ربات برداشت مرکبات با سازوکار ساده‌تر، پرتقال‌ها را بدون آسیب و با دقت بالا از درخت جدا می‌کند
آزمایش یک ربات برداشت مرکبات در باغ پرتقال ناول در کالیفرنیا نشان داده است که یک راهکار مکانیکی به‌ظاهر ساده می‌تواند جایگزین سامانه پیچیده تنظیم موقعیت برش شود. این روش با ترکیب یک راهنمای Vشکل و چرخش‌های هماهنگ بازوی رباتیک، امکان بریدن کوتاه و دقیق ساقه میوه را فراهم می‌کند؛ قابلیتی که برای عرضه مرکبات در بازار میوه تازه، به‌جای فرستادن آن‌ها به کارخانه‌های آب‌میوه‌گیری، اهمیت زیادی دارد. در آزمایش میدانی روی ۱۰۰ پرتقال ناول، ربات توانست تمام میوه‌های هدف را بدون آسیب از درخت جدا کند. میانگین طول ساقه باقی‌مانده ۳٫۱۰ ± ۳٫۳۴ میلی‌متر و میانه آن ۱٫۸۱ میلی‌متر بود. همچنین ۹۲ درصد پرتقال‌ها معیار رایج کیفیت، یعنی باقی‌ماندن ساقه‌ای کوتاه‌تر از ۱۰ میلی‌متر، را برآورده کردند و ۵۲ درصد نیز با معیار سخت‌گیرانه‌ترِ کمتر از ۲ میلی‌متر مطابقت داشتند. این پژوهش که به دست محققان دانشگاه ایالتی کالیفرنیا در فرزنو انجام شده، مسیر تازه‌ای برای توسعه ربات‌های برداشت مرکبات مناسب بازار مصرف تازه ارائه می‌کند.
چالش اصلی به استانداردهای سخت‌گیرانه کیفیت در بازار میوه تازه مربوط می‌شود. مرکباتی که قرار است در قفسه فروشگاه‌ها عرضه شوند، باید با ساقه‌ای بسیار کوتاه از درخت جدا شوند. ساقه‌های بلند ممکن است هنگام شست‌وشو، بسته‌بندی و حمل‌ونقل به میوه‌های مجاور آسیب بزنند و پوست آن‌ها را سوراخ کنند. از سوی دیگر، اگر برش بیش از حد به پوست نزدیک باشد، احتمال آسیب‌دیدن خود میوه وجود دارد. آسیب در محل اتصال ساقه می‌تواند باعث شود میوه دیگر شرایط عرضه در بازار تازه‌خوری را نداشته باشد و به بخش فرآوری آب‌میوه فرستاده شود. به همین دلیل، ربات‌های تجاری برداشت مرکبات تاکنون عمدتاً به برداشت محصولاتی محدود بوده‌اند که برای آب‌میوه‌گیری استفاده می‌شوند. بنابراین، توانایی ربات در کنترل یکنواخت طول ساقه باقی‌مانده روی هر میوه، یکی از معیارهای تعیین‌کننده برای ارزیابی قابلیت تجاری آن است.
با وجود اهمیت این شاخص، بیشتر سامانه‌های موجود اصلاً آن را اندازه‌گیری نمی‌کنند. پژوهشگران فرزنو در بررسی نمونه‌های شاخص ربات‌های برداشت مرکبات مجهز به ابزار برش ساقه دریافتند که اغلب مطالعات تنها نرخ موفقیت در جداکردن میوه و زمان برداشت را گزارش می‌کنند. تعداد کمی از سامانه‌ها نیز پیش از فعال‌کردن تیغه، ساقه را به‌طور مشخص نسبت به ابزار برش در موقعیت مناسب قرار می‌دهند. مقایسه زمان‌های گزارش‌شده در پژوهش‌های مختلف نیز دشوار است؛ زیرا بعضی مطالعات فقط مدت عملکرد ابزار انتهایی ربات را محاسبه می‌کنند، در حالی که برخی دیگر زمان تشخیص میوه، نزدیک‌شدن به آن، انتقال محصول و بازگشت بازو را هم در نظر می‌گیرند. پژوهشگران در طراحی پیشین خود برای حل این مشکل از یک گیره انعطاف‌پذیر و قیچی مجهز به محرک سروو استفاده کرده بودند که روی یک سازوکار فعال تنظیم موقعیت در دو محور نصب می‌شد. این سازوکار قیچی را به سمت ساقه هدایت می‌کرد و در آزمایش‌های مستقل، که در آن اپراتور دستگاه را مقابل هر میوه قرار می‌داد، میانگین طول ساقه باقی‌مانده را به ۰٫۸۱ ± ۰٫۴۶ میلی‌متر رسانده بود. دقت این روش بسیار بالا بود، اما سامانه تنظیم موقعیت به محرک‌ها و حسگرهای بیشتر نیاز داشت و وزن و پیچیدگی کنترل دستگاه را افزایش می‌داد.
سامانه جدید این رویکرد را معکوس کرده است. به‌جای آنکه قیچی به سمت ساقه حرکت کند، ساقه به محل قرارگیری قیچی هدایت می‌شود. ابزار انتهایی ربات از یک گیره انعطاف‌پذیر سه‌انگشتی ساخته‌شده با چاپ سه‌بعدی از پلی‌یورتان ترموپلاستیک نرم و یک سازوکار چهارمیله‌ای با محرک سروو تشکیل شده است. این سازوکار یک قیچی تجاری مخصوص مرکبات را به حرکت درمی‌آورد که تیغه‌های مقعر آن با انحنای سطح میوه هماهنگ می‌شوند و ساقه را هم‌سطح پوست قطع می‌کنند. میان انگشت‌های گیره، راهنمایی Vشکل قرار دارد که می‌تواند انحراف ساقه تا ۳۰ درجه را در هر جهت جبران کند. پس از گرفتن میوه، ربات مجموعه‌ای از حرکات هماهنگ را اجرا می‌کند: ابتدا ابزار را ۱۰ درجه در جهت عقربه‌های ساعت و سپس ۱۰ درجه در خلاف جهت آن، حول محور ابزار می‌چرخاند. در ادامه، مفصل چهارم بازو بین ۵ تا ۱۰ درجه به سمت پایین می‌چرخد. این حرکات باعث می‌شوند ساقه درون شیار Vشکل قرار گیرد و نزدیک پایه تیغه‌های برش ثابت شود. سپس گیره کاملاً بسته می‌شود و قیچی ساقه را قطع می‌کند.
انتقال وظیفه تنظیم موقعیت از سخت‌افزار فعال به حرکات بازوی ربات، مزایای فوری و قابل‌توجهی به همراه داشته است. وزن ابزار انتهایی جدید تنها ۰٫۵ کیلوگرم است؛ یعنی در مقایسه با طراحی فعال قبلی که ۱٫۵ کیلوگرم وزن داشت، ۶۷ درصد سبک‌تر شده است. تعداد محرک‌ها نیز از چهار به دو کاهش یافته است. در این طراحی، دو موتور پله‌ای، راه‌اندازهای آن‌ها، دو کلید حدی و یک حسگر فشار حذف شده‌اند. همچنین حدود ۷٫۲ ثانیه از زمانی که در هر چرخه صرف حرکت سامانه تنظیم موقعیت می‌شد، دیگر موردنیاز نیست. از آنجا که این حرکت ۶۷ درصد زمان چرخه ابزار انتهایی قبلی را تشکیل می‌داد، زمان عملکرد ابزار انتهایی از ۱۰٫۷۹ ثانیه به حدود ۹٫۱ ثانیه کاهش یافت. در آزمایش میدانی نیز سامانه هر ۱۰۰ میوه هدف را با نرخ موفقیت ۱۰۰ درصد از درخت جدا کرد و در هیچ‌یک از پرتقال‌های برداشت‌شده، سوراخ‌شدگی، کوفتگی یا ساییدگی پوست مشاهده نشد.
این ابزار انتهایی بخشی از یک سامانه یکپارچه برداشت است که تمام مراحل شناسایی تا جمع‌آوری میوه را پوشش می‌دهد. یک سکوی متحرک تجاری ساخت شرکت Bonsai Robotics، بازوی رباتیک مشارکتی Fairino FR3 با شش درجه آزادی و دوربین رنگی و عمق‌سنج Intel RealSense D457 را حمل می‌کند. برای شناسایی میوه و ساقه، از شبکه YOLOv8 با قابلیت بخش‌بندی نمونه‌ها استفاده شده است. این شبکه با ۱٬۱۵۹ تصویر برچسب‌گذاری‌شده از باغ مزرعه دانشگاهی فرزنو آموزش دید و با روش‌های افزایش داده، مجموعه آموزشی آن به ۲٬۷۹۰ تصویر گسترش یافت. سامانه بینایی ابتدا مرکبات و ساقه‌ها را شناسایی و از تصویر جدا می‌کند و سپس با ترکیب تصاویر رنگی و داده‌های عمق، موقعیت سه‌بعدی هر میوه را محاسبه می‌کند. در مجموعه آزمون مستقل، مدل در آستانه اشتراک به اجتماع ۰٫۵۰، برای شناسایی پرتقال‌ها به میانگین دقت متوسط ۹۵٫۵ درصد رسید، اما این شاخص برای ساقه‌های باریک تنها ۵۳٫۳ درصد بود. پژوهشگران این اختلاف را ناشی از حساسیت بالای اجسام کوچک به خطاهای تعیین مرز می‌دانند. با این حال، تنظیم نهایی موقعیت ساقه بر عهده راهنمای مکانیکی غیرفعال است و به دقت کامل سامانه تشخیص وابسته نیست. در ارزیابی میدانی روی ۸۲ میوه نیز سامانه بینایی توانست ۹۵٫۱ درصد مرکبات و ۸۷٫۸ درصد ساقه‌ها را شناسایی کند.
دقت سامانه بینایی برای گرفتن میوه و قرار دادن آن در موقعیت مناسب کافی بود. در بررسی ۴۷ نمونه، میانگین خطای تعیین موقعیت میوه ۳۳٫۲۷ ± ۱۵٫۲۷ میلی‌متر ثبت شد. بخش عمده این خطا به مؤلفه جانبی با مقدار ۲۲٫۵۳ ± ۱۶٫۳۷ میلی‌متر مربوط بود که پژوهشگران آن را ناشی از پوشیده‌شدن بخشی از میوه و جابه‌جایی مرکز هندسی تشخیص‌داده‌شده می‌دانند. تخمین قطر میوه بر پایه مدل کروی نیز به‌طور متوسط تنها ۴٫۰۷ ± ۴٫۴۰ میلی‌متر خطا داشت که معادل ۳٫۸۱ درصد است. میانگین خطای تخمین جهت‌گیری میوه و ساقه به‌ترتیب ۳٫۱ ± ۴٫۲۲ درجه و ۵٫۹ ± ۷٫۸۹ درجه بود. تمام خطاهای تخمین جهت ساقه نیز در محدوده تحمل ۳۰ درجه‌ای راهنمای Vشکل قرار داشتند. از آنجا که خطای تعیین موقعیت میوه از میانگین قطر پرتقال‌های برداشت‌شده، یعنی ۷۳٫۵۲ میلی‌متر، کمتر بود و گیره انعطاف‌پذیر می‌توانست هنگام گرفتن میوه بخشی از خطای موقعیت‌یابی را جبران کند، سامانه در شرایط نور روز، چه در هوای آفتابی و چه نیمه‌ابری، با هیچ ناکامی در نزدیک‌شدن به میوه که ناشی از خطای اندازه‌گیری عمق باشد مواجه نشد.
میانگین زمان چرخه کامل برداشت برای هر میوه ۵۵٫۱ ثانیه بود. در این آزمایش‌ها، بازوی ربات عمداً با ۲۰ درصد سرعت اسمی خود کار می‌کرد تا اپراتور در صورت لزوم بتواند مداخله کند. بررسی زمان هر مرحله نشان داد که انتقال میوه برداشت‌شده به مخزن جمع‌آوری ۱۵٫۵۲ ثانیه و بازگشت بازو به موقعیت اولیه ۱۵٫۳۷ ثانیه طول می‌کشد. در مجموع، حرکات بازوی ربات حدود ۶۶ درصد زمان چرخه را به خود اختصاص می‌دادند. در مقابل، عملیات واقعی ابزار انتهایی بسیار سریع‌تر بود: گرفتن میوه و قرار دادن ساقه در مرکز ۷٫۵۹ ثانیه، برش ساقه تنها ۱٫۵۳ ثانیه و تشخیص میوه فقط ۰٫۴۰ ثانیه زمان می‌برد. بازو مسیرهای ازپیش‌تعیین‌شده‌ای را میان نقاط مشخص طی می‌کرد و به سامانه برنامه‌ریزی مسیر با قابلیت تشخیص و دورزدن موانع مجهز نبود. در ۱۰ چرخه از مجموع ۱۰۰ چرخه برداشت، رویدادهای مرتبط با حرکت، از جمله برخورد با شاخه‌ها، قرارگرفتن در وضعیت‌های تکین سینماتیکی یا خطاهای کنترل‌کننده، باعث توقف عملیات و نیاز به مداخله اپراتور شدند. با این حال، در تمام این موارد نیز میوه هدف در نهایت از درخت جدا شد.
یکی از مهم‌ترین بخش‌های تحلیل پژوهشگران به این پرسش اختصاص داشت که چرا میانگین طول ساقه باقی‌مانده در طراحی جدید، یعنی ۳٫۱۰ میلی‌متر، از مقدار ۰٫۸۱ میلی‌متر در طراحی فعال قبلی بیشتر است. بررسی‌ها نشان داد هر ۴۸ میوه‌ای که ساقه باقی‌مانده آن‌ها بیش از ۲ میلی‌متر بود، دست‌کم با یکی از شرایط دشوارکننده مواجه بودند: ساقه‌های نامنظم یا خمیده، زاویه‌های بسیار تند ساقه، موانع ناشی از انشعاب ساقه یا وجود شاخه‌ها و میوه‌های مجاور. در مقابل، ۵۲ میوه‌ای که هیچ‌یک از این شرایط را نداشتند، با میانگین طول ساقه ۱٫۰۱ ± ۰٫۵۶ میلی‌متر برداشت شدند؛ رقمی نزدیک به میانگین ۰٫۸۱ میلی‌متری طراحی فعال. اختلاف اندک باقی‌مانده، یعنی حدود ۰٫۲ میلی‌متر، از نظر آماری معنادار بود، اما در شرایط قابل‌مقایسه نشان‌دهنده بهای کاهش دقت در ازای حذف دو محرک تنظیم موقعیت است. هنگامی که سهم هر گروه از شرایط دشوارکننده متناسب با تعداد نمونه‌های آن محاسبه شد، مشخص شد ۴۸ میوه‌ای که برداشت آن‌ها با دشواری همراه بود، ۲٫۱۸ میلی‌متر، معادل ۹۵ درصد، از اختلاف ۲٫۲۹ میلی‌متری میان میانگین‌های دو مطالعه را توضیح می‌دهند. نکته مهم این بود که خطای سامانه بینایی عامل اصلی این اختلاف نبود؛ زیرا هیچ همبستگی‌ای میان خطای تخمین جهت ساقه و طول ساقه باقی‌مانده مشاهده نشد. افزون بر این، خطا در مرکز قرار گرفتن ساقه به شکست کامل برداشت منجر نمی‌شد و فقط باعث باقی‌ماندن ساقه‌ای بلندتر می‌شد. نویسندگان تأکید می‌کنند که این مقایسه بر پایه داده‌های گذشته انجام شده و برای مشخص‌کردن دقیق سهم سازوکار تنظیم موقعیت، لازم است هر دو ابزار انتهایی در یک آزمایش کنترل‌شده روی میوه‌های یکسان ارزیابی شوند.
نویسندگان مطالعه در تفسیر نتایج، محدودیت‌های پژوهش را نیز به‌روشنی بیان کرده‌اند. تمام آزمایش‌ها در یک فصل برداشت، در یک باغ و فقط روی پرتقال‌های ناول انجام شدند. میوه‌ها در ارتفاع ۸۰ تا ۱۲۰ سانتی‌متری از سطح زمین قرار داشتند و عملیات در روشنایی روز و زیر نظارت پیوسته اپراتور انجام می‌شد. اپراتور مسئول هدایت سکوی متحرک، انتخاب موقعیت‌های اولیه بازو و آغاز هر چرخه برداشت بود. عملکرد سامانه روی نارنگی، لیمو، درختانی با ساختار متفاوت تاج و شاخ‌وبرگ یا در شرایط نور کم هنوز آزمایش نشده است. همچنین هیچ تحلیل فنی‌اقتصادی برای این فناوری انجام نشده و سامانه در وضعیت کنونی، که نیمه‌خودکار و نیازمند نظارت انسانی است، هنوز در مقایسه با برداشت دستی صرفه‌جویی در نیروی کار ایجاد نمی‌کند. با وجود این محدودیت‌ها، پژوهشگران چند مسیر مشخص برای بهبود سامانه پیشنهاد کرده‌اند: استفاده از تخمین جهت ساقه که هم‌اکنون توسط سامانه بینایی تولید می‌شود، برای چرخاندن ابزار انتهایی در راستای محور ساقه پیش از نزدیک‌شدن به میوه؛ تنظیم میزان چرخش لازم برای مرکز قرار دادن ساقه متناسب با زاویه تخمینی آن؛ افزودن تصویربرداری از چند زاویه برای آشکارکردن ساقه‌های پنهان؛ پیاده‌سازی برنامه‌ریزی حرکت با درنظرگرفتن موانع؛ و تأیید خودکار گرفتن میوه و انجام برش با استفاده از سیگنال‌های جریان الکتریکی سرووموتورها که در جریان آزمایش‌ها نیز ثبت شده‌اند. آزمایش‌های مقدماتی در سرعت‌های بالاتر توانستند میانگین زمان برداشت را به ۳۸٫۶ ± ۱۰٫۸ ثانیه برای هر میوه کاهش دهند، اما برخورد بازو با شاخه‌ها باعث افزایش دفعات توقف حفاظتی شد. در مجموع، نتایج نشان می‌دهند که مرکز قرار دادن غیرفعال ساقه می‌تواند با سخت‌افزاری بسیار ساده‌تر، کنترل مناسبی بر طول ساقه باقی‌مانده فراهم کند. توسعه کنترل مبتنی بر موقعیت و جهت ساقه و برنامه‌ریزی هوشمند حرکت، مهم‌ترین گام‌های بعدی برای افزایش سرعت و پایداری عملکرد این سامانه خواهند بود.
موضوع پژوهش: ابزار انتهایی با قابلیت مرکز قرار دادن غیرفعال ساقه برای کنترل طول ساقه باقی‌مانده در برداشت رباتیک مرکبات
عنوان مقاله علمی: ابزار انتهایی با قابلیت مرکز قرار دادن غیرفعال ساقه برای کنترل طول ساقه باقی‌مانده: یکپارچه‌سازی و ارزیابی در باغ روی سکوی رباتیک برداشت مرکبات
مشخصات مقاله علمی: Chinnock, B., Catalan, A., Yang, D., Oliva, N., Ellis, A., Nguyen, T., & Bani Milhim, A. (2026). Passive stem-centering end-effector for controlled residual stem length: Integration and orchard evaluation on a robotic citrus harvesting platform. Smart Agricultural Technology, 15, Article 102646. https://doi.org/10.1016/j.atech.2026.102646
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه دیجیتال مقاله (DOI): 10.1016/j.atech.2026.102646
کلیدواژه‌ها: برداشت رباتیک، مرکبات، مرکز قرار دادن ساقه، رباتیک کشاورزی، ابزار انتهایی ربات، پرتقال ناول، بینایی ماشین، YOLOv8، میوه تازه‌خوری، طول ساقه باقی‌مانده، خودکارسازی عملیات باغی، گیره انعطاف‌پذیر