随着科技的不断提高和发展,全球变暖的趋势明显,植物固碳的能力越来越受到人们的关注。只有提高环境对碳吸收和存储能力,才能降低空气中二氧化碳的浓度,进而抑制温室效应的恶化。碳汇测量的方法也一直是人们研究的课题,相较于传统的宏观统计方法,微观测量越来越被人们所认可。目前微观碳汇测量的方法,多依靠于测量员手持光合测量仪对局部叶片进行夹取测量。但是每过一小时,测量员就需要手动更换夹持叶片,非常浪费人力物力,因此人工测量仪器应当被自动化测量仪器所替代。本文面向绿色植物叶片的自动夹取,视觉采用Kinect传感器,执行器采用TurtleBot_Arm机械臂。自动夹取涉及到的问题包括基于深度学习的盆栽植物的定位检测、植物叶片的点云分割和位姿计算、四自由度机械臂的手眼标定和运动规划等在本文中分别进行了研究说明,最终搭建完成了一套完成的叶片智能夹取软硬件系统。研究内容主要包括以下几个方面:(1)为了实现对盆栽植物的识别,本文对深度学习目标检测框架进行对比分析,最终采用Coco数据集和Resnet预训练模型进行Faster-Rcnn模型的迁移训练。在Coco数据集的验证下,识别精度mAP可达到0.37。运算时间在英伟达Gtx1070显卡的CUDA并行加速下可达到0.6s,基本可以满足实时的叶片识别与夹取。(2)为了实现对叶片进行位姿提取,本文利用盆栽植物在图像中的坐标,选取坐标区域内的彩色图像和深度图像可运算生成彩色点云。将彩色点云进行累计采样、颜色分离和欧氏聚类得到各个目标叶片点云,进而通过OBB包围盒算法,估计叶片中心点的位姿以便用于机械臂的夹取。(3)为了得到相机和机械臂的坐标变换关系,本文记录了 10组不同机械臂末端执行器位姿和Aruco_Marker点位姿,通过求解矩阵方程AX=XB中X分量的解,实现了机械臂的自动手眼标定。(4)为了实现机械臂的避碰规划,本文利用ROS-Moveit先进的运动规划、3D感知、动力学、控制导航平台完成了机械臂末端执行器的避碰路径规划和夹具的夹取控制。本文利用研究的盆栽植物识别、叶片位姿提取、手眼标定、机械臂运动规划等内容构建了叶片自动夹取机器人的软硬件系统,并在实际夹取过程中进行了大量的测试和验证。实验基本实现了部分植物无人监管情况下的自动夹取,为碳汇测量自动化提供了一个可靠地思路。