Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
procesos
Reporte de un caso
1 Departamento de Ingeniería Eléctrica, Instituto Oriental de Tecnología, Nuevo Taipei 22061, Taiwán;
ljc@mail.oit.edu.tw (J.-CL); 106103101@mail.oit.edu.tw (Z.-YZ); 106103120@mail.oit.edu.tw (B.-WW) Departamento
2 de Gestión de Comercialización y Distribución, Instituto Oriental de Tecnología, New Taipei 22061, Taiwán
* Correspondencia: chen88@mail.oit.edu.tw (S.-HC); 106103134@mail.oit.edu.tw (Y.-JC); Tel .: +
886-773-88-000 (extensión 5213) (S.-HC); + 886-37-683-651 (Y.-JC)
Abstracto: Este estudio trata sobre la fabricación de una cortadora de césped robótica automática personificada con reconocimiento de imágenes. La estructura del sistema es que la
plataforma sobre las orugas se combina con la cortadora de césped, el motor de dirección, el riel deslizante y la cámara web para lograr el propósito de personificación. Las orugas con un
fuerte agarre y buena capacidad de adaptación al terreno se seleccionan como un vehículo en movimiento para simular los pies humanos. Además, un mecanismo de cortadora de césped
está diseñado para simular el movimiento hacia la izquierda y la derecha de la poda humana para promover la eficiencia y la innovación, y luego la cámara web reemplaza los ojos
humanos para identificar los obstáculos. Se agrega una interfaz hombre-máquina para que a través de la operación remota del teléfono móvil, los usuarios puedan elegir un modo lento,
un modo de avance lento y un modo de evitación de obstáculos en la interfaz hombre-máquina. Cuando se ingresa la longitud de ambos lados del área rectangular en el programa, el
cortacésped robótico automático completará las instrucciones de acuerdo con la ruta especificada. El chip de un procesador de señal digital (DSP) TMS320F2808 se utiliza como
controlador central, y Raspberry Pi se utiliza como reconocimiento de imágenes y diseño de interfaz hombre-máquina. Este robot puede reducir los costos de mano de obra y mejorar la
eficiencia del corte por control remoto. Además del uso como cortacésped automático en granjas, este concepto de estudio también se puede utilizar en el mantenimiento del césped de
campos de golf y patios escolares. y Raspberry Pi se utiliza como reconocimiento de imágenes y diseño de interfaz hombre-máquina. Este robot puede reducir los costos de mano de obra
y mejorar la eficiencia del corte por control remoto. Además del uso como cortacésped automático en granjas, este concepto de estudio también se puede utilizar en el mantenimiento del
césped de campos de golf y patios escolares. y Raspberry Pi se utiliza como reconocimiento de imágenes y diseño de interfaz hombre-máquina. Este robot puede reducir los costos de
mano de obra y mejorar la eficiencia del corte por control remoto. Además del uso como cortacésped automático en granjas, este concepto de estudio también se puede utilizar en el
población activa y una grave escasez de productividad laboral. Cómo resolver la brecha de la demanda
laboral es el objetivo que varios países están ansiosos por resolver en la actualidad [7].
El auge de la robótica se ha generalizado en todas las industrias. Los robots de alta tecnología,
junto con la inteligencia artificial y el aprendizaje automático, pueden proporcionar una mayor
productividad y calidad del producto y un aumento constante de la eficiencia del servicio para mejorar la
satisfacción del cliente [6]. Una encuesta de líderes empresariales en los Estados Unidos muestra que el
24% de las empresas ya están usando IA, y el 60% espera usar IA antes de 2022 [8]. Las ventas de robots
de servicio continúan creciendo a un ritmo de más del 30% anual. La Federación Internacional de
Robótica [9] predijo que en la próxima década, la gama de uso profesional y personal de los robots de
servicio se ampliaría aún más y se introduciría en varias industrias para reformar y ayudar a resolver los
problemas de producción / servicio.
La IA se refiere específicamente a 'máquinas que exhiben aspectos de la inteligencia humana' [10].
Centrada en la capacidad tecnológica para realizar tareas, en lugar de las habilidades físicas, la IA se
concibió inicialmente como una forma de combinar percepción, razonamiento y mejora. Sin embargo,
con el tiempo, el desarrollo de la IA se ha centrado más en los algoritmos, mientras que la robótica se ha
ocupado del funcionamiento mecánico [11,12]. Desde una perspectiva de gestión de servicios, el valor de
la IA no se deriva de su uso virtual o no reconocido, sino de la capacidad de la tecnología para interactuar
con los clientes a nivel social [13]. Con el rápido desarrollo de la tecnología de IA, los robots inteligentes
se han utilizado ampliamente en varios campos, como la gestión agrícola y la gestión de recursos
hídricos [2,14-dieciséis]. En el pasado, los operadores de máquinas estaban aislados de la maquinaria por
razones de seguridad, pero la Industria 4.0 está diseñada para apoyar a las fábricas futuras y reducir el
cansancio de los operadores. Los robots se integran en las líneas de montaje para trabajar con los
humanos para producir productos de alta calidad y completar tareas con el fin de mejorar la eficiencia y
la satisfacción [17,18].
Con el rápido desarrollo de la industria del aprendizaje automático en los últimos años, el aprendizaje
profundo es más obvio. Los campos de aplicación del aprendizaje profundo son muy amplios, como la
biomedicina, la maquinaria y la información. El diseño tradicional orientado a condiciones se reemplaza
mediante el aprendizaje profundo. Entre los cuales, el reconocimiento de imágenes puede mejorar la precisión
del reconocimiento y la eficiencia informática a través del aprendizaje profundo, que es una tecnología
indispensable en la industria de las unidades automáticas. Para mejorar la eficiencia del sistema y el
reconocimiento del modelo de red neuronal profunda, se desarrollará tecnología de corte y seguimiento de
objetos. La tecnología de corte de objetos es una tecnología de procesamiento de imágenes básica y orientada
a las condiciones, que puede cortar rápidamente la amplia gama de imágenes que pueden contener objetos
detectados para aumentar la eficiencia [19]. La tecnología de reconocimiento de imágenes se ha mejorado
continuamente y se ha aplicado con éxito en muchas industrias, como la gestión de derechos digitales (DRM) [
20], planificación de la trayectoria del brazo robótico [21], estudios sobre la determinación de la madurez de la
fruta [1,4], tecnología de control de iluminación [22], y diagnóstico de retinopatía diabética [23-26]. Con la
inversión de recursos relacionados y la evolución de la tecnología, se desarrollarán aplicaciones más
innovadoras en el futuro.
Husqvarna de Suecia, irobot de Estados Unidos y HONDA de Japón tienen las cuotas de mercado o el
número de patentes de robots cortacésped más altos del mundo [27], cada uno de los cuales tiene sus ventajas.
En Taiwán, la mayoría de los agricultores utilizan cortadoras de césped de mano tradicionales, que son
convenientes de usar y operar en el área de corte de césped, pero tienen muchas desventajas, que incluyen (1)
Motor pesado y carga corporal pesada; (2) Los gases de escape que funcionan con gasolina son dañinos para el
medio ambiente y (3) El ruido producido daña la salud humana. Como resultado, cada vez más agricultores
compran cortadoras de césped eléctricas de mano, que conservan las ventajas de las cortadoras de césped
manuales, mejoran los problemas de ruido y gases de escape, y son más livianas. El otro tipo es una cortadora
de césped de conducción, que es adecuada para operar en grandes áreas de césped y operada por usuarios
que viajan en la cortadora de césped. Comparado con el cortacésped tradicional, es mucho más fácil de usar.
Sin embargo, como la cuchilla está instalada debajo de la podadora, no puede cortar el césped limpio cuando se
encuentra con el límite o la esquina. Sobre la base de las desventajas anteriores, combinadas con las ventajas
de las cortadoras de césped tradicionales y las cortadoras de césped de conducción, y al agregar un concepto
de automatización, reconocimiento de imágenes y tecnología de control remoto, una cortadora de césped
automática personificada con función de reconocimiento de imágenes
Procesos 2021, 9, 358 3 de 21
se desarrolla, y se espera que la mano de obra de los agricultores en la siega se pueda reducir y
que pueda contribuir al desarrollo de la automatización agrícola.
El propósito de esta investigación es desarrollar un robot cortacésped de una manera que reduzca los
costos para ayudar a los agricultores a resolver el problema de cortar el césped. El diseño, la fabricación y el
desarrollo son preocupaciones relacionadas con el costo de producción y suministro del producto que utilizarán
los agricultores. Por lo tanto, este estudio de caso es una discusión empírica para resolver los problemas que
enfrentan los agricultores. El mercado de robots cortacésped es muy abundante, sus funciones a menudo no
son baratas y las operaciones a veces son peligrosas. Este estudio de caso espera construir un robot seguro,
económico y que ahorre mano de obra para los agricultores, que resolverá la falta de mano de obra y será fácil
de usar. Como resultado, no tendrá una teoría académica avanzada ni una estructura compleja.
La agricultura es muy importante e indispensable para los seres humanos, las personas deben depender
de la agricultura para producir alimentos, por lo que existe la necesidad de un suministro y producción
continuos para satisfacer las necesidades de la creciente población [2]. Este estudio ha diseñado un conjunto de
tecnología avanzada de reconocimiento de imágenes para completar el monitoreo remoto. La cortadora de
césped puede lograr el efecto de personificación mediante la captura de imágenes tomadas por cámaras de
video. Luego, los datos se envían de regreso al sistema para su posterior procesamiento, que es pionero en
Productividad 4.0 Sci-Tech Agriculture, y una contribución de este estudio. Este estudio reemplazará los
recursos humanos, ahorrará tiempo y desarrollará la agricultura de alta tecnología, desarrollará una
combinación de cortadora de césped y orugas, e introducirá un sistema de control automático para cortar el
césped, luego usará Raspberry Pi como reconocimiento de imágenes para simular ojos humanos, evitar
obstáculos, e ingrese la longitud de ambos lados de un área rectangular para lograr un corte automático. Esto
puede reducir la demanda de mano de obra para cortar el césped.
2. Materiales y métodos
2.1. Arquitectura del sistema
Para que la cortadora de césped robótica automática de este estudio lograra la personificación, el sistema
se dividió en tres partes, que incluyen (1) un sistema de movimiento del vehículo que simula las piernas
humanas, (2) un sistema de corte que simula las manos humanas que se balancean de un lado a otro cuando el
Se utiliza una cortadora de césped y (3) un sistema humano-máquina que simula el cerebro y los ojos humanos.
La arquitectura del sistema del cortacésped robótico automático se muestra en la Figura1.
El sistema de movimiento simuló el movimiento de los pies humanos al cortar el césped. Después de
completar el corte en el área actual, el cortacésped puede moverse a la siguiente área. También puede moverse
lentamente y cortar el césped mientras se mueve. El sistema de movimiento utilizó orugas KATR-5.
Procesos 2021, 9, 358 4 de 21
como el cuerpo principal y un chip TMS320F2808; circuito de accionamiento del motor e interruptor de proximidad
como control.
El sistema de accionamiento del motor era uno de los principales sistemas de las orugas y el rendimiento
operativo de las orugas estaba determinado por su sistema de transmisión. El sistema de transmisión constaba
de una batería, un motor, una placa de circuito de transmisión del motor, un engranaje, pistas y un chip
TMS320F2808. El diagrama de la arquitectura de la unidad de las orugas se muestra en la Figura3.
El convertidor dc-dc de puente completo fue controlado por la señal de modulación de ancho de pulso
emitida por el chip TMS320F2808. El IC FAN7842 se accionó a través de la puerta para amplificar la potencia, se
usó una batería de iones de litio de 12 V para suministrar la energía, se usó un MOSFET de potencia IRF2807
como interruptor para controlar la ruptura y corte de los cuatro MOSFET de potencia IRF2807 respectivamente
y para impulsar la rotación positiva y negativa de dos servomotores de CC. El diagrama del circuito de
accionamiento del motor se muestra en la Figura4.
Proces de 21
En este estudio, para el dibujo de los circuitos de accionamiento del motor y la preparación de la PCB
(placa de circuito impreso), se utilizó Altium Designer 15 para el diseño del circuito y la operación del cableado.
El diseño de la PCB del circuito de accionamiento del motor se muestra en la Figura5.
Figura 5. Diseño de PCB (placa de circuito impreso) del circuito de accionamiento del motor.
El chip TMS320F2808 se usó como núcleo de control y el CCS se usó para la programación del
diseño del lenguaje C. La salida de 3.3 V PWM (Modulación de ancho de pulso) se emitió desde el chip
TMS320F2808, después de la amplificación de potencia, el circuito de arranque se utilizó para generar la
fuente de alimentación IC FAN7842 de 12 V impulsada por la puerta, el brazo superior y el brazo inferior
compuesto de El MOSFET IRF2807 de potencia fue controlado por el convertidor dc-dc de puente
completo para lograr la rotación positiva y negativa del motor de CC. El diagrama de la arquitectura del
controlador de puerta se muestra en la Figura7.
tiempo, el elemento del interruptor del brazo superior del extremo de salida del canal del lado bajo IC cambió a corte,
en cambio, el interruptor del brazo superior del extremo de salida del canal del lado alto cambió a ruptura, y la
corriente de accionamiento de salida hizo que el interruptor MOSFET de potencia del lado alto en romper más. Además,
se debe evitar la ruptura del interruptor de alimentación en el extremo de la fuente de la puerta debido al efecto
electrostático, ya que puede provocar un cortocircuito del interruptor de alimentación del brazo superior e inferior,
resistencia de descarga en la puerta y la fuente de la Se usó el interruptor de encendido del brazo inferior, de modo que
la carga electrostática tuviera una ruta de descarga.
El variador de frecuencia del servomotor de CC se puede dividir en tres modos de variador, uno,
dos y cuatro cuadrantes, de acuerdo con el voltaje de carga y la polaridad de la corriente de carga.
Cuando se trabajaba en el primer cuadrante, el voltaje de carga y la corriente de carga eran todos
positivos, el motor solo tenía la capacidad de accionamiento de rotación positiva. Si existía una demanda
de frenado, solo se podía confiar en el frenado mecánico y no se podían cumplir los requisitos de
rendimiento del servo. Al trabajar en el primer y segundo cuadrantes, la tensión de carga era positiva y la
corriente de carga podía ser positiva o negativa. En este momento, el motor tenía una unidad de rotación
positiva y capacidad de frenado. El uso del frenado de retorno por parte del motor podría aumentar la
respuesta dinámica y mejorar la eficiencia del accionamiento del motor, y el rendimiento del servo del
motor podría mejorarse en gran medida. Si rotación positiva, rotación negativa, conducción, y la
capacidad de frenado se requiere al mismo tiempo, debe funcionar en el modo de conducción de cuatro
cuadrantes, en este momento, el voltaje de carga puede ser positivo o negativo, y la corriente de carga
también puede ser positiva o negativa. Este estudio esperaba que los requisitos de manejo de
maniobrabilidad, precisión y alta eficiencia pudieran lograrse, por lo tanto, se adoptó el circuito de
puente en H del modo de manejo de cuatro cuadrantes.
En este estudio se desarrolló el circuito de accionamiento del servomotor CC de cuatro cuadrantes. Dado que la
fuente de alimentación del variador fue suministrada por una batería de iones de litio de 12 V a bajo voltaje, el
interruptor de encendido seleccionó el MOSFET de potencia, que era adecuado para su aplicación en un campo de bajo
voltaje y tenía las ventajas de alta frecuencia de conmutación y bajo voltaje y ruptura soltar.
Para permitir que las orugas se muevan con precisión a la posición objetivo y
controlar la velocidad, se instalaron un interruptor de proximidad de tipo inducción y un
dispositivo de fijación del interruptor de proximidad de tipo inducción al lado de los
lados izquierdo y derecho de los engranajes de las orugas. La función de detección del
engranaje se utilizó para retroalimentar la señal al chip TMS320F2808, la señal de
retroalimentación y el comando se compararon con la programación CCS, se completó el
control de posición del vehículo y el tiempo de recepción de la señal de
retroalimentación cada vez se calcula para que Se logró el propósito de regulación de
velocidad y límite de velocidad. Además, este diseño también se puede utilizar como
protección contra sobrecorriente. Si no se recibe una señal de retroalimentación dentro
de un período de tiempo, significaría que el motor no podría conducir las orugas. En
este momento,
A diferencia de las cortadoras de césped automáticas en el mercado, nuestro diseño colocó el cabezal de la
cortadora de césped frente a las orugas, lo que enfatizó la personificación del balanceo a la izquierda y a la derecha, y
usó el bastidor de soporte del rodamiento como el cuerpo humano, el dispositivo de dirección como el La cintura
humana, el dispositivo de plataforma deslizante como las manos humanas, y la sincronización con el control del motor
y el sensor se dieron cuenta del balanceo del poste de corte hacia la izquierda y hacia la derecha produciendo un diseño
para mejorar la eficiencia, ahorrar tiempo y costos de mano de obra humana.
de objetos. El módulo de infrarrojos se instaló encima del marco de soporte. Para evitar el
contacto entre la cuchilla de corte y objetos duros, que pueden hacer que la cuchilla se rompa y
salga volando, o incluso dañar el motor, se instaló un disco de protección de la cuchilla sobre el
motor de corte.
El diagrama de bloques del sistema de suministro de energía del dispositivo de corte se muestra en la
Figura 8. El modo de suministro de energía se puede dividir en la placa de circuito de accionamiento del motor,
el motor de la cortadora de césped y el relé. La especificación de 12 V 30 A se obtuvo a partir de dos baterías de
iones de litio en paralelo para alimentar las tres placas de circuito de accionamiento del motor y el buck-boost.
El buck-boost se transforma de 12 V a 5 V para suministro al panel de control DSP, la especificación de 33,3 V 45
A se obtuvo de nueve baterías de iones de litio en tres series y tres paralelos para suministro al motor de corte
de modo que el El robot podría iniciar de forma autónoma la cuchilla de corte y conectarse con el circuito de
relé. El relé era L901-12D, una batería de iones de litio de 12 V suministraba energía al relé, el chip TMS320F2808
emitía la señal para hacer la ruptura del transistor para controlar el inicio de la cuchilla de corte.
3.1.2. Tkinter
Tkinter es un módulo de Python, su función es llamar a la interfaz Tcl / Tk, es un gráfico de código
de instrucción multiplataforma. Tkinter no es la única forma de programación gráfica de Python
Procesos 2021, 9, 358 10 de 21
pero es una interfaz más popular. En este estudio, se utilizó Tkinter para permitir que la interfaz hombre-
máquina controle de forma remota el cuerpo de la cortadora de césped. Se diseñaron cuatro botones en
la ventana después de que se ejecutó el programa, a saber, Modo 1, Modo 2, Modo 3 y el botón de
parada de emergencia.
El reconocimiento de imágenes reemplaza los ojos humanos con una máquina de reconocimiento,
medición, juicio y otras funciones. El sistema de reconocimiento de imágenes se usa ampliamente en el
proceso de detección. En este estudio, se utilizó el reconocimiento de imágenes para juzgar si había un
obstáculo al frente. El núcleo de la identificación del obstáculo consistió en dos procedimientos, a saber,
promediar difuso y umbral. Las funciones y propósitos de esto se describen en detalle a continuación.
así que después de que la ventana K * K escanea la imagen completa, la difuminación promedio de la imagen
completa se completó.
(2) Prueba de umbral
En el procesamiento de imágenes, para confirmar de manera conveniente y clara si es un obstáculo
o para reducir la dimensión de las imágenes, en este estudio, una imagen en color se convirtió a escala
de grises y luego a blanco y negro para su procesamiento. En este momento, el valor de cualquier punto
en esta imagen era 0 o 255. Para determinar que el punto era negro (0) o blanco (255), se estableció un
valor de umbral para decirle a la computadora si se excedió este valor, el punto se establecería en 255 o
de lo contrario en 0 después de que la computadora completara la comparación de todos los puntos de
la imagen basándose en este valor, la imagen completa se convertiría en una imagen en blanco y negro.
Este método de procesamiento se denomina umbralización. En este estudio, el valor umbral se
determinó de acuerdo con los obstáculos obtenidos en la imagen.
Para realizar las funciones requeridas por el usuario, cada función del chip DSP tenía su
correspondiente módulo y programa periférico, como el módulo GPIO y el módulo EPWM
utilizados en este estudio. Dado que cada programa de periféricos generará una o más
instrucciones de interrupción de periféricos cuando se produzca un evento de activación, la CPU
no puede procesar demasiadas interrupciones externas en tiempo real, por lo que se requirió el
módulo Peripheral Interrupt Expansion (PIE).
El diagrama de interrupciones de multiplexación del módulo PIE se muestra en la Figura 9. El
módulo PIE del chip TMS320F2808 podría admitir hasta 96 instrucciones de interrupción periférica, que
podrían dividirse en 8 grupos (INTx.1 ~ INTx.8), luego dividirse en 12 fuentes (INT1 ~ INT12), y Global se
estableció en general para habilitar el cambio de la instrucción de interrupción periférica. Cuando se
habilitó la bandera de interrupción de periféricos, se llamó al programa de servicio de interrupción,
después de completar la operación, se reinició el contador del programa, se eliminaron las banderas de
Fuente y Grupo y se hizo el reconocimiento, cuando se desencadenó un evento, el programa se
ejecutaría nuevamente .
Cuando el programa comenzara a ejecutarse, el sistema eliminaría los indicadores de interrupción de
Fuente y Grupo en todos los módulos PIE y tablas de vectores para evitar errores de operación. Luego haga la
disposición de entrada y salida del GPIO, después de la finalización, haga que Global Enable ingrese al
programa principal. El programa principal incluye el programa en segundo plano para procesar eventos en
tiempo no real y el programa de servicio de interrupciones para procesar eventos en tiempo real. Una vez
completada la implementación del programa principal, el reinicio se habilitará nuevamente.
Figura 9. Diagrama de multiplexación de interrupciones del módulo Peripheral Interrupt Expansion (PIE).
arrancó, el motor ejecutó la rotación derecha, y cuando se interrumpió el interruptor del optoacoplador
izquierdo, el motor ejecutó la rotación izquierda. De manera similar, cuando se interrumpió el
interruptor del optoacoplador derecho, el motor ejecutó la rotación correcta hasta que se completó la
instrucción. El proceso de protección de reserva se diseñó para que cuando el interruptor del
optoacoplador no devuelva la señal en seis segundos, se consideró una falla del hardware detener la
cuchilla y el motor de dirección. El diagrama de flujo del sistema de corte se muestra en la Figura11.
En este estudio, se utilizó una cámara web para capturar imágenes y una Raspberry Pi para el
reconocimiento de imágenes. Si no se reconoce ningún obstáculo, el paquete no se devolverá. Si hubiera
un obstáculo, la imagen capturada se procesaría borrosa, la imagen se convertiría a escala de grises y
luego se usaría el método de reducción de fotogramas para identificar el objeto frontal. Si el área del
objeto identificado supera el valor establecido, el objeto que se encuentra delante se considera un
obstáculo. El diagrama de flujo de reconocimiento de imágenes se muestra en la Figura13.
El diagrama de circuito aplicado al sensor de cuerpo caliente en este estudio se muestra en la Figura 15. El
módulo en sí tenía inducción automática. Cuando alguien ingresó al rango de inducción, se ingresó un alto
potencial; cuando alguien abandona el rango de inducción, se retrasa automáticamente para apagar el
potencial alto y generar un potencial bajo. El LED podría usarse para indicar que se ha detectado un cuerpo
humano en el frente. Después de la prueba, el voltaje de alto potencial de salida fue de aproximadamente 3.3–
3.6 V y el voltaje de bajo potencial fue de 0 V. La forma de onda de prueba se muestra en la Figuradieciséis.
Procesos 2021, 9, 358 16 de 21
Con otros robots que utilizan sensores ultrasónicos para lograr el efecto de evitar obstáculos,
cuando la maleza en el suelo es alta, es fácil considerar la hierba alta como un obstáculo. Este
estudio utilizó el reconocimiento de imágenes donde era menos fácil juzgar mal esto y utilizó la
Procesos 2021, 9, 358 18 de 21
método de resta de tramas para identificar si había obstáculos adelante o no. Este
estudio diseñó y fabricó este robot cortacésped desde cero. Ha proporcionado
resultados de estudios empíricos. La "interfaz hombre-máquina" y el "reconocimiento de
imágenes" en este estudio se construyeron en la Raspberry Pi. Por lo tanto, este estudio
utilizó el método de conexión más popular VNC, para conectarse a la Raspberry Pi para
control remoto. El reconocimiento de imágenes fue el resultado de muchos
experimentos. Durante el proceso de estudio, la situación de no poder identificar un
obstáculo fue muy rara, pero el reconocimiento de imágenes es de hecho la parte que
debe fortalecerse. Las sugerencias para un estudio futuro son cuando la fuente de luz es
débil,
Las orugas en el estudio, no solo podían llevar cargas hacia adelante y subir la pendiente, sino
también hacer un 360◦ rotación, identificar obstáculos a través de la cámara web, lograr una función
para evitar obstáculos, combinar la estructura de corte, cooperar con la operación de la interfaz hombre-
máquina y completar el control remoto. La cuchilla de corte podría cortar una distancia de 55 cm por
cada acción de balanceo. En el modo lento, se podría completar una distancia media de corte de 15 m
por minuto; en el modo de avance lento, un área de corte promedio de 100 cm× Se pueden completar
100 cm por minuto y se puede seleccionar el modo preferido en función de las diferentes necesidades de
corte. El producto terminado del cortacésped robótico automático se muestra en la Figura19.
5. Discusión
Empresas como Honda y Husqvarna han lanzado varios cortacéspedes robóticos en los últimos
años, a precios que oscilan entre 1000 y 2500 dólares. Actualmente, los cortacéspedes robóticos son
más populares en el mercado europeo, pero las ventas en Estados Unidos no son las ideales. Algunas
cortadoras de césped robóticas de la sueca Husqvarna se venden a USD 5100 / unidad, que pueden
manejar terrenos difíciles con una pendiente de 45◦ y alta resistencia a la intemperie. Con la navegación
asistida por GPS y el manejo de Automower Connect, las cortadoras de césped se pueden controlar en
cualquier lugar. Las cortadoras de césped robóticas lanzadas por iRobot de los Estados Unidos pueden
memorizar las posiciones y generar automáticamente un mapa digital del área donde se debe cortar la
hierba. También se pueden programar para cortar automáticamente con regularidad y controlar la
altura requerida para cortar. Los usuarios de las cortadoras de césped lanzadas por Honda pueden dejar
Procesos 2021, 9, 358 19 de 21
ir de ambas manos sin empujarlas para cortar el césped, y también pueden advertir contra robo por $ 2500 /
unidad. Las cortadoras de césped robóticas son bastante variadas y tienen diferentes funciones. Los
consumidores pueden comprar modelos adecuados según sus propias necesidades.
Cuando las cortadoras de césped robóticas fabricadas por Qiu, et al. [34] planificar caminos para evitar
obstáculos, se utilizan ondas ultrasónicas y rayos infrarrojos, pero este estudio encontró que si se usa este
método para evitar obstáculos, pueden producirse errores de cálculo debido a la interferencia de las malas
hierbas. Por lo tanto, este estudio no utiliza ultrasonido sino una función de reconocimiento de imágenes para
lidiar con la ruta de evitación de obstáculos. Yu [35] señala que las cortadoras de césped robóticas enfrentan
seis problemas: (1) Cuando el entorno de trabajo es complejo, la información transmitida por los sensores no es
lo suficientemente precisa; (2) Es difícil cubrir completamente el alcance del trabajo, y el trabajo repetido da
como resultado un desperdicio de energía y una reducción de la eficiencia; (3) La función de comunicación entre
el robot y el mundo exterior no es fuerte, es necesario mejorar la capacidad de interacción hombre-máquina; (4)
El sistema de posicionamiento no es lo suficientemente preciso, lo que conduce fácilmente a la desviación del
rango de trabajo; (5) El sistema energético no es lo suficientemente bueno y la capacidad para trabajar
continuamente es débil; (6) La capacidad de aprender no es lo suficientemente fuerte como para evitar errores
repetidos. En este estudio, las cortadoras de césped robóticas se desarrollan desde un punto de vista
académico. Teniendo en cuenta el problema de los costes, no se pueden comparar con las cortadoras de
césped comerciales del mercado, pero sus funciones y rendimiento de corte tienen sus ventajas. Se espera que
cuando se desarrollen nuevamente las cortadoras de césped robóticas, puedan superar los problemas
anteriores tanto como sea posible, y se pueda fabricar maquinaria con funciones completas, a un precio
asequible y con un rendimiento excelente para satisfacer las necesidades de los consumidores.
6. Conclusiones
En este estudio, la Raspberry Pi se utiliza como plataforma de interfaz hombre-
máquina, Python es el lenguaje de programación y su programa auxiliar Tkinter se
utiliza para el diseño; Debido a que las cortadoras de césped pueden ser peligrosas, el
sensor de infrarrojos del cuerpo humano se instala en la plataforma alta de las orugas
para evitar accidentes. Cuando actúa el sensor de infrarrojos del cuerpo humano, el
mensaje de advertencia se muestra inmediatamente en la interfaz hombre-máquina y la
cortadora de césped se detiene. La interfaz hombre-máquina incluye el modo de
evitación de obstáculos mediante el reconocimiento de imágenes, la biblioteca de
funciones de procesamiento de imágenes utilizada es OpenCV, los obstáculos se filtran
con procedimientos promediados difusos y de umbral, y la acción de evitación de
obstáculos se implementa aún más. En este estudio, se utiliza tecnología avanzada de
reconocimiento de imágenes para completar el monitoreo remoto.
del motor de corte. Este modo puede controlar el rango de movimiento del cortacésped
robótico con mayor precisión y puede mostrar la carga eléctrica restante del cortacésped
robótico en la pantalla para indicarle al usuario si debe cargarlo o no.
2. El dispositivo de fijación del sistema de dispositivo de corte utiliza un equipo de impresión 3D. Para evitar el
desgaste del cable, se puede utilizar una hoja de hierro o un material de aluminio más resistente, se
puede ajustar la posición del sensor del optoacoplador y se puede rediseñar la estructura de la placa
deflectora para reducir el rango de error.
3. En términos de procesamiento de imágenes, se espera fortalecer la identificación de obstáculos, aumentar la
precisión de la identificación de obstáculos y coordenadas de retorno, identificar el tamaño, área y
circunferencia específicos de los objetos y luego tomar acciones para evitar obstáculos.
Declaración de disponibilidad de datos: Los datos están disponibles del autor correspondiente a pedido.
Expresiones de gratitud: Los autores agradecen al maestro Yu-Feng Zhu, Instituto Oriental de Tecnología, por ayudar a hacer la
placa de circuito, para que el circuito de hardware pueda funcionar sin problemas. Gracias por la ayuda de los mayores, he
aprendido a dibujar PCB, reconocimiento de imágenes, impresión 3D y otras tecnologías relacionadas.
Referencias
1. Chen, YS; Tsao, HH; Chen, SW; Liu, CY; Yeh, LC Un estudio integrado sobre el sistema de reconocimiento de la fruta madura.Electrón. Commer.
Semental.2018, dieciséis, 233-258.
2. Waleed, M .; Um, TW; Kamal, T .; Khan, A .; Iqbal, A. Determinación del área de trabajo precisa de la maquinaria agrícola utilizando
internet de las cosas e inteligencia artificial.Apl. Sci.2020, 10, 3365. [CrossRef]
3. Xie, G .; Lu, W. Detección de bordes de imagen basada en OpenCV.En t. J. Electron. Electr. Ing.2013, 1, 104-106. [CrossRef]
4. Naranjo-Torres, J .; Mora, M .; Garzaandez-garcIa, R .; Barrientos, RJ; Fredes, C .; Valenzuela, A. Una revisión de la red neuronal convolucional
aplicada al procesamiento de imágenes de frutas.Apl. Sci.2020, 10, 3443. [CrossRef]
5. Wirtz, J .; Patterson, PG; Kunz, WH; Gruber, T .; Lu, VN; Paluch, S .; Martins, A. Un mundo feliz: robots de servicio en primera línea.
J. Serv. Manag.2018, 29, 907–931. [CrossRef]
6. Belanche, D .; Casaló, LV; Flavian, C .; Schepers, J. Implementación de robots de servicio: un marco teórico y una agenda de investigación.
Serv. Ind. J.2020, 40203–225. [CrossRef]
7. Wang, N .; Yeung, DY Aprendiendo una representación de imagen compacta profunda para seguimiento visual.Adv. Neural Inf. Proceso. Syst.2013, 809–817.
8. Genesys. Los empleadores estadounidenses esperan un crecimiento de la inteligencia artificial en el lugar de trabajo, pero no grandes reducciones de
puestos de trabajo. 2019. Disponible en línea:https://www.prnewswire.com/news-releases/usemployers-expect-growth-of-artificial-intelligence-in-
theworkplace-but-not-major-jobreductions-300901926.html (consultado el 12 de septiembre de 2020).
9. Federación Internacional de Robótica. Informe mundial de robótica 2018. Resumen de la conferencia de prensa, Tokio. 2018. Disponible en línea:https://
ifr.org/free-downloads/ (consultado el 12 de septiembre de 2020).
10. Huang, MH; Rust, RT Inteligencia artificial en servicio.J. Serv. Res.2018, 21, 155-172. [CrossRef]
11. Rajan, K .; Saffiotti, A. Hacia una ciencia de inteligencia artificial y robótica integradas.Artif. Intell.2017, 247, 1–9. [CrossRef]
12. Velichko, A. Red neuronal para dispositivos IoT de baja memoria y reconocimiento de imágenes MNIST utilizando núcleos basados en mapa logístico.
Electrónica 2020, 9, 1432. [CrossRef]
13. Van Doorn, J .; Mende, M .; Noble, SM; Hulland, J .; Ostrom, AL; Grewal, D .; Petersen, JA Domo arigato Sr. Roboto: Aparición de la presencia social
automatizada en las líneas de frente de las organizaciones y las experiencias de servicio de los clientes.J. Serv. Res.2017, 20, 43–58. [CrossRef]
14. SaSánchez, JM; RodrIguez, JP; Espitia, HE Revisión de la inteligencia artificial aplicada en los procesos de toma de decisiones en las políticas
públicas agrarias.Procesos 2020, 8, 1374. [CrossRef]
15. Yoon, YH; Hwang, DH; Yang, JH; Lee, SE Intellino: Procesador para inteligencia artificial integrada.Electrónica 2020, 9, 1169. [
CrossRef]
16. Afzaal, H .; Farooque, AA; Abbas, F .; Acharya, B .; Esaú, T. Cálculo de la evapotranspiración con inteligencia artificial para una gestión
precisa de los recursos hídricos.Apl. Sci.2020, 10, 1621. [CrossRef]
17. Kalpakjian, S .; Schmid, SR; Sekar, KSIngeniería y tecnología de fabricación; Pearson: Upper Saddle River, Nueva Jersey, EE. UU., 2014.
Procesos 2021, 9, 358 21 de 21
18. Kolbeinsson, A .; Lagerstedt, E .; Lindblom, J. Fundación para una clasificación de niveles de colaboración para la cooperación humano-robot en la
fabricación.Pinchar. Manuf. Res.2019, 7, 448–471. [CrossRef]
19. Kang, M .; Lee, Y .; Park, M. Eficiencia energética del aprendizaje automático en sistemas integrados que utilizan hardware neuromórfico.Electrónica2020, 9,
1069. [CrossRef]
20. Yeh, YJ; Cheng, YT; Tsai, CB; Sí, YM El marco de la videovigilancia inteligente y la protección de transmisión.J. Adv. Technol.
Manag.2012, 2, 93-106.
21. Wang, CC; Lien, SF; Ye, ZX; Li, CJ; Jhang, GM Implementación de la planificación de trayectorias en brazos robóticos mediante la técnica de reconocimiento
de imágenes.J. Adv. Ing.2017, 12, 19-22.
22. Huang, GT; Tsai, YH; Lu, XJ; Zhang, GH; Li, WC Tecnología y aplicación de sistema de visión inteligente en control de iluminación.J. Ind.
Mechatron. 2020, 446, 69–73.
23. Kandel, I .; Castelli, M. Transferir el aprendizaje con redes neuronales convolucionales para la clasificación de imágenes de retinopatía diabética. Una
revisión.Apl. Sci.2020, 10, 2021. [CrossRef]
24. Liaqat, S .; Dashtipour, K .; Arshad, K .; Ramzan, N.Detección no invasiva del nivel de hidratación de la piel mediante aprendizaje automático.Electrónica2020,
9, 1086. [CrossRef]
25. Kabe, GK; Song, Y .; Liu, Z. Optimización de FileNet para la clasificación de lesiones hepáticas.Electrónica 2020, 9, 1237. [CrossRef]
26. Rghioui, A .; Lloret, J .; Harane, M .; Oumnad, A. Un sistema inteligente de monitorización de glucosa para pacientes diabéticos.Electrónica 2020, 9, 678. [
CrossRef]
27. Sun, L. Análisis del desarrollo de cortadoras de césped robóticas basado en solicitudes de patente. China Invent. Palmadita.2019, dieciséis, 49–54.
28. Zadeh, LA Fuzzy Sets. Inf. Control.1965, 8, 338–353. [CrossRef]
29. Lin, HH Aplicación de un modelo de decisión difusa al diseño de un pastillero para el tratamiento médico de enfermedades crónicas. Apl. Sci.2019,
9, 4909. [CrossRef]
30. Liu, CC; Chen, JJ Análisis de los pesos de los indicadores de calidad del servicio para filmación y fotografía con drones mediante el proceso de red
analítica difusa.Apl. Sci.2019, 9, 1236. [CrossRef]
31. Yin, J .; Zhu, D .; Liao, J .; Zhu, G .; Wang, Y .; Zhang, S. Algoritmo de control de dirección automático basado en PID difuso compuesto para
trasplantadora de arroz.Apl. Sci.2019, 9, 2666. [CrossRef]
32. Liu, SY; Wang, YC Un estudio sobre la aplicación de la teoría difusa en la educación basada en simulación.Apl. Sci.2019, 9, 1989. [CrossRef]
33. Cardenas, JRG; Nebot,A.; Mugica, F. Evaluación integral del riesgo sísmico mediante modelos difusos. Apl. Sci.2020, 10, 3017. [CrossRef]
34. Qiu, BJ; Qian, GH; Zhou, N .; Cui, SJ Evitando barreras de control del robot cortacésped.J. Jiangsu Univ. 2005, 26, 285–288. [CrossRef]
35. Yu, B. Investigación de mercado sobre robot cortacésped inteligente. Technol. Innov. Apl.2018, 29, 70–71.