《Agronomy》：Robotic Arm Systems and Vision Technologies Across the Raspberry Production Cycle: A Review
编辑推荐：
摘要专业翻译
树莓生产仍高度依赖劳动力，而大多数农业机器人系统是为单一作业而设计的，这限制了它们在整个生产季节中的利用率。本综述评估了与树莓生产周期各环节相关的机械臂系统及配套视觉技术，特别关注其集成到多功能机器人平台中的潜在可能性。研究从六个主题领域对已发表
摘要专业翻译
树莓生产仍高度依赖劳动力，而大多数农业机器人系统是为单一作业而设计的，这限制了它们在整个生产季节中的利用率。本综述评估了与树莓生产周期各环节相关的机械臂系统及配套视觉技术，特别关注其集成到多功能机器人平台中的潜在可能性。研究从六个主题领域对已发表的文献进行了梳理：茎蔓管理（cane management）、作物监测与产量估算、靶向喷施（targeted spraying）、采收（harvesting）、末端执行器（end-effector）解决方案，以及多功能、模块化和可重构机器人平台。综述重点聚焦于机器人系统架构、计算机视觉与感知、目标检测与定位、操作与控制、末端执行器设计以及所报告的作业性能。综述文献表明，树莓特异性应用领域进展最大的是果实检测、成熟度评估、作物监测和采收，而用于修剪和靶向喷施的集成化机器人解决方案仍然有限。在所综述的文献中，尚未发现有任何树莓特异性机械臂平台已在生产周期的多个作业环节中得到验证。然而，所综述的研究表明，将通用移动平台和机械臂与可适应的视觉系统、控制策略以及可互换的末端执行器相结合，有望支持更广泛的季节性应用。因此，未来研究可聚焦于集成这些组件，并在真实的树莓生产条件下对多功能机器人系统进行验证。
论文主体内容总结
3. 结果
3.1. 茎蔓管理
茎蔓管理涵盖休眠期及生长季不同阶段的多项栽培作业，旨在维持合理的茎蔓结构、改善冠层内的光照透入和空气流通，并促进果实产量和品质。在树莓生产中，修剪被认为是调控茎蔓密度、改善冠层通风、便利采收作业并维持植株生产力的关键农艺措施。然而，树莓茎蔓密集且高度非结构化的排列使修剪自动化面临较大挑战。尽管机器人在葡萄和甜樱桃等作物的修剪方面已有较多研究，但目前尚未有完全集成的树莓机器人修剪系统被报道，现有树莓相关研究主要集中于采收，修剪方面的研究仅限于茎蔓分割或切割点检测等感知算法。
在计算机视觉与图像分析方面，Khanal等人研究了区分一年生初生茎（primocanes）和两年生花茎（floricanes）的方法，作为选择性修剪的前提，利用与叶绿素和水分含量相关的光谱反射特征并结合支持向量机（SVM）进行分类。Bhusal等人开发了基于SegNet语义分割和立体视觉的树莓茎蔓检测与三维定位系统。Kap?an等人应用基于YOLO的目标检测从无人机（UAV）影像中识别花茎树莓植株，评估了模型在不同成像模态间的可迁移性。在其他易损水果作物方面，草莓的匍匐茎管理被视为可比的修剪任务：Pomykala等人使用ResNet50和ResNet101进行语义分割以区分草莓匍匐茎和花穗；Ahmadi等人引入结合语义分割与目标检测的两步框架，显著改善了匍匐茎识别；Zhou等人通过融合地面和无人机影像扩展了匍匐茎检测的适用条件。
在机器人解决方案方面，所综述的修剪系统呈现出从概念验证向更完整自主平台演进的趋势。Botterill等人展示了葡萄茎蔓修剪的感知-规划-切割集成工作流，但整体可靠性受各组件累积误差影响。Silwal等人将这一方法扩展为具有扩大机械臂工作空间的完全自主移动平台。You等人证明了选择性树木修剪中力感知交互的重要性。Hizatate等人通过碰撞感知规划、障碍物模型更新和基于末端执行器的位姿校正来解决植物结构估计不准确的问题。Zahid等人开发了结合笛卡尔定位机构与3R修剪末端执行器的6自由度（DoF）修剪系统，现场测试确认可切割直径约25毫米的枝条，但目标位置由人工提供。Molaei和Ghatrehsamani从运动学设计角度出发，通过多目标优化开发了7自由度葡萄修剪机械臂。Fujinaga展示了一种通用模块化平台，其移动基座和核心控制基础设施可支持不同应用单元。
3.2. 作物监测与产量估算
作物监测和产量估算为树莓生产提供作物发育、植株状况和潜在生产力等信息，但传统方法依赖人工观察和采样，劳动强度大且难以大规模一致应用。
基于RGB的计算机视觉主要用于监测果实发育和估算产量相关性状。Jafary等人引入了Raspberry PhenoSet数据集，标注了从花芽到成熟果实的七个发育阶段，并关联了预期采收时间，该数据集随后被扩展至垂直农业环境，并利用发育阶段信息实现提前28至33天的产量预测和采收预报。Sudars等人使用YOLOv5区分树莓和日本榅桲果实的发育阶段。在果实品质评估方面，Naranjo-Torres等人使用基于Faster R-CNN的检测方法识别白化、真菌锈病、果梗残留和过熟等缺陷。Quintero Rincón等人使用Raspberries-LITRP图像数据库比较了深度学习检测与基于统计特征的分类方法。高光谱成像方面，Williams等人表明光谱性状与茎蔓密度、植株结构、叶绿素含量和植株健康相关，支持高光谱数据用于高通量树莓表型分析；其后续研究考察了对疫霉、葡萄黑耳象甲和不同水分处理的 spectral 响应，但各胁迫因素并非总能被可靠区分。
3.3. 靶向喷施及相关精准应用
靶向喷施通过结合作物感知与喷洒执行器的精确定位，可对单株植物或受影响的冠层区域进行选择性处理，从而减少不必要的农药使用。从多功能机器人角度，喷施的优势在于移动平台、机械臂和核心感知基础设施可与其他作业共享。
目前尚未发现专门针对树莓生产开发的机械臂靶向喷施系统。Vatavuk等人主要研究了葡萄园喷施中的移动机械臂协调控制。Oberti等人集成了多光谱病害检测、目标定位、机器人定位和选择性杀菌剂施用，形成完整的感知到处理工作流，该研究证明作物保护处理可空间限制于检测到的病害区域，与传统施用相比农药用量显著减少。Krklje?等人为蓝莓生产开发了结合移动平台、机械臂、共享感知导航基础设施和可互换农业模块的模块化平台，靶向杂草喷施是该平台执行的多种作业之一。相关精准应用方面，Mu等人将花朵检测与地理参照结合用于选择性化学疏花，Gao等人集成RGB-D花朵定位与选择性多喷嘴驱动用于靶向授粉。这些系统在目标检测、定位和选择性施用方面具有可迁移性，但作物特异性感知模型、喷雾几何、施用参数和处理效果需要针对树莓进行专门验证。
3.4. 采收
采收是树莓生产中研究最广泛的机器人作业，其自动化需要可靠的果实检测和成熟度评估、精确定位、机械臂定位和轻柔果实分离。
在果实检测与成熟度评估方面，Strauti?a等人引入了RaspberrySet数据集，涵盖不同天气条件和视角下的花芽、花朵及成熟和未成熟果实。Alkhudaydi使用该数据集评估了YOLOv8模型。Ling等人结合YOLOv5与色彩空间自适应以区分未熟、近熟和成熟树莓。Luo等人开发了轻量级模型以区分温室和室外环境中的成熟与未成熟树莓。Buczyński等人比较了多种YOLO架构在田间条件下检测成熟红色、黄色和紫色树莓的性能，并评估了在嵌入式硬件上的实时部署。Zhao等人将成熟度检测扩展到黑树莓的四个成熟阶段。Zhang等人结合成熟果实和果梗检测、位姿估计、分割、RGB-D定位和切割点确定，将检测到的果梗位置转换到世界坐标系以供末端执行器定位。采后研究方面，Mekhalfi等人使用实例分割在工业传送带环境中将树莓分为五个品质等级，Han等人在受控光照下研究了五个成熟阶段。
在机器人采收解决方案方面，仅识别出两个专门用于树莓采收的已实现系统。Junge等人开发的半自主系统中，移动平台由人工定位，而果实定位、视觉对齐、抓取和力控制采收自主执行。其采收控制器在25个果实上单独评估，实现了80%的轻微至无损伤采收率；完整自主序列评估中七次尝试有四次成功。该研究的核心贡献是开发了树莓的传感物理孪生体，用于实验室控制器开发，该控制器随后无需额外田间调试即可转移至真实树莓植株，展示了Lab2Field方法。Fieldwork Robotics系统从早期原型发展为全自主多臂采收平台，从单臂系统约60秒采收并放置一个果实，演进到2022年葡萄牙商业试验中四臂平台约1 kg·h?1的采收率。当前Fieldworker 1使用四个采收臂，结合AI增强感知和光谱信息进行成熟度评估，据该公司称其设计目标是达到与人工采摘者相当的采收速度和果实品质，但当前一代的详细定量性能数据尚未公开。
3.5. 适用于树莓全生产周期的末端执行器解决方案
末端执行器是机器人系统与作物之间的物理接口，其设计与所执行的作业密切相关。本综述中仅采收末端执行器是专门为树莓开发的，喷施和修剪的末端执行器概念来自其他作物的相关机器人应用。
在喷施和修剪方面，Oberti等人开发了结合受限喷雾模式与机器人定位的气助式精准喷雾器，用于葡萄病害区域的选择性处理。Silwal等人使用伺服驱动的旁路剪枝剪进行选择性茎蔓移除。采收末端执行器更强调与果实的柔顺交互：Junge等人使用带硅胶覆盖手指和称重传感器的平行夹爪，可在采收过程中监测抓取和拉力；Furia等人开发了气动GraspBerry软体夹爪，具有可互换指尖以适应不同果实特性。Fujinaga在草莓采收中展示了在同一可互换机构内结合抓取和切割的概念。商业发展方面，Fieldwork Robotics早期原型采用两爪机械夹持器，随后开发了基于柔性充气薄膜包围内部果实接收容积的末端执行器，果实进入开口后通过薄膜充气提供柔顺固定，该概念增加了接触面积并可能降低果实上的局部压力。果实损伤的降低通过多种互补策略实现：力传感调节、软体气动夹爪、以及柔性充气薄膜部分包围。
3.6. 多功能机器人平台
当前农业机器人系统大多专用于特定任务或作物。模块化和可重构架构通过允许机械臂、末端执行器、传感系统或其他应用特定组件根据作业要求进行适配或更换，提供了潜在解决方案。所识别的方案可分为三种互补的灵活性形式：多功能平台保留通用移动载体并支持不同农业作业；模块化系统保留主要机器人架构但允许应用特定组件（特别是末端执行器或传感模块）更换；可重构系统进一步允许机械臂本身的运动学结构适应不同作物或操作环境。
Bell为猕猴桃果园开发了基于自主多功能移动平台的多用途机器人系统，该平台作为多种果园作业的通用移动基座，包括机器人采收、靶向授粉和自主导航。Levin和Degani提出了基于任务的可重构采收机械臂，可根据作物和采收环境调整棱柱和旋转关节模块的顺序和几何结构。Brown和Sukkarieh的采收平台集成了UR5机械臂和标准化软硬件接口，允许集成不同夹爪而无需重新设计整个系统，该平台使用刚性和软体夹爪在李子采收中进行了实验评估。Fujinaga开发的模块化平台中，通用移动基座和6自由度机械臂可容纳不同采收机构，番茄使用夹爪型末端执行器，草莓使用结合抓取和切割的剪刀型机构，末端执行器无需修改其余硬件即可更换。Krklje?等人为蓝莓生产展示了更明确的多功能模块化架构，其无人地面车辆集成了UR5e机械臂、RGB-D感知、导航定位设备和可互换农业模块，支持土壤采样分析、靶向杂草喷施和植株健康监测。在这些平台中，多功能性最清晰的证据来自保留共享移动、感知、计算和控制核心而更换任务特定应用模块的架构。
4. 讨论
4.1. 多功能机器人平台的设计要求
所综述的研究表明，适用于树莓全生产周期的机器人平台需要能够在作物行内运行并在多变田间条件下可靠定位的移动基座。机械臂应提供足够的伸展范围和灵活性以进入密集冠层内的目标，6和7自由度配置在所综述系统中最为常见。为将平台使用扩展到单一作业之外，机械臂应通过通用机械和控制接口支持可互换末端执行器。共享感知架构可为多种作业提供基础，RGB-D感知同时提供视觉信息和作物结构的空间定位。该共享感知层应由通用计算和控制架构支持，但需根据所执行作业补充任务特异性感知和控制功能。采收需要特别仔细地调节与果实的物理交互，可能受益于力感知和柔顺操作，而修剪和靶向喷施更强调工具相对于枝条、茎蔓或局部处理目标的精确定位。系统还需对冠层结构、光照、果实发育的季节性变化保持稳健。这些要求倾向于模块化架构，其中移动平台、机械臂和核心感知系统基本通用，而末端执行器、感知功能和控制策略针对各作业进行适配。
在实现层面，所综述系统在若干硬件和软件组件上呈现趋同：UR5/UR5e机械臂家族被反复集成于修剪、采收和多功能系统中；ROS被广泛用作通信、感知、运动规划和控制的集成框架，常与MoveIt、OMPL和基于RRT的规划器结合；RGB-D感知普遍使用Intel RealSense相机；NVIDIA Jetson平台用于机载AI处理。在算法层面，YOLO系列架构是最常出现的深度学习方法，用于目标检测、分割或位姿估计，未来多功能平台可保留通用传感和计算硬件，同时根据所需作业加载任务特异性检测、分割或位姿估计模型。
4.2. 树莓生产中多功能机器人平台的挑战与局限
技术挑战方面，叶片、茎蔓和果实簇造成的遮挡可能限制可靠的目标检测和定位；变化的自然光照、阴影和反射可能降低视觉感知的鲁棒性；树莓果实易受压缩、磨损和变形，需要柔顺末端执行器、精确定位和适当的力调节；季节性变化改变冠层结构、目标可见性和相关植物器官的视觉特征。
农业挑战方面，品种变异影响果实大小、硬度、脱离特性、果簇结构和茎蔓形态；棚架系统影响目标可达性、机械臂工作空间和碰撞风险，且许多现有生产系统主要为人工而非机器人作业设计；风、雨、湿度和温度等天气条件引起植株移动并可能影响传感器、执行器和机载电子设备；病害症状表现因病原体、品种、感染阶段和环境条件而异。
机器人挑战方面，多功能平台必须容纳操作要求差异显著的任务，需要支持采收、修剪、靶向喷施和作物检查的多功能或可互换末端执行器，同时保持低质量、机械简单性和与植株的安全交互。平台必须支持自主任务切换，包括末端执行器、感知策略和控制参数的适配。在密集且可变形冠层中的操作规划尤为困难，需要碰撞感知运动规划。能耗是集成机械臂、传感系统、机载计算和电动、气动或真空驱动工具的移动平台的重要约束。
经济挑战方面，成本不仅包括机械臂本身，还包括移动平台、传感器、末端执行器、计算硬件、维护和支持基础设施。可扩展性是进一步挑战，因为在单株或实验行上验证的性能必须转移到商业生产环境。投资回报率在树莓等季节性作物中尤为重要，单作业机器人可能在一年中相当长时间内利用率不足。多功能平台可通过将资本投资分散到多种作业来提高年度平台利用率。然而，目前无法从所综述证据中可靠得出单任务与多功能树莓平台的定量投资回报率比较，因为现有研究未以足够一致的基准报告资本成本、维护、劳动力替代、年度利用率、吞吐量、使用寿命和运营成本。
4.3. 未来研究方向
所综述的研究表明，多功能树莓机器人平台应基于共享的移动、计算、导航、通信和机械臂基础设施，而感知模型、传感器、控制参数和作物接触工具保持任务特异性。采收主要需要可靠的果实定位和轻柔操作，修剪还需要茎蔓结构解读、适当切割点选择和碰撞自由通道，靶向施用需要精确的目标定位以及处理递送和效果的验证。未来工作应首先验证这些树莓任务特异性模块，随后通过通用机械、电气和软件接口进行集成。所得平台应在不同品种、物候阶段、季节和生产环境下按通用田间协议进行评估，包括感知和定位精度、任务成功率、循环时间、作物损伤或脱靶效应、可靠性和能耗。此类田间数据也将为有意义的经济评估提供基础。
