返回首页
回到顶部
一、作品名称
塑料大棚智能除雪机器人（AI视觉增强版）
二、参赛组别
创意智造组
三、创意来源：从真实痛点出发的AI赋能使命
本项目源于对我国北方冬季农业大棚积雪灾害的深切关注。传统人工除雪效率低下、危险极高，我们团队在研学中亲眼目睹果农的艰辛。我们决心运用所学，不仅打造一个自动除雪机器人，更希望赋予它“眼睛”和“大脑”，让它能像人一样观察、思考，更智能地应对复杂雪情。Mind+ V2的AI工具箱为我们打开了这扇门，让我们能将前沿的模型训练技术，融入解决真实农业问题的创意实践中。
四、设计目标与AI赋能愿景
核心目标：研发一款能自主完成“监测-判断-执行”闭环的棚顶除雪机器人原型，保障人身与财产安全。
AI赋能愿景：利用Mind+ V2的模型训练功能，突破传统传感器方案的局限，为机器人注入视觉感知与智能决策能力，实现从“自动化”到“智能化”的跨越，探索AI在智慧农业中的轻量化落地路径。
五、作品简介与核心创新点
本作品是一个深度融合了物联网硬件控制与Mind+ V2 AI模型的软硬件结合系统。在实现自动除雪基础功能之上，我们重点引入了AI视觉识别，让机器人“看得懂”雪情。
| 创新维度 | 具体说明 | Mind+ V2 功能体现 |
| 1. 感知创新：AI视觉融合感知 | 独创 “超声波定量测厚 + AI视觉定性识别”双模感知系统。除超声波传感器精准测量厚度外，我们利用Mind+ V2的图像分类模型训练功能，自制了“棚顶积雪状态识别模型”。机器人通过摄像头，可实时识别“无雪”、“薄雪”、“厚雪”、“积雪不均”等多种状态，为决策提供更丰富的上下文信息。 | 使用Mind+ V2采集并标注了数百张不同时段、不同光照下的大棚棚顶图像，训练出专属的图像分类模型（.mpmodel文件），并一键部署到行空板。 |
| 2. 决策创新：数据融合的智能判断 | 决策逻辑从单一的“阈值判断”升级为 “多源数据融合决策”。主控程序（基于Mind+图形化编程或Python）会综合超声波数据、AI视觉识别结果，甚至温湿度数据，做出更精准、更稳健的启动判断。例如，在光线昏暗导致视觉置信度低时，优先信赖超声波数据；识别到“积雪不均”时，可控制机器人移动至重点区域作业。 | 在Mind+ V2编程环境中，将训练好的AI模型作为新的积木块，与传感器读取、逻辑判断、硬件控制等积木灵活组合，构建出更强大的控制程序（.mpcode文件）。 |
| 3. 执行创新：非接触式安全除雪 | 采用基于伯努利原理的高压气吹除雪方案，确保高效清雪的同时绝不损伤脆弱棚膜。执行机构与AI感知系统联动，未来可探索基于视觉反馈的动态功率调节。 | 硬件执行控制通过Mind+ V2的丰富硬件库和图形化指令实现，与AI模块无缝协同。 |
| 4. 系统创新：端-边-云协同架构 | 构建了“边缘AI（行空板）+ 云端监控”的轻量级物联网系统。行空板负责本地的实时感知、AI推理与控制；同时通过Wi-Fi将关键数据与识别结果上传至云端平台（如SIoT），用户可通过手机APP远程查看“不仅是数据，还有机器人看到的画面分析结果”，实现可视化监控。 | Mind+ V2简化了AI模型在边缘设备（行空板）上的部署过程，并提供了网络通信模块，使得集成物联网功能变得非常便捷。 |
六、系统构成与工作原理（融入AI工作流）
智能感知层：
AI视觉模块：摄像头采集棚顶图像，调用部署在行空板上的、由Mind+ V2训练的图像分类模型进行实时推理，输出积雪状态类别。
传感器模块：超声波传感器精确测量积雪厚度，温湿度传感器监测环境。
融合决策层（行空板“大脑”）：
运行基于Mind+ V2开发的主控程序。程序核心是一个融合决策算法：它接收AI视觉的识别结果和传感器的量化数据，通过自定义的逻辑规则（如“视觉识别为‘厚雪’且超声波厚度>12cm”），做出是否启动除雪、或前往特定区域的决策。
精准执行层：
收到决策指令后，通过电机驱动模块控制履带底盘移动，通过继电器模块启动高压鼓风机进行吹雪作业。
物联网交互层：
行空板将AI识别结果（如“当前状态：厚雪”）、传感器数据、机器人状态等通过MQTT协议上传至云端，并可在手机端进行可视化展示与远程控制。
七、制作过程与技术难点（突出AI模型训练）
完整流程：我们严格遵循 “真实问题定义 → 数据采集与标注 → AI模型训练与优化 → 模型部署与集成 → 系统联调测试” 的完整AI应用开发流程。
核心难点与攻克（AI相关）：
难点1：高质量训练数据获取。大棚环境光照变化大，积雪反光特性复杂。
解决方案：我们利用Mind+ V2的数据采集工具，在不同天气、不同时段实地拍摄并收集了覆盖多种场景的棚顶图像超过500张，并进行了精细标注，构建了高质量的数据集。
难点2：轻量化模型在边缘设备上的部署与效率。
解决方案：利用Mind+ V2针对嵌入式设备的优化功能，选择适合行空板算力的轻量级模型结构进行训练。通过多次迭代，在保证识别准确率的前提下，将模型推理速度优化到满足实时性要求（单次推理<500ms）。
难点3：AI模型与传统控制程序的有机融合。
解决方案：深入学习Mind+ V2的图形化编程逻辑，将AI模型输出作为一个关键变量，巧妙地融入到已有的“感知-判断-执行”控制流程中，实现了“1+1>2”的系统效能。
八、成果与成效（量化AI价值）
实物成果：成功制作出集成自定义AI视觉模型的智能除雪机器人“棚安二号”。它不仅能自动除雪，还能“汇报”它“看到了什么”。
技术成效：
AI模型准确率：在自建测试集上，积雪状态识别模型准确率达到92%。
系统可靠性：双模感知系统有效降低了因单一传感器失效或误报导致的系统故障，全流程任务成功率提升至95%以上。
创新展示：项目完整包含了 Mind+ V2模型训练项目文件（.mpmodel） 和 主控程序项目文件（.mpcode），充分体现了从数据到模型、再到应用的全链条能力。
社会与教育价值：项目是“AI重构生活”的生动案例，将前沿的AI技术用于解决朴素的农业问题。它也成为我们学习AI应用开发的绝佳实践，让我们深刻理解了从数据到智能的完整闭环。
九、未来展望：持续迭代的AI智能体
我们计划利用Mind+ V2更多的AI功能进行迭代：
• 探索目标检测模型，用于精确识别积雪覆盖区域，实现更精准的路径规划。
• 尝试时序模式识别，分析历史雪情数据，预测积雪速度，实现预防性除雪。
• 进一步优化模型，向更低成本、更低功耗的硬件部署，助力大规模应用。
十、团队成员与指导
学生团队：博雅创客团队
特别鸣谢：DF创客社区提供的Mind+ V2平台与学习资源，让我们能够轻松触碰AI，创造改变。
附件准备
1. 作品实物图；
2. AI模型训练界面截图及数据标注示例；
3. 系统工作原理图；
4. 云端监控界面截图；
5. 演示视频链接，视频中展示数据采集、模型训练、部署集成及实地运行全过程。
他的勋章
评论