基于激光三維重建的種薯芽眼識別方法研究

韓夢杰 劉發(fā)英 楊振宇 孫衛(wèi)孝 陳肖 魏忠彩 李學(xué)強(qiáng)

摘要：種薯芽眼的準(zhǔn)確識別是實現(xiàn)智能切塊的重要前提。為解決種薯芽眼機(jī)器視覺識別易出現(xiàn)誤判和不易獲取芽眼三維位置信息而導(dǎo)致切塊不均勻的問題，提出一種基于激光三維重建的種薯芽眼識別方法。確定點云獲取過程中ROI區(qū)域消除采集過程中背景的影響，通過工業(yè)相機(jī)與線激光器相配合連續(xù)采集移動種薯的激光光條圖像獲取其點云數(shù)據(jù)；根據(jù)點云密度去除隨機(jī)噪聲和裙邊噪聲，提高點云質(zhì)量，降低芽眼誤判率。采用體素濾波算法稀疏點云，提高識別效率；通過對種薯表面任意點的局部鄰域進(jìn)行平面擬合后獲取點云法向量，構(gòu)建加權(quán)協(xié)方差矩陣參數(shù)化種薯表面點云，根據(jù)矩陣特征值大小設(shè)定的動態(tài)閾值對種薯表面點云進(jìn)行初步篩選，得到種薯芽眼判別的候選點，采用歐式聚類算法獲取候選點的點云簇，選取每個點云簇中最大特征值點為關(guān)鍵點，利用計算關(guān)鍵點和鄰域內(nèi)其他點構(gòu)成的中心線連線向量與法向量夾角余弦值對關(guān)鍵點再次篩選，最終確定種薯各個芽眼位置。試驗結(jié)果表明，芽眼識別率為95.13%，芽眼誤識別率為4.87%，可為馬鈴薯種薯智能化切塊時芽眼識別提供參考。

關(guān)鍵詞：種薯；激光點云；三維重建；特征提??；芽眼識別

中圖分類號：S226.5

文獻(xiàn)標(biāo)識碼：A

文章編號：20955553 （2024） 02020008

收稿日期：2022年7月25日 ?修回日期：2022年9月7日

基金項目：國家自然科學(xué)基金項目（52105266）；中國博士后科學(xué)基金面上資助項目（2021M701801）；山東省科技型中小企業(yè)創(chuàng)新能力提升工程項目（2021TSGC1420）

第一作者：韓夢杰，男，1998年生，山東東營人，碩士研究生；研究方向為農(nóng)業(yè)機(jī)器人與機(jī)器人視覺技術(shù)。Email： 1980305276@qq.com

通訊作者：楊振宇，男，1973年生，江西宜春人，博士，副教授，碩導(dǎo)；研究方向為農(nóng)業(yè)機(jī)器人與機(jī)器人視覺技術(shù)。Email： 05338@163.com

Study on recognition method of seed potato bud eye based on laser 3D reconstruction

Han Mengjie1， Liu Faying2， Yang Zhenyu1， 3， Sun Weixiao1， Chen Xiao1， Wei Zhongcai4， Li Xueqiang3

（1. College of Mechanical Engineering， Shandong University of Technology， Zibo， 255000， China; 2. College of

Electrical and Electronic Engineering， Shandong University of Technology， Zibo， 255000， China; 3. Shandong

Intelligent Engineering Technology Research Center of Potato Production Equipment， Dezhou， 253600， China;

4. College of Agricultural Engineering and Food Science， Shandong University of Technology， Zibo， 255000， China）

Abstract：

Accurate recognition of seed potato bud eyes is an important prerequisite for realizing intelligent cutting. In order to solve the problems of misjudgment and difficulty in obtaining 3d position information of seed potato bud eye directly due to the influence of light in machine vision recognition， a new method of seed potato bud eye recognition based on laser 3D reconstruction was proposed. First， the ROI area in the process of the point cloud was determined to eliminate the influence of the background in the acquisition process by industrial camera to match the line laser continuous acquisition mobile chips of laser light image， using the triangulation principle to obtain the depth of the information found on the surface of a potato， light gray centroid method was utilized to extract the center， to get point cloud data found on the surface of a potato. Then， according to the point cloud sparsity， random noise and skirt noise in the point cloud were removed and obtained to improve the quality of the high point cloud and reduce the bud misjudgment rate. On the premise of retaining the features of the eyes， the voxel filtering algorithm was used to sparse the point clouds to improve the efficiency of the eyes recognition. Finally， the point cloud normal vector was obtained by plane fitting to the local neighborhood of arbitrary point on the seed potato surface， and the weighted covariance matrix was built to parameterize the seed potato surface point cloud. According to the dynamic threshold set by the matrix eigenvalue size， the surface point clouds of seed potato were initially screened， and the candidate points for seed potato sprout eye discrimination were obtained. European clustering algorithm was used to obtain the point cloud clusters of candidate points， and the largest eigenvalue point in each point cloud cluster was selected as the key point. The Angle cosine value between the center line vector and normal vector composed of the key points and other points in the neighborhood was used to screen the key points again and finally determine the location of each eye of the seed potato. The experimental results showed that the recognition rate of bud eye was 95.13% and the recognition rate of bud eye error was 4.87%， which could provide reference for bud eye recognition in intelligent cutting of potato seed potatoes.

Keywords：

seed potato; laser point cloud; threedimensional reconstruction; feature extraction; bud eye recognition

0 引言

馬鈴薯已成為我國第四大主糧，經(jīng)濟(jì)地位日益重要［13］。伴隨著馬鈴薯的產(chǎn)量越來越高，人們逐漸意識到科學(xué)的栽培種植管理技術(shù)，是提高馬鈴薯產(chǎn)量和質(zhì)量的重要保證［45］。伴隨著近幾年國家對農(nóng)業(yè)的大力扶持，促進(jìn)了眾多先進(jìn)的農(nóng)業(yè)機(jī)械的發(fā)展，基本實現(xiàn)了馬鈴薯產(chǎn)業(yè)由播種［67］、收獲［8］、分級［9］、存貯等過程的機(jī)械化與自動化。通常，種薯在播種時需要根據(jù)種薯芽眼位置進(jìn)行切塊處理，種薯切塊播種可以節(jié)約種薯，降低生產(chǎn)成本，并有打破休眠，促進(jìn)發(fā)芽出苗的作用。目前，種薯切塊主要依靠人工完成，存在勞動強(qiáng)度大、效率低、成本高、種薯切塊大小不易控制和刀具未能及時消毒導(dǎo)致種薯切口病菌感染等問題［1011］。實現(xiàn)種薯切塊自動化可大幅度地提高切塊效率和保證種薯發(fā)芽率。由于種薯芽眼精準(zhǔn)識別較為困難，嚴(yán)重制約了種薯自動切塊機(jī)的發(fā)展。

目前，國內(nèi)外利用機(jī)器視覺技術(shù)對馬鈴薯檢測及分級進(jìn)行了廣泛研究。Su等［12］提出了一種利用深度圖像處理算法建立馬鈴薯三維模型的方法估算馬鈴薯質(zhì)量和形狀信息。Du等［13］提出了一種基于計算機(jī)視覺的圖像特征檢測與識別算法檢測馬鈴薯外觀質(zhì)量。張金敏等［14］采用局部二值模式分別對新舊種薯芽眼和非芽眼區(qū)域進(jìn)行特征提取，最后采用支持向量機(jī)進(jìn)行樣本特征訓(xùn)練，最終實現(xiàn)馬鈴薯芽眼識別。席芮等［15］ 提出一種基于改進(jìn) Faster RCNN的馬鈴薯芽眼識別方法。李玉華等［16］提出一種基于色飽和度三維幾何特征的馬鈴薯芽眼識別方法。對S分量在三維幾何空間進(jìn)行分析，提出了以其縱向截面曲線及一階導(dǎo)數(shù)為基礎(chǔ)的特征向量，利用其特征綜合判定準(zhǔn)則進(jìn)行芽眼縱向識別，然后根據(jù)芽眼橫向特點對芽眼縱向識別結(jié)果進(jìn)行再次篩選。近幾年來三維重建在農(nóng)業(yè)方面也有廣泛的應(yīng)用。張偉潔等［17］利用三維重建的方法實現(xiàn)蘋果樹葉片的重建。勞彩蓮等［18］利用深度相機(jī)實現(xiàn)玉米植株的三維重建。黃成龍等［19］利用線結(jié)構(gòu)光對棉花幼苗的三維重建，實現(xiàn)棉花幼苗葉片面積、周長、生長角度等形狀的測量與分析。梁秀英等［20］利用三維重建的方法實現(xiàn)玉米植株的莖稈、葉片等性狀提取，并對提取到的特征進(jìn)行準(zhǔn)確、無損測量。尚業(yè)華等［21］對田間場景進(jìn)行三維重建，利用歐式聚類的方法分割場景實現(xiàn)田間障礙物檢測。胡春華等［22］利用語義分割與聚類算法實現(xiàn)大田楊樹葉分割。張雪等［23］實現(xiàn)草莓的三維重建。李艷君等［24］利用三維重建方法實現(xiàn)動態(tài)魚體的無接觸測量。孫國祥等［25］實現(xiàn)了溫室番茄植株的三維重建。三維重建在農(nóng)業(yè)上應(yīng)用為實現(xiàn)智慧農(nóng)業(yè)創(chuàng)造條件。芽眼識別方面由于種薯表面有較多凸起和凹陷，其外形結(jié)構(gòu)和芽眼位置具有一定的隨機(jī)性，圖像采集過程中種薯表面對光線反射不均勻使得種薯芽眼的關(guān)鍵特征難以獲得，特別是種薯圖像信息邊緣處的芽眼，從而容易引起芽眼信息的誤判或丟失；另外，無法直接獲得種薯芽眼在三維空間坐標(biāo)信息，不利于種薯切塊過程中切割路徑規(guī)劃；芽眼特征不明顯，且易與自身疤痕、機(jī)械損傷等混淆。因此，針對目前芽眼識別存在的問題，提出一種基于激光三維重建馬鈴薯表面形貌特征的方法，該方法為種薯芽眼識別提供新思路，為實現(xiàn)種薯切塊自動化提供一定的技術(shù)參考。

1 種薯點云數(shù)據(jù)獲取與預(yù)處理

1.1 種薯表面點云數(shù)據(jù)的獲取

利用線結(jié)構(gòu)光方式獲取種薯表面點云數(shù)據(jù)，該方法廣泛應(yīng)用于連續(xù)曲面測量方面。根據(jù)種薯外形結(jié)構(gòu)特點，設(shè)計如圖1所示的試驗裝置，該試驗平臺主要由線激光器、工業(yè)相機(jī)、移動平臺組成。線激光發(fā)生器型號為HA345050L-AL，波長500nm，工業(yè)相機(jī)為灰點相機(jī)型號為FLY-PGE-50A2M-CS，最大分辨率為2592像素×1944像素，幀率25幀/s，移動平臺由步進(jìn)電機(jī)、步進(jìn)電機(jī)控制器、絲杠螺母和滑動導(dǎo)軌等組成。

利用線結(jié)構(gòu)光的方式獲取種薯點云數(shù)據(jù)，點云獲取裝置如圖2（a）所示，根據(jù)三角測量原理式（1）獲取種薯表面深度信息。

z=m·lsinα（l′－mcosα）sinβ－msinα·cosβ

（1）

式中：

z——表面點云深度信息；

m——

種薯該點距基平面高度AB在相機(jī)內(nèi)投影長度A′B′；

l——

線段OA長度；

l′——線段OA′長度；

α——

根據(jù)數(shù)字幾何關(guān)系得出的90°-β;

β——相機(jī)光平面與激光平面的夾角。

1.移動平臺

2.灰點相機(jī)

3.線激光器

4.計算機(jī)

5.種薯

采集種薯表面點云過程為：首先，為確定種薯表面點云與其在圖像中對應(yīng)點的相互關(guān)系，采用外邊框長度為80mm×80mm的實心圓陣列圖案的標(biāo)定板進(jìn)行標(biāo)定，獲得種薯實際測量尺寸。其次，線激光器投射出激光平面，激光平面與被測物體表面輪廓相交并形成一條具有物體輪廓特征的光條；然后，位移平臺按照設(shè)定速度移動，工業(yè)相機(jī)根據(jù)平臺移動速率連續(xù)采集光條圖像；最后利用灰度重心法算法提取光條重心，得到種薯表面點云數(shù)據(jù)，如圖2（b）所示。

（a） 種薯點云裝置

（b） 種薯點云深度信息的獲取

1.種薯

2.工業(yè)相機(jī)

3.線激光器

4.激光平面

5.移動平臺

6.透鏡中心

為描述種薯形狀及芽眼特征，規(guī)定種薯長度方向為長軸X，寬度方向為短軸Y，芽眼長度方向為長軸x′，寬度方向為短軸y′，種薯短軸Y方向與芽眼長軸x′方向近似平行，種薯整體形狀近似為不規(guī)則橢球，種薯芽眼呈凹杏仁狀，芽眼一側(cè)存在與人眼上眼皮類似的凸起，如圖3（a）芽眼局部放大圖。相鄰芽眼間隔距離較遠(yuǎn)，且分布較為分散。芽眼位置處點云的曲率、法線等特征發(fā)生顯著變化，且相對于非芽眼位置處點云分布不均，如圖3（b）中的圖Ⅰ為非芽眼位置處點云，圖Ⅱ為芽眼位置處點云。芽眼位置處與非芽眼位置處點云分布區(qū)別明顯，點云空間分布存在一定的規(guī)律性。

（a） 種薯

（b） 種薯表面點云

1.2 種薯表面點云數(shù)據(jù)預(yù)處理

點云數(shù)據(jù)獲取過程中，受種薯表面質(zhì)量與背景等影響，獲取到的種薯點云數(shù)據(jù)中摻雜噪聲點，影響芽眼識別效率與準(zhǔn)確率。噪聲主要分為隨機(jī)噪聲和裙邊噪聲。隨機(jī)噪聲是由于裝置運(yùn)行過程振動而導(dǎo)致產(chǎn)生的隨機(jī)噪聲，其特點是隨機(jī)零散分布，噪聲點的位置和形狀不固定；群邊噪聲是由于激光照射到種薯邊緣而發(fā)生漫反射現(xiàn)象而產(chǎn)生的噪聲，該類噪聲特點是零散分布在種薯點云邊緣位置如圖4（a）所示。為消除此類噪聲以及背景區(qū)對芽眼識別的干擾，提高種薯芽眼識別準(zhǔn)確率與識別效率，對獲取到的點云進(jìn)行預(yù)處理。首先在獲取點云過程中劃定ROI區(qū)域，以保證只獲取種薯表面點云，其次利用移動最小二乘法算法對獲取的點云數(shù)據(jù)進(jìn)行平滑處理，然后根據(jù)種薯點云稀疏程度進(jìn)行去噪，其結(jié)果如圖4（b）所示。最后為提高芽眼識別效率，將種薯點云體素化。

1） 計算出點云的最小外接矩形如圖4（c）所示。

2） 給定體素柵格大小λ如圖4（d）所示，根據(jù)式（2）共得到N個體素網(wǎng)格。

L=lx/λ

W=ly/λ

H=lz/λ

N=L·W·H

（2）

式中：

L——x軸方向網(wǎng)格數(shù)；

W——y軸方向網(wǎng)格數(shù)；

H——z軸方向網(wǎng)格數(shù)；

lx——點云3D包絡(luò)框的寬度；

ly——點云3D包絡(luò)框的長度；

lz——點云3D包絡(luò)框的高度。

3） 根據(jù)式（3）計算單元內(nèi)點的質(zhì)心ci并代替其體素網(wǎng)格內(nèi)其他點云，結(jié)果如圖4（e）所示。

ci=1n∑nipi

（3）

式中：

n——體素網(wǎng)格內(nèi)點云個數(shù)；

pi——網(wǎng)格內(nèi)點。

體素化網(wǎng)格的數(shù)量直接影響種薯點云稀疏程度，該過程在保證種薯表面點云芽眼特征的基礎(chǔ)上最大限度對種薯點云數(shù)據(jù)進(jìn)行稀疏。經(jīng)過驗證表明：獲取的種薯點云數(shù)量為6500～8000個點即可滿足芽眼識別要求。種薯表面點云不同程度稀疏結(jié)果見表1，稀疏效果如圖5所示。

（a） 原種薯表面點云

（b） 去噪后種薯表面點云

（c） 芽眼局部點云

（d） 體素化種薯表面點云

（e） 處理結(jié)果

（a） 原始點云

（b） 稀疏50%

（c） 稀疏70%

（d） 稀疏90%

2 種薯芽眼識別

2.1 基于局部表面擬合的法向量獲取

點云法向量是最基本的點云特征，在諸多點云處理中起著關(guān)鍵作用。正確估算點云數(shù)據(jù)的法向量是準(zhǔn)確提取點云特征的重要前提，求取法向量過程主要分為兩步。

1） 平面擬合。種薯點云經(jīng)過預(yù)處理之后如圖6（a）所示，種薯表面任意點的局部鄰域都可以用平面進(jìn)行擬合，首先，由式（4）確定原點位置poi，平面擬合如圖6（b）所示，其次擬合平面P經(jīng)過該點并計算這些點最小二乘意義上的擬合平面。

p0=argmin∑ni，j=1‖pi-pj‖2

（4）

式中：

pi——鄰域內(nèi)的點云；

pj——目標(biāo)點云；

p0——坐標(biāo)中心點。

（a） 種薯表面點云

（b） 點云局部放大圖

（c） 平面擬合

2） 法向量求取。首先構(gòu)建并計算鄰域內(nèi)點的協(xié)方差矩陣如式（5）所示。

M=∑ni=11n（pi－p）（pi－p）T

（5）

式中：

n——臨近點數(shù)目；

pi——鄰域內(nèi)其他點；

p——近鄰元素原點或質(zhì)心。

其次對協(xié)方差矩陣M進(jìn)行特征值分解，求得矩陣M的特征值特征向量，特征值越小越能表征數(shù)據(jù)的共性，取矩陣M最小的特征值對應(yīng)的特征向量為點q的法向量，最后根據(jù)視點方向與法向量方向點乘確定法

向量的最終方向p→。

2.2 基于點云局部特征的種薯芽眼識別

提取芽眼位置主要分為兩步，第一步為關(guān)鍵點提取，得到疑似芽眼的關(guān)鍵點。第二步關(guān)鍵點篩選，去除非芽眼點云，確定芽眼位置。關(guān)鍵點提取的主要過程：首先構(gòu)建點云中任意點與鄰域內(nèi)點的加權(quán)協(xié)方差矩陣，參數(shù)化點云幾何特征，得到協(xié)方差矩陣的特征值，特征值代表點云空間的幾何分布特點，設(shè)定閾值，初步提取種薯點云的關(guān)鍵點群。

假設(shè)獲取到種薯表面點云P中點云數(shù)為n，令pi=（xi，yi，zi），i∈0，n。

1） 對種薯表面點云P中的一點pi建立一個局部坐標(biāo)系，并根據(jù)種薯點云尺寸初步設(shè)定搜索半徑r。

2） 為使芽眼位置處點云特征明顯區(qū)別于其他位置點云，以pi為中心半徑r以內(nèi)的點，取鄰域內(nèi)其他點到中心點距離的倒數(shù)作為權(quán)值Wij，如式（6）所示。

Wij=1‖pi－pj‖，pi－pj

（6）

3） 式（7）為參數(shù)化點云空間特征，構(gòu)造每個點pi的加權(quán)協(xié)方差矩陣。

Cov（pi）=

∑pi－pj

∑pi－pj

（7）

4） 計算每個點Pi的協(xié)方差矩陣的特征值，并按從大到小的順序排列：λi1>λi2>λi3。

5） 協(xié)方差矩陣特征值大小代表數(shù)據(jù)共性的程度，特征值越小越能代表此處點的分布特點，如圖7所示。當(dāng)λ=λi3時，芽眼位置處點云明顯區(qū)別于其他位置點云。設(shè)定閾值ε滿足式（8）即為初選關(guān)鍵點。

λi3≥ε

（8）

6） 重復(fù)步驟1～步驟5直到獲得所有滿足條件的所有候選點云。

初步篩選得到的獲選點云其分布特點為：集中位于種薯表面凸起與芽眼位置處。圖7（c）為特征值取λi3，更容易區(qū)分芽眼特征，其中矩形框中的點為篩選出的候選關(guān)鍵點群，對篩選出的候選點云進(jìn)行歐式聚類，圖7（d）為關(guān)鍵點群在種薯點云中聚類結(jié)果。

（a） 點云特征值λi1分布

（b） 點云特征值λi2分布

（c） 點云特征值λi3分布

（d） 點云簇分布

將每個點云簇中λi3最大的點作為關(guān)鍵點，關(guān)鍵點位于種薯表面點云局部凸起、凹陷位置處，即為局部最大、最小值點。其分布特點如圖8所示，

篩選關(guān)鍵點中非芽眼點云，由于個別的種薯畸形導(dǎo)致其局部表面產(chǎn)生較大的凸起以及較小的缺陷，第一步無法較好地去除此類特征，從而導(dǎo)致芽眼誤判。剔除關(guān)鍵點群中存在的非芽眼特征過程如下。

1） 以關(guān)鍵點鄰域內(nèi)任意點poi為原點，按式（6）建立局部坐標(biāo)系。建立局部坐標(biāo)系過程如下：首先確定局部坐標(biāo)系原點位置，以關(guān)鍵點poi為坐標(biāo)原點，其次確定坐標(biāo)軸，以poi點法向量為u軸，根據(jù)u軸與其點鄰域內(nèi)點連線向量的叉乘確定坐標(biāo)系w軸，根據(jù)求得u、v兩軸確定w軸如圖9所示。由于坐標(biāo)系的建立目的便于求得夾角φ，故可暫不考慮坐標(biāo)軸的方向。

u=poi

v=u×poj－poi‖poj－poi‖2

w=u×v

（9）

式中：

poi→、poj→——

點poi、poj處法向量；

poj-poi——兩點連線的方向向量。

2） 按照如圖10所示計算的法向量poi與鄰域內(nèi)其他點構(gòu)成的向量夾角φ，并對其取余弦。

（a） 芽眼位置處

（b） 非芽眼位置處

考慮到點云噪聲而可能引起關(guān)鍵點誤判，將所有余弦值求和，以降低誤判率，提高算法穩(wěn)定性。按照式（10）判斷是否為芽眼位置。

Bud=

True?∑cos（poi·poj－poi）>0

False?其他

（10）

經(jīng)過對關(guān)鍵點的篩選后得到的芽眼最終識別效果如圖11所示。種薯芽眼位置坐標(biāo)如表2所示。

（a） 種薯實物圖

（b） 識別結(jié)果

3 試驗結(jié)果及分析

3.1 試驗設(shè)計

整個測試過程，計算機(jī)的操作系統(tǒng)為 Windows10，搭載 Intel @ Core（TM） i5-7300HQ，CPU@CPU 2.30 GHz 處理器，內(nèi)存 8 GB，分析軟件為Python3.8.0。試驗所用種薯為“希森三號”，種薯樣本數(shù)200個，對每個種薯樣本的上下兩面分別采集其表面點云數(shù)據(jù)，共獲得400組點云數(shù)據(jù)，點云保存格式為.txt格式。種薯點云經(jīng)過預(yù)處理之后，通過構(gòu)建加權(quán)協(xié)方差矩陣的方式對其進(jìn)行初步篩選，得到具有芽眼特征所有點云，在經(jīng)過歐式聚類，關(guān)鍵點提取，剔除非芽眼特征最終得到芽眼位置。

3.2 評價指標(biāo)

將每組點云數(shù)據(jù)識別的芽眼數(shù)Nc作為測量值，把通過人工識別的芽眼數(shù)Nm作為真實值，通過本文的方法成功識別的總個數(shù)與人工識別的真實個數(shù)做比值得到各情況的成功識別率P，并計算因表面缺陷等干擾造成的誤識別芽眼數(shù)Qn占總芽眼數(shù)的百分比Pd（誤識別率）。

P=NcNm×100%

（11）

Pd=QnNm×100%

（12）

3.3 結(jié)果與分析

種薯芽眼識別系統(tǒng)主要由兩部分組成，分別是種薯表面點云的獲取與芽眼位置提取。芽眼識別過程如圖12所示，圖12（a）為隨機(jī)挑選的種薯實物圖，圖12（b）為種薯處理之后的種薯表面點云圖，芽眼識別結(jié)果如圖12（c）黑色標(biāo)記所示。

（a） 試驗隨機(jī)挑選部分種薯實物

（b） 試驗獲取的種薯點云

（c） 芽眼識別結(jié)果

試驗隨機(jī)采集200組種薯表面點云數(shù)據(jù)進(jìn)行芽眼識別，通過人工識別出的芽眼數(shù)為986個芽眼，本文方法成功識別出938個，成功率P為95.13%。因表面缺陷等干擾造成的誤識別芽眼39個，占總芽眼數(shù)的3.95%。試驗證明單個種薯芽眼識別平均耗時1～1.5s，單排種薯的識別速率為40～60個/min，通過采用三排并行處理的方式識別芽眼可滿足市場上種薯切塊的平均120～180個/min的作業(yè)需求。

4 結(jié)論

1） 針對種薯芽眼識別現(xiàn)狀，提出一種利用三維重建的方式實現(xiàn)種薯芽眼識別方法。采用基于激光三維重建的種薯芽眼識別方法進(jìn)行種薯芽眼識別，能有效避免光源影響造成的干擾，直接獲取芽眼三維位置信息，結(jié)構(gòu)簡單，用于規(guī)劃刀具路徑，使切塊大小更均勻。

2） 通過工業(yè)相機(jī)、線激光器等試驗裝置采集種薯表面點云數(shù)據(jù)，并對獲取的點云進(jìn)行預(yù)處理，根據(jù)種薯表面芽眼的典型特征，通過參數(shù)化點云，分析芽眼處點云與其鄰域內(nèi)點云關(guān)系，得出種薯芽眼位置處點云的分布特點。

3） 本方法與圖像方法相比可直接獲得種薯表面芽眼三維空間中的位置信息，受周圍光照環(huán)境影響較小、防干擾能力強(qiáng)、可靠性高，芽眼識別成功率為95.13%，誤識別率為3.95%，可為馬鈴薯種薯智能化切塊時芽眼識別提供新思路，為種薯切塊提供參考。

參 考 文 獻(xiàn)

［1］陳萌山， 王小虎. 中國馬鈴薯主食產(chǎn)業(yè)化發(fā)展與展望［J］. 農(nóng)業(yè)經(jīng)濟(jì)問題， 2015， 36（12）： 4-11.

［2］尚晉伊， 史小峰. 中國馬鈴薯主食產(chǎn)業(yè)化發(fā)展現(xiàn)狀與前景展望［J］. 科技資訊， 2018， 16（21）： 109-111， 115.

［3］逄學(xué)思， 曲峻嶺， 郭燕枝. 中國馬鈴薯主食產(chǎn)業(yè)化現(xiàn)狀及未來展望［J］. 農(nóng)業(yè)展望， 2018， 14（4）： 28-31.

［4］黃耀鋒. 優(yōu)質(zhì)馬鈴薯高產(chǎn)高效栽培技術(shù)要點［J］. 南方農(nóng)機(jī)， 2022， 53（4）： 69-71， 89.

［5］李銀山. 馬鈴薯栽培技術(shù)及病蟲害防治措施［J］. 種子科技， 2021， 39（24）： 40-41.

［6］段宏兵， 陳志鵬， 宋波濤， 等. 三角鏈半杯勺式丘陵山區(qū)馬鈴薯精密播種機(jī)設(shè)計與試驗［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（1）： 96-104.

Duan Hongbing， Chen Zhipeng， Song Botao， et al. Design and experiment of triangular chain half cup spoonshaped potato precision planter in hilly mountainous areas ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（1）： 96-104.

［7］呂金慶， 王鵬榕， 楊曉涵， 等. 舀勺式馬鈴薯播種機(jī)排種器清種裝置設(shè)計與試驗［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（7）： 51-60.

Lü Jinqing， Wang Pengrong， Yang Xiaohan， et al. Design and experiment of seedclearing device for cupbelt type potato seedmetering device ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（7）： 51-60.

［8］魏忠彩， 李洪文， 孫傳祝， 等. 基于多段分離工藝的馬鈴薯聯(lián)合收獲機(jī)設(shè)計與試驗［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（1）： 129-140， 112.

Wei Zhongcai， Li Hongwen， Sun Chuanzhu， et al. Design and experiment of potato combined harvester based on multistage separation technology ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（1）： 129-140， 112.

［9］呂金慶， 于佳鈺， 馮雪， 等. 輥式馬鈴薯分級機(jī)設(shè)計與試驗［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（2）： 323-332.

Lü Jinqing， Yu Jiayu， Feng Xue， et al. Design and experiment of roller potato grading machine ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（2）： 323-332.

［10］樊祖立， 牛力立， 唐興發(fā)， 等. 種薯切塊芽位及不同催芽、拌種方式對馬鈴薯農(nóng)藝性狀的影響［J］. 耕作與栽培， 2017（5）： 17-20， 29， 53.

Fan Zuli， Niu Lili， Tang Xingfa， et al. The effects of seedcutting buds and different buds on potato agronomic traits ［J］. Tillage and Cultivation， 2017（5）： 17-20， 29， 53.

［11］雷雪萍， 李勇， 白雅梅， 等. 相同種薯播量不同種薯切塊重量和密度組合對植株和塊莖性狀的影響［J］. 中國馬鈴薯， 2016， 30（6）： 336-340.

Lei Xueping， Li Yong， Bai Yamei， et al. Effects of various combinations of seed piece weight and inrow spacing on plant and tuber traits planting using equal quantity of seed ［J］. Chinese Potato Journal， 2016， 30（6）： 336-340.

［12］Su Q， Kondo N， Li M， et al. Potato feature prediction based on machine vision and 3D model rebuilding ［J］. Computers and Electronics in Agriculture， 2017， 137： 41-51.

［13］Du Y， Hu Y， San L， et al. Research on potato appearance quality detection based on computer vision ［C］. 2019 5th International Conference on Control， Automation and Robotics. IEEE， 2019： 286-289.

［14］張金敏， 楊添璽. 基于LBP與SVM的馬鈴薯芽眼識別［J］. 山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 2020， 51（4）： 744-748.

Zhang Jinmin， Yang Tianxi. Potato bud recognition based on LBP and SVM ［J］. Journal of Shandong Agricultural University （Natural Science Edition）， 2020， 51（4）： 744-748.

［15］席芮， 姜凱， 張萬枝， 等. 基于改進(jìn)Faster RCNN的馬鈴薯芽眼識別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2020， 51（4）：216-223.

Xi Rui， Jiang Kai， Zhang Wanzhi， et al. Potato bud eye recognition method based on improved Faster RCNN ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（4）： 216-223.

［16］李玉華， 李天華， 牛子孺， 等. 基于色飽和度三維幾何特征的馬鈴薯芽眼識別［J］. 農(nóng)業(yè)工程學(xué)報， 2018， 34（24）： 158-164.

Li Yuhua， Li Tianhua， Niu Ziru， et al. Potato bud eyes recognition based on threedimensional geometric features of color saturation ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（24）： 158-164.

［17］張偉潔， 劉剛， 郭彩玲， 等. 基于三維點云的蘋果樹葉片三維重建研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2017， 48（S1）： 103-109.

Zhang Weijie， Liu Gang， Guo Cailing， et al. Apple tree leaf threedimensional reconstruction based on point cloud ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（S1）： 103-109.

［18］勞彩蓮， 楊瀚， 李鵬， 等. 基于消費(fèi)級深度相機(jī)的玉米植株三維重建［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（7）： 222-228.

Luo Cailian， Yang Han， Li Peng， et al. 3D reconstruction of maize plants based on consumer depth camera ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（7）： 222-228.

［19］黃成龍， 李曜辰， 駱樹康， 等. 基于結(jié)構(gòu)光三維點云的棉花幼苗葉片性狀解析方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2019， 50（8）： 243-248， 288.

Huang Chenglong， Li Yaochen， Luo Shukang， et al. Cotton seedling leaf traits extraction method from 3D Point Cloud based on structured light imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（8）： 243-248， 288.

［20］梁秀英， 周風(fēng)燃， 陳歡， 等. 基于運(yùn)動恢復(fù)結(jié)構(gòu)的玉米植株三維重建與性狀提?。跩］. 農(nóng)業(yè)機(jī)械學(xué)報， 2020， 51（6）： 209-219.

Liang Xiuying， Zhou Fengran， Chen Huan， et al. Threedimensional maize plants reconstruction and traits extraction based on structure from motion ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（6）： 209-219.

［21］尚業(yè)華， 張光強(qiáng)， 孟志軍， 等. 基于歐氏聚類的三維激光點云田間障礙物檢測方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2022， 53（1）： 23-32.

Shang Yehua， Zhang Guangqiang， Meng Zhijun， et al. Field obstacle detection method of 3D LiDAR Point Cloud based on Euclidean clustering ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（1）： 23-32.

［22］胡春華， 劉炫， 計銘杰， 等. 基于SegNet與三維點云聚類的大田楊樹苗葉片分割方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報， 2022， 53（6）： 259-264.

Hu Chunhua， Liu Xuan， Ji Mingjie， et al. Single poplar leaf segmentation method based on SegNet and 3D point cloud clustering in field ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（6）： 259-264.

［23］張雪， 郭彩玲， 宗澤， 等. 基于輪廓分割的草莓葉片三維建模［J］. 農(nóng)業(yè)工程學(xué)報， 2017， 33（S1）： 206-211.

Zhang Xue， Guo Cailing， Zong Ze， et al. 3D reconstruction of strawberry leaves based on contour segmentation ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（S1）：206-211.

［24］李艷君， 黃康為， 項基， 等. 基于立體視覺的動態(tài)魚體尺寸測量［J］. 農(nóng)業(yè)工程學(xué)報， 2020， 36（21）： 220-226.

Li Yanjun， Huang Kangwei， Xiang Ji， et al. Measurement of dynamic fish dimension based on stereoscopic vision ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（21）： 220-226.

［25］孫國祥， 汪小旵， 劉景娜， 等. 基于相位相關(guān)的溫室番茄植株多模態(tài)三維重建方法［J］. 農(nóng)業(yè)工程學(xué)報， 2019， 35（18）： 134-142.

Sun Guoxiang， Wang Xiaochan， Liu Jingna， et al. Multimodal threedimensional reconstruction of greenhouse tomato plants based on phasecorrelation method ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（18）： 134-142.