù)表明，菠蘿植株的高度在600～980 mm，菠蘿冠芽的高度在50～120 mm，果實高度在140～270 mm［6］。

1.2 菠蘿果莖切割點檢測方案設(shè)計

菠蘿果莖切割點檢測裝置由菠蘿采摘器、光電傳感器、Intel RealSense D455 深度相機、ArduinoUNO 控制器、神舟Z7 筆記本電腦等部分組成。該套裝置需搭載在田間采摘機器人上，如圖2 所示，作業(yè)時首先利用深度相機對菠蘿冠芽及果實進行目標檢測和長度測量，即圖2 中a 到b 的距離為H，再由機械臂引導(dǎo)采摘器從菠蘿冠芽上方將其套住并緩慢下降，安裝在采摘器底部的光電傳感器對菠蘿冠芽頂部a 處進行檢測，并作為采摘器下降的初始位置，控制采摘器沿菠蘿冠芽生長方向進行下降，運動距離為（H+S） mm，果實底部脫落層部分存在裔芽，為保證順利切割采摘，設(shè)置S 為運動距離補償余量，為10mm，使采摘器底部的切割刀準確到達果莖切割點的位置并完成切割任務(wù)。

該套裝置所采用的菠蘿采摘器結(jié)構(gòu)如圖3 所示，主要由連接架、夾持機構(gòu)和切割機構(gòu)等組成［6］。為對菠蘿冠芽頂部準確定位，在采摘器切割機構(gòu)下層圓環(huán)支架上，呈圓周陣列式均勻布置安裝3 組光電傳感器，以提高檢測精度，所采用的紅外對射式光電傳感器如圖4 所示，主要包括發(fā)射端和接收端，有效檢測距離為30 cm。

采摘器的工作過程為：當(dāng)機械臂帶動采摘器抵達果莖切割點處并停止運動后，夾持機構(gòu)的夾持電機及減速器驅(qū)動小齒輪開始順時針旋轉(zhuǎn)，與小齒輪嚙合的從動齒環(huán)逆時針旋轉(zhuǎn)，進而推動與從動齒環(huán)鉸接的L 形推桿旋轉(zhuǎn)，促使弧形夾指相向運動，對菠蘿果實進行夾持，位于弧形夾指內(nèi)部的壓力傳感器感知夾持力變化，當(dāng)壓力傳感器測量值達到所設(shè)定閾值，弧形夾指停止運動，此時菠蘿果實處于夾持穩(wěn)定狀態(tài)，觸發(fā)切割機構(gòu)中切割電機及減速器工作，使切割刀對果莖進行旋轉(zhuǎn)切割，切割完成后，切割電機反轉(zhuǎn)，刀具復(fù)位。

1.3 菠蘿冠芽及果實長度測量方法

1）菠蘿冠芽及果實長度測量流程。對菠蘿冠芽及果實進行長度測量，流程如圖5 所示。在進行田間圖像采集后，先進行預(yù)處理再送入網(wǎng)絡(luò)模型訓(xùn)練，訓(xùn)練后的目標檢測網(wǎng)絡(luò)可對RGB 圖像中的菠蘿冠芽及果實進行識別，并計算出圖像中菠蘿冠芽及果實所占的像素長度信息，融合檢測目標深度信息便可計算出菠蘿冠芽及果實長度［17-20］。

但原始的目標檢測網(wǎng)絡(luò)采用水平矩形框來確定目標的位置和類別，而自然環(huán)境下生長的菠蘿由于重力及外部環(huán)境等因素影響，會呈現(xiàn)出各種各樣的傾斜狀態(tài)，因此，采用多方向目標檢測網(wǎng)絡(luò)具有的方向性［21-24］，對菠蘿冠芽及果實使用多方向矩形框進行擬合，以減少冗余信息。

2）模型改進。YOLOv5 作為基于端到端的深度學(xué)習(xí)目標檢測典型算法，部署靈活性好、運算速度快。其網(wǎng)絡(luò)結(jié)構(gòu)主要由骨干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）以及預(yù)測網(wǎng)絡(luò)（Prediction）組成。根據(jù)模型由小到大，YOLOv5 分成YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x?？紤]到田間環(huán)境下識別任務(wù)的實時性和效率，所以采用參數(shù)量和計算量較少的YOLOv5s 模型進行改進。

為描述出不同傾斜狀態(tài)菠蘿冠芽及果實在圖像中的方向性信息，使用長邊定義法表示旋轉(zhuǎn)框，標注格式為［x，y，h，w，θ］，（x，y）為標注框中心點的坐標值，（h，w）為標注框的長度和寬度，θ 描述長邊與坐標軸中x 軸所成的夾角如圖6 所示，角度范圍為［0°，180°）。

但長邊定義法會因為角度周期性的存在導(dǎo)致邊界損失值激增，進而增加了回歸的難度。為解決上述問題，采用環(huán)形平滑標簽（circular smooth label，CSL），如圖7 所示，將角度損失值計算轉(zhuǎn)化為分類問題，傾斜角θ 一共劃分為0～179 共180 類，CSL 具體表達式為：

式（1）中，g （ x） 為窗口函數(shù)（本次選用高斯函數(shù)），r 為窗口函數(shù)的半徑，θ 為當(dāng)前邊界框的角度，通過設(shè)置窗口函數(shù)來對預(yù)測框和目標框的傾斜角進行平滑處理，避免由于角度周期性，而導(dǎo)致邊界損失值激增影響網(wǎng)絡(luò)訓(xùn)練。

3）引入注意力機制模塊。菠蘿田間背景復(fù)雜、菠蘿植株葉片繁茂會造成遮擋等因素影響檢測精度，通過引入注意力機制模塊（圖8），增強網(wǎng)絡(luò)感受野，減少背景信息的干擾，使網(wǎng)絡(luò)更關(guān)注于目標特征信息，提升模型對目標的提取能力。

卷積注意力機制（convolutional block attentionmodule，CBAM）是一種簡單而有效的輕量級神經(jīng)網(wǎng)絡(luò)注意力模塊［25］，是通道注意力和空間注意力融合的注意力機制，使得模型可以自適應(yīng)地調(diào)整特征通道的重要性，進而使得模型更加關(guān)注檢測目標的特征，降低背景及空間分布不均等問題對檢測精度帶來的影響。因此，本研究算法嵌入該注意力機制模塊以增強模型對目標的提取能力。

4）長度測量實現(xiàn)原理。本研究算法所檢測到的菠蘿冠芽及果實是位于圖像坐標系中，可根據(jù)深度圖讀取目標物體到相機之間的距離，再經(jīng)過變換計算實際長度。

使用圖像大小到物體大小的轉(zhuǎn)換模型原理，如圖9 所示，Oc-xc yc zc 為相機坐標系，o-xy 為圖像坐標系，Op-uv 為像素坐標系。相機坐標系是1 個以相機光心為原點Oc、以光軸zc 軸建立的1 個三維直角坐標系，DF 為像素坐標系中v 方向上目標長度像素值，CB 為菠蘿冠芽及果實實際長度，Oc A 為相機光心到目標物體之間的距離即圖像深度值。而深度值的獲取是根據(jù)Zhang［26］標定法標定相機后，將檢測到的菠蘿冠芽及果實RGB 圖像像素區(qū)域配準到深度圖像中，提取深度圖像中目標檢測框中心周圍30 個點的深度值，將這30 個深度值按數(shù)值從小到大排列，選取其中的中值作為相機到物體的距離。當(dāng)相機焦距f、相機到物體的距離、目標長度所占像素值確定時，根據(jù)三角形ABOc 和三角形oFOc、三角形BCOc 和三角形FDOc 相似可計算得出菠蘿冠芽及果實長度。

1.4 菠蘿冠芽頂部檢測方法

在菠蘿采摘器下降過程中，會經(jīng)過菠蘿的冠芽頂部、冠芽、果實、果莖部位，如圖10 所示。安裝在采摘器下方光電傳感器經(jīng)過菠蘿不同部位時，電平信號變化情況如圖11 所示，當(dāng)處于冠芽頂部位置時，光電傳感器之間從沒有遮擋物到有遮擋物，傳感器電平信號變化明顯。

2 結(jié)果與分析

2.1 菠蘿冠芽及果實長度測量結(jié)果

1）網(wǎng)絡(luò)模型訓(xùn)練與結(jié)果。2022 年5 月3 日至5日，在湛江市徐聞縣曲界鎮(zhèn)某菠蘿田進行圖像采集。為提高圖像采集效率，采用具有高清像素拍照功能的智能手機進行拍攝，距離菠蘿0.4～1.0 m，分別在晴天和陰天進行圖像采集工作。針對自然光照、遮擋等復(fù)雜環(huán)境進行多次采樣，共拍攝圖片2 682 張。為增強模型的魯棒性，對采集到的圖像進行數(shù)據(jù)增強，通過逆時針90°、180°、270°旋轉(zhuǎn)、水平翻轉(zhuǎn)、圖像向內(nèi)或向外縮放、剪裁以及灰度處理等操作，對原始數(shù)據(jù)進行擴充，擴充后得數(shù)據(jù)為3 660 張。使用roLa?belImg 對圖像進行多方向旋轉(zhuǎn)框標注后，按照主流的數(shù)據(jù)集劃分方法，將訓(xùn)練集、驗證集、測試集隨機劃分為8∶1∶1。

為分析本研究改進算法和原始算法對目標檢測的差異，對采集到的數(shù)據(jù)集再用原始水平矩形框重新標注，在保證訓(xùn)練迭代次數(shù)為500 次、初始學(xué)習(xí)率設(shè)置為0.01 等參數(shù)和設(shè)備一致的前提下，對原始算法和改進后的算法模型進行訓(xùn)練并對在相同的測試集上進行結(jié)果對比。

實驗平臺配置為：CPU：Intel Xeon Silver 4210×2，10 核20 線程，最大睿頻2.82 GHz；GPU：NVIDIAGeForce GTX3090，24 GB 顯存；運行內(nèi)存64 GB；操作系統(tǒng)：Window10 專業(yè)版64 位操作系統(tǒng)；深度學(xué)習(xí)框架：Pytorch1.7；CUDA 版本：11.3；編程語言：Py?thon3.8。

檢測結(jié)果的準確率（P）、召回率（R）、平均精度（mAP，后文中用PmA 表示）見表1。其中，YOLOv5為原始模型，CBAM-YOLOv5 為引入卷積注意力機制的模型，R-YOLOv5 為改進旋轉(zhuǎn)框的模型，本研究算法則是結(jié)合了卷積注意力機制CBAM 和旋轉(zhuǎn)框的YOLOv5 模型。

由表1 可知，R-YOLOv5 比YOLOv5 的平均檢測精度提高了6.2 百分點，采用旋轉(zhuǎn)框標注可減少冗余信息，進一步提高網(wǎng)絡(luò)在訓(xùn)練時提取目標特征的能力，提高了模型的檢測精度。在引入卷積注意力機制后，CBAM-YOLOv5 模型和本研究改進模型的平均檢測精度都有所提升，說明引入卷積注意力機制后可提高模型對目標特征的提取能力。本研究改進后的網(wǎng)絡(luò)模型較之原始網(wǎng)絡(luò)模型準確率、召回率、平均精度都有不同程度的提升，其中平均檢測精度提高了7.7 百分點，擁有更好的目標檢測性能。

2）長度測量結(jié)果。2023 年5 月15 日，為驗證使用本研究改進的算法對菠蘿冠芽及果實長度測量方法的有效性，對60 個成熟度不一、大小不同的菠蘿進行數(shù)據(jù)采集，深度相機擺放位置距菠蘿0.5～1.0 m；同時也用卷尺對菠蘿的冠芽頂部至果實底部長度進行人工測量，為減少人工測量誤差，取3 次測量平均值作為真實長度數(shù)據(jù)。本研究改進算法對菠蘿冠芽及果實長度自動測量計算值和人工測量值兩者間的相關(guān)性如圖12 所示，其中決定系數(shù)R2 約為0.89、均方根誤差RMSE 為4.52 mm。對自動測量計算值和人工測量值進行誤差分析，菠蘿冠芽及果實長度測量平均絕對誤差為11.06 mm，平均相對誤差為4.35%，說明采用本方法能夠較為準確地測量菠蘿冠芽及果實長度。

2.2 菠蘿冠芽頂部檢測結(jié)果

2023 年3 月27 日，在中山神灣鎮(zhèn)某菠蘿田進行光電信號采集試驗，采用制作輕量化的亞克力板代替菠蘿采摘器下層圓環(huán)支架，將3 組光電傳感器呈圓周陣列式均布粘貼至支架上（圖13）。在距冠芽頂部30 mm 處開始下降，對田間12 個不同的菠蘿進行信號采集，通過Arduino UNO 控制器的數(shù)字引腳讀取傳感器輸出的高低電平信號，并經(jīng)過信號采集軟件PLX-FAQ，可實時將電平信號傳輸至Excel 表格中進行保存。

根據(jù)田間菠蘿的生長狀態(tài)，可分為2 種，如圖14所示，豎直生長的菠蘿冠芽、果實、果莖在同一條直線，傾斜生長的菠蘿冠芽、果實和果莖不在同一條直線上。

在信號采集裝置經(jīng)過菠蘿冠芽頂部、冠芽、果實、果莖部位時，人為記錄到達相應(yīng)部位的時間。所采集到的3 組光電傳感器經(jīng)過上述2 種不同生長狀態(tài)的菠蘿不同部位時，電平信號變化如圖15 所示，圖15 為其中2 個菠蘿的試驗結(jié)果。

經(jīng)過冠芽頂部時，任意傳感器電平信號出現(xiàn)由高到低的變化，即定義為檢測到冠芽頂部。冠芽頂部葉片呈傘狀向外張開生長，導(dǎo)致不同傳感器電平信號變化存在短暫的時間差異。之后經(jīng)過冠芽部位時，又出現(xiàn)高電平信號，是由于葉片與葉片之間的交叉間隙，致使傳感器之間產(chǎn)生光學(xué)通路造成出現(xiàn)短暫的高電平信號。

如圖15A 所示，經(jīng)過果實部位時，3 組光電傳感器之間的光學(xué)通路被遮擋，均輸出低電平信號。如圖15B 所示，經(jīng)過果實部位時，由于生長傾斜，導(dǎo)致1號傳感器先被遮擋，從8.3 s 開始，傳感器之間的光學(xué)通路未被遮擋，輸出高電平信號。2、3 號傳感器被遮擋，均持續(xù)輸出低電平信號。

如圖15A 所示，經(jīng)過果莖部位時，3 組光電傳感器保持輸出低電平信號，導(dǎo)致果實和果莖處的電平信號相似，無法有效區(qū)分果實和果莖部位。如圖15B所示，經(jīng)過果莖部位時，1 號傳感器先輸出高電平信號，之后被遮擋，持續(xù)了一段時間的低電平信號，又輸出高電平信號。2 號傳感器之間的光學(xué)通路被遮擋，一直輸出低電平信號。3 號傳感器先輸出低電平信號，從17 s 開始輸出高電平信號。從17 s 開始，1、3號傳感器都無遮擋輸出高電平信號，根據(jù)果莖直徑比菠蘿果實直徑小的特點，可通過該電平信號判斷為已經(jīng)進入果莖部位。但是信號帶有隨機性，所以不能作為到達果莖部位的檢測信號。

對采集到的所有試驗結(jié)果的電平信號進行分析發(fā)現(xiàn)，3 組光電傳感器在經(jīng)過冠芽頂部時，實際產(chǎn)生的電平信號變化和理想狀態(tài)下的電平信號變化一致，可以作為到達冠芽頂部的識別信號。但在冠芽、果實、果莖部位有差異，田間菠蘿生長環(huán)境復(fù)雜、狀態(tài)各異，光電傳感器電平信號容易受到遮擋物的影響，僅通過光電傳感器電平信號變化難以對果莖部位準確判斷。

2.3 臺架試驗結(jié)果

為驗證本研究所提出方法的有效性，2023 年7 月2 日，在華南農(nóng)業(yè)大學(xué)工程學(xué)院搭建試驗臺（圖16），對小、中、大3 個不同的菠蘿模型及20 個真實菠蘿進行試驗。試驗臺采用xyz 直角坐標式機械臂帶動菠蘿采摘器對菠蘿果莖切割點進行檢測，深度相機固定在車架高度0.85 m 處，傾斜30°，用數(shù)據(jù)線將深度相機、Arduino UNO 控制器和神舟Z7 筆記本相連接，同時將3 組光電傳感器信號線與Arduino UNO 控制器上的7、8、9 三個數(shù)字引腳連接。

Arduino UNO 控制器控制z 軸機械臂帶動菠蘿采摘器從菠蘿正上方以v=10 mm/s 勻速自動向下降落，其中，z 軸的有效行程為700 mm，定位精度為±0.05 mm。在下降過程中檢測到光電傳感器電平信號發(fā)生變化時（到達冠頂），開始計時，使得采摘器在規(guī)定的時間t 內(nèi)下降一定距離后停止，t 的計算見公式（2），采摘器停止運動時，其底部切割刀到達的位置即為切割點。

式（2）中：H 即為菠蘿冠芽及果實長度測量計算值，通過視覺圖像處理自動獲得。

臺架試驗結(jié)果見表2，其中序號1～3 號為菠蘿模型，序號4～23 號為真實菠蘿。S1 為菠蘿冠芽及果實長度自動測量計算值；S2 為菠蘿冠芽及果實長度人工測量值；S3 為菠蘿冠芽及果實長度自動測量誤差，其值為自動測量計算值和人工測量值之間的差值；S4 為切割后殘留的果莖長度，試驗后經(jīng)人工測量獲得；S5 為冠芽頂部檢測誤差，其值為S4 與S3、S 之間的差值，可經(jīng)計算獲得。果實底部存在裔芽影響切割，則所檢測到的果莖切割點，距離果實底部脫落層10 mm 以上才符合標準。

試驗誤差主要來源：菠蘿冠芽及果實長度自動測量誤差、冠芽頂部檢測誤差。由表2 可知，菠蘿冠芽及果實長度自動測量誤差在?24～28 mm，為主要誤差；菠蘿冠芽頂部檢測誤差在3～6 mm，為次要誤差。在23 次試驗中，其中試驗4、試驗9、試驗23 對果莖切割點檢測失敗。試驗4 和試驗9 冠芽頂部檢測誤差均為3 mm，試驗23 冠芽頂部檢測誤差為5 mm，但菠蘿冠芽及果實長度自動測量計算值小于人工測量值且誤差較大，從而導(dǎo)致檢測到的切割點位置不在果莖處。

試驗13 的菠蘿冠芽及果實長度自動測量誤差最大，為28 mm，試驗17 的菠蘿冠芽及果實長度自動測量計算值絕對誤差最小，為2 mm，平均自動測量絕對誤差為7.56 mm，說明大部分菠蘿冠芽及果實長度自動測量計算值大于人工測量值。這是由于在進行目標檢測時，目標檢測框的長邊所占像素值總是大于實際菠蘿冠芽頂部至果實底部所占的像素值。23 次試驗中僅有5 次試驗出現(xiàn)菠蘿冠芽及果實長度自動測量計算值小于人工測量值，可能是菠蘿部分被葉片遮擋，導(dǎo)致長度自動測量計算值比人工測量值小。

綜合試驗結(jié)果，所檢測到的菠蘿果莖切割點多數(shù)在距果實底部脫落層19～31 mm 內(nèi)，符合菠蘿采摘時果莖留存標準。采用該方法對菠蘿模型果莖切割點檢測成功率為100%，真實菠蘿果莖切割點檢測成功率為85%。

3 討論

本研究針對研制的菠蘿采摘器難以對菠蘿果莖切割點位置進行準確定位的問題，提出了一種多傳感器信息融合的方法。利用深度相機結(jié)合目標檢測實現(xiàn)對菠蘿冠芽及果實長度的測量，融合運動補償距離S，可獲得冠芽頂部至果莖處的長度距離信息。結(jié)合3 組光電傳感器對冠芽頂部進行檢測，當(dāng)光電傳感器信號出現(xiàn)變化，開始計時，在速度一定條件下，通過對菠蘿采摘器運動行程的時間控制，實現(xiàn)切割刀能準確到達果莖切割點位置。搭建試驗臺進行臺架試驗，結(jié)果表明該方法對真實菠蘿果莖切割點檢測成功率達到85%。

本研究提出的多傳感器信息融合方法可以準確獲取果莖的切割點位置，能有效提高菠蘿采摘器采摘精度，為菠蘿采摘機器人進行田間采摘提供一定的理論依據(jù)。但本研究未涉及田間試驗，后期將繼續(xù)開展相關(guān)的研究，進一步提高該方法在實踐應(yīng)用中的準確性。