基于深度学习与Delta机器人的马铃薯种薯智能切割系统设计与实现

为解决传统马铃薯种薯人工切割效率低、质量不均的问题，研究人员开发了集成POD-YOLO深度学习模型与Delta并联机器人的自动化切割系统。该系统通过视觉引导实现±0.5 mm定位精度，切割成功率达85%，效率达418.8 kg/h（约为人工3倍），为农业自动化提供了创新解决方案。

　　

在全球人口增长与农业劳动力短缺的双重压力下，马铃薯作为世界三大主粮之一，其种薯切割的自动化需求日益凸显。传统人工切割存在效率低下（仅约140 kg/h）、切割质量参差不齐等问题，且易造成芽眼损伤，影响发芽率。尽管近年来番茄采摘机器人、苹果收获机械臂等农业自动化技术蓬勃发展，但针对种薯切割这一细分领域，现有机械系统普遍缺乏智能化的芽眼识别与路径规划能力。

为此，农业农村部现代农业装备重点实验室的研究团队开发了一套融合深度学习与并联机器人技术的种薯智能切割系统。该系统通过创新性设计的POD-YOLO（Potato Orientation Detection YOLO）模型实现马铃薯姿态、轮廓及芽眼的三维定位，结合聚类分析与目标函数优化算法生成最优切割路径，最终由Delta并联机器人执行高精度切割操作。研究成果发表于《Computers and Electronics in Agriculture》，验证了该系统在切割均匀性（覆盖率提升32%）、效率（418.8 kg/h）等方面的显著优势。

关键技术方法包括：1) 基于改进YOLOv5的POD-YOLO模型实现马铃薯多特征检测；2) 采用单应性矩阵（homography matrix）完成相机-机器人坐标系标定；3) Delta机器人运动控制与视觉伺服协同；4) 使用圆形马铃薯样本（直径50-80 mm）验证系统鲁棒性。

研究结果
功能测试：静态视觉引导定位误差控制在±0.5 mm内，切割角度估计算法使芽眼保留率提升至91%。对比实验显示，组合聚类与优化函数的策略较传统方法减少27%无效切割。
原型机验证：针对椭圆形马铃薯的切割成功率（78%）低于圆形样本（85%），分析表明单视角视觉数据缺失是主因。动态输送测试中，2.14 s/个的周期时间实现理论产能418.8 kg/h，但输送带振动导致5%的定位偏差。

讨论与结论
该系统首次实现种薯切割的"检测-规划-执行"全流程自动化，其创新性体现在：1) POD-YOLO模型突破复杂形态马铃薯的芽眼检测难题；2) Delta机器人并联机构（parallel mechanism）的快速响应特性（0.2 s定位）保障了高效率。局限性包括单视角视觉的盲区问题、刀具磨损导致的切面粗糙度波动（Ra值±0.2 μm）。未来可通过多传感器融合（multi-sensor fusion）和动态误差补偿进一步提升性能。

研究不仅为马铃薯种植自动化提供技术范式，其视觉-控制协同框架可拓展至甘薯、山药等块茎作物加工领域。开源代码（GitHub: Jie-Huangi/seed-potato-cutting-robot）将促进农业机器人技术迭代，助力智慧农业发展。