作品展示

本作品旨在减少农产品收获过程中的人力，通过智能农业装备，降低农产品收获的成本。本作品是一款基于机器视觉和卷积神经网络的智能番茄采摘小车，首先小车向目标方向前进，通过超声波传感器和循迹传感器控制小车停止位置，采用编码器直流电机，避免直流电机因启动时间和运动速度引起的小车偏移，主要通过OpenMV进行视觉采集，将采集到的图像通过卷积神经网络进行检测，区分成熟番茄和未成熟番茄并返回坐标，根据机械臂初始位置、运行范围以及番茄所在的空间位置，计算出成熟番茄坐标，通过I2C驱动PCA9685舵机控制板，进而控制MeARM机械臂进行采摘作业。

使用Tensorflow框架中的keras高层神经网络API，将采集到的番茄图片进行训练，得到模型，将模型转换为支持OpenMV的.tflite模型，OpenMV加载模型，通过卷积神经网络区分成熟番茄和未成熟番茄，并通过滑动检测窗口的方式，图像使用可控滑动方式，执行多次模型，识别并返回成熟番茄的可能性和坐标。

传统基于数据中心的“云端”的人工智能计算与处理模式，受功耗高、实时性低、带宽不足以及数据传输中的安全性较低等因素制约，不能完全满足边缘侧的人工智能计算需求。TensorFlow Lite是一款 TensorFlow 用于移动设备和嵌入式设备的轻量级解决方案。 TensorFlow 可以在多个平台上运行，从机架式服务器到小型 IoT 设备。本作品在尽量保证智能的情况下，将图像识别和目标检测部署在OpenMV上，实现了边缘智能。模型采用了Google团队在MobileNet基础上提出的MobileNetV2网络，MobileNetV2 在 MobileNetV1 的基础上进行了重大改进，模型在整体延迟时间范围内可以更快实现相同的准确性，提供了一个非常高效的面向移动设备的模型，可以用作许多视觉识别任务的基础。

本作品使用较低成本实现了农作物的智能自动化收获，作品的设计在智慧农业方向有很好的参考价值，采用卷积神经网络进行目标检测并将模型部署到边缘设备上的设计方案，使得农作物收获的过程避免了云端处理的延时和网络故障等问题。采用神经网络进行模型训练的方法，比较传图像处理方法，自动求取适合训练集最有效的响应特征，具有简单，易用等特点。