曹 鵬， 尹文慶， 吳林華， 王 川， 范 麗， 楊志軍

(南京農(nóng)業(yè)大學(xué) 工學(xué)院 江蘇省農(nóng)業(yè)智能化裝備重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210031)

基于激光傳感器的稻種輪廓形狀測(cè)量方法研究*

曹 鵬， 尹文慶， 吳林華， 王 川， 范 麗， 楊志軍

(南京農(nóng)業(yè)大學(xué) 工學(xué)院 江蘇省農(nóng)業(yè)智能化裝備重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210031)

稻種輪廓形狀測(cè)量是稻種基于形狀特征識(shí)別的前提條件。以激光傳感器采集到的稻種表面點(diǎn)云為基礎(chǔ)，提出了一種基于主平面剖視圖投影的稻種輪廓形狀測(cè)量方法。通過主成份分析法校正點(diǎn)云模型的坐標(biāo)系，利用主平面投影法獲取稻種的六視圖投影模型，應(yīng)用Alpha Shape算法提取投影點(diǎn)云模型的邊緣輪廓，并計(jì)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(gè)形狀特征參數(shù)。選取大華香糯、豫粳6號(hào)、新稻10號(hào)3大類，每種各200粒稻種作為試驗(yàn)樣品，采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)模型對(duì)提取到的形狀特征進(jìn)行訓(xùn)練識(shí)別，識(shí)別率分別達(dá)到96 %，94 %，98 %。結(jié)果表明: 基于激光傳感器的稻種輪廓形狀測(cè)量方法能夠較好地適用到稻種識(shí)別中。

激光傳感器； 稻種； 無損檢測(cè)； 點(diǎn)云； 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

0 引 言

水稻是我國主要糧食作物，優(yōu)良的稻種其增產(chǎn)作用是顯著的，但是在稻種中經(jīng)常參雜著其他劣質(zhì)種子，稻種純度降低，導(dǎo)致產(chǎn)量降低，因此，需要準(zhǔn)確地檢測(cè)出稻種的純度，保證水稻的穩(wěn)產(chǎn)高產(chǎn)。

常用的檢測(cè)技術(shù)有光譜技術(shù)[1～3]、電子鼻技術(shù)[4～6]、機(jī)器視覺技術(shù)[7～9]和核磁共振技術(shù)[10，11]等，通過檢測(cè)目標(biāo)物體的形狀、顏色、表面紋理及缺陷等特征，對(duì)目標(biāo)物體進(jìn)行品質(zhì)檢測(cè)及分類識(shí)別，檢測(cè)過程可分為特征提取和模式識(shí)別兩部分，其中，特征值的可靠性和精確度決定了后期檢測(cè)的效果，因此，特征提取方法在整個(gè)檢測(cè)過程中至關(guān)重要。

形狀特征是稻種最重要的特征之一。國內(nèi)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(guān)技術(shù)，大多基于機(jī)器視覺的原理，測(cè)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(cè)量方法，以激光傳感器采集到的稻種點(diǎn)云為基礎(chǔ)，在對(duì)稻種點(diǎn)云模型進(jìn)行坐標(biāo)系標(biāo)準(zhǔn)化、模型投影及投影點(diǎn)云輪廓提取等預(yù)處理后，計(jì)算投影輪廓形狀特征參數(shù)，實(shí)現(xiàn)對(duì)稻種三維形狀特征的測(cè)量，為后期稻種品種的分類識(shí)別提供可靠的特征數(shù)據(jù)源。

1 系統(tǒng)結(jié)構(gòu)與原理

1.1 激光三角測(cè)量法原理

采用激光三角法測(cè)量原理，利用具有規(guī)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(guān)系(圖1所示)，即可測(cè)出被測(cè)點(diǎn)的空間坐標(biāo)。h是物面上光點(diǎn)P相對(duì)于基準(zhǔn)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(diǎn)。

圖1 激光三角法原理

根據(jù)透鏡成像原理，P的相對(duì)于基準(zhǔn)面的高度為

(1)

式中 Lo,Li,α為系統(tǒng)參數(shù)，是固定的值，這樣可以由h′計(jì)算出h的值。

1.2 三維激光掃描系統(tǒng)

采用的激光掃描測(cè)量系統(tǒng)由控制模塊和測(cè)量模塊組成，控制模塊包括計(jì)算機(jī)、插在計(jì)算機(jī)主板上的圖像采集卡和運(yùn)動(dòng)控制卡，測(cè)量模塊包括驅(qū)動(dòng)器、伺服電機(jī)、測(cè)量頭(CCD攝像機(jī)、半導(dǎo)體激光發(fā)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(hào)稻種樣品點(diǎn)云。

圖2 激光掃描系統(tǒng)

圖3 稻種樣品

2 點(diǎn)云預(yù)處理

為了提取稻種點(diǎn)云模型的三維形狀特征值，先對(duì)點(diǎn)云模型進(jìn)行預(yù)處理。預(yù)處理流程包括：坐標(biāo)系標(biāo)準(zhǔn)化、模型投影、投影輪廓提取。

2.1 坐標(biāo)系標(biāo)準(zhǔn)化

通過激光掃描儀采集到的稻種點(diǎn)云模型的坐標(biāo)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(yīng)具有平移和旋轉(zhuǎn)變換不變性，需要對(duì)模型進(jìn)行標(biāo)準(zhǔn)化處理。首先計(jì)算出三維模型的重心坐標(biāo)，將其平移到坐標(biāo)系的原點(diǎn)，然后利用主成份分析法對(duì)三維模型進(jìn)行旋轉(zhuǎn)變換[12]，從而保證各個(gè)點(diǎn)云模型的坐標(biāo)系標(biāo)準(zhǔn)化。

2.2 模型投影

在稻種點(diǎn)云模型坐標(biāo)系標(biāo)準(zhǔn)化后，模型的位置、方向已經(jīng)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(gè)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(gè)剖視圖投影點(diǎn)云模型，如圖4(a)～(f)所示。

圖4 投影點(diǎn)云

2.3 投影輪廓提取

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

圖5 投影點(diǎn)云輪廓

3 特征提取

稻種的形狀特征是用于區(qū)分稻種品種最基本的特征之一。通過之前稻種點(diǎn)云模型的預(yù)處理，可進(jìn)一步對(duì)它進(jìn)行幾何特征測(cè)量。根據(jù)稻谷種子的個(gè)體特點(diǎn)，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(gè)特征參數(shù)。

3.1 周長C

區(qū)域的周長就是區(qū)域的邊界輪廓線長度，它能夠有效地區(qū)別簡單形狀與復(fù)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(jì)算周長，通過邊緣輪廓點(diǎn)提取，計(jì)算相鄰邊界輪廓點(diǎn)的距離之和，即為區(qū)域的周長，用符號(hào)C表示。

圖6 投影點(diǎn)云輪廓線

3.2 面積S

通過引入輪廓外一點(diǎn)，構(gòu)建矢量三角形來計(jì)算稻種區(qū)域的面積。假設(shè)投影點(diǎn)云模型為凹包點(diǎn)集Ui，包含點(diǎn)A(x1,y1)，B(x2，y2)，C(x3，y3)，D(x4，y4)，E(x5，y5)，F(xiàn)(x6，y6)，G(x7，y7)，引入凹包點(diǎn)集外一點(diǎn)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(diǎn)集Ui的面積，即投影點(diǎn)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(tǒng)一的定義說明，將稻谷種子邊緣輪廓上兩端點(diǎn)之間的最大距離作為稻種的長，稻谷種子的寬是長軸中點(diǎn)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(zhì)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(biāo)對(duì)象的偏心率或者伸長度，它們都是識(shí)別目標(biāo)對(duì)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(qū)域的緊湊性，它沒有量綱，由面積和周長計(jì)算得到。其數(shù)學(xué)表達(dá)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(qū)域的面積。一個(gè)連續(xù)區(qū)域?yàn)閳A形時(shí)γ為1，當(dāng)區(qū)域?yàn)槠渌螤顣r(shí)γ大于1。

4 結(jié)果與分析

為了驗(yàn)證上述分形特征對(duì)不同稻種品種的識(shí)別效果，采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)模型對(duì)稻谷種子進(jìn)行分類識(shí)別實(shí)驗(yàn)。選取大華香糯、豫粳6號(hào)、新稻10號(hào)3大類每類各200粒稻谷種子(總共600粒)作為試驗(yàn)樣品，利用上述方法測(cè)得每個(gè)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(gè)特征參數(shù)，每個(gè)品種選用其中150粒作為樣本訓(xùn)練網(wǎng)絡(luò)，另外50粒作為測(cè)試樣本對(duì)網(wǎng)絡(luò)進(jìn)行測(cè)試。輸入層節(jié)點(diǎn)數(shù)設(shè)置為9，隱藏層節(jié)點(diǎn)數(shù)設(shè)置為19，輸出層節(jié)點(diǎn)數(shù)設(shè)置為1，測(cè)試結(jié)果如表1所示。

表1 測(cè)試數(shù)據(jù)的識(shí)別效果

從表1中可以看出，3個(gè)品種的試驗(yàn)檢測(cè)中，新稻10號(hào)的識(shí)別率最高，達(dá)到98 %，豫粳6號(hào)的識(shí)別率最低，為94 %，整體的識(shí)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(shí)形態(tài)。

5 結(jié) 論

1)利用激光掃描的高、精、準(zhǔn)特性，提出了基于激光傳感器的稻種三維形狀測(cè)量方法，通過對(duì)采集到的稻谷種子表面點(diǎn)云模型進(jìn)行位姿校準(zhǔn)、模型投影、輪廓提取，計(jì)算出稻種的9個(gè)形狀特征參數(shù)。

2)在大華香糯、豫粳6號(hào)、新稻10號(hào)3類稻種的分類識(shí)別中，識(shí)別率分別達(dá)到96%,94%,98%，驗(yàn)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(cè)量系統(tǒng)研究[J].傳感器與微系統(tǒng),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(cè)系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),2014,33(12):98-100,103.

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

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

[5] 龐旭欣,鄭麗敏,朱 虹,等.電子鼻對(duì)不同存儲(chǔ)時(shí)間純牛奶的檢測(cè)分析[J].傳感器與微系統(tǒng),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(cè)中的應(yīng)用研究[J].傳感器與微系統(tǒng),2011,30(6):33-35.

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

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

[9] 張 文,林建南,倪建彬,等.基于機(jī)器視覺的卷煙污點(diǎn)面積測(cè)量系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng),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(shí)時(shí)監(jiān)測(cè)汽輪機(jī)油老化狀態(tài)[J].傳感器與微系統(tǒng),2015,34(10):11-14.

[11] 方秀成,孫淑琴,王應(yīng)吉,等.坑道水核磁共振探測(cè)激發(fā)磁場(chǎng)計(jì)算與測(cè)試方法研究[J].傳感器與微系統(tǒng),2015,34(6):50-57.

[12] 戶鵬飛,遲鶴翔,劉寶華.算法和數(shù)學(xué)形態(tài)學(xué)理論在踝臂指數(shù)測(cè)量中的應(yīng)用[J].傳感器與微系統(tǒng),2013,32(7):150-152.

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

[14] 陳 卓,馬洪超,張 良.改進(jìn)鄰域結(jié)構(gòu)與輪廓分析LiDAR點(diǎn)云立交橋提取[J].遙感學(xué)報(bào),2013,17(5):1146-1157.

曹 鵬(1991- )，男，碩士,研究方向?yàn)橹悄軝z測(cè)。

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(nóng)機(jī)三項(xiàng)工程項(xiàng)目(NJ2010—02)；南京農(nóng)業(yè)大學(xué)青年科技創(chuàng)新基金資助項(xiàng)目(KJ2010032)

TH 741

A

1000—9787(2017)03—0029—04