本發(fā)明涉及農(nóng)業(yè)機(jī)械的計(jì)算機(jī)系統(tǒng)，尤其涉及一種用于茶隴采摘的割刀定位方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、茶葉的智能化采摘對(duì)減輕茶農(nóng)工作量具有重要的意義。

2、目前采摘茶葉的方式可以使用一些機(jī)械化的采摘設(shè)備，采用割刀切割的采摘方式。因此，準(zhǔn)確擬合出割刀模型對(duì)茶隴采摘準(zhǔn)確性的提高至關(guān)重要。

3、現(xiàn)有方案通常采用簡(jiǎn)單的幾何擬合確定出割刀模型，并沿固定路徑進(jìn)行茶葉采摘，難以適應(yīng)茶樹(shù)的復(fù)雜形態(tài)和稀疏分布，導(dǎo)致采摘的茶葉質(zhì)量不高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種用于茶隴采摘的割刀定位方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，用以解決現(xiàn)有技術(shù)中存在的缺陷。

2、本發(fā)明提供一種用于茶隴采摘的割刀定位方法，包括：

3、獲取目標(biāo)茶隴的區(qū)域點(diǎn)云集合；

4、對(duì)于所述區(qū)域點(diǎn)云集合中的任一點(diǎn)，計(jì)算所述任一點(diǎn)的稀疏度，并基于所述任一點(diǎn)的稀疏度，計(jì)算所述任一點(diǎn)的累積分布函數(shù)值；

5、基于所述區(qū)域點(diǎn)云集合中各點(diǎn)的累積分布函數(shù)值，對(duì)所述區(qū)域點(diǎn)云集合進(jìn)行隨機(jī)加權(quán)采樣，得到初始點(diǎn)集，并基于割刀的高度信息以及弧度信息，確定所述初始點(diǎn)集中位于水平面上的備選點(diǎn)集；

6、基于隨機(jī)采樣一致性算法，對(duì)所述備選點(diǎn)集進(jìn)行擬合，構(gòu)建矩陣方程，并基于所述矩陣方程，計(jì)算所述備選點(diǎn)集中的內(nèi)點(diǎn)，并基于所述內(nèi)點(diǎn)的數(shù)量，篩選出所述矩陣方程的系數(shù)矩陣中的優(yōu)選割刀模型參數(shù)組合；所述系數(shù)矩陣的列元素為割刀模型參數(shù)組合；

7、基于粒子群優(yōu)化算法，以所述優(yōu)選割刀模型參數(shù)組合作為初始全局最優(yōu)位置，對(duì)所述割刀模型參數(shù)組合進(jìn)行全局優(yōu)化，得到全局最優(yōu)模型參數(shù)組合；

8、基于所述全局最優(yōu)模型參數(shù)組合，確定工件坐標(biāo)系下的割刀模型。

9、根據(jù)本發(fā)明提供的一種用于茶隴采摘的割刀定位方法，所述區(qū)域點(diǎn)云集合基于相機(jī)采集得到；

10、所述獲取目標(biāo)茶隴的區(qū)域點(diǎn)云集合，包括：

11、基于所述目標(biāo)茶隴的品種，確定所述目標(biāo)茶隴的尺寸信息；

12、基于所述尺寸信息，確定所述相機(jī)的感興趣區(qū)域范圍；

13、基于所述感興趣區(qū)域范圍，采集所述區(qū)域點(diǎn)云集合。

14、根據(jù)本發(fā)明提供的一種用于茶隴采摘的割刀定位方法，所述基于所述任一點(diǎn)的稀疏度，計(jì)算所述任一點(diǎn)的累積分布函數(shù)值，包括：

15、基于所述任一點(diǎn)的稀疏度，確定所述任一點(diǎn)的采樣概率；

16、基于所述任一點(diǎn)的采樣概率，計(jì)算所述任一點(diǎn)的累積分布函數(shù)值。

17、根據(jù)本發(fā)明提供的一種用于茶隴采摘的割刀定位方法，所述基于隨機(jī)采樣一致性算法，對(duì)所述備選點(diǎn)集進(jìn)行擬合，構(gòu)建矩陣方程，包括：

18、基于所述隨機(jī)采樣一致性算法，在所述備選點(diǎn)集中，使用最小二乘法擬合割刀模型，得到多個(gè)割刀模型；

19、基于所述多個(gè)割刀模型，構(gòu)建所述矩陣方程。

20、根據(jù)本發(fā)明提供的一種用于茶隴采摘的割刀定位方法，所述基于所述矩陣方程，計(jì)算所述備選點(diǎn)集中的內(nèi)點(diǎn)，包括：

21、計(jì)算所述備選點(diǎn)集中每個(gè)點(diǎn)的擬合偏差；

22、將所述備選點(diǎn)集中對(duì)應(yīng)的所述擬合偏差小于預(yù)設(shè)閾值的點(diǎn)作為所述內(nèi)點(diǎn)。

23、根據(jù)本發(fā)明提供的一種用于茶隴采摘的割刀定位方法，所述基于所述內(nèi)點(diǎn)的數(shù)量，篩選出所述矩陣方程的系數(shù)矩陣中的優(yōu)選割刀模型參數(shù)組合，包括：

24、基于所述內(nèi)點(diǎn)的數(shù)量以及所述備選點(diǎn)集中的總點(diǎn)數(shù)，計(jì)算內(nèi)點(diǎn)率；

25、選取所述系數(shù)矩陣中對(duì)應(yīng)于最高內(nèi)點(diǎn)率的割刀模型參數(shù)組合作為優(yōu)選割刀模型參數(shù)組合。

26、根據(jù)本發(fā)明提供的一種用于茶隴采摘的割刀定位方法，所述基于粒子群優(yōu)化算法，以所述優(yōu)選割刀模型參數(shù)組合作為初始全局最優(yōu)位置，對(duì)所述割刀模型參數(shù)組合進(jìn)行全局優(yōu)化，得到全局最優(yōu)模型參數(shù)組合，包括：

27、以每個(gè)割刀模型參數(shù)組合作為每個(gè)粒子的位置，以參數(shù)變化率作為每個(gè)粒子的運(yùn)動(dòng)速度，對(duì)每個(gè)粒子的位置添加初始擾動(dòng)，并設(shè)定每個(gè)粒子的初始運(yùn)動(dòng)速度以及初始個(gè)體最優(yōu)位置，基于所述初始全局最優(yōu)位置，初始化粒子群；

28、迭代更新所述粒子群中各粒子的位置和速度，并選取所述粒子群中各粒子的位置處的擬合偏差的倒數(shù)作為自適應(yīng)函數(shù)；

29、對(duì)于所述粒子群中的任一粒子，若所述任一粒子的當(dāng)前適應(yīng)度優(yōu)于歷史最優(yōu)的適應(yīng)度，則更新所述任一粒子的個(gè)體最優(yōu)位置；若所述任一粒子的當(dāng)前適應(yīng)度優(yōu)于全局最優(yōu)適應(yīng)度，則更新所述任一粒子的全局最優(yōu)位置，直至達(dá)到預(yù)設(shè)條件，輸出全局最優(yōu)位置作為所述全局最優(yōu)模型參數(shù)組合。

30、本發(fā)明還提供一種用于茶隴采摘的割刀定位裝置，包括：

31、點(diǎn)云獲取模塊，用于獲取目標(biāo)茶隴的區(qū)域點(diǎn)云集合；

32、累積分布計(jì)算模塊，用于對(duì)于所述區(qū)域點(diǎn)云集合中的任一點(diǎn)，計(jì)算所述任一點(diǎn)的稀疏度，并基于所述任一點(diǎn)的稀疏度，計(jì)算所述任一點(diǎn)的累積分布函數(shù)值；

33、隨機(jī)加權(quán)采樣模塊，用于基于所述區(qū)域點(diǎn)云集合中各點(diǎn)的累積分布函數(shù)值，對(duì)所述區(qū)域點(diǎn)云集合進(jìn)行隨機(jī)加權(quán)采樣，得到初始點(diǎn)集，并基于割刀的高度信息以及弧度信息，確定所述初始點(diǎn)集中位于水平面上的備選點(diǎn)集；

34、模型參數(shù)篩選模塊，用于基于隨機(jī)采樣一致性算法，對(duì)所述備選點(diǎn)集進(jìn)行擬合，構(gòu)建矩陣方程，并基于所述矩陣方程，計(jì)算所述備選點(diǎn)集中的內(nèi)點(diǎn)，并基于所述內(nèi)點(diǎn)的數(shù)量，篩選出所述矩陣方程的系數(shù)矩陣中的優(yōu)選割刀模型參數(shù)組合；所述系數(shù)矩陣的列元素為割刀模型參數(shù)組合；

35、全局優(yōu)化模塊，用于基于粒子群優(yōu)化算法，以所述優(yōu)選割刀模型參數(shù)組合作為初始全局最優(yōu)位置，對(duì)所述割刀模型參數(shù)組合進(jìn)行全局優(yōu)化，得到全局最優(yōu)模型參數(shù)組合；

36、割刀定位模塊，用于基于所述全局最優(yōu)模型參數(shù)組合，確定工件坐標(biāo)系下的割刀模型。

37、本發(fā)明還提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如上述任一種所述的用于茶隴采摘的割刀定位方法。

38、本發(fā)明還提供一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，該計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述的用于茶隴采摘的割刀定位方法。

39、本發(fā)明還提供一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述任一種所述的用于茶隴采摘的割刀定位方法。

40、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

41、本發(fā)明提供的用于茶隴采摘的割刀定位方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)，利用區(qū)域點(diǎn)云集合中各點(diǎn)的累積分布函數(shù)值，對(duì)區(qū)域點(diǎn)云集合進(jìn)行隨機(jī)加權(quán)采樣，使得采樣后的初始點(diǎn)集會(huì)保留包含有豐富茶隴信息的稠密點(diǎn)，可以適應(yīng)茶樹(shù)的復(fù)雜形態(tài)和稀疏分布，適應(yīng)性更強(qiáng)，提高初始點(diǎn)集的質(zhì)量和空間信息利用率，為后續(xù)的模型擬合和參數(shù)優(yōu)化提供更好的數(shù)據(jù)基礎(chǔ)，提升隨機(jī)采樣一致性算法對(duì)茶隴幾何信息的描述能力。利用隨機(jī)采樣一致性算法，進(jìn)行割刀模型的初步擬合，處理噪聲和離群點(diǎn)，篩選出矩陣方程的系數(shù)矩陣中的優(yōu)選割刀模型參數(shù)組合，并將隨機(jī)采樣一致性算法與粒子群優(yōu)化算法進(jìn)行結(jié)合，將優(yōu)選割刀模型參數(shù)組合作為初始全局最優(yōu)位置，對(duì)割刀模型參數(shù)組合進(jìn)行全局優(yōu)化，得到全局最優(yōu)模型參數(shù)組合，使得到的工件坐標(biāo)系下的割刀模型更加準(zhǔn)確性，可以將模型擬合與優(yōu)化有機(jī)結(jié)合，形成一個(gè)完整的閉環(huán)流程，實(shí)現(xiàn)了算法的高效協(xié)同，進(jìn)一步提高模型擬合的精度和魯棒性，對(duì)割刀的定位精度更高，確保割刀能夠精確地跟隨茶隴進(jìn)行切割，提高采摘的效率和質(zhì)量，可以解決基于視覺(jué)引導(dǎo)的采茶機(jī)器人采摘茶葉效率低、質(zhì)量差的問(wèn)題。