基于压力不敏感柔性弯曲传感器与机器学习算法的软体夹爪番茄尺寸分选系统

《LWT》：Pressure-Insensitive Flexible Bending Sensor-Enabled Soft Gripper for Machine Learning-Based Tomato Size-Sorting

　　

柔性弯曲传感器可通过赋予软体夹爪精确的检测能力，显著增强机器人番茄分选系统中的轻柔精准操作性能。然而，传统传感器在抓取过程中易受接触压力干扰，导致弯曲信号失真并降低分选精度。为克服这一局限性，本文提出了一种具有压力不敏感特性的新型全柔性弯曲传感器。该传感器结合了半球形凸起结构与H形微通道设计，表现出优异的抗压力干扰能力。实验结果表明，该传感器的弯曲与压力灵敏度比达到47.5:1，线性度为R2=0.97，响应时间为144 ms，并具有出色的循环稳定性。研究人员将传感器集成于软体夹爪中，利用回归森林（Random Forest）模型建立了抓取电阻值与番茄尺寸之间的相关性，实现了高精度的尺寸预测。最终，这种具有压力不敏感特性的高灵敏度柔性弯曲传感器成功应用于机械臂自动化分选，为智能农业装备的发展做出了重要贡献。

该论文针对番茄自动化分选中对轻柔抓取与精准尺寸感知的需求，深入探讨了柔性电子技术与软体机器人融合的关键科学与技术问题。研究背景源于全球范围内番茄作为高经济价值作物，其分选效率与果实保护至关重要。现有大型分选设备成本高昂且受限于空间，视觉辅助方案则易受环境光照波动影响。虽然软体夹爪凭借顺应性特性能够无损抓取番茄，但传统刚性传感器难以匹配软体结构的弯曲变形，导致曲率测量数据失真。即便现有的柔性电阻式传感器，也常因刚度不匹配及在抓取时受到弯曲变形与接触压力的耦合干扰，严重影响基于变形的物体尺寸估算精度。为此，开发一种能与软体夹爪材料属性高度兼容、并能有效抑制压力干扰的高精度弯曲传感器成为实现自动化高精度作业的关键。

为解决上述挑战，研究人员设计了一种在特定压力范围内表现出优异抗干扰性能的全柔性弯曲传感器。通过有限元模拟，确定了结合半球形凸起（用于抵抗压力干扰）与H形微通道（用于集中应变以增强弯曲灵敏度）的复合结构。传感器以聚二甲基硅氧烷（PDMS）为基底，液态金属（EGaIn）为导电材料，采用微通道成型工艺制备。研究人员构建了基于步进电机的高精度弯曲表征平台，并利用3D打印技术制作鱼鳍状夹爪模具，优化了PDMS配比与脱模工艺。最终，将传感器集成于自制PDMS软体夹爪，并结合随机森林机器学习算法实现了番茄抓取过程中的尺寸估计与自动化分选。

研究结果表明，在传感器设计与性能表征方面，通过仿真对比六种抗压凸起结构，确认半球形微结构具有最佳的压力不敏感特性（残余压力5.2 kPa）。相较于U型通道，H型液态金属通道设计将弯曲灵敏度提升至1.920%，压力灵敏度降低至0.0528%，弯曲与压力灵敏度比达到36.3。制备完成的传感器在0-144°弯曲范围内表现出迟滞误差为12%，线性度R²=0.97，响应与恢复时间均为144 ms，并在1100次弯曲循环后保持稳定。在抓取应用中，传感器集成于六轴机械臂末端的软体夹爪，通过少量样本学习建立的随机森林回归模型，对番茄直径、高度和重量的交叉验证R²值分别达到0.967、0.916和0.967，最终在实际分选流程中实现了直径99.05%、高度98.10%、重量99.05%的分类准确率。

该研究成功制备了一种利用半球形凸起结构和H形液态金属微通道实现的、具有压力不敏感特性的柔性弯曲传感器。该传感器在5 N压力范围内保持稳定的弯曲响应，其弯曲灵敏度是压力灵敏度的47.5倍。通过精密弯曲平台验证，传感器在0–144°范围内具有低于12%的迟滞、144 ms的响应时间、0.97的线性度及稳定的角度分辨能力。当集成于PDMS软体夹爪时，传感器捕获的电阻信号与番茄直径显示出强相关性。基于随机森林回归模型的在线尺寸预测实现了98.1%的分类准确率，并成功完成了自动化分选作业。这项工作为农业机器人提供了一种创新的传感解决方案，展示了柔性电子技术与农业信息化深度融合的应用前景。尽管目前测试受电机振动影响且数据集有限，但该研究为需要精确物体尺寸感知的柔性抓取任务提供了重要的技术支撑。该论文发表于《LWT》。