Om tomaten aan een tros goed gerobotiseerd te kunnen oogsten is nauwkeurige detectie van de vruchten en het exacte plukpunt nodig. Onderzoekers hebben in een studie een nieuw algoritme voor visiontechnologie voorgesteld om op basis van de vorm en groeikenmerken van trostomaten de tros en het plukpunt te lokaliseren. In het wetenschappelijke tijdschrift Precision Agriculture is erover gepubliceerd.
Het plukpunt moet worden bepaald aan de hand van de positie en houding ten opzichte van de vrucht of de tros. De vorm-, textuur- en kleurkenmerken van tomaten werden geëxtraheerd en gecombineerd om een nauwkeurige tomatenherkenning te realiseren. De precisie, recall en nauwkeurigheid van het herkenningsmodel waren maar liefst 100%, en de herkenningstijd was minder dan 1 seconde.
Na de herkenning van de tros werd in deze studie verder een algoritme voor de positionering van het plukpunt in twee stappen ontwikkeld. Ten eerste werden de coördinaten en de straal van het zwaartepunt van de vruchten verkregen, waarna de contourlijn van de hele tros vruchten werd aangebracht op basis van Hough-cirkeldetectie.
Vervolgens werden de ruimtelijk symmetrische spline-interpolatiemethode en geometrische analyse toegepast voor het schatten van de steel, het passen van de contouren en de locatie van het plukpunt. Experimentele resultaten toonden aan dat de gelokaliseerde plukpunten over de stengels waren verdeeld, en dat de positieafwijking klein was, wat voldeed aan de eisen binnen een bepaald nauwkeurigheidsbereik. Dit wees erop dat de voorgestelde methode een bevredigend plukpuntlocatie-effect kon bereiken voor trostomaten.
Lees het volledige onderzoek hier.
Yuhao, Bai & Mao, Shihan & Zhou, Jun & Zhang, Baohua. (2022). Clustered tomato detection and picking point location using machine learning-aided image analysis for automatic robotic harvesting. Precision Agriculture. 1-17. 10.1007/s11119-022-09972-6.