1.一种基于深度学习与深度信息融合的葡萄采摘方法，其特征在于：所述基于深度学习与深度信息融合的葡萄采摘方法包括：采集葡萄的图片，获取RGB图及深度图，并将两者对应的像素点叠加后，输入至训练好的葡萄识别模型，得到可采摘的葡萄的ROI区域；

利用基于深度信息的canny算法获取ROI区域内的葡萄轮廓，利用系数矩阵和葡萄的ROI区域获取果梗的ROI区域，然后利用葡萄轮廓内的深度信息得到果梗的深度区间；

结合果梗的深度区间对果梗的ROI区域内的深度图二值化处理，得到果梗的二值图；

将果梗的二值图与果梗的ROI区域图掩膜叠加，得到剔除背景的果梗的RGB图，再进行灰度转化、双边滤波及图像细化处理，得到果梗的骨骼图；

剔除果梗的骨骼图中边缘以及与垂直方向夹角较大的骨骼线，并筛选出最长的骨骼线计算得到的中点，为对应的二维采摘点；

以二维采摘点为中心，选取n×n的范围并遍历范围内的每个点，剔除深度值不在果梗深度区间的点，取剩余点的深度值的平均值作为采摘点的深度值；

将二维采摘点和采摘点的深度值结合，得到三维的采摘点，再配合采摘葡萄的机械臂的执行器，完成对葡萄的采摘，直至所有葡萄都采摘完成；

其中，所述利用基于深度信息的canny算法获取ROI区域内的葡萄轮廓包括：用葡萄的ROI区域内的平均深度剔除部分背景，以从左往右、自上而下的顺序遍历葡萄的ROI区域内所有点，根据目标葡萄点的深度值与周围点深度值的特征，对目标葡萄点进行标记，根据标记点的值对图像进行二值化后，输入至canny算法中检测得到葡萄轮廓，且M(x,y)＝|f(x,y)*Sobelx(x,y)|+|f(x,y)*Sobely(x,y)|；

其中，d(x,y)为在点(x,y)处的深度值，δ为深度差阈值，f(x,y)为在点(x,y)处的标记值，M(x,y)为在点(x,y)处的梯度，θM为在点(x,y)处的梯度方向，Sobelx(x,y)、Sobely(x,y)分别为水平、垂直方向上的三阶Sobel算子；

所述利用系数矩阵和葡萄的ROI区域获取果梗的ROI区域包括：

根据葡萄的ROI区域的位置及尺寸，引入系数矩阵 并通过葡萄的ROI区域，计算获得果梗的ROI区域如下，且以YOLO格式表示：

其中，x1、y1、w1、h1表示为YOLO格式下葡萄的ROI区域，xstem、ystem、wstem、hstem表示为YOLO格式下果梗的ROI区域，ρ、σ、τ、 表示为0‑1的数值；

所述然后利用葡萄轮廓内的深度信息得到果梗的深度区间包括：

利用葡萄轮廓的深度信息结合修正系数，得到果梗的深度区间如下：

dmin≤d≤dmin+Δw；

而，

其中，d表示果梗上任一点的深度值，dmin表示葡萄轮廓内的最小深度值，(x1,y1)表示葡萄轮廓中最左侧的点，d(x1,y1)表示点(x1,y1)处的深度值，(x2,y2)表示葡萄轮廓中最右侧的点，d(x2,y2)表示点(x2,y2)处的深度值，Δw表示果梗的ROI区域帧图像像素宽度，α、β表示修正系数。

2.如权利要求1所述的基于深度学习与深度信息融合的葡萄采摘方法，其特征在于：所述葡萄识别模型训练时，按照不同角度、不同天气状态和不同时间段采集葡萄的图片若干张，对每张图片中葡萄所在的区域进行标注，并划分为训练集图片和验证集图片，将每张训练集图片利用深度学习模型识别训练，得到葡萄识别模型，并用验证集图片对得到的葡萄识别模型进行验证。

3.如权利要求1所述的基于深度学习与深度信息融合的葡萄采摘方法，其特征在于：所述葡萄识别模型为YOLOv5s。

4.如权利要求2所述的基于深度学习与深度信息融合的葡萄采摘方法，其特征在于：所述用验证集图片对得到的葡萄识别模型进行验证包括：通过计算葡萄识别模型的精度和召回率，并将精度及召回率绘制P‑R曲线，进一步计算出平均精度，平均精度值越大，表示葡萄识别模型越可靠；

且，

其中，Precision表示葡萄识别模型的精度，Recall表示葡萄识别模型的召回率，TP表示真的正样本数，FP表示假的负样本数，FN表示真的负样本数。

5.如权利要求1所述的基于深度学习与深度信息融合的葡萄采摘方法，其特征在于：所述结合果梗的深度区间对果梗的ROI区域内的深度图二值化处理，得到果梗的二值图包括：对果梗的ROI区域内符合深度值在深度区间的像素点的值设为255，不符合的像素点的值设为0，得到：其中，d(x,y)表示在点(x,y)处的深度值，τ(x,y)表示在点(x,y)处二值化后的值。

6.如权利要求5所述的基于深度学习与深度信息融合的葡萄采摘方法，其特征在于：所述将果梗的二值图与果梗的ROI区域图掩膜叠加，得到剔除背景的果梗的RGB图，再进行灰度转化、双边滤波及图像细化处理，得到果梗的骨骼图，包括：灰度转化：

双边滤波：

其中，Gray(x,y)表示在点(x,y)处的灰度值，R、G、B表示每个像素中三通道的数值，a、b、c依次表示R、G、B通道上的系数，G(i,j)表示点(i,j)经双边滤波处理后输出的点，w(i,j,x,y)表示双边滤波器的系数。

7.如权利要求1所述的基于深度学习与深度信息融合的葡萄采摘方法，其特征在于：所述以二维采摘点为中心，选取n×n的范围并遍历范围内的每个点，剔除深度值不在果梗深度区间的点，取剩余点的深度值的平均值作为采摘点的深度值，公式如下：而，

其中， 表示采摘点的深度值，n表示选取的n×n范围的边长，w0、w1分别表示果梗二值2

图上左、右边界点，h表示为果梗二值图的高度，i的取值为0‑n的整数，m表示符合的点的数量，[dmin,dmin+Δw]表示果梗的深度区间。