[0046] 將父代粒子與子代粒子合并，基于非支配關系進行篩選得到目標粒子群，并引入自適應權重因子和方向修正因子對粒子速度進行更新，生成新的位置向量，重復迭代直到滿足預設的終止條件，得到廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集； [0047] 其中，自適應權重因子的計算公式如下： [0048] ； [0049] 其中， 表示自適應權重因子，ωmax表示慣性權重的上界，ωmin表示慣性權重的下界， 表示粒子i在第t次迭代時的適應度值， 表示當前粒子群的最小適應度值， 表示當前粒子群的平均適應度值； [0050] 方向修正因子的計算公式如下： [0051] ； [0052] 其中，表示方向修正因子，αmax表示方向修正因子的上界，粒子i在第t次迭代時的位置， 表示粒子k在第t次迭代時的位置，||·||2表示歐式距離，N表示粒子的數(shù)量。 [0053] 本發(fā)明實施例的第二方面， [0054] 提供一種廊道封閉采收自動識別系統(tǒng)，包括： [0055] 第一單元，用于獲取廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)，所述環(huán)境參數(shù)包括溫度、濕度和二氧化碳濃度，根據(jù)預設的植物生長模型，結(jié)合所述環(huán)境參數(shù)，計算廊道內(nèi)植物的生長狀況，得到植物生長數(shù)據(jù)；同時實時獲取廊道內(nèi)植物的圖像并進行分割處理，得到植物區(qū)域圖像，提取植物區(qū)域圖像的顏色、紋理和形狀特征，輸入至預先訓練的狀態(tài)識別模型中，識別植物的成熟度，得到植物成熟度數(shù)據(jù)； [0056] 第二單元，用于根據(jù)植物生長數(shù)據(jù)和植物成熟度數(shù)據(jù)，判斷廊道內(nèi)植物是否達到采收條件，若植物達到采收條件，則控制采收執(zhí)行機構對廊道內(nèi)的植物進行采收操作，并獲取采收量數(shù)據(jù)，基于采收量數(shù)據(jù)，計算商品率和庫存量； [0057] 第三單元，用于分別將計算得到的商品率和庫存量與預設商品率閾值和庫存量閾值進行比較，若商品率低于預設商品率閾值或庫存量高于預設庫存量閾值，則調(diào)整廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)，控制廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)以優(yōu)化植物生長狀況；根據(jù)調(diào)整后的環(huán)境參數(shù)，重復執(zhí)行計算商品率和庫存量的步驟，直至商品率達到預設商品率閾值且?guī)齑媪康陀陬A設庫存量閾值，完成廊道封閉采收自動識別。 [0058] 本發(fā)明實施例的第三方面， [0059] 提供一種電子設備，包括： [0060] 處理器； [0061] 用于存儲處理器可執(zhí)行指令的存儲器； [0062] 其中，所述處理器被配置為調(diào)用所述存儲器存儲的指令，以執(zhí)行前述所述的方法。 [0063] 本發(fā)明實施例的第四方面， [0064] 提供一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序指令，所述計算機程序指令被處理器執(zhí)行時實現(xiàn)前述所述的方法。 [0065] 在本實施例中，通過監(jiān)測環(huán)境參數(shù)、計算植物生長狀況，并結(jié)合計算機視覺識別植物成熟度，實現(xiàn)了對采收條件的自動精準識別，不再需要人工主觀判斷，提高了采收自動化水平。根據(jù)實際采收結(jié)果動態(tài)調(diào)整環(huán)境參數(shù)，形成閉環(huán)控制，能夠根據(jù)不同種植品種和生長周期個性化地優(yōu)化環(huán)境條件，使植物生長達到最佳狀態(tài)。通過視覺識別植物成熟度，能夠在最佳采收時機進行采收，避免過早或過晚采收導致的品質(zhì)下降。預設商品率和庫存量閾值，將采收結(jié)果數(shù)字化，有利于標準化和智能化的生產(chǎn)管理，提高管理效率和決策水平。個性化環(huán)境控制使植物生長達到最佳狀態(tài)，從而最大限度地提高單位面積產(chǎn)量。自動化采收識別替代人工操作，大幅降低勞動強度，提升采收效率。 附圖說明 [0066] 圖1為本發(fā)明實施例廊道封閉采收自動識別方法的流程示意圖； [0067] 圖2為本發(fā)明實施例廊道封閉采收自動識別系統(tǒng)的結(jié)構示意圖。 具體實施方式 [0068] 為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。 [0069] 下面以具體地實施例對本發(fā)明的技術方案進行詳細說明。下面這幾個具體的實施例可以相互結(jié)合，對于相同或相似的概念或過程可能在某些實施例不再贅述。 [0070] 圖1為本發(fā)明實施例廊道封閉采收自動識別方法的流程示意圖，如圖1所示，所述方法包括： [0071] S101.獲取廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)，所述環(huán)境參數(shù)包括溫度、濕度和二氧化碳濃度，根據(jù)預設的植物生長模型，結(jié)合所述環(huán)境參數(shù)，計算廊道內(nèi)植物的生長狀況，得到植物生長數(shù)據(jù)；同時實時獲取廊道內(nèi)植物的圖像并進行分割處理，得到植物區(qū)域圖像，提取植物區(qū)域圖像的顏色、紋理和形狀特征，輸入至預先訓練的狀態(tài)識別模型中，識別植物的成熟度，得到植物成熟度數(shù)據(jù)。

采收執(zhí)行機構根據(jù)接收到的采收指令和目標果實的三維位姿信息，結(jié)合廊道環(huán)境地圖，采用分布式任務分配算法，對采收任務進行分解和優(yōu)化，生成每個采收機器人的目標區(qū)域和導航路徑，并將其發(fā)送至對應的采收機器人； 采收機器人根據(jù)接收到的目標區(qū)域和導航路徑，通過自主導航算法移動至指定位置，以三維位姿誤差為反饋信號，通過自適應模糊控制算法，控制多自由度機械臂的關節(jié)運動，實時調(diào)整機械臂的運動軌跡和速度，使末端執(zhí)行器與目標果實精確對準； 末端執(zhí)行器通過自適應調(diào)節(jié)抓手內(nèi)部的充氣腔體，使抓手與目標果實表面柔和貼合，同時利用近紅外光譜儀采集目標果實表面的反射光譜數(shù)據(jù)，通過光譜分析算法評估果實的成熟度和品質(zhì)參數(shù)，得到品質(zhì)評估值； 采收機器人以得到的品質(zhì)評估值作為獎勵函數(shù)，以機械臂關節(jié)角度、速度和抓取力度作為動作空間，以目標果實的三維位姿信息、大小、成熟度和環(huán)境障礙物信息作為狀態(tài)空間，構建深度強化學習框架，使采收機器人通過與環(huán)境的交互探索，學習在動態(tài)變化的環(huán)境中自適應調(diào)整采摘策略。 6.根據(jù)權利要求1所述的方法，其特征在于，分別將計算得到的商品率和庫存量與預設商品率閾值和庫存量閾值進行比較，若商品率低于預設商品率閾值或庫存量高于預設庫存量閾值，則調(diào)整廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)，控制廊道封閉區(qū)域內(nèi)的環(huán)境參數(shù)以優(yōu)化植物生長狀況包括： 將廊道封閉采收環(huán)境的商品率、庫存量和能耗作為多目標優(yōu)化問題的目標函數(shù)，建立包含溫度、濕度和光照環(huán)境參數(shù)的決策變量向量，構建多目標優(yōu)化模型； 利用多目標優(yōu)化算法求解所述多目標優(yōu)化模型，并引入智能變異操作符和智能交叉操作符，自適應調(diào)整多目標優(yōu)化算法參數(shù)，得到廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集； 基于廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集，引入農(nóng)業(yè)生產(chǎn)需求導向的決策偏好信息，通過設置商品率、庫存量和能耗目標權重，以及定義的目標滿意度閾值和模糊決策規(guī)則，對最優(yōu)解集中的環(huán)境參數(shù)組合進行評價和排序，并結(jié)合農(nóng)業(yè)專家知識和實踐經(jīng)驗，得到最優(yōu)的環(huán)境參數(shù)組合，并生成環(huán)境參數(shù)的智能調(diào)優(yōu)方案，將得到的智能調(diào)優(yōu)方案應用于廊道封閉采收環(huán)境的實際控制過程。 7.根據(jù)權利要求6所述的方法，其特征在于，利用多目標優(yōu)化算法求解所述多目標優(yōu)化模型，并引入智能變異操作符和智能交叉操作符，自適應調(diào)整多目標優(yōu)化算法參數(shù)，得到廊道封閉采收環(huán)境參數(shù)的最優(yōu)解集包括：