番茄粘彈性參數(shù)機(jī)器人抓取在線估計(jì)

周 俊 張 娜 孟一猛 王明軍

(南京農(nóng)業(yè)大學(xué)江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室， 南京 210031)

番茄粘彈性參數(shù)機(jī)器人抓取在線估計(jì)

周 俊 張 娜 孟一猛 王明軍

(南京農(nóng)業(yè)大學(xué)江蘇省智能化農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室， 南京 210031)

為了使采摘機(jī)器人在抓取過程中能夠?qū)Ρ蛔ス叩恼硰椥粤W(xué)參數(shù)進(jìn)行快速估計(jì)，實(shí)時(shí)優(yōu)化抓取過程，減少末端執(zhí)行器對(duì)被抓取對(duì)象造成機(jī)械損傷，以抓取力、變形量、作用時(shí)間為輸入，建立了番茄粘彈性參數(shù)估計(jì)的人工神經(jīng)網(wǎng)絡(luò)模型。運(yùn)用質(zhì)構(gòu)儀蠕變?cè)囼?yàn)所測(cè)的力、變形和時(shí)間，以及粘彈性參數(shù)E1、E2、η1、η2作為訓(xùn)練數(shù)據(jù)集，確定了人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和參數(shù)，并測(cè)試了網(wǎng)絡(luò)模型的粘彈性參數(shù)估計(jì)性能。利用二指機(jī)器人末端執(zhí)行器對(duì)隨機(jī)番茄樣本進(jìn)行抓取試驗(yàn)，并在抓取過程中用此模型來在線估計(jì)粘彈性參數(shù)。通過與質(zhì)構(gòu)儀的實(shí)測(cè)值進(jìn)行對(duì)比發(fā)現(xiàn)，當(dāng)時(shí)間t≥0.2 s時(shí)，各參數(shù)的估計(jì)值與實(shí)測(cè)值之間的相對(duì)誤差均在25%以內(nèi)，并根據(jù)0.2 s時(shí)得到的粘彈性參數(shù)對(duì)機(jī)器人抓取力范圍進(jìn)行了估計(jì)。結(jié)果表明，利用此方法在機(jī)器人抓取過程中可以對(duì)被抓番茄粘彈性特性進(jìn)行估計(jì)，為在線優(yōu)化抓取力提供了依據(jù)。

機(jī)器人抓?。?番茄； 粘彈性參數(shù)； 蠕變?cè)囼?yàn)； 人工神經(jīng)網(wǎng)絡(luò)

引言

在果蔬采摘、分級(jí)、包裝和加工等作業(yè)環(huán)節(jié)中，機(jī)器人經(jīng)常通過末端執(zhí)行器的手指直接對(duì)果蔬施加作用力來實(shí)現(xiàn)果蔬的穩(wěn)定夾持抓取。而果蔬是一種粘彈性體，同時(shí)具有彈性和粘性兩種不同機(jī)理的形變[1]，研究果蔬的粘彈性，不僅可以減少果蔬抓取過程中的機(jī)械損傷，也為抓取部件的設(shè)計(jì)提供依據(jù)，同時(shí)為采摘機(jī)器人實(shí)現(xiàn)快速抓取提供必要信息[2-4]。

國(guó)內(nèi)外學(xué)者對(duì)各類果蔬的粘彈特性進(jìn)行了許多研究。CHEN等[5]和KAUR等[6-7]分別建立了梨和馬鈴薯的Maxwell粘彈性力學(xué)模型，并通過試驗(yàn)求得相應(yīng)的粘彈性參數(shù)。SAEIDIRAD等[8]利用質(zhì)構(gòu)儀對(duì)不同品種石榴分別做應(yīng)力松弛試驗(yàn)，利用人工神經(jīng)網(wǎng)絡(luò)方法代替麥克斯韋模型來預(yù)測(cè)石榴的粘彈特性。張謙益等[9]和楊曉清等[10]通過試驗(yàn)分別得到梨果實(shí)和河套蜜瓜的蠕變模型及相應(yīng)的粘彈性參數(shù)，并對(duì)影響蠕變量的因素進(jìn)行了分析。李小昱等[11]和劉繼展等[12]針對(duì)經(jīng)典Burger’s模型在蠕變特性表達(dá)中的不足，分別在Burger’s模型基礎(chǔ)上建立了四元件五參數(shù)和四元件六參數(shù)的修正模型。此外，李小昱等[11]還通過試驗(yàn)發(fā)現(xiàn)蘋果的粘彈性參數(shù)與損傷體積有著顯著的線性相關(guān)關(guān)系。郭文斌等[13]對(duì)馬鈴薯完整塊莖進(jìn)行壓縮試驗(yàn)，得到了馬鈴薯整莖淀粉含量與粘彈性參數(shù)之間的回歸方程，為利用粘彈性力學(xué)參數(shù)估測(cè)馬鈴薯淀粉含量提供了參考。楊玲等[14]和方媛等[15]分別對(duì)“華紅”蘋果和“紅富士”蘋果進(jìn)行蠕變測(cè)試，分析了粘彈性參數(shù)與蘋果果實(shí)質(zhì)構(gòu)特性和營(yíng)養(yǎng)成分的相關(guān)性，完善了蘋果果實(shí)品質(zhì)評(píng)價(jià)體系。

雖然國(guó)內(nèi)外學(xué)者對(duì)多種果蔬的粘彈性力學(xué)特性進(jìn)行了研究，但是現(xiàn)有的研究幾乎都是通過傳統(tǒng)的試驗(yàn)方法來求取粘彈性參數(shù)，而基于采摘機(jī)器人利用機(jī)器學(xué)習(xí)方法獲取果蔬粘彈性參數(shù)的研究卻很少。為了使采摘機(jī)器人抓取過程中能夠在盡可能短的時(shí)間內(nèi)對(duì)被抓果蔬的粘彈性力學(xué)參數(shù)進(jìn)行估計(jì)，可以為在線優(yōu)化抓取控制提供信息，本文構(gòu)建估計(jì)粘彈性參數(shù)的人工神經(jīng)網(wǎng)絡(luò)模型，通過機(jī)器人兩指末端執(zhí)行器抓取試驗(yàn)驗(yàn)證所建模型的有效性，得到估計(jì)果實(shí)粘彈性力學(xué)特性的最短時(shí)間，在此基礎(chǔ)上對(duì)機(jī)器人抓取力范圍進(jìn)行估計(jì)。

1 蠕變實(shí)驗(yàn)

1.1 實(shí)驗(yàn)材料

選用材料為皖粉2號(hào)番茄。根據(jù)商業(yè)行業(yè)標(biāo)準(zhǔn)SB/T 10331—2000中關(guān)于番茄成熟期的界定，選擇紅熟前期(果實(shí)著紅面為10%～30%)、紅熟中期(果實(shí)著紅面為40%～60%)番茄各10個(gè)，番茄的赤道直徑(垂直于果柄方向)在72～80 mm之間，質(zhì)量在166～252 g之間。番茄蠕變測(cè)試采用美國(guó)FTC公司的TMS-PRO型食品物性分析儀(質(zhì)構(gòu)儀)。

1.2 實(shí)驗(yàn)方法

由于番茄在采摘、運(yùn)輸、加工等作業(yè)環(huán)節(jié)中，一般都是處于完整狀態(tài)下承受外載荷作用，故對(duì)完整番茄果實(shí)進(jìn)行蠕變實(shí)驗(yàn)。

蠕變測(cè)試參數(shù)設(shè)置為：探頭P75(直徑75 mm)，起始力0.6 N，加載時(shí)間30 s，測(cè)試速度60 mm/min，數(shù)據(jù)采集頻率10 Hz。被測(cè)番茄果柄呈水平狀放置，用底座固定。每個(gè)樣本大致在果腰處隨機(jī)選取3個(gè)相鄰間隔約120°的點(diǎn)分別用3、5、7 N的力進(jìn)行蠕變實(shí)驗(yàn)，共進(jìn)行60次蠕變實(shí)驗(yàn)，圖1為蠕變實(shí)驗(yàn)裝置。

圖1 蠕變實(shí)驗(yàn)裝置Fig.1 Platform of creep experiment

蠕變實(shí)驗(yàn)中所得的變形與時(shí)間關(guān)系曲線可以由不同的蠕變模型來描述，如Maxwell模型、Kelvin模型、Burgers模型等。其中Burgers模型是表征粘彈性材料蠕變特性的經(jīng)典模型，它是由一個(gè)Maxwell單元和一個(gè)Kelvin單元通過串聯(lián)組成的四元件模型，其結(jié)構(gòu)如圖2所示。Burgers模型可以表示粘彈性的主要特征，是預(yù)測(cè)物料蠕變特性的最著名模型之一[16]，故本文選用Burgers模型來描述番茄蠕變加載過程中的蠕變特性。

圖2 Burgers模型Fig.2 Burgers model

Burgers模型蠕變加載過程的微分方程為

(1)

式中D(t)——變形量，mmt——時(shí)間，sF0——恒定載荷，NE1——瞬時(shí)彈性系數(shù)，N/mmE2——延遲彈性系數(shù)，N/mmη1——串聯(lián)粘性系數(shù)，N·s/mmη2——并聯(lián)粘性系數(shù)，N·s/mm

1.3 蠕變模型參數(shù)求取

通過蠕變實(shí)驗(yàn)可以得到變形-時(shí)間的關(guān)系曲線，即蠕變曲線，60次蠕變實(shí)驗(yàn)可以得到60條蠕變曲線。使用Origin 8.0軟件中的非線性擬合工具箱，利用式(1)蠕變模型微分方程對(duì)番茄蠕變實(shí)驗(yàn)數(shù)據(jù)進(jìn)行擬合，即得番茄樣本蠕變模型的粘彈性參數(shù)和決定系數(shù)。擬合結(jié)果表明，決定系數(shù)R2均高于0.99，驗(yàn)證了所選模型的有效性。圖3為從20個(gè)番茄樣本中隨機(jī)選取的一個(gè)樣本分別在3、5、7 N力作用下的蠕變曲線和擬合曲線，得到相應(yīng)的粘彈性參數(shù)和決定系數(shù)如表1所示。其余番茄樣本的蠕變曲線及擬合曲線情況類似。

圖3 蠕變曲線與擬合曲線Fig.3 Creep curve and fitting curve

參數(shù)作用力/N357E1/(N·mm-1)2.782.422.52E2/(N·mm-1)14.029.7611.03η1/(N·s·mm-1)545.19595.45537.98η2/(N·s·mm-1)48.9445.1861.82決定系數(shù)R20.9900.9950.996

2 粘彈性參數(shù)估計(jì)模型建立

2.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的處理單元通過廣泛連接組成的復(fù)雜網(wǎng)絡(luò)。這里采用前饋型神經(jīng)網(wǎng)絡(luò)，通過反向傳播算法(BP算法)來實(shí)現(xiàn)。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層和輸出層構(gòu)成，能實(shí)現(xiàn)從輸入空間到輸出空間的非線性映射，可以逼近任意非線性系統(tǒng)[17]。標(biāo)準(zhǔn)的3層前饋人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖4所示，ωij和ωjk分別是輸入層與隱含層、隱含層與輸出層之間的連接權(quán)值。

圖4 3層前饋人工神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)Fig.4 Topological structure of three layers feed forward artifical neutral network

2.2 粘彈性參數(shù)網(wǎng)絡(luò)估計(jì)模型設(shè)計(jì)

2.2.1 網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)

番茄粘彈性參數(shù)估計(jì)模型選用3層人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。其中，輸入層和隱含層之間的傳遞函數(shù)為Tansig，即f(x)=tanh(x)；隱含層和輸出層之間的傳遞函數(shù)為Purelin，即f(x)=kx。

輸入層和輸出層的節(jié)點(diǎn)數(shù)分別由輸入變量和輸出變量的個(gè)數(shù)決定。由于模型的輸入變量為加載力F、變形量D和加載時(shí)間t，輸出量為粘彈性參數(shù)E1、E2、η1、η2，故輸入層和輸出層的節(jié)點(diǎn)數(shù)分別為3和4。根據(jù)Kolmogorov定理確定隱含層節(jié)點(diǎn)數(shù)理論值為7，經(jīng)過反復(fù)訓(xùn)練對(duì)比發(fā)現(xiàn)最佳隱含層節(jié)點(diǎn)數(shù)為11，所以確定所建模型網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為3-11-4。

2.2.2 網(wǎng)絡(luò)模型訓(xùn)練

從每次質(zhì)構(gòu)儀蠕變實(shí)驗(yàn)數(shù)據(jù)中取10組數(shù)據(jù)作為樣本數(shù)。為了模擬機(jī)器人抓取過程，其中在這次蠕變實(shí)驗(yàn)過程中隨機(jī)選擇加載時(shí)間t數(shù)據(jù)，與對(duì)應(yīng)加載力F、變形量D構(gòu)成1組輸入量。根據(jù)這次蠕變實(shí)驗(yàn)數(shù)據(jù)應(yīng)用曲線擬合方法得到的粘彈性參數(shù)作為這10組數(shù)據(jù)的共同輸出量。這樣便擁有了600組樣本數(shù)據(jù)。

對(duì)網(wǎng)絡(luò)的輸入樣本數(shù)據(jù)和輸出樣本數(shù)據(jù)進(jìn)行預(yù)處理可以消除量綱影響，提高網(wǎng)絡(luò)收斂性能[18]。因此對(duì)數(shù)據(jù)進(jìn)行歸一化處理，把所有數(shù)據(jù)都轉(zhuǎn)換為[0，1]區(qū)間的數(shù)。運(yùn)用最大最小法對(duì)數(shù)據(jù)進(jìn)行歸一化處理

xk=(xk-xmin)/(xmax-xmin)

(2)

式中xk——數(shù)據(jù)序列中第k個(gè)數(shù)xmin——數(shù)據(jù)序列中的最小數(shù)xmax——數(shù)據(jù)序列中的最大數(shù)

選用均方誤差MSE作為目標(biāo)評(píng)價(jià)網(wǎng)絡(luò)模型性能

(3)

式中M——均方誤差N——訓(xùn)練樣本數(shù)ei——第i個(gè)樣本的訓(xùn)練誤差Ti——第i個(gè)訓(xùn)練樣本的目標(biāo)輸出Yi——第i個(gè)訓(xùn)練樣本的網(wǎng)絡(luò)輸出

設(shè)定學(xué)習(xí)率為0.01，終止訓(xùn)練步數(shù)為1 000，從600組樣本數(shù)據(jù)中隨機(jī)選擇500組數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，其余100組數(shù)據(jù)為測(cè)試數(shù)據(jù)，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。訓(xùn)練數(shù)據(jù)的相關(guān)系數(shù)分別為0.93、0.92、0.93和0.93，均方誤差為0.033。

2.2.3 網(wǎng)絡(luò)模型性能分析

用100組測(cè)試樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型進(jìn)行性能評(píng)價(jià)，網(wǎng)絡(luò)預(yù)測(cè)輸出的相對(duì)誤差如圖5所示。由于樣本中的時(shí)間t是隨機(jī)分布的，故各參數(shù)的相對(duì)誤差都有一定波動(dòng)，一般與蠕變初始時(shí)刻對(duì)應(yīng)的樣本形變量小、蠕變過程不充分等原因有關(guān)，誤差會(huì)比較大。由圖5可知，瞬時(shí)彈性系數(shù)E1的相對(duì)誤差均在15%以內(nèi)，預(yù)測(cè)效果較好；延遲彈性系數(shù)E2和串聯(lián)粘性系數(shù)η1的相對(duì)誤差波動(dòng)較大，但相對(duì)誤差大于25%的概率都低于10%；并聯(lián)粘性系數(shù)η2的相對(duì)誤差大于25%的概率為4%?？梢姡摼W(wǎng)絡(luò)模型可以應(yīng)用實(shí)測(cè)的力、變形量與時(shí)間3個(gè)數(shù)據(jù)來近似估計(jì)果蔬的粘彈性參數(shù)，使粘彈性參數(shù)的求取具有一定的實(shí)時(shí)性，從而為在線優(yōu)化抓取控制過程提供了基礎(chǔ)。

圖5 網(wǎng)絡(luò)預(yù)測(cè)輸出的相對(duì)誤差Fig.5 Relative error of network predicted output

3 機(jī)器人抓取在線估計(jì)番茄粘彈性參數(shù)

3.1 機(jī)器人抓取試驗(yàn)

試驗(yàn)平臺(tái)采用德國(guó)SCHUNK公司生產(chǎn)的WSG 50型二指機(jī)器人末端執(zhí)行器，該末端執(zhí)行器集成了控制器、編碼器和SD存儲(chǔ)卡，與PC機(jī)的通訊協(xié)議為TCP/IP協(xié)議，手指材質(zhì)為鋁合金。其中一個(gè)手指上裝有力反饋傳感器，抓取過程中可以實(shí)時(shí)測(cè)量抓取力，手指位移由編碼器實(shí)時(shí)測(cè)量。試驗(yàn)平臺(tái)如圖6所示。

圖6 抓取試驗(yàn)平臺(tái)Fig.6 Grasping experimental platform1.信息采集系統(tǒng) 2.WSG 50型機(jī)械手 3.力反饋手指 4.穩(wěn)壓電源

使用Visual Studio 2010軟件開發(fā)末端執(zhí)行器的控制軟件，可以實(shí)現(xiàn)對(duì)抓取速度、加速度、力和位移的調(diào)控，能夠?qū)崟r(shí)記錄手指位移、抓取力及抓取時(shí)間等數(shù)據(jù)。

隨機(jī)選擇紅熟前期、紅熟中期番茄各2個(gè)，機(jī)械手以恒定的速度對(duì)這4個(gè)番茄樣本分別進(jìn)行抓取試驗(yàn)，當(dāng)抓取力達(dá)到設(shè)定停止力后，手指停止移動(dòng)保持自鎖直至釋放果實(shí)，記錄抓取過程中力、位移與時(shí)間的數(shù)據(jù)。試驗(yàn)設(shè)定的停止力Ft為最小抓取力。

Ft=mgα/(2μ)

(4)

式中Ft——停止力m——番茄質(zhì)量g——重力加速度α——安全因子，取α=1.5μ——番茄與機(jī)器手之間的摩擦因數(shù)，試驗(yàn)測(cè)得μ為0.22

3.2 番茄粘彈性參數(shù)在線估計(jì)結(jié)果與分析

將抓取過程前0.6 s的試驗(yàn)數(shù)據(jù)分別輸入粘彈性參數(shù)估計(jì)模型，在線計(jì)算番茄樣本的粘彈性參數(shù)。估計(jì)計(jì)算結(jié)果與通過質(zhì)構(gòu)儀數(shù)據(jù)擬合測(cè)得的粘彈性參數(shù)對(duì)比情況如表2所示。

番茄粘彈性參數(shù)網(wǎng)絡(luò)模型在線估計(jì)值與質(zhì)構(gòu)儀數(shù)據(jù)離線測(cè)量值之間的相對(duì)誤差如圖7所示?？梢姡瑥椥韵禂?shù)E1的相對(duì)誤差均在22%以內(nèi)；當(dāng)t=0.1 s時(shí)，E2、η1和η2的相對(duì)誤差波動(dòng)較大，但當(dāng)t≥0.2 s時(shí)，E2、η1和η2的相對(duì)誤差雖有波動(dòng)但都在25%以內(nèi)，趨于穩(wěn)定。誤差的來源既有粘彈性參數(shù)估計(jì)神經(jīng)網(wǎng)絡(luò)模型的計(jì)算誤差，也有傳感器等在線測(cè)量的誤差。雖然，這樣得到的粘彈性參數(shù)估計(jì)值誤差還不太理想，但相對(duì)完全未知的抓取而言，這個(gè)估計(jì)值對(duì)判斷被抓取對(duì)象物理特性提供了一定的信息，可以為采摘機(jī)器人在線優(yōu)化抓取過程提供依據(jù)。

表2 估計(jì)值和實(shí)測(cè)值Tab.2 Estimated values and measured values

圖7 相對(duì)誤差曲線Fig.7 Relative error curves of estimated values

由于在線優(yōu)化需要能夠盡快對(duì)被抓對(duì)象粘彈性力學(xué)特性進(jìn)行估計(jì)，因此，可將0.2 s時(shí)的抓取力、變形量和時(shí)間輸入已訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)模型來估計(jì)粘彈性參數(shù)，為在線優(yōu)化抓取控制策略提供參數(shù)依據(jù)。

3.3 基于番茄粘彈性參數(shù)的機(jī)器人抓取力范圍估計(jì)

由式(1)可知，抓取停止時(shí)的番茄變形量為

(5)

抓取過程結(jié)束時(shí)番茄的壓縮率為

(6)

式中L——接觸處番茄樣本的直徑

由式(5)、(6)可得抓取力為

(7)

李智國(guó)等[19-20]通過試驗(yàn)發(fā)現(xiàn)影響番茄機(jī)械損傷度最大的因素是壓縮率，壓縮率每增加1%，番茄的機(jī)械損傷度平均增加2.98%；當(dāng)壓縮率水平分別為4%和8%時(shí)，番茄以彈性變形為主，當(dāng)壓縮率水平分別為12%和16%時(shí),番茄以塑性變形為主。為減少采摘過程中番茄的機(jī)械損傷，以番茄的壓縮率不高于4%為條件，即C≤4%。這樣，根據(jù)0.2 s時(shí)得到的粘彈性參數(shù)就可以對(duì)機(jī)器人抓取力范圍進(jìn)行估計(jì)。

綜合考慮抓取穩(wěn)定性和番茄的壓縮率水平，由式(4)、(7)可得機(jī)器人抓取力范圍為

(8)

通常情況下人工完成單次穩(wěn)定抓取動(dòng)作的時(shí)間為1 s，日本采摘機(jī)器人完成穩(wěn)定抓取的時(shí)間大約為4 s[21]。因此，以機(jī)器人完成抓取過程時(shí)間持續(xù)2 s為例，可以計(jì)算出抓取力范圍如表3所示。

表3 抓取力范圍Tab.3 Range of grasp force

在實(shí)際抓取過程中，可利用0.2 s時(shí)估計(jì)得到的粘彈性參數(shù)來計(jì)算抓取力上限，結(jié)合穩(wěn)定抓取的最小抓取力來在線選取抓取范圍，以實(shí)現(xiàn)在穩(wěn)定抓取前提下避免造成番茄機(jī)械損傷。

4 結(jié)論

(1)以力、變形和時(shí)間為輸入，粘彈性參數(shù)E1、E2、η1、η2為輸出，構(gòu)建了估計(jì)番茄粘彈性參數(shù)的人工神經(jīng)網(wǎng)絡(luò)模型。確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為3-11-4，并利用質(zhì)構(gòu)儀的蠕變?cè)囼?yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

(2)利用二指機(jī)器人末端執(zhí)行器對(duì)隨機(jī)選擇的番茄樣本進(jìn)行抓取試驗(yàn)，記錄試驗(yàn)過程中力、變形量隨時(shí)間變化的數(shù)據(jù)，將不同時(shí)刻的試驗(yàn)數(shù)據(jù)分別輸入粘彈性參數(shù)估計(jì)模型，計(jì)算輸出番茄的粘彈性參數(shù)。與質(zhì)構(gòu)儀實(shí)測(cè)值相比，抓取0.2 s以后，粘彈性參數(shù)估計(jì)值相對(duì)誤差小于25%。

(3)在番茄壓縮率不高于4%條件下，利用0.2 s估計(jì)得到的粘彈性參數(shù)計(jì)算出機(jī)器人抓取力的取值范圍，為避免抓取過程中造成番茄機(jī)械損傷提供了理論依據(jù)。

1 TSAI C H D, KAO I, SHIBATA A, et al. Experimental study of creep response of viscoelastic contact interface under force control[C]∥IEEE/RSJ International Conference on Intelligent Robots and Systems，2010, 6219(1):4275-4280.

2 鄧云, 吳穎, 李云飛. 果蔬在貯運(yùn)過程中的生物力學(xué)特性及質(zhì)地檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2005, 21(4):1-6. DENG Yun, WU Ying, LI Yunfei. Biomechanical properties and texture detection of fruits and vegetables during storage and transportation[J]. Transactions of the CSAE, 2005, 21(4):1-6. (in Chinese)

3 李成, 馬小愚, 雷溥. 番茄果實(shí)力學(xué)特性及與成熟度關(guān)系的試驗(yàn)研究[J]. 農(nóng)機(jī)化研究, 2006(1):167-169. LI Cheng, MA Xiaoyu, LEI Pu. Study on the relationship between mechanical and theological properties and ripe degree of tomato[J]. Journal of Agricultural Mechanization Research, 2006(1):167-169. (in Chinese)

4 劉繼展, 李萍萍, 李智國(guó),等. 面向機(jī)器人采摘的番茄力學(xué)特性試驗(yàn)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(12):66-70. LIU Jizhan, LI Pingping, LI Zhiguo, et al. Experimental study on mechanical properties of tomatoes for robotic harvesting [J]. Transactions of the CSAE, 2008, 24(12):66-70. (in Chinese)

5 CHEN P, FRIDLEY R B. Analytical method for determining viscoelastic constants of agricultural materials[J]. Transactions of the ASAE, 1972, 15(6):1103-1106.

6 KAUR L, SINGH N, NAVDEEP S S, et al. Some properties of potatoes and their starches I. cooking, textural and rheological properties of potatoes[J]. Food Chemistry, 2002, 79(2):177-181.

7 SINGH J, KAUR L, RAO M A. Textural and rheological characteristics of raw and cooked potatoes[M]∥SINGH J, KAUR L, RAO M A.Advances in potato chemistry and technology. Amsterdam: Elsevier Inc,2009:249-271.

8 SAEIDIRAD M H, ROHANI A, ZARIFNESHAT S. Predictions of viscoelastic behavior of pomegranate using artificial neural network and Maxwell model[J]. Computers & Electronics in Agriculture, 2013, 98:1-7.

9 張謙益, 吳洪華. 梨果實(shí)蠕變基本流變特性研究[J]. 現(xiàn)代食品科技, 2006, 22(4):46-48. ZHANG Qianyi, WU Honghua. The creep rheological properties of pear[J]. Modern Food Science and Technology, 2006, 22(4):46-48. (in Chinese)

10 楊曉清, 王春光. 河套蜜瓜靜載蠕變特性的試驗(yàn)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(3):202-207. YANG Xiaoqing, WANG Chunguang. Creep properties of Hetao muskmelon under static loading[J]. Transactions of the CSAE, 2007, 23(3):202-207. (in Chinese)

11 李小昱, 朱俊平, 王為,等. 蘋果蠕變特性與靜載損傷機(jī)理的研究[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào):自然科學(xué)版, 1997，25(6):64-68. LI Xiaoyu, ZHU Junping, WANG Wei, et al. A study on creep properties and static loading damage mechanisms of apple[J]. Journal of Northwest A&F University: Natural Science Edition, 1997，25(6):64-68. (in Chinese)

12 劉繼展, 白欣欣, 李萍萍. 番茄果實(shí)蠕變特性表征的Burger’s修正模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013,29(9):249-255. LIU Jizhan, BAI Xinxin, LI Pingping. Modified Burger’s model for describing creep behavior of tomato fruits[J]. Transactions of the CSAE, 2013,29(9):249-255. (in Chinese)

13 郭文斌, 王春光, 高晶晶. 馬鈴薯整莖壓縮模型的建立與參數(shù)分析[J]. 農(nóng)機(jī)化研究, 2014, 36(1): 190-193. GUO Wenbin, WANG Chunguang, GAO Jingjing. Study on correlation between starch content and parameters in viscoelastic model of potato tuber[J]. Journal of Agricultural Mechanization Research, 2014, 36(1): 190-193. (in Chinese)

14 楊玲, 張彩霞, 康國(guó)棟,等. ‘華紅’蘋果果肉的流變特性及其主成分分析[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2015, 48(12):2417-2427. YANG Ling, ZHANG Caixia, KANG Guodong, et al. Rheologic properties of ‘Huahong’ apple pulp and their principal component analysis[J]. Scientia Agricultura Sinica, 2015, 48(12):2417-2427. (in Chinese)

15 方媛, 趙武奇, 張清安,等. ‘紅富士’蘋果蠕變特性與果實(shí)品質(zhì)的相關(guān)分析[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2016, 49(4):717-726. FANG Yuan, ZHAO Wuqi, ZHANG Qingan, et al. The correlation analysis between quality and creep property of ‘Fuji’ apple[J]. Scientia Agricultura Sinica, 2016, 49(4):717-726. (in Chinese)

16 楊明韶. 農(nóng)業(yè)物料流變學(xué)[M]. 北京：中國(guó)農(nóng)業(yè)出版社, 2010.

17 徐麗娜. 神經(jīng)網(wǎng)絡(luò)控制[M]. 北京：電子工業(yè)出版社, 2009.

18 陳小前, 羅世彬, 王振國(guó),等. BP神經(jīng)網(wǎng)絡(luò)應(yīng)用中的前后處理過程研究[J]. 系統(tǒng)工程理論與實(shí)踐, 2002, 22(1):65-70. CHEN Xiaoqian, LUO Shibin, WANG Zhenguo, et al. Research on preprocessing and postprocessing of the application of BP neural network[J]. System Engineering Theory and Practice, 2002, 22(1):65-70.(in Chinese)

19 李智國(guó), 劉繼展, 李萍萍. 機(jī)器人采摘中番茄力學(xué)特性與機(jī)械損傷的關(guān)系[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(5):112-116. LI Zhiguo, LIU Jizhan, LI Pingping. Relationship between mechanical property and damage of tomato during robot harvesting[J]. Transactions of the CSAE, 2010,26(5): 112-116. (in Chinese)

20 李智國(guó). 基于番茄生物力學(xué)特性的采摘機(jī)器人抓取損傷研究[D]. 鎮(zhèn)江：江蘇大學(xué), 2011. LI Zhiguo. Study on the grasp damage of harvesting robot based on the biomechanical properties of tomato fruits[D]. Zhenjiang: Jiangsu University, 2011. (in Chinese)

21 李智國(guó). 番茄采摘機(jī)器人夾持系統(tǒng)的加減速過程研究[D]. 鎮(zhèn)江：江蘇大學(xué), 2009. LI Zhiguo. Acceleration and deceleration process of the grip system on tomato harvesting robot[D].Zhenjiang: Jiangsu University,2009. (in Chinese)

Online Estimation of Tomato Viscoelastic Parameters during Robot Grasping

ZHOU Jun ZHANG Na MENG Yimeng WANG Mingjun

(KeyLaboratoryofIntelligentAgriculturalEquipmentinJiangsuProvince,NanjingAgriculturalUniversity,Nanjing210031,China)

When a picking robot is able to quickly estimate the viscoelastic parameters of the fruits and vegetables in the process of grasping, an optimization of the grasping process in real time can be carried out and the mechanical damage caused by the end-effector can be alleviated. Artificial neural network (ANN) model of tomato viscoelastic parameters estimation was established by using grasping force, deformation and acting time as inputs. The force, deformation and time measured by creep test with texture analyzer, as well as the viscoelastic parameters (E1,E2,η1,η2) were used as the training data set to determine the topological structure and parameters of the artificial neural network. Then performance of the network model was tested. A two finger robot end-effector was applied to grasp tomato samples selected randomly, and the ANN model was used to estimate the viscoelastic parameters online during the process of grasping. Compared with the measured value by texture analyzer, when time was more than or equal to 0.2 s, the relative error between the estimated value and the measured value were less than 25%, and according to the viscoelastic parameters obtained from the 0.2 s time, the range of the robot’s grasping force was estimated. The results showed that the method could be used to estimate the viscoelastic properties of the grasped tomatoes during the robot grasping process, which provided the basis for the online optimization of grasping force.

robot grasping; tomato; viscoelastic parameters; creep experiment; artificial neural network

10.6041/j.issn.1000-1298.2017.08.002

2016-12-21

2017-03-20

國(guó)家自然科學(xué)基金項(xiàng)目(31471419)、高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金博導(dǎo)類項(xiàng)目(20130097110043)和浙江省自然科學(xué)基金項(xiàng)目(LY17F030006)

周俊(1974—)，男，教授，博士生導(dǎo)師，主要從事農(nóng)業(yè)機(jī)器人和機(jī)器視覺與模式識(shí)別研究，E-mail： zhoujun@njau.edu.cn

TP24

A

1000-1298(2017)08-0026-07