TomatoPick 番茄采摘系统
TomatoPick 是一个面向番茄自动采摘实验的 Python 项目，集成了 Tkinter 参数界面、Intel RealSense RGB-D 相机、YOLO pose 目标检测、AUBO 机械臂控制和 AGV 移动平台控制。
当前仓库是运行端工程，核心代码集中在 main.py、control.py 和 control_core.py，辅助脚本位于 tools/。
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 # 相机、YOLO、机械臂、AGV 与采摘状态机
├── ui_settings.json # UI 参数缓存，运行后自动保存/更新
├── tools/
│ ├── 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 关节位置辅助脚本
│ └── 1.png # UI 相机区域背景图
└── 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、放置位置等参数。
- 支持完整采摘流程：AGV 巡检、视觉检测、停车、精确定位、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，不启动机械臂和 AGV，适合先调试模型与相机画面。
- 将运行日志、终端输出和相机检测画面实时显示在 UI 中。
- 通过
ui_settings.json保存上一次 UI 参数，方便下次启动恢复。
核心文件说明
main.py
图形界面入口，直接运行即可打开参数配置界面。
主要职责：
- 构建 Tkinter 主界面，包括参数区、运行日志、相机画面和终端输出。
- 读取和保存
ui_settings.json。 - 选择 YOLO
.pt模型文件和相机背景图。 - 启动完整采摘流程，内部调用
control.main()。 - 启动视觉测试流程，只初始化 RealSense 与 YOLO。
- 接收
control_core.py推送的相机帧并叠加检测信息。
control.py
兼容入口和配置桥接层。UI 或外部脚本会先修改这里的模块级参数，然后由 _sync_config() 同步到 control_core.configure()。
常用参数包括：
| 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 |
TOTAL_DURATION |
系统总运行时长，单位秒 |
AGV_STOP_TIMEOUT |
AGV 停车后等待采摘的超时时间 |
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 |
SCISSORS_ENABLED |
是否启用末端剪刀/夹爪动作 |
control_core.py
核心业务逻辑，负责设备连接、视觉检测、坐标转换、机械臂动作、AGV 控制和资源释放。
主要模块：
PlacementManager：管理放置位。DetectedTomato/TomatoCandidate：保存检测目标、关键点、深度和坐标信息。RobotArmController：封装机械臂回 Home、移动到预抓取点、抓取点和放置点等动作。VisionController：封装 RealSense 采集、YOLO pose 检测、关键点筛选、深度读取、坐标转换和抓取触发。AgvController：封装 AGV 获取控制权、前进、停止和清理。
核心状态由 3 个 threading.Event 协调：
| 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 AGV 继续前进 |
简化流程：
连接机械臂
-> 连接 AGV 并获取控制权
-> 初始化 RealSense
-> 加载 YOLO 模型
-> 启动视觉线程和 AGV 线程
-> AGV 前进巡检
-> 视觉发现成熟番茄
-> AGV 停止
-> 视觉计算采摘点和抓取角度
-> 机械臂抓取并放置
-> 机械臂返回 Home
-> AGV 继续前进
环境依赖
建议在 Windows 环境下运行，并提前安装设备 SDK。
主要 Python 依赖：
opencv-python
numpy
Pillow
ultralytics
pyrealsense2
pyaubo_sdk
pyaubo_agvc_sdk
tkinter、threading、ctypes、signal 等为 Python 标准库或随 Python 发行版提供。
可参考安装方式：
pip install opencv-python numpy Pillow ultralytics pyrealsense2
pyaubo_sdk 和 pyaubo_agvc_sdk 通常需要按设备厂商提供的 SDK 包安装。
启动方式
1. 启动图形界面
推荐使用 UI 启动：
python main.py
界面中可执行：
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，不启动机械臂与 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。
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
这种方式会使用 control.py 顶部定义的默认参数，不读取 UI 输入。
模型文件
默认模型路径为：
best.pt
可以将模型文件放在项目根目录，也可以在 UI 中选择任意 .pt 文件。使用绝对路径时，请确认路径在当前机器上存在。
当前 ui_settings.json 中保存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。
参数保存与传递
UI 参数传递流程：
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中写死的默认参数为准。 - 如果修改了
control.py的默认值，需要重新启动程序才会生效。
运行前检查
完整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、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，且模型类别与关键点定义符合当前采摘逻辑。
- 调试视觉效果时优先使用
视觉测试，确认画面和检测结果稳定后再运行完整采摘流程。
辅助脚本
tools/ 目录提供了一些调试脚本：
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：辅助读取/查看 AUBO 机械臂关节位置。
这些脚本主要用于采集数据、调试相机和校准机械臂位姿。