基于激光傳感器的稻種輪廓形狀測量方法研究*

曹 鵬， 尹文慶， 吳林華， 王 川， 范 麗， 楊志軍

(南京農業大學 工學院 江蘇省農業智能化裝備重點實驗室，江蘇 南京 210031)

基于激光傳感器的稻種輪廓形狀測量方法研究*

曹 鵬， 尹文慶， 吳林華， 王 川， 范 麗， 楊志軍

(南京農業大學 工學院 江蘇省農業智能化裝備重點實驗室，江蘇 南京 210031)

稻種輪廓形狀測量是稻種基于形狀特征識別的前提條件。以激光傳感器采集到的稻種表面點云為基礎，提出了一種基于主平面剖視圖投影的稻種輪廓形狀測量方法。通過主成份分析法校正點云模型的坐標系，利用主平面投影法獲取稻種的六視圖投影模型，應用Alpha Shape算法提取投影點云模型的邊緣輪廓，并計算稻種投影模型的周長、面積、長、寬、長寬比、最大半徑、最小半徑、半徑比、圓形度等9個形狀特征參數。選取大華香糯、豫粳6號、新稻10號3大類，每種各200粒稻種作為試驗樣品，采用徑向基函數(RBF)神經網絡模型對提取到的形狀特征進行訓練識別，識別率分別達到96 %，94 %，98 %。結果表明: 基于激光傳感器的稻種輪廓形狀測量方法能夠較好地適用到稻種識別中。

激光傳感器； 稻種； 無損檢測； 點云； 徑向基函數神經網絡

0 引 言

水稻是我國主要糧食作物，優良的稻種其增產作用是顯著的，但是在稻種中經常參雜著其他劣質種子，稻種純度降低，導致產量降低，因此，需要準確地檢測出稻種的純度，保證水稻的穩產高產。

常用的檢測技術有光譜技術[1～3]、電子鼻技術[4～6]、機器視覺技術[7～9]和核磁共振技術[10，11]等，通過檢測目標物體的形狀、顏色、表面紋理及缺陷等特征，對目標物體進行品質檢測及分類識別，檢測過程可分為特征提取和模式識別兩部分，其中，特征值的可靠性和精確度決定了后期檢測的效果，因此，特征提取方法在整個檢測過程中至關重要。

形狀特征是稻種最重要的特征之一。國內外提出了多種稻種形狀特征提取方法，如傅里葉描述子、不變矩、鏈碼及其相關技術，大多基于機器視覺的原理，測量稻種的三維形狀特征。本文提出基于激光傳感器的稻種三維形狀測量方法，以激光傳感器采集到的稻種點云為基礎，在對稻種點云模型進行坐標系標準化、模型投影及投影點云輪廓提取等預處理后，計算投影輪廓形狀特征參數，實現對稻種三維形狀特征的測量，為后期稻種品種的分類識別提供可靠的特征數據源。

1 系統結構與原理

1.1 激光三角測量法原理

采用激光三角法測量原理，利用具有規則幾何形狀的激光源投影到稻種表面，在安置于空間某一位置的圖像傳感器上成像，按照三角形幾何關系(圖1所示)，即可測出被測點的空間坐標。h是物面上光點P相對于基準面的高度，α是激光線與成像光軸的夾角，Lo是透鏡的物距，Li是透鏡的像距，O′，P′分別是O，P的像點。

圖1 激光三角法原理

根據透鏡成像原理，P的相對于基準面的高度為

(1)

式中 Lo,Li,α為系統參數，是固定的值，這樣可以由h′計算出h的值。

1.2 三維激光掃描系統

采用的激光掃描測量系統由控制模塊和測量模塊組成，控制模塊包括計算機、插在計算機主板上的圖像采集卡和運動控制卡，測量模塊包括驅動器、伺服電機、測量頭(CCD攝像機、半導體激光發生器)，如圖2。掃描精度為±0.01mm。圖3(b)為掃描得到的一顆新稻10號稻種樣品點云。

圖2 激光掃描系統

圖3 稻種樣品

2 點云預處理

為了提取稻種點云模型的三維形狀特征值，先對點云模型進行預處理。預處理流程包括：坐標系標準化、模型投影、投影輪廓提取。

2.1 坐標系標準化

通過激光掃描儀采集到的稻種點云模型的坐標系各不相同，為了保證三維模型特征的有效性，提取的特征應具有平移和旋轉變換不變性，需要對模型進行標準化處理。首先計算出三維模型的重心坐標，將其平移到坐標系的原點，然后利用主成份分析法對三維模型進行旋轉變換[12]，從而保證各個點云模型的坐標系標準化。

2.2 模型投影

在稻種點云模型坐標系標準化后，模型的位置、方向已經一致。通過采用主平面剖視圖投影法來獲取三維模型的二維投影圖像[13]，即將稻種三維模型分別沿著三個主平面剖切，并將剖切部分投影到各自的剖切面上，得到稻種的六個剖視圖投影點云模型，如圖4(a)～(f)所示。

圖4 投影點云

2.3 投影輪廓提取

稻種的投影模型是不規則的凹包點集，通過采用基于Alpha Shape的種子點輪廓提取算法[14]，提取六視圖上投影點云模型的邊緣輪廓。如圖5(a)～(f)所示。

圖5 投影點云輪廓

3 特征提取

稻種的形狀特征是用于區分稻種品種最基本的特征之一。通過之前稻種點云模型的預處理，可進一步對它進行幾何特征測量。根據稻谷種子的個體特點，提取稻種的周長、面積、長軸長、短軸長、長寬比、最大半徑、最小半徑、半徑比、圓形度等9個特征參數。

3.1 周長C

區域的周長就是區域的邊界輪廓線長度，它能夠有效地區別簡單形狀與復雜形狀的物體。稻谷種子在YOZ平面上的投影輪廓線如圖6所示。采用邊界法來計算周長，通過邊緣輪廓點提取，計算相鄰邊界輪廓點的距離之和，即為區域的周長，用符號C表示。

圖6 投影點云輪廓線

3.2 面積S

通過引入輪廓外一點，構建矢量三角形來計算稻種區域的面積。假設投影點云模型為凹包點集Ui，包含點A(x1,y1)，B(x2，y2)，C(x3，y3)，D(x4，y4)，E(x5，y5)，F(x6，y6)，G(x7，y7)，引入凹包點集外一點P(xp，yp)，如圖7所示。

圖7 凹包示意圖

由距離公式和海倫公式可得S△PAB，S△PBC，S△PCD，S△PDE，S△PEF，S△PFG，S△PGA，則凹包面積為

S=|S△PAB+S△PBC+S△PCD-S△PDE-S△PEF-S△PFG-

S△PGA|

(2)

式中 S為凹包點集Ui的面積，即投影點云模型的面積。

3.3 長L、寬W、長寬比CLW

稻谷種子的長和寬并沒有統一的定義說明，將稻谷種子邊緣輪廓上兩端點之間的最大距離作為稻種的長，稻谷種子的寬是長軸中點的垂線在種子邊緣上的截距。稻谷種子的長寬比CLW是種子圖像中長L與寬W的比值。稻谷種子的長、寬如圖8(a)所示。

圖8 稻谷種子的長、寬和半徑示意圖

3.4 最大半徑RMA、最小半徑RMI、半徑比CR

最大半徑RMA、最小半徑RMI分別是指從質心v到邊界的最大距離和最小距離，而最大半徑與最小半徑的比值CR通常用來度量目標對象的偏心率或者伸長度，它們都是識別目標對象十分重要的幾何特征。圖8(b)所示是稻谷種子的半徑示意圖。

3.5 圓形度γ

圓形度在一定程度上描述了區域的緊湊性，它沒有量綱，由面積和周長計算得到。其數學表達式為

(3)

式中 γ為圓形度，C為稻谷種子的周長，S為稻谷種子區域的面積。一個連續區域為圓形時γ為1，當區域為其它形狀時γ大于1。

4 結果與分析

為了驗證上述分形特征對不同稻種品種的識別效果，采用徑向基函數(RBF)神經網絡模型對稻谷種子進行分類識別實驗。選取大華香糯、豫粳6號、新稻10號3大類每類各200粒稻谷種子(總共600粒)作為試驗樣品，利用上述方法測得每個稻谷種子的周長C、面積S、長L、寬W、長寬比CLW、最大半徑RMA、最小半徑RMI、半徑比CR和圓形度γ等9個特征參數，每個品種選用其中150粒作為樣本訓練網絡，另外50粒作為測試樣本對網絡進行測試。輸入層節點數設置為9，隱藏層節點數設置為19，輸出層節點數設置為1，測試結果如表1所示。

表1 測試數據的識別效果

從表1中可以看出，3個品種的試驗檢測中，新稻10號的識別率最高，達到98 %，豫粳6號的識別率最低，為94 %，整體的識別效果良好，說明通過激光傳感器提取到的稻種三維形狀特征能夠較好的表征出稻種的真實形態。

5 結 論

1)利用激光掃描的高、精、準特性，提出了基于激光傳感器的稻種三維形狀測量方法，通過對采集到的稻谷種子表面點云模型進行位姿校準、模型投影、輪廓提取，計算出稻種的9個形狀特征參數。

2)在大華香糯、豫粳6號、新稻10號3類稻種的分類識別中，識別率分別達到96%,94%,98%，驗證了該方法的可行性和有效性。

[1] 柳曉飛,鄧文怡,牛春暉,等.一種新型光譜共焦位移測量系統研究[J].傳感器與微系統,2013,32(4):34-36,40.

[2] 錢 旭,程明霄,王雪花,等.基于紅外光聲光譜的氣體檢測系統設計[J].傳感器與微系統,2014,33(12):98-100,103.

[3] 鄭明杰.基于中紅外光譜技術的非接觸式氣體識別電子鼻系統[J].傳感器與微系統,2014,33(9):65-67.

[4] 黃小燕,趙向陽,方智勇.電子鼻在氣體檢測中的應用研究[J].傳感器與微系統,2008,27(6):47-49,52.

[5] 龐旭欣,鄭麗敏,朱 虹,等.電子鼻對不同存儲時間純牛奶的檢測分析[J].傳感器與微系統,2012,31(9):67-70.

[6] 高明星,王曉寧,龔 龑,等.電子鼻在棉織物異味檢測中的應用研究[J].傳感器與微系統,2011,30(6):33-35.

[7] 黎安兵,王宏濤,陳 琪,等.基于機器視覺的幾何量精密測量系統[J].傳感器與微系統,2009,28(4):99-101,120.

[8] 徐晉卿,陳唐龍,占 棟,等.基于機器視覺的鋼軌輪廓測量方法研究[J].傳感器與微系統,2014,33(4):27-30.

[9] 張 文,林建南,倪建彬,等.基于機器視覺的卷煙污點面積測量系統設計[J].傳感器與微系統,2013,32(11):89-91,94.

[10] 楊占剛,徐 征,李洪兵,等.微型核磁共振傳感器實時監測汽輪機油老化狀態[J].傳感器與微系統,2015,34(10):11-14.

[11] 方秀成,孫淑琴,王應吉,等.坑道水核磁共振探測激發磁場計算與測試方法研究[J].傳感器與微系統,2015,34(6):50-57.

[12] 戶鵬飛,遲鶴翔,劉寶華.算法和數學形態學理論在踝臂指數測量中的應用[J].傳感器與微系統,2013,32(7):150-152.

[13] 趙仲孟,聶麗娜,張選平.基于二維投影點集的三維模型檢索算法研究[J].微電子與計算機,2013,30(1):143-147.

[14] 陳 卓,馬洪超,張 良.改進鄰域結構與輪廓分析LiDAR點云立交橋提取[J].遙感學報,2013,17(5):1146-1157.

曹 鵬(1991- )，男，碩士,研究方向為智能檢測。

Study of outline shape measurement method of rice seed based on laser sensor*

CAO Peng, YIN Wen-qing, WU Lin-hua, WANG Chuan, FAN Li , YANG Zhi-jun

(Key Laboratory of Intelligent Equipment for Agriculture of Jiangsu Province，College of Engineering,Nanjing Agricultural University,Nanjing 210031,China)

Outline shape measurement of rice seed is key to non-destructive testing of rice seed.On the basis of point cloud on rice seed surface acquired by laser sensor,present an outline shape measuring method of rice seed based on main plane of projection.By principal component analysis method,calibrate coordinate of point cloud model,obtain six main plane of projection of seed rice seed using principal plane projection method,apply Alpha Shape algorithm to extract edge outline of the projected point cloud model,and calculate nine shape feature parameters of perimeter,area,length,width,aspect ratio,maximum radius,minimum radius,radius ratio,circularity of rice seed projection model.Select three categories of rice seed,200 grain per each class as a test sample,using RBF neural network model for training recognition extracted shape feature,recognition rate reach 96 %,94 %,98 %,respectively.The results show that the outline shape measurement method of rice seed based on laser sensor can well be applied to identification of rice seed.

laser sensor; seed rice;non-destructive testing; point cloud; radial basis function(RBF)neural networks

10.13873/J.1000—9787(2017)03—0029—04

2016—04—12

江蘇省農機三項工程項目(NJ2010—02)；南京農業大學青年科技創新基金資助項目(KJ2010032)

TH 741

A

1000—9787(2017)03—0029—04