Optimizing strawberry picking scheduling with robots: a neural network and graph-based path minimization approach

The need for efficient and high-performing agricultural robots has increased due to population growth and socio-political factors reducing the labor force in this sector. Developing automated agricultural systems is essential for increasing production, reducing waste, and remaining cost-effective. Fruit harvesting, particularly strawberries, presents a significant challenge for automation due to their growth patterns, which require advanced manipulators. While systems for automated strawberry picking exist, optimization remains an issue as the shortest path is not always the most efficient due to occlusion. This thesis proposes a novel method for optimizing the picking order by considering both path length and picking difficulty. A metric will be established to define picking difficulty, creating a baseline reference for paths and developing a system that uses neural networks to predict them. The system development is divided into three phases. First, picking difficulty will be defined, and an image classification model will be trained to distinguish more difficult-to-pick strawberries. A successful outcome in this phase will allow progression to the next stages. Second, a baseline for picking orders will be established using graph-based path planning algorithms, treating the problem as a Traveling Salesman Problem, and employing brute force, A*, and Genetic Algorithms to ensure diverse and generalizable results. In the third, Self-Organizing Maps will be used to compute the paths, integrating the model from the first phase to predict picking difficulty. The results indicate that while the final system performs poorly compared to A* and brute force algorithms, it shows potential when compared to the Genetic Algorithm. In conclusion, the developed system has considerable room for improvement, either by adopting different methods to compare picking orders or by enhancing the existing model for classifying picking difficulty and refining the Genetic Algorithm.

La necessità di robot agricoli efficienti e ad alte prestazioni è aumentata a causa della crescita della popolazione e di fattori socio-politici che riducono la forza lavoro in questo settore. Sviluppare sistemi agricoli automatizzati è essenziale per aumentare la produzione, ridurre gli sprechi e mantenere i costi contenuti. La raccolta della frutta, in particolare delle fragole, presenta una sfida significativa per l'automazione a causa dei loro schemi di crescita, che richiedono manipolatori avanzati. Sebbene esistano sistemi per la raccolta automatizzata delle fragole, l'ottimizzazione della loro raccolta resta una sfida irrisolta poiché il percorso più breve per raccoglierle, non è sempre il più efficiente a causa delle situazioni di occlusione che vengono a formarsi durante la crescita delle fragole stesse. Questa tesi propone un metodo innovativo per ottimizzarne l'ordine di raccolta considerando sia la lunghezza del percorso che la difficoltà di raccolta. Sarà stabilita una metrica per definire la difficoltà nel raccogliere ciascuna fragola, creando un riferimento di base per i percorsi e sviluppando un sistema che utilizzi reti neurali per predirli. Lo sviluppo del sistema è diviso in tre fasi. Innanzitutto, sarà definita la difficoltà di raccolta e verrà addestrato un modello di classificazione delle immagini per distinguere le fragole più difficili da raccogliere. Un esito positivo in questa fase permetterà di progredire alle fasi successive. In secondo luogo, sarà stabilito un riferimento di base per gli ordini di raccolta utilizzando algoritmi di ottimizzatione del percorso basati su grafi, trattando il problema come un Problema del Commesso Viaggiatore e impiegando algoritmi di forza bruta, A* e genetici per garantire risultati diversificati e generalizzabili. Infine, saranno utilizzate le Self-Organizing Maps per calcolare il percorso, integrando, inoltre, il modello della prima fase per predire la difficoltà di raccolta. I risultati indicano che, sebbene il sistema abbia prestazioni scarse se confrontato con gli algoritmi A* e di forza bruta, mostra del potenziale se confrontato con l'Algoritmo Genetico. In conclusione, il sistema sviluppato ha ampi margini di miglioramento, sia adottando metriche diversi per confrontare gli ordini di raccolta sia migliorando il modello esistente per classificare la difficoltà di raccolta e affinando l'Algoritmo Genetico.