基于激光掃描的蔬菜種子形態特征測量方法研究

尹文慶 楊瑞江 張健華 蔣麗 唐黎 吳思遠

摘? 要：蔬菜種子的形態特征測量在評估種子質量的過程中起著重要作用，但由于蔬菜種子體積小、形狀不規則，測量精度很難提高。為了實現蔬菜種子形態特征的精確測量，提出了基于激光掃描的蔬菜種子形態測量方法。利用激光掃描技術采集種子的三維點云數據，應用近鄰點距離傳播算法對點云進行噪聲濾波處理，并采用移動最小二乘法和重采樣算法進行平滑處理及漏洞修復，通過貪婪投影三角化算法構建蔬菜種子表面的三角網格模型，計算種子的體積值和表面積值，通過生成模型的OBB包圍盒得出種子的長寬厚值，并與用千分尺測量的結果進行對比，計算值與人工測量值的差值均<0.1mm，相對誤差均<2%。實驗結果證明了基于激光掃描的蔬菜種子形態特征測量方法的準確性和有效性。

關鍵詞：激光掃描技術;激光傳感器;蔬菜種子;形態特征測量;點云數據

中圖分類號：TH741? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? DOI：10.11974/nyyjs.20181233002

引言

蔬菜是人們日常飲食中必不可少的一種食物，而蔬菜種子的優劣影響著蔬菜生產產量和品質。蔬菜種子的三維形態特征是判斷種子優劣的重要依據之一，因此，種子的形態特征測量是蔬菜產業中不可缺少的環節之一。

人工測量結合科學的計算方法曾廣泛應用于種子大小形狀的測量中，但由于種子體積小，人工測量繁瑣復雜且誤差大。隨著計算機圖像處理技術在農業工程應用中的快速發展，由數字圖像處理技術獲取種子特征的方法簡化了測量過程且提高了精度，由于種子形狀不規則，而圖像是三維景物的二維投影，并不具備復現三維景物所有幾何信息的能力，且在獲取圖像時，受圖像像素、拍攝環境、拍攝角度等因素的影響，仍會產生誤差。

目前，激光掃描技術日益成熟且應用廣泛。三維激光掃描儀具有高效率、高精度的特點，可以在不接觸被測物體的情況下快速準確地采集到物體的三維點云數據，并輸入到計算機設備中進行特征參數計算。因此，本文利用激光掃描技術獲取蔬菜種子表面的點云數據，在此基礎上，計算獲取蔬菜種子形態特征參數。

1? ? ?激光掃描儀及原理

1.1? ? ?激光三角法原理

激光發生器中射出的激光由直線傳播聚焦到待測物體表面并生成一個激光點，激光點經物體表面反射進入CCD鏡頭，CCD鏡頭接收后得到一個像點。待測物體表面不同的點經上述過程得到的坐標也不同，根據兩點之間的對應關系，即可計算出物體表面待測點的位置高度。

如圖1所示，將線型激光源投射到蔬菜種子表面，反射后的光線經過光學透鏡在CCD鏡頭中成像，根據光路間的三角幾何關系，即可測得蔬菜種子表面映射點的三維坐標。h是蔬菜種子表面映射點P相對于基準面的高度，x是光學透鏡的像距，y是光學透鏡的物距，α是激光線與成像光軸間的夾角，O′、P′分別是O、P兩點在CCD鏡頭中的像點，h′為像點O′、P′的距離。

根據光路間的三角幾何關系，蔬菜種子表面映射點P相對于蔬菜種子位置下方基準面的高度為：

1.2? ? ?激光掃描系統

選用的三維線激光線掃描儀，最高掃描精度可達±0.01mm。如圖2所示，在系統初始化完成后，通過運動控制卡和圖像采集卡驅動測量頭，實現蔬菜種子表面輪廓的數字化過程，并將測得的點云數據以文本文件.txt的形式存儲在計算機中，以便后續的分析處理。

2? ? ?點云數據的采集及預處理

2.1? ? ?點云配準

在種子點云采集過程中，一次掃描只能采集到種子部分表面的點云數據并且可能出現平移錯位和旋轉錯位。為了獲取蔬菜種子表面的完整信息，需要進行多次測量，根據不同蔬菜種子的不同形狀特征，選取黃瓜和牛角椒種子的2個面以及黃秋葵種子的四個面分別進行測量，在采集到種子分片點云后，將種子不同面的分片點云進行配準，如下圖3所示。

2.2? ? ?點云預處理

2.2.1? ? ?噪聲濾波

實際中，掃描時會受到人為或隨機因素的影響，如種子表面的粗糙程度、CCD鏡頭的振動等，導致點云數據中摻雜少量離群點。近鄰點距離傳播算法是利用主體點數量比離群點大得多的特點，設定點與其近鄰點的距離閾值，以點與點之間距離<閾值為約束進行傳播，直到點的數目計算完畢，將數目小得多的點視為離群點刪除。如圖4（a）所示，主體點云較遠處有少量離群點，計算種子形態特征之前需去除噪聲點。以黃瓜種子點云為例，圖（b）為噪聲點濾除效果。

2.2.2? ? ?平滑處理及漏洞修復

在噪聲濾波處理中，去除的噪點是離種子點云較遠的離群點，但還有一些噪聲點與真實點混雜在一起，直觀上表現為點云表面有很多“粗糙毛刺”，且會出現重疊層的情況，影響后續形態特征計算的精度。采用移動最小二乘法（MLS），即對權函數影響區域內節點按加權最小二乘法進行擬合，取合適的權函數來進行曲面平滑，通過重采樣算法，對周圍數據點進行高階多項式插值來重建表面缺失的部分。以噪聲濾波處理后的黃瓜種子點云為樣本，平滑處理及漏洞修復前的點云如圖5（a）所示，平滑處理及漏洞修復后的點云如圖5（b）所示。

3? ? ?種子形態特征的計算

采用貪婪投影三角化算法，即將種子點云投影到二維坐標平面內，再進行平面內的三角化，根據平面內三位點的拓撲連接關系得到種子三角網格模型。圖6為黃瓜種子的三角網格模型。

3.1? ? ?表面積的計算

三角網格模型由若干個三角面構成，已知每個三角形的頂點坐標，利用歐幾里德距離公式可求得第i個三角形的三條邊的邊長分別為Ai，Bi，Ci，由海倫公式可得，第i個三角形的周長Pi=1/2（Ai+Bi+Ci），則第i個三角形面積為Si=Pi*（Pi+Ai）*（Pi+ Bi）*（Pi+ Ci），模型的總表面積S為所有三角形的面積Si之和。

3.2? ? ?體積的計算

任意三角面與其指定的投影平面所圍成的凸五面體稱為該三角面的投影體（如圖7所示），該凸五面體的體積即為三角面的投影體體積Vi，若三角網格模型的所有三角面圍成的空間區域是封閉的，該模型的體積即可由所有三角面的帶符號投影體體積之和計算，如圖8所示，一長為a、寬為b、高為c的長方體，長方體的下底面與投影平面的距離為h，將該長方體的每個面細分成三角面，長方體體積即可由所有三角面的投影體體積之和計算，由于長方體的側面與投影平面垂直，投影體體積為0，因此長方體體積為：

將三角網格化后的種子點云遞歸細分成更小的三角面片，種子體積V可由其三角網格模型中的所有三角面的帶符號投影體積Vi之和來計算。

3.3? ? ?長寬厚的計算

有向OBB包圍盒（Oriented Bounding Box）是最貼近三維幾何體的平行六面體。其位置和方向是利用模型對象頂點坐標的一階（均值）及二階（協方差矩陣）統計特性來計算的，其最大的特點是方向的任意性，根據被包圍物體的形狀特點任意旋轉，如圖8為黃瓜種子的有向OBB包圍盒。

種子的長L、寬W、厚H即為包圍盒的長寬高，分別對應x、y、z坐標值的最大值與最小值之差，即xmax-xmin、ymax-ymin、zmax-zmin。

4? ? ?結果和分析

4.1? ? ?體積與表面積

選取黃瓜種子、牛角椒種子、黃秋葵種子各20顆作為試驗樣品，采集種子表面點云并計算每顆種子的體積V和表面積S，結果如圖10所示。

由于蔬菜種子表面不光滑且形狀不規則，真實值難以測量，為了驗證該方法的有效性，選取與實驗種子形狀相近的規則橢球體和球體（如圖12所示，a=4.3mm，b=1.2mm，c=2.1mm，r=2.2mm）進行計算，并與其真實值進行分析對比，結果如表1所示，相對誤差（取絕對值）在1.5%左右，驗證了體積表面積算法的有效性。

4.2? ? ?長寬厚

選取黃瓜種子、牛角椒種子、黃秋葵種子各20顆作為試驗樣品，采集種子表面點云并計算每顆種子的長L、寬W、厚H，結果如圖13至15所示，將計算的結果與用千分尺測量的結果進行分析對比，黃瓜種子的長寬厚計算值與人工測量的實際值最大差值分別為0.09mm、0.09mm、0.10mm，牛角椒種子的長寬厚計算值與人工測量的實際值的最大差值分別為0.09mm、0.09mm、0.10mm，黃秋葵種子的長寬厚計算值與人工測量實際值的最大差值分別為0.07mm、0.08mm、0.08mm，種子的長、寬、厚計算值與人工測量值的差值均<0.1mm，相對誤差均<2%。結果證明了基于激光掃描的蔬菜種子形態特征測量方法的有效性。

5? ? ?結論

以種子的完整三維點云為基礎，采用貪婪投影三角化法構建蔬菜種子的三角網格模型，計算種子的體積值和表面積值，并利用對規則橢球體和球體的表面積、體積的測量驗證了該方法的有效性。

通過生成種子模型的OBB包圍盒得出種子的長寬厚值，并與用千分尺測量的結果進行對比，計算值與人工測量值的差值均<0.1mm，相對誤差均<2%，結果證明了該方法的準確性和有效性。

參考文獻

[1]張義君.豆科種子鑒別方法的研究Ⅲ、種子大小的測量和表示方法[J].種子，1984（4）：32-35.

[2] Myeong H.Kim，Eun G.Choi，Gyeong Y.Baek，Chi H.Kim，Byeong O.Jink，Byeong E.Moon，Byeong E.Moon，Dong E.Kim，Hyeon T.Kim.Lettuce growth prediction in plant factory using image processing technology[J].IFAC Proceedings Volumes，2013，46（4）：62-67.

[3] Qiu Hong Ke，Jun Mei Zhang，YeTian.Arabidopsis Growth Analysis Using Image Processing Technology[J].Advanced Materials Research，2013，2450（712）：271-313.

[4]李錦衛，廖桂平.基于數字圖像處理的油菜種子形狀特征參數提取及模糊聚類分析[J].計算機輔助工程，2006（3）：75-78.

[5]戈廣雙，李子龍，楊凱，馬瑞鑫.基于激光掃描測距的機器人粒子濾波定位技術研究[J].傳感器與微系統，2017，36（12）：36-39.

[6]楊明珠.基于三維激光掃描點云數據特征點提取及建筑物重建[D].昆明：昆明理工大學，2017.

[7]章金敏.基于激光三角法的物體三維輪廓測量系統[D].武漢：武漢理工大學，2015.

[8]曹鵬，尹文慶，吳林華，等.基于激光傳感器的稻種輪廓形狀測量方法研究[J].傳感器與微系統，2017，36（3）：29-32.

[9]郝慧麗，劉先勇.含噪點云預處理技術研究[J].微型機與應用，2012，31（12）：68-70.

[10]吳曉慶，黃玉清.基于移動最小二乘法的點云平滑及重采樣[J].微型機與應用，2017，36（11）：47-49，53.

[11]朱化紅.基于Delaunay生長法的三維點云曲面建模研究[D].成都：成都理工大學，2016.

[12]張小青.基于三角網格模型的文物幾何信息計算[D].北京：北京建筑工程學院，2012.

[13]王泉德.任意三角網格模型體積的快速精確計算方法[J].計算機工程與應用，2009，45（18）：32-34，58.

[14] S.E.Kim，J.K.Han，J.G.Kim.An efficient scheme for motion estimation using multireference frames in H.264/AVC[J].IEEE Trans Multimedia，2006，8（3）：457-466.

作者簡介：尹文慶，湖北人，男，教授。