참외 재배환경은 토양 위의 수평바닥에서 재배된 것을 수확하여야 하며, 참외가 잎으로 덮여져 있어 인식이 어렵고, 덩굴성 줄기로 인해 참외를 그립하기에도 매우 불리하다. 이러한 재배환경에 적합하도록 엔드이펙트, 머니퓰레이터, 인식장치 등의 참외 수확 로봇을 개발하였고 이를 시험하였다. 엔드이펙터는 수확물을 잡기 위한 그 립퍼와 줄기를 절단하는 커터로 구분되며, 그립퍼는 4개의 핑거가 동시에 구동하고, 커터는 2개로 전후진 동작이 되도록 설계하여 파지력과 절단력을 제어할 수 있도록 하였다. 머니퓰레이터는 중심축을 기준으로 회전을 하는 L-R형 모델에 직교 좌표형과 셔틀형 머니퓰레이터를 조합한 4축 매니플레이트 구조로 설계하였다. 인식장치는 1차 인식장치인 GVC와 2차 인식장치인 LVC를 이용하여 참외를 식별하고 그 중에서 당도나 숙도를 예측하여 선별하였다. 이 장치를 이용하여 로봇의 성능시험을 한 결과 수확시간은 평균 18.2sec/ea, 픽업율은 평균 91.4%, 손상율은 평균 8.2%, 선별율은 평균 72.6%로 나타났다.

본 연구는 시설재배에서 참외를 수확할 수 있는 로봇의 엔드이펙터를 개발하기 위한 전단계로서, 참외의 엔드이펙트 중에서 소프트 핸드링이 가능한 그립퍼와 참외 줄기를 절단하는 커터를 설계하기 위해 참외의 기하학, 압축, 절단, 마찰 특성 등을 분석하였다. 그 결과 참외의 길이는 평균 108mm, 직경은 중간지점에서 평균 70mm, 중량은 평균 188g, 부피는 평균 333mL, 진원도는 평균 3.8mm로 나타났다. 참외의 중량(W)에 대하여 길이(L)와 직경(D2)을 변수로 하는 식 W = La × D2 b로부터 비선형 회귀분석을 실시한 결과 a는 2.0279, b는 −0.9998의 상 수값을 가지는 상관관계가 있는 것으로 나타났다. 참외 줄기의 지름은 평균 3.8mm이며, 참외 줄기는 중심으로 부터 반경 5mm 범위 내에서 대부분 분포하였다. 참외의 항복치와 압축강도, 경도의 평균값은 각각 36.5N/cm2, 185.7N/cm2, 636.7N/cm2이며, 참외 줄기의 절단력과 절단강도는 각각 2.87 × 10−2N와 5.60N/cm2로 나타났다. 참외의 마찰계수는 고무가 0.609으로 가장 높게 나타났고, 그 다음으로 알루미늄이 0.393, 스테인레스강이 0.177, 테프론이 0.079로 나타났다. 분석된 자료를 토대로 엔드 이펙터 설계시 동작에 따른 위치 오차와 안전율을 감안 하여, 그립퍼의 및 커터의 크기, 선회반경, 설치위치, 구 동모터의 동력, 재료 및 재질의 선정 등에 적용할 수 있을 것으로 판단되었다.

영상처리는 정확한 오이의 형상 및 위치를 인식하기 위하여 형상인식 알고리즘에 대한 연구를 수행하였다. 다양한 오이형상을 인식하기 위한 방법으로는 신경회로망의 연상 메모리 알고리즘을 이용하여 오이의 특정형상을 인식하였다. 형상인식은 실제영상에서 오이의 형상과 위치를 판정할 수 있도록 알고리즘을 개발한 결과, 다음과 같은 결론을 얻었다. 본 알고리즘에서는 일정한 학습패턴의 수를 2개, 3개, 4개를 각각 기억시켜 샘플패턴 20개를 실험하여 연상시킨 결과, 학습패턴으로 복원된 출력패턴의 비율은 각각 65.0%, 45.0%, 12.5%로 나타났다. 이는 학습패턴의 수가 많을수록 수렴할 때, 다른 출력패턴으로 많이 검출되었다. 오이의 특정형상 검출은 30×30간격으로 자동검출 되도록 처리하였다. 실제영상에서 자동 검출로 처리한 결과, 오이인식의 처리시간은 약 0.5~1초/1개(패턴) 빠르게 검출되었다. 또한, 다섯 개의 실제 영상에서 실험한 결과, 학습패턴에 대한 다른 출력패턴은 96~99%의 제거율을 나타내었다. 오이로 인식된 출력패턴 중에서, 오검출된 출력패턴의 비율은 0.1~4.2%를 나타내었다. 본 연구에서는 신경회로망을 이용하여 오이의 형상 및 위치를 인식할 수 있도록 알고리즘을 개발하였다. 오이의 위치측정은 실제영상에서 학습패턴과 유사한 출력패턴의 좌표를 가지고, 오이의 위치좌표를 추정할 수 있었다.

본 실험은 오이수확기의 메니퓰레이터에 장착하는 엔드이펙터를 생각한 것이다. 모터는 DC모터로 기어를 이용하여 작동되며, 동력전달에 있어 균형적인 배분을 이루었고, 따라서 부드러운 작동이 가능하였다. 또한 축을 이용한 베벨기어의 동력 전달로 모터에서 나온 회전력을 기어로 확실히 전달하였고, 결과적으로 오이 과병 절단 rpm에 있어서는 정확한 측정이 가능했다. 주요 연구결과를 요약하면 다음과 같다. 1. 모터는 칼날을 회전시키는데 있어 제어가 쉽고, 정확한 동력전달로서의 베벨기어는 비교적 정확한 결과를 제시했다. 2.실험에서의 반복적인 오이 절단작업에 제시된 결과는, 모든 작물에 적용될 수는 없지만, 오이 과병의 절단은 적정 rpm라 각도를 구하여 기계적 최적상황을 찾았다. 수평에서 위로 30˚각도와 198 rpm에서 효율 적인 절단작업이 이루어 졌다. 3. 엔드이펙터의 구조는 간단하면서도 고장 없이 제작되어야 하고 또한 경량이며 수분에 부식되지 않는 재료를 사용하여 설계하였다

본 연구는 오이 수확기 개발을 위해 매니퓰레이터를 설계 제작하였다. 실험에 사용한 3축 매니퓰레이터는 견고성, 내구성, 모멘트를 줄이기 위해 모터 및 감속기의 하중이 실리지 않는 곳에 장착하였다. 주요 연구 결과를 요약하면 다음과 같다. 3차원 공간상의 좌표에 대하여 매니퓰레이터의 10회 반복 측정한 오차의 평균은 Z축에 관계없이 0.1 mm내외로 정확하게 작동하는 것으로 나타났다. 실내 실험에서 25개의 오이에 대한 실험 결과 22개의 절단하여 92%의 성공률을 보였으나, 원인은 오이가 기형과이며, 수확한 후 시간이 경과하여 오이 과병의 물성이 변한 것으로 판단된다. 실내 실험에서 오이 과병을 절단하지 못한 경우에도 매니퓰레이터는 오이 과병에 0.1 mm 내외로 엔드이펙터을 접근시켰다. 50개의 오이에 대하여 현장 실험을 한 결과 42개, 84%의 절단율을 보였다. 16%의 오차가 발생한 것은 수확적기가 지나서 오이의 과병이 짧고 뭉툭해서 나타난 것으로 판단된다.

본 연구는 오이수확기 개발을 위하여 오이의 인식에 장해가 되는 잎의 부분적인 제거 및 기계화를 위한 재배방식이 오이의 생육과 수량에 미치는 영향을 구명하고자 하였다. 세가지 형태의 잎제거 방식과 두가지 형태의 정식간격, 그리고 3가지 형태의 줄기 유인방식을 정하여 오이의 전장, 수량과 1등급비율을 측정한 결과를 요약하면 다음과 같다. 1. 잎제거 형태에 따른 오이의 생육을 관찰하기 위해서 전장을 측정한 결과, 관행적인 제거방식의 경우, 일정 실험기간동안 평균 52.2cm 생장하였다. 또한, 2일마다 하부잎 하나를 제거한 경우에는 평균 51.5cm 생장하였다. 수확한 오이가 있는 경우 하부의 잎을 모두 제거한 경우에는 평균 51cm가 생장한 것으로 보아 평균 3% 이내의 차이를 보였다. 또한, 24cm, 30cm의 주간간격에 따라서는 각각 평균 50.8cm, 51.8cm의 약 2%정도 생장에 차이를 보였다. 따라서 부분적인 잎제거는 오이의 생장에 큰 영향을 미치지 않는 것으로 판단되었다. 2. 판별변수의 하나인 수량과 1등급비율을 잎제거 형태에 따라 비교해 보면, 관행적인 제거방식의 경우, 평균 한주당 2.6개/일 를 수확하였다. 1등급 비율은 56.7%로 나타났다. 또한 2일마다 하부잎 하나를 제거한 경우에는 평균 한주당 2.47개/일의 수확이 있었으며, 1등급 비율은 53.1%로 나타났다. 마지막으로 수확한 오이가 있는 경우 하부의 잎을 모두 제거한 경우에는 한주당 평균 2.48개/일 를 수확하였으며, 1등급 비율이 56.3%로 나타났다. 따라서 수량의 차이는 약 6%정도이고 1등급 비율도 10% 이내로 큰 영향은 없는 것으로 판단되었다. 3. 오이의 주간간격에 따른 수량과 1등급비율을 측정한 결과, 24cm의 경우 한주당 2.3개/일의 평균수확이 되었다. 1등급비율은 59.8%, 30cm의 경우 한주당 평균 2.5개/일을 수확하였으며, 1등급은 57.2%로 나타났다. 따라서 수량은 24cm의 경우가 약간 적었지만 1등급의 비율로 환산하면 크게 차이가 없는 것을 알 수 있다. 따라서 농가전체 수량을 기준으로 한다면 24cm가 유리하다고 판단되었다. 4. 줄기유인 형식에 따라 수량과 1등급비율을 살펴보면, 관행적인 방법은 평균 한주당 2.9개/일, 42.8%, 직립후횡유인은 평균 한주당 2.2개/일, 61.3%, 직립후 가로줄유인은 평균 한주당 2.2개/일, 54.1%로 나타났다. 따라서 수량과 1등급을 동시에 고려하면, 큰 차이는 없지만, 직립후 횡유인방법과 직립후 가로줄유인의 경우는 오이가 지면에서 상대적으로 상부에 위치하므로 영상인식과 기계화 측면에서 유리할 것으로 생각되었다.

In robotic harvesting, a gripper to manipulate the fruits needs to be attached to the robot system. We proposed a flexible robot gripper that can actively respond to the shape of an object such as fruits in the previous work. However, we found that there is a possibility of not being reliably gripped when the object slides during contact with a finger. In this paper, the improved gripper design is proposed to fundamentally solve the problems of the previous gripper. The position of the finger and the maximum closed position are changed, and the design improvement is performed to increase the grip stability by changing the installation angle of the link portion of the finger. Based on the improved design, a modified gripper is fabricated by 3-D printing, and then gripping experiments are performed on spherical object and fruit model object. It is shown that the gripper can stably grip the objects without excessive bending of the finger link of the gripper. The contact pressure between the finger and the surface of the object is measured, and it is verified that it is a sufficiently small pressure that does not cause damage to the fruit. Therefore, the proposed gripper is expected to be successfully applied in harvesting.

Fruit and vegetable harvesting robots have been widely studied and developed in recent years to reduce the cost of harvesting tasks such as labor and time. However, harvesting robots have many challenges due to the difficulty and uncertainty of task. In this paper, we characterize the crop environment related to the harvesting robot and analyzes state-of-the-art of the harvesting robot especially, in the viewpoint of robotic end-effector. The end-effector, an one of most important element of the harvesting robot, was classified into gripper and harvesting module, which were reviewed in more detail. Performance measures for the evaluation of harvesting robot such as test, detachment success, harvest success, and cycle time were also introduced. Furthermore, we discuss the current limitations of the harvesting robot and challenges and directions for future research.