7.6 KiB
TomatoPick 番茄采摘系统
TomatoPick 是一个面向番茄自动采摘实验的 Python 运行端项目。项目集成 Tkinter 参数界面、Intel RealSense RGB-D 相机、YOLO pose 检测、AUBO 机械臂控制和 AGV 移动平台控制，用于完成“巡检、发现番茄、停车、定位、抓取、放置、继续巡检”的闭环流程。
当前仓库的主要入口是：
main.py：图形界面入口，推荐日常调试和运行使用。control.py：兼容入口和配置桥接层，负责把 UI 或外部脚本设置的参数同步给核心逻辑。control_core.py：设备连接、视觉检测、坐标转换、机械臂动作、AGV 控制和采摘状态机。
项目结构
TomatoPick/
├── main.py # Tkinter 图形界面入口
├── control.py # UI 与核心逻辑之间的配置转发/兼容入口
├── control_core.py # RealSense、YOLO、机械臂、AGV 与采摘状态机
├── start_tomatopick.bat # Windows 双击启动脚本
├── ui_settings.json # UI 参数缓存，运行后会保存/更新
├── models/ # YOLO 模型文件
│ ├── best.pt
│ ├── V1.0_s.pt
│ ├── V2.0_s.pt
│ ├── V2.1_s.pt
│ └── yolo11n-pose.pt
├── tools/
│ ├── pip_install.txt # 依赖安装命令参考
│ ├── realsense_record_video.py # RealSense 录制辅助脚本
│ ├── video_to_rgb_frames.py # 视频抽帧辅助脚本
│ ├── aubo_joint_position.py # AUBO 关节位置读取辅助脚本
│ └── 1.png # UI 相机区域默认背景图
└── README.md
功能概览
- 通过图形界面配置机械臂 IP、AGV IP、运行时长、YOLO 模型路径、放置位姿、末端剪刀开关等参数。
- 支持完整采摘流程：AGV 巡检、视觉检测、AGV 停车、深度定位、机械臂抓取、放置、回 Home、AGV 继续前进。
- 支持“视觉测试”模式，只启动 RealSense 和 YOLO 推理，不连接机械臂和 AGV，适合先调试模型与相机画面。
- 在 UI 中实时显示运行日志、终端输出和相机检测画面。
- 通过
ui_settings.json保存上一次 UI 参数，便于下次启动恢复。
核心流程
完整流程由 control_core.main() 启动，内部会依次完成：
连接机械臂
-> 机械臂尽量回到 Home
-> 连接 AGV 并获取控制权
-> 初始化 RealSense
-> 加载 YOLO pose 模型
-> 启动视觉线程和 AGV 线程
-> AGV 前进巡检
-> 视觉发现候选番茄后通知 AGV 停车
-> 视觉计算采摘点、深度和抓取角度
-> 机械臂抓取并放置
-> 机械臂返回 Home
-> AGV 继续巡检
线程间主要通过 3 个事件协作：
| 状态 | 说明 |
|---|---|
running |
系统总运行开关 |
has_tomato |
视觉线程发现候选番茄后置位，通知 AGV 停车 |
picking_done |
本轮抓取放置完成后置位，允许系统进入下一轮巡检 |
环境依赖
建议在 Windows 环境下运行，并提前安装 RealSense、AUBO 机械臂和 AGV 所需 SDK。
主要 Python 依赖包括：
Pillow
opencv-python
numpy
pyrealsense2
pyaubo_sdk
pyaubo_agvc_sdk
ultralytics
tkinter、threading、ctypes、signal 等为 Python 标准库或随 Python 发行版提供。
可以参考 tools/pip_install.txt 安装依赖。CPU 环境示例：
python -m pip install pillow==11.2.1 opencv-python==4.10.0.84 numpy==2.0.0 pyrealsense2==2.55.1.6486 pyaubo_agvc_sdk==0.2.0 pyaubo_sdk==0.24.1 ultralytics==8.3.112 -i https://pypi.tuna.tsinghua.edu.cn/simple
如需 GPU 版本 PyTorch，请先按本机 CUDA 版本安装 torch、torchvision 和 torchaudio，再安装其余依赖。
启动方式
1. 启动图形界面
推荐使用 UI 启动：
python main.py
Windows 下也可以直接双击项目根目录中的：
start_tomatopick.bat
该脚本会先自动切换到脚本所在目录，再执行 python main.py。因此把整个项目移动到其他目录或其他电脑后，只要 start_tomatopick.bat 仍和 main.py 在同一目录，就不需要手动修改项目路径。
如果需要桌面入口，可以自行在桌面创建快捷方式，并把目标指向 start_tomatopick.bat。
界面中主要按钮：
启动程序：运行完整采摘流程，会连接机械臂、AGV、RealSense 并加载 YOLO。视觉测试：只测试相机采集和 YOLO 检测，不启动机械臂和 AGV。停止程序：停止当前任务并释放资源。保存参数：将当前 UI 参数写入ui_settings.json，并同步到运行中的配置入口。保存位置：保存当前放置位姿[x, y, z, roll, pitch, yaw]。
2. 直接启动核心流程
如果不需要 UI，也可以直接运行：
python control.py
这种方式使用 control.py 顶部定义的默认参数，不读取 UI 输入。
参数说明
control.py 是当前项目的主要可调参数入口。常用参数如下：
| 参数 | 说明 |
|---|---|
ROBOT_IP / ROBOT_PORT |
AUBO 机械臂连接地址 |
AGV_IP / AGV_PORT |
AGV 连接地址 |
AGV_SPEED_FORWARD |
AGV 前进速度 |
AGV_SPEED_STOP |
AGV 停止速度 |
TOTAL_DURATION |
系统总运行时长，单位秒 |
AGV_STOP_TIMEOUT |
AGV 停车后等待采摘完成的超时时间 |
YOLO_MODEL_PATH |
YOLO pose 模型路径，默认 best.pt |
YOLO_DETECT_CONF |
YOLO 推理置信度阈值 |
PICK_CONFIDENCE_THRESHOLD |
进入采摘逻辑的目标置信度阈值 |
HOME_JOINTS |
机械臂 Home 关节位 |
place_positions |
番茄放置位姿列表，当前 UI 使用第一个放置位 |
SCISSORS_ENABLED |
是否启用末端剪刀/夹爪动作 |
UI 参数传递链路：
main.py
-> 保存到 ui_settings.json
-> 写入 control.py 模块变量
-> control.py 调用 _sync_config()
-> control_core.configure()
-> control_core.main()
因此：
- 从 UI 启动时，以界面中的参数为准。
- 直接运行
control.py时，以control.py中的默认参数为准。 ui_settings.json中的模型路径和背景图路径可能来自其他电脑或旧目录，首次运行前建议在 UI 中重新选择。
模型文件
项目默认模型路径为：
best.pt
仓库中的 models/ 目录已包含多份 .pt 模型。可以将目标模型放在项目根目录并使用 best.pt，也可以在 UI 中选择 models/ 下或其他位置的 .pt 文件。
当前视觉逻辑使用 YOLO pose 的关键点：
- 第 0 个关键点：采摘点
cutpoint。 - 第 1 个关键点：方向端点
endpoint。
模型类别、关键点顺序和训练定义需要与上述逻辑一致。
运行前检查
完整采摘流程会控制真实硬件。启动前请确认：
- AUBO 机械臂、AGV、RealSense 相机均已连接，并能被对应 SDK 访问。
ROBOT_IP、AGV_IP和端口号与现场设备一致。HOME_JOINTS、手眼标定矩阵R_tc/T_tc、放置位place_positions已按现场设备校准。- YOLO 模型路径正确，模型类别和关键点定义符合当前采摘逻辑。
- 首次调试时优先使用
视觉测试，确认相机画面、检测框、关键点和深度结果稳定后，再运行完整采摘流程。
辅助脚本
tools/ 目录提供以下调试脚本：
realsense_record_video.py：录制 RealSense 视频。video_to_rgb_frames.py：从视频中导出 RGB 图片帧。aubo_joint_position.py：读取/查看 AUBO 机械臂关节位置。pip_install.txt：依赖安装命令参考。