从零搭建草莓采摘视觉系统YOLOv11与深度相机实战全解析走进现代草莓种植大棚你会看到一排排整齐的植株上挂满鲜红的果实。传统人工采摘面临劳动力短缺、效率低下等问题而智能采摘机器人正成为解决方案。本文将手把手教你如何为采摘机器人打造一双慧眼通过YOLOv11模型和深度相机的完美配合实现草莓的精准识别、尺寸测量和抓取定位。1. 硬件选型深度相机对比与实战选择在开始编码前选择合适的深度相机至关重要。市场上主流的两款设备——奥比中光dabai_DCW和Intel RealSense D455各有特点我们需要根据项目需求做出权衡。关键参数对比表特性dabai_DCWD455测距技术结构光主动红外立体视觉RGB-深度对齐方式出厂预校准像素级对齐需用户手动标定对齐最佳工作距离0.3-1.5m0.4-2mRGB分辨率1280×7201920×1080深度图分辨率640×4801280×720ROS2支持第三方驱动官方原生支持实际测试中发现在草莓大棚环境中dabai_DCW的预校准特性大幅降低了工程复杂度特别适合快速原型开发D455的高分辨率在远距离检测时更有优势但需要额外20-30%的开发时间处理对齐问题两款设备在弱光环境下表现相当都能满足草莓识别的基本需求提示如果项目周期紧张且主要工作距离在1.5米内推荐优先考虑dabai_DCW若需要更高分辨率或更远距离检测则选择D455。2. 环境搭建与YOLOv11模型部署2.1 基础环境配置首先准备Ubuntu 20.04 LTS系统安装以下关键组件# 安装ROS2 Foxy sudo apt update sudo apt install curl gnupg2 lsb-release curl -s https://raw.githubusercontent.com/ros/rosdistro/master/ros.asc | sudo apt-key add - sudo sh -c echo deb [archamd64] http://packages.ros.org/ros2/ubuntu lsb_release -cs main /etc/apt/sources.list.d/ros2.list sudo apt update sudo apt install ros-foxy-desktop # 安装PyTorch和YOLOv11依赖 pip install torch1.10.0cu113 torchvision0.11.1cu113 -f https://download.pytorch.org/whl/torch_stable.html pip install opencv-python4.5.5.64 numpy1.21.52.2 YOLOv11模型训练技巧针对草莓检测的特殊需求我们采用迁移学习策略使用LabelImg标注约1000张草莓图像注意包含不同成熟度全红、半红、青果不同遮挡情况完全暴露、部分遮挡、重度遮挡不同光照条件顺光、逆光、侧光数据增强策略随机旋转-15°到15°颜色抖动亮度±30%饱和度±20%添加高斯噪声σ0.01关键训练参数# yolov11_strawberry.yaml model: name: yolov11s pretrained: weights/yolov11s.pt num_classes: 1 # 仅检测草莓 train: epochs: 300 batch_size: 16 lr0: 0.01 optimizer: AdamW实际测试中这种配置在RTX 3060显卡上训练约4小时可获得mAP0.5达到0.92的检测精度。3. 深度信息处理与草莓尺寸计算3.1 深度图对齐实战根据选择的相机不同处理方式有显著差异对于dabai_DCW预对齐def get_depth_dabai(rgb_bbox, depth_frame): # 直接提取对应区域的深度值 x1, y1, x2, y2 rgb_bbox depth_roi depth_frame[y1:y2, x1:x2] valid_depths depth_roi[(depth_roi 0.3) (depth_roi 1.5)] # 过滤有效范围 return np.median(valid_depths) # 使用中值减少异常值影响对于D455需手动对齐def align_depth_d455(rgb_point, depth_frame, ext_matrix): # 使用标定获取的外参矩阵转换坐标 depth_point np.dot(ext_matrix, [rgb_point[0], rgb_point[1], 1]) x, y int(depth_point[0]), int(depth_point[1]) return depth_frame[y, x] if 0 x depth_frame.shape[1] and 0 y depth_frame.shape[0] else None3.2 草莓尺寸计算原理草莓实际直径计算公式实际尺寸(mm) (像素宽度 × 深度值 × 传感器尺寸) / (焦距 × 图像宽度) × 1000具体实现def calculate_size(bbox, depth, camera_params): pixel_width bbox[2] - bbox[0] fx camera_params[fx] # 相机x轴焦距(像素单位) sensor_width camera_params[sensor_width] # 传感器物理宽度(mm) image_width camera_params[image_width] # 图像像素宽度 physical_width (pixel_width * depth * sensor_width) / (fx * image_width) * 1000 return physical_width注意定期使用棋盘格标定板校准相机内参建议至少每月一次或在相机受到撞击后立即校准。4. 抓取点定位与机械臂控制4.1 最优抓取点计算通过图像处理确定最佳抓取位置def find_grasp_point(rgb_roi): # 转换到HSV空间进行颜色分割 hsv cv2.cvtColor(rgb_roi, cv2.COLOR_BGR2HSV) mask cv2.inRange(hsv, (0, 40, 40), (10, 255, 255)) # 形态学处理 kernel np.ones((3,3), np.uint8) mask cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel) # 寻找轮廓 contours, _ cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not contours: return None # 取最大轮廓 main_contour max(contours, keycv2.contourArea) rect cv2.minAreaRect(main_contour) center np.int0(cv2.boxPoints(rect)).mean(axis0) return center[0] rgb_roi.shape[1]//2, center[1] rgb_roi.shape[0]//24.2 坐标系转换实践将图像坐标转换到机械臂基坐标系首先进行手眼标定获取变换矩阵实现坐标转换def pixel_to_robot(pixel_point, depth, camera_matrix, hand_eye_matrix): # 像素坐标到相机坐标系 u, v pixel_point fx camera_matrix[0,0] fy camera_matrix[1,1] cx camera_matrix[0,2] cy camera_matrix[1,2] Z depth Xc (u - cx) * Z / fx Yc (v - cy) * Z / fy # 相机坐标系到机械臂基坐标系 camera_point np.array([Xc, Yc, Z, 1]) robot_point np.dot(hand_eye_matrix, camera_point) return robot_point[:3]5. 系统集成与性能优化将各模块整合到ROS2框架中建议采用以下节点结构/strawberry_vision/ ├── detection_node.py # 运行YOLOv11模型 ├── size_calculation.py # 处理深度信息计算尺寸 ├── grasp_planner.py # 确定抓取点和姿态 └── config/ ├── camera_params.yaml # 相机内参 └── hand_eye_matrix.npy # 手眼标定结果性能优化技巧使用多线程处理将图像采集、目标检测和深度处理分配到不同线程采用ROS2的组件(Component)架构便于并行执行和资源隔离对D455相机预先计算并缓存坐标变换矩阵避免实时计算开销在Intel NUC11上测试整套系统可实现10-15FPS的处理速度完全满足草莓采摘的实时性需求。实际部署时记得为相机加装防护罩防止大棚内水汽和农药腐蚀。