引言

目前，国内外在果蔬采摘机器领域已有较多研究，如草莓、番茄采摘机等。黄瓜采摘因植株藤蔓复杂、果实分布不规则、表皮易损伤等特点，机械化难度较大。现有研究主要集中在视觉识别和机械臂控制，但在实际采摘效率、适应性和成本控制方面仍有不足。

黄瓜是设施农业生产中主要作物之一，设施栽培面积约占其总种植面积的47.85%。其种植面积与总产量见图1。基于此，本文聚焦大型黄瓜种植农场的实际需求，以智能化黄瓜采摘机为研究对象，结合当前技术发展现状与农场应用场景，从应用优势，工作原理，技术结构，模块组成，性能分析五个方面展开分析。旨在通过梳理其在大型农场的适配性与应用潜力，为设备研发升级提供实践参考，同时为农场经营者引入智能化采摘设备提供决策依据，最终推动黄瓜种植产业从“人工主导”向“智能高效”转型，助力设施农业现代化发展。

1 应用优势

采摘机器人通常由移动机构、机械手臂、末端执行器和视觉传感器等组成。末端执行机构是机器人的核心部分之一，它是直接接触目标作物的设备，其作业对象即果实组织柔软、易损伤，且果实形状复杂，生长发育程度不一，相互差异很大，由此决定了采摘机器人的末端执行器应具有较好的柔顺性和自适应性。因此，末端执行器的研究开发对果品采摘效果起着至关重要的作用。

例如荷兰的Henten等研制的黄瓜采摘机器人，适合对斜拉线模式种植、没有叶片遮挡干扰的0.8～1.5m高度范围黄瓜进行采摘。该机器人以温室供热管道为轨道，行驶速度达0.8m/s。机器人通过单目相机在不同位置采集850nm和970nm黄瓜近红外图像形成立体视觉，实现对黄瓜的目标识别和果梗采摘点定位，而国内则采用柔性机械臂减少黄瓜的果受到损伤。

1.1 显著提升采摘效率

突破传统生产瓶颈。可实现对成熟黄瓜的快速定位、精准抓取与少损采摘。相较于人工采摘平均每小时80-100根的效率，机器人在标准化温室环境下每小时可完成300-400根黄瓜的采摘作业，且能保持24小时连续无休运转，有效解决农业生产中“用工荒”与季节性劳动力短缺问题。

1.2 全面优化成本结构

实现精细化资源管理。在人力成本方面，一台智能黄瓜机器人可替代3-5名熟练采摘工人，按每人日均工资200元计算，单台机器人年节省人工成本约21.9-36.5万元。在种植管理环节，机器人集成土壤传感器、环境监测模块与AI决策系统，能实时采集土壤墒情、养分含量、空气温湿度及光照强度等数据，通过云端平台分析后自动调节水肥灌溉量与温室环境参数，使水资源利用率提升30%以上，化肥农药使用量减少15%-25%。

2 工作原理

2.1 感知与识别系统

图像采集：利用高分辨率摄像头获取黄瓜植株及果实的图像信息，涵盖黄瓜的颜色、形状、纹理，以及其在植株上的位置、周围叶片和其他障碍物的分布等。由于黄瓜作物内部成分及外部特性的不同，各组织在特定波长区域会呈现较大的光谱反射差异。根据这一特征获取的光谱图像，果实与叶、花存在不同的灰度信息，从而在一定程度减少了果实目标的识别难度。

图像处理：采用云机器人图像采集系统能够在客户端实现对500万像素视频的采集、播放、截屏、录像功能，充分利用云端的计算能力，降低了本地机器人的资源要求，简化了机器人的软硬件设计。本设计通过使用H.265硬件编码压缩视频，相比H.264编码压缩标准，能够节省46%以上的码率，且图像质量更好。

特征提取与目标识别：通过机器学习、深度学习算法，如卷积神经网络（CNN），提取能够表征黄瓜特征的参数，比如颜色直方图、边缘信息等，从而识别出成熟的黄瓜，判断其成熟度、大小等信息，同时排除叶片、茎秆以及未成熟黄瓜的干扰。

2.2 路径规划系统

静态路径规划：在相对稳定、障碍物位置固定的温室或农田环境中，使用距离场法等，为采摘机规划从起点到各个黄瓜位置的最优路径，确保机器人按照预设路线移动，避免碰撞，提高采摘效率。

动态路径规划：当作业环境存在动态障碍物，比如人员走动、移动的农机设备等，机器人利用传感器实时感知环境变化，通过避障算法、等动态调整运动轨迹，顺利到达目标黄瓜位置。

2.3 操作执行系统

机械臂运动控制：基于感知识别系统和路径规划系统确定的移动路线，机械臂控制算法能精确调整机械臂的关节角度、运动轨迹和速度，使机械臂能够大致准确的运动到黄瓜前并能实现360°旋转。

果实采摘：当机械臂到达目标位置后，通过夹持机构（比如利用气囊等柔性材料的夹持板，可根据黄瓜形状自适应调整夹持力度）夹住黄瓜，再利用剪刀组件等切割装置将黄瓜的茎秆剪断，然后机械臂将黄瓜放置到收集容器中。

控制系统：作为采摘机器人的“大脑”，微处理器接收来自摄像头、传感器等部件的反馈信息，运行控制算法，根据实时变化的环境和任务需求，协调和控制机器人的运动、采摘动作以及路径规划等。同时，通过输入输出接口与传感器和执行机构进行数据交换，实时监测机器人的状态，并做出相应调整，保证采摘作业稳定、可靠地进行。

3 技术构成

3.1 视觉识别技术

是采摘机的关键技术之一。高精度摄像头和先进的图像识别算法能够在复杂的植株环境中准确区分成熟黄瓜与未成熟果实、叶片、藤蔓等。采用多光谱段和机器视觉相结合的信息获取技术，利用黄瓜光谱反射特征差异，引入方差差异分析选择表征黄瓜信息的敏感波段，如800-820nm，能够更准确地识别黄瓜的有无、位置、成熟度和品质等信息，解决了非结构环境下果实信息获取与感知的关键技术问题。

3.2 传感器技术

多种类型的传感器协同工作。接触式传感器可测量果实的硬度，避免采摘未成熟或过熟的黄瓜；距离传感器帮助机械臂精确控制采摘位置，防止碰撞植株造成损伤；力传感器则确保在采摘过程中对黄瓜施加的力恰到好处，减少果实破损。运用RGB-D SLAM建图技术构建三维环境地图（见图2），结合动态窗口法进行路径规划，能够实现自主导航与动态避障。同时，利用激光雷达点云融合视觉数据，通过LSTM预测轨迹，对动态障碍物进行准确预测和避让，提高了采摘机在复杂环境中的移动安全性和准确性。

3.3 机械臂与末端执行器

机械臂具备多自由度，能够灵活地在植株间移动，到达目标采摘位置。末端执行器根据黄瓜的特点设计，如采用柔性夹持装置，既能稳固抓取黄瓜，又能避免因夹持力过大损伤果皮；配备锋利且精准的切割刀具，用于干净利落地切断果梗。黄瓜采摘机器人的设计目标具体确定为如下几点：第一，为提高效率、降低成本，采摘机械采用机构组合的方式；第二，为更加利于推广、降低视觉识别等难度，尽量用机械特点来实现采摘定位功能。

4 模块组成

4.1 移动平台

采用履带式底盘，电机驱动器（见图3）。黄瓜采摘机的基础支撑部分，通常采用后轮驱动、前轮转向的方式，由电机控制运动速度，能够在农田或温室中自由移动，使采摘机到达不同的黄瓜种植区域进行采摘作业。

4.2 视觉识别系统

深度摄像头：例如Intel RealSense或微软Kinect，这类摄像头可以捕捉场景的深度信息，适用于需要三维数据的任务，如手势识别、3D建模和机器人导航。黄瓜采摘机器人工作在复杂的非结构化环境中，非结构化环境具有未知、多变的特点．视觉传感器探测信息丰富、目标信息完整，研究非结构环境下的视觉导航技术是农业机器人领域的研究热点。Kise等人研究了双目立体视觉的方法。

红外摄像头：用于低光或无光环境下的视觉任务，例如夜视监控或热成像检测。为机械臂和末端执行器提供准确的采摘目标信息，以便精准地进行采摘操作。

4.3 机械臂系统

自由度轻量化机械臂，关节驱动器。是采摘机的关键执行部件，通常由多个关节组成，具有一定的自由度，可实现伸缩、旋转、摆动等动作。它能够根据视觉识别系统提供的信息，将末端执行器准确地移动到待采摘黄瓜的位置。

4.4 末端执行器

是直接与黄瓜接触并完成采摘动作的部件，一般包括支撑架、夹持机构、剪切机构和收集机构。其中，夹持机构用于抓住黄瓜，剪切机构负责切断瓜梗，收集机构则用于接收并收集采摘下来的黄瓜。

4.5 智能控制系统

是采摘机的“大脑”，主要由工控机、运动控制卡、电机驱动器等组成。它负责协调各个模块的工作，接收和处理视觉识别系统传来的信息，向移动平台、机械臂和末端执行器等发出指令，控制采摘机的整体运行，实现自动化采摘。

5 性能分析

5.1 采摘效率

通常用单位时间内采摘的黄瓜数量或重量来表示，如4个/分钟、48.6千克/小时等。分析方法：通过在实际采摘场景中记录采摘机在一定时间内的采摘成果，与人工采摘效率进行对比，评估其是否能够提高采摘速度，降低劳动强度（见图4）。

5.2 采摘成功率

指采摘机成功采摘到黄瓜的数量与目标采摘数量的比例，一般以百分比形式呈现。在不同的种植环境、黄瓜品种和生长阶段等条件下，多次运行采摘机进行采摘试验，统计成功采摘的黄瓜数量和总采摘数量，计算出采摘成功率。如某黄瓜采摘机器人在实验室模拟环境下的采摘成功率可达95％以上，而在实际温室环境中，由于存在叶片遮挡、光照变化等因素，采摘成功率可能会有所下降。

5.3 目标识别准确率

指采摘机能够正确识别出黄瓜果实的数量与实际存在的黄瓜果实数量的比例。分析方法：利用计算机视觉技术，对采摘机在不同光照条件、叶片遮挡程度等环境下的目标识别情况进行测试，通过对比识别结果和实际黄瓜位置，计算出目标识别准确率。例如，通过单目相机采集黄瓜近红外图像形成立体视觉的黄瓜采摘机器人，其目标识别准确率会受到图像质量、光照强度等因素的影响。

5.3.1 准确率

准确率=（正确识别的黄瓜数量+正确排除的非黄瓜数量）÷总识别样本数量×100%

5.3.2 关键细分指标（针对 “复杂场景”，如黄瓜成熟度识别）

当需要区分目标类别（如“成熟黄瓜”“未成熟黄瓜”“病虫害黄瓜”）时，仅用基础准确率不够，需重点关注以下指标：

公式：准确率=正确识别的目标数量（TP）÷（正确识别的目标数量（TP）+错误识别为目标的非目标数量（FP））×100%

例：系统判定100个“成熟黄瓜”，其中90个是真成熟黄瓜，10个是未成熟黄瓜，则精确率为90%。

召回率：避免“漏判”，即所有真实目标中，被系统成功识别的比例。

公式：召回率=正确识别的目标数量（TP）÷（正确识别的目标数量（TP）+未被识别的真实目标数量（FN））×100%

例：温室中实际有100个成熟黄瓜，系统仅识别出85个，则召回率为85%。

F1分数（F1-Score）：平衡精确率和召回率，当两者存在矛盾时（如提高精确率导致召回率下降），用F1分数综合评估。

公式：F1=2×（精确率×召回率）÷（精确率+召回率）×100%

5.3.3 黄瓜采摘机场景的实际计算示例

以“识别成熟黄瓜”为例，假设温室中有200个物体，其中，

真实成熟黄瓜：80个（TP=70个被正确识别，FN=10个漏识别）；

非成熟黄瓜/杂物：120个（TN=100 个被正确排除，FP=20个被误判为成熟黄瓜）。

基础准确率=（70+100）÷200×100%=85%；

精确率=70÷（70+20）×100%≈77.8%；

召回率=70÷（70+10）×100%=87.5%；

F1分数=2×（77.8%×87.5%）÷（77.8%+87.5%）×100%≈82.4%。

6 结论

智能化黄瓜采摘机在大型农场的应用具有提高采摘效率、降低劳动成本、提升采摘质量和改善劳动环境等显著优势。尽管目前面临设备成本高、环境适应性差、技术维护难以及行业标准缺失等挑战，但通过技术创新、与农业物联网融合、降低成本和发展定制化服务等趋势，其未来发展前景广阔。大型农场应根据自身实际情况，合理引入和应用智能化黄瓜采摘机，逐步提升采摘作业的智能化水平，推动农业生产向高效、精准、可持续方向发展。

参考文献：

1. [1] Ceres R, Pons J L, Jiménez A R, et al. Design and implementation of an aided fruit-harvesting robot(Agribot)[J]. Industrial robot,1998,25(05):337-346.
2. [2] 张立彬, 计时鸣, 胥芳, 等. 农业机器人的主要应用领域和关键技术[J]. 浙江工业大学学报,2002(01):38-43.
3. [3] 赵匀, 武传宇, 胡旭东, 等. 农业机器人的研究进展及存在的问题[J]. 农业工程学报,2003(01):20-24.
4. [4] 崔玉洁, 张祖立, 白晓虎. 采摘机器人的研究进展与现状分析[J]. 农机化研究,2007(02):4-7.
5. [5] 蔡增玉, 王文倩, 赵振宇, 等. 基于H.265的云机器人图像采集系统设计与实现[J]. 现代电子技术,2021,44(05):66-69.
6. [6] 赵月, 刘亚秋, 徐妍, 等. 林木果球采收机械臂动力学参数辨识及补偿[J]. 森林工程,2023,39(03):150-160+171.
7. [7] 高国华, 郑玉航, 马帅, 等. 黄瓜采摘机械臂运动学分析与样机试验[J]. 中国农机化学报,2017,38(07):3-9.
8. [8] Kise M, Zhang Q. A stereovision—based crop row detection method for tractor-automated guidance[J]. Biosystems engineering,2005,90(04):357-367.