基于線結構激光傳感器的土壤表面粗糙度測量方法研究

劉 潔，楊曉菊，廖宜濤，戴 寧，謝 航，詹 坤

?

基于線結構激光傳感器的土壤表面粗糙度測量方法研究

劉 潔1,2，楊曉菊1，廖宜濤1,2，戴 寧1，謝 航1，詹 坤1

（1. 華中農業(yè)大學工學院，武漢 430070；2. 農業(yè)農村部長江中下游農業(yè)裝備重點實驗室，武漢 430070）

土壤表面粗糙度是農作物種植、灌溉和收獲等田間管理必須考慮的作業(yè)參數，也是精準農業(yè)發(fā)展中亟待解決的關鍵問題之一。針對土壤表面粗糙度缺乏快速檢測手段的問題，提出一種基于線結構激光傳感器的土壤表面粗糙度測量方法。利用半導體紅光激光器、CCD工業(yè)相機、計算機及支架等構建測量系統，采集土壤樣本的表面圖像數據，借助MATLAB獲取其三維點云模型，實現土壤表面的三維曲面建模并計算曲面面積。定義土壤表面三維曲面面積與其平面面積的比值為表征土壤表面粗糙度的量，并通過對比4個顆粒度土壤樣本的該值范圍，確定了判別樣本表面粗糙度的閾值。利用3種土槽旋耕土壤表面樣本對系統和算法進行驗證，比值處于1.214~1.939之間，檢測結果均與樣本實際特征相符合。該方法能夠檢測和判斷土壤表面的顆粒粗糙程度。

土壤；表面；粗糙度；線結構光；三維重建；紅光激光器

0 引 言

土壤表面粗糙度是表征土壤表面微地貌的一項重要指標，與人為耕作、土壤本身水分入滲速率、地表徑流、日光照射反射率、蒸發(fā)速度及土壤侵蝕等參數密切相關[1-5]。它也是評價機械化土地平整技術的主要參數之一[6-7]，而機械化土地平整是發(fā)展規(guī)?；⒕毣凸?jié)水節(jié)肥農業(yè)的基礎環(huán)節(jié)。因此實現土壤表面粗糙度的快速檢測是精準農業(yè)發(fā)展中亟待解決的關鍵問題之一，對于田間管理如整地、種植和灌溉等作業(yè)的機械化、精細化實現與評價具有重要意義。

土壤表面粗糙度的現有測量方法可分為接觸式測量法和非接觸式測量法。接觸式檢測屬傳統方法，主要有鏈條法[8-9]和探針法[10-13]等，所需設備簡單，但是存在檢測效率低、精度差及檢測過程中接觸土壤表面不利于重復檢測等問題。非接觸式檢測具有速度快、省人力和數字化數據便于處理與應用等優(yōu)點，是當前熱門的研究方向和發(fā)展趨勢，主要有數字攝影檢測法[14-16]、超聲波測距法[17]、紅外傳感器法[18]以及激光法[19-21]等。其中數字攝影檢測法能迅速獲取圖像信息，但對系統配置要求高，故而成本高昂[22]；超聲波應用于單點測距時精度很高，但是其在土壤表面會發(fā)生多次反射，導致面粗糙度檢測誤差增加[23]；紅外傳感器法的測量精度高，但只有在同一反射率的表面上才能保證高精度，故僅適用于小尺度斷面測量，不適合大面積土表粗糙度的測量作業(yè)[23]。利用結構光投影信息和三角測量原理可以獲取測量物體表面的三維信息[24-28]，該技術已在機器人視覺與控制、工業(yè)零件生產與檢測等領域的表面信息測量中得到應用。因此，鑒于線結構光存儲信息量較大，空間分辨率高，數據處理速度快的特點，本文提出一種基于線結構激光傳感器的土壤表面粗糙度測量方法。該方法利用線結構光測量系統獲取土壤樣本的表面線結構光圖像，經圖像預處理后，獲取土壤表面點云數據以實現其三維重建，并計算樣本表面三維曲面面積及其對應的平面面積；在同一平面內樣本表面粗糙度越高，其表面三維曲面面積越大，故可利用2個面積的比值來衡量土壤表面的粗糙度，以期為土壤表面粗糙度的快速檢測提供一種有效的技術手段。

1 材料與方法

1.1 測量系統設計

該線結構光系統依據直射式激光三角測量原理設計，如圖1所示，屬點結構光法的延伸。線結構光激光器發(fā)出線激光，垂直照射在土壤表面某線上，該線上的樣本表面凸凹變化使同一激光線上的入射點居于入射光軸的不同位置；而當測量系統與土壤表面發(fā)生相對運動時，土壤表面的顆粒變化導致激光入射點沿入射光軸移動，入射光點的位置和移動信息可反映在散射光經CCD傳感器所成的圖像上。

設光點成像在圖像平面上的變化位移為￠，根據幾何關系，可以計算出入射光點的位移為

一般情況下，由于>>￠，則式（1）可簡化為

式中為CCD傳感器的接收透鏡到被測點的距離，cm；為接收透鏡中心到CCD像面的距離，cm；為激光束光軸與CCD傳感器之間的夾角，（°）。在CCD的像面上，成像的大小用像素來表征，設像面上的單個像素的長為，為對應像素的個數，則可計算像長為￠=·，將該式代入到式（2）中可得：

當=1時，此時的為該檢測系統的測量精度，參數和為系統固定參數，值越大則系統檢測精度越高，但角度越大導致遮光現象越嚴重，數據中斷點越多，導致采集的數據與真實值之間存在較大偏差，為滿足測量精度要求及系統采集圖像信息的豐富度要求，設置=45°。系統中=109.7 cm，則系統測量精度為0.126 mm。

注：為CCD傳感器的接收透鏡到被測點的距離，cm；為接收透鏡中心到CCD像面的距離，cm；為激光束光軸與CCD傳感器之間的夾角，（°）；是光點成像在圖像平面上的位移，cm；為入射光點的位移，cm。

Note:is distance from receiving lens of CCD sensor to measured point, cm;is distance from center of receiving lens to image plane of CCD, cm;is angle between optical axis of laser beam and CCD sensor, (°);is displacement of spot imaging on image plane, cm;is displacement of incident spot, cm.

圖1 直射式激光三角測量原理

Fig.1 Schematic of measurement by direct illumination laser triangulation

基于上述激光三角法原理，構建了如圖2所示的線結構光測量試驗系統。該系統由計算機、工業(yè)相機、半導體紅光激光器及支架等組成。相機選用華谷動力1/2.5 CMOS相機（WP-UF500，中國），最大分辨率為2 592 pixel′1 944 pixel，采用Computer 25 mm工業(yè)鏡頭；線結構光激光器為半導體紅光激光器，波長為660 nm，線寬<1 mm，線長為1.3 m；支架垂直于水平臺，激光器的照射方向垂直于支架。樣品池為固定于黑色遮光板上的長方體容器，為保持土壤樣本表面與大田狀態(tài)盡量一致且與相機成像范圍相適應，樣品池內部尺寸為長95.3 mm×寬72 mm′高42 mm，其長與寬的乘積即樣本上表面平面面積，為6 861.6 mm2。

比較前期試驗結果，確定系統最佳參數如下：半導體紅光激光器與被檢測面的距離為74.7 cm，CMOS相機與檢測面的距離為109.7 cm，CMOS相機與紅光激光器在檢測面投射激光間的角度為45°，由激光三角法測量原理的公式可得系統測量精度為0.126 mm。

圖2 線結構激光測量試驗系統示意圖

1.2 試驗樣本與圖像數據采集

制備4種不同顆粒度的試驗樣本用于優(yōu)化表面三維重建算法并確定粗糙度表征量閾值；在華中農業(yè)大學高速數字化土槽實驗室土槽中開展未耕作、淺旋耕和深旋耕作業(yè)并選取對應土壤表面圖像用于驗證系統和算法的檢測能力，試驗過程及土壤性質見文獻[29]。

制備樣本土壤取自湖北省武漢市華中農業(yè)大學試驗田，考慮常見作物對土壤條件的一般要求，如油菜、水稻等作物宜種植于顆粒度細密的土壤，而馬鈴薯、蔬菜等作物的種植土壤顆粒度較大，選用≤0.3 mm（60目），>0.3 mm且≤0.9 mm（20目），>0.9 mm且≤2 mm（10目）孔徑篩子篩選后制備為4種不同顆粒度樣本。目數越少，篩孔直徑越大，樣本顆粒度越大，其表面就越粗糙，制備樣本表面狀態(tài)如圖3所示。

采集表面圖像數據時將土壤樣本裝入長95.3 mm×寬72 mm′高42 mm樣品池內，搖振至表面與容器上沿平齊，如圖2所示以平面直角坐標系，以樣品池左下方端點與原點重合，樣品池下緣與軸重合為起始位置，沿軸以2 mm步長移動樣品池47步，以完成整個表面的圖像數據獲取，每個樣本需50 s。攝像機每步獲取1幅圖像，包含線結構光當次照射土壤表面的反射光紅光條。整合47幅圖像后可得該樣本表面所有信息。相機參數設置與拍攝控制籍由demoCam軟件實現，圖像數據經數據線和USB接口傳輸至計算機進行保存與分析。

華中農業(yè)大學高速數字化土槽實驗室土槽有效寬度大于2 m，長度大于60 m，其中土壤源自華中農業(yè)大學試驗田，為砂壤土，試驗時含水率范圍為8%~15%。采用1WG5.2-80旋耕機（晨希機械有限公司）在土槽內分別進行淺耕和深耕作業(yè)，作業(yè)幅寬1.2 m米，長度各5 m，3種狀態(tài)土壤共長15 m。將圖像采集系統經導軌分別移動至未耕、淺耕和深耕3種不同狀態(tài)的土壤表面后隨機選取圖像采集點，系統測量原點即為所得樣本圖像的左下角。沿導軌以2 mm步長移動系統以完成圖像數據獲取，其余系統參數設置與控制和數據傳輸與保存的方法同上。利用探針法測取該樣本表面粗糙度的參考值。3種土槽土壤樣本表面狀態(tài)如圖4所示。

圖3 不同粒徑土壤樣本表面圖

圖4 土槽樣本表面圖

1.3 圖像處理

每個樣本所獲取的每張圖像均需分別進行圖像分割、形態(tài)學處理以及邊緣檢測等預處理，繼而提取結構光光條中心亞像素后補充圖像中斷點，整合每個樣本的所有圖像后從中獲取該樣本的土壤表面三維點云。

為彌補激光器照射過程中由線狀光導致的噪聲，保證圖像信息的完整性，選用區(qū)域生長法進行圖像分割。區(qū)域生長是根據預先定義的生長準則將像素或者子區(qū)域組合成更大區(qū)域的過程，從1組“種子”點開始，將與種子性質相似的那些鄰域像素附加到每個種子上來形成生長區(qū)域，例如特定范圍的灰度或顏色。選取特定范圍的灰度值對圖像進行區(qū)域生長分割處理，可有效地分割圖像上噪聲陰影區(qū)域。為了去除圖像中的噪聲點，分割出獨立的結構光圖像，選擇形態(tài)學處理中的圖像膨脹和腐蝕對區(qū)域生長分割處理后的圖像進行處理。圖像膨脹可以使一些相鄰距離較近的區(qū)域進行連接，擴展物體的邊界點。腐蝕可以消除小于特定結構元素的點，去除物體的邊界點。選用Canny邊緣檢測提取結構光的光條輪廓，該檢測方法使用2個閾值檢測強弱2個邊緣，并僅在他們連接到強邊緣時將弱邊緣包含到輸出中。

經預處理的圖像需提取結構光光條中心亞像素。結構光光條中心亞像素的常用提取方法有曲線擬合法，灰度重心法及條紋跟蹤法等。考慮到線結構光圖像經過圖像分割、形態(tài)學處理以及邊緣檢測的處理后，只包含光源中心附近位置像素灰度值不為0的一段連續(xù)像素點，利用具有亞像素精度的灰度重心法確定結構光條的質心位置?；叶戎匦姆ㄊ侵苯右罁鈼l在某一區(qū)間內灰度值的排列，沿橫坐標取灰度重心來代替光條的中心位置。這種方法能夠減小由于光條灰度分布的不對稱性引起的誤差，且對截面的平移不敏感。其計算原理為

式中=1,2，…，為截面內像素點的個數，（g,y）為光條上某一截面像素點的坐標，（g,y）為對應像素點的灰度值。由于該系統所得結構光是線型的，逐行運用灰度重心法確定當前所在行的質心位置，并可由此畫出整幅結構光的質心輪廓，而（,）為質心輪廓截面所求的光條中心點的坐標。

鑒于該成像系統基于直射式激光三角測量原理，激光光源和攝像機之間存在特定角度，通過待測物體表面圖像，由激光三角計算公式獲得物體表面的三維信息。若被測物體表面高度起伏較大、劇烈變化或者表面斷裂，使得物體表面不再連續(xù)，則會造成圖像陰影、遮擋、斷點等問題，導致重心點灰度重心法的計算值為0，與樣本實際情況不符。由于線結構光上的斷點通常出現在已知像素點附近，故采取3次Hermite插值法對斷點進行插值。圖5表明與原始結構光圖像相比，該插值方法能夠補充圖像上的所有斷點，并且平滑輪廓線，可以解決線狀結構光在照射中引起的斷點問題。

1.4 土壤表面三維重建方法

三維重建主要是實現點云的網格化處理。在每類樣本獲取的每張圖像經過預處理后，將每幅圖像上的結構光點云信息匯總，即為該類樣本表面的點云。選用Delaunay三角法對點云進行三角網格化，該法具有空圓特性以及最大化最小角特性，能夠使三角網格化更加均勻，對不同分布密度的數據適應性好，對表現物體表面的凹凸不平程度具有獨特優(yōu)勢。

Delaunay三角網的計算方法屬逐點插入算法，1977年由Lawson提出，其主要思想是把所有的數據點包圍在一個大的三角形或多邊形中，插入一個點，形成新的三角形，再進行優(yōu)化檢測以完善三角網。該算法思路簡單，易于編程實現[30]，但在數據點構成圓環(huán)時，會產生非法三角形。故對其進行改進，算法步驟如下：

1）構造一個包含所有離散數據點的超級三角形，放入Delaunay三角網中；

2）依次插入超級三角形中集中的離散點，在Delaunay三角網中找出外接圓包含該插入點的三角形（可能會有多個），刪除包含該插入點的所有三角形的公共邊，再將插入點同包含該插入點的所有三角形的全部頂點連接起來，完成一個點在Delaunay三角網中的插入。

3）通過交換對角線的方法來保證所形成的三角網為Delaunay三角網，并將形成的三角形放入Delaunay三角網中。

4）循環(huán)步驟2）和3），直到所有離散數據點都插入完畢。

圖5 粒徑>0.3~0.9 mm樣本表面原圖與插值后的數據圖

1.5 粗糙度表征量定義

鑒于土壤表面顆粒度越大，即粗糙度越高，則意味著其表面顆粒曲面面積越大，故選取土壤表面的曲面面積與其所對應的平面面積的比值為表征土壤表面粗糙度的值，即定義為衡量土壤表面的粗糙度的標準量，即

式中為土壤表面的曲面面積，mm2；P為土壤表面的平面面積，mm2。

經上文所述土壤表面三維重建中構建Delaunay三角網后，土壤表面點云中的所有離散點均已成為三角網中各小三角形的頂點，并且已知點云數據中離散點的坐標，故可利用已知數據求出每個小三角形的面積，求其總和即為土壤表面的曲面面積。制備土壤表面平面面積為樣品池容器的上表面面積，即P=6 861.6 mm2。土槽樣本表面平面面積為實際測量的每個樣本所對應的平面面積。

1.6 探針法

探針法是最早用于檢測土壤表面粗糙度的方法之一，其測量工具的基本構造為數根等長等距、單排或多排排列、可上下活動的探針。測量時將裝置沿測量斷面平穩(wěn)放置，使兩端緊貼地面，形成相對高差基點，手動垂直移動探針尖端使其與地表接觸，通過人工讀數獲取對應點的相對高差[18]。本文所用裝置有36根探針，每根探針間的距離均為1 cm，通過3次人工讀數獲取3種土槽樣本中相應點的相對高差。利用式（6）計算相對高差標準差S的值用于評價土槽樣本表面粗糙度的總體狀況。

式中h為第個測量點的相對高差；為測量點相對高差的平均值；為測量點的總數。

2 結果與分析

2.1 制備土壤樣本的表面三維重建結果

4種不同顆粒度土壤樣本表面網格化后的三維重建圖如圖6所示，為了凸顯土壤表面粗糙度的變化，將其中的軸和軸坐標值分別做了縮小3.19%的處理，在三維重建圖中能夠更直觀地看出不同顆粒度的土壤表面的形態(tài)特征。從圖6中可以看出粒徑>2 mm的土壤表面的三維重建圖的凹凸變化最為明顯，粒徑為>0.9~2 mm的土壤樣本表面三維重建圖的凹凸變化程度比粒徑>2 mm樣本弱而比<2 mm的樣本強，粒徑≤0.3 mm土壤樣本表面三維重建圖的凹凸變化程度最小，這與各類樣本實物的表面粗糙程度相符，可見三維重建圖能夠直觀地反映展示土壤表面的粗糙度狀況。

2.2 粗糙度表征量計算與閾值選擇

由程序算得和P值，據式（5）計算4類土壤樣本值。各類樣本的曲面面積、平面面積和粗糙度計算結果如表1所示。由表可見，值最大的樣本為粒徑>2 mm的土壤，其后依次為粒徑>0.9~2 mm和>0.3~ 0.9 mm的土壤，值最小的樣本為粒徑≤0.3 mm的土壤。其中粒徑為>0.3~0.9 mm和≤0.3 mm的樣本值相差僅為0.035，應與其樣本顆粒直徑最大僅相差0.6 mm有關。值的變化趨勢與實際土壤表面粗糙度的變化趨勢完全相符，如各類土壤中表面顆粒度最大，凸凹變化最為明顯的是粒徑>2 mm的樣本，其次是粒徑為>0.9~2 mm和>0.3~0.9 mm樣本，顆粒尺寸≤0.3 mm樣本的顆粒度最小，表面最不粗糙。

表1 不同顆粒度土壤樣本的表面參數計算值

根據粗糙度定義和上述結果，選取評判土壤表面粗糙度表征量的閾值如下：

當-1=0時，土壤表面完全平整；

當|-1|≤0.5時，土壤表面較為細密；

當0.5<|-1|≤1時，土壤表面較為粗糙；

當|-1|>1時，土壤表面粗糙。

由此可以根據線結構光圖像數據求出值并結合閾值判別土壤表面粗糙度。

圖6 不同顆粒度樣本的土壤表面三維重建圖

圖7 3種土槽樣本的土壤表面三維重建圖

2.3 土槽土壤樣本表面粗糙度測量結果

對3種土槽樣本進行土壤表面三維重建，為了凸顯土壤表面粗糙度的變化，將其中的軸和軸坐標值分別做了縮小3.19%的處理，其效果如圖7所示。利用前述方法對樣本的測量結果列于表2，探針法所測樣本表面相對高差標準差值S亦列于表2。由表可知，未耕作、淺耕作業(yè)和深耕作業(yè)土壤表面的值逐漸升高，表明其粗糙度依次增大，這與探針法測量的結果是一致的，說明該方法能夠測取耕作土壤表面的粗糙度信息。利用閾值對3種樣本的檢測和判斷，未耕樣本的判斷結果為較為細密，深耕樣本的判斷結果為較為粗糙，淺耕樣本粗糙度介于兩者之間，符合樣本土壤表面的粗糙情況。

表2 土槽樣本的表面參數檢測結果

注：S為樣本表面相對高差標準差值。

Note: Sis standard deviation of relative height difference of sample surface.

3 結論與建議

該文自行設計構建的線結構激光測量系統結合結構光光條中心提取算法能夠獲取制備土壤和土槽土壤的表面圖像數據并提取出表面顆粒度信息，借助Delaunay三角網法能夠實現土壤表面的三維重建并完成土壤表面顆粒的曲面面積計算。

該文提出的利用土壤表面曲面面積與其對應平面面積比值表征土壤表面粗糙度的方法，根據4種顆粒度制備土壤樣本確定比值的閾值，采用3種旋耕狀態(tài)土槽土壤樣本進行驗證，比值在1.214～1.939之間，粗糙程度的識別結果符合樣本實際狀態(tài)，即土壤表面顆粒粒徑越大，則該比值也越大，判別結果越趨于粗糙。證明該方法可以用于檢測和判斷土壤表面的顆粒粗糙程度。

后續(xù)研究應擴展制備土壤樣本的粒徑范圍并將粗糙度分類細化以適應實際檢測需求。例如以1 mm為間隔制備多種粗糙度水平的樣本，確定土壤表面曲面面積與其對應平面面積比值曲線的變化規(guī)律，與常見田間土壤在旋耕作業(yè)后的表面圖像特征信息參數分析相結合，建立土壤表面粗糙度判別模型，進而為實地農田環(huán)境中各類旋耕作業(yè)后土壤表面粗糙度狀態(tài)的檢測提供一種可行的解決方案。

[1] Burwell R E, Larson W E. Infiltration as influenced by tillage-induced random roughness and pore space[J]. Soil Science Society of America Journal, 1969, 33(3): 449.

[2] Sun Y, Lin J, Lammers P S, et al. Estimating surface porosity by roughness measurement in a silt-loam field[J]. Journal of Plant Nutrition and Soil Science, 2006, 169(5): 630－632.

[3] R?mkens M, Helming K, Prasad S N. Soil erosion under different rainfall intensities, surface roughness, and soil water regimes [J]. Catena, 2002, 46(2): 103－123.

[4] 聶衛(wèi)波，馬孝義. 畦田Philip入滲參數和田面綜合糙率同步推求[J]. 農業(yè)機械學報，2009，40(5)：39—44. Nie Weibo, Ma Xiaoyi. Synchronously determining philip infiltration parameter and synthesis roughness model of border irrigation[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(5): 39－44. (in Chinese with English abstract)

[5] Zobeck T M, Onstad C A. Tillage and rainfall effects on random roughness: A review[J]. Soil & Tillage Research, 1987, 9(1): 1－20.

[6] Keyser E D, Vernieuwe H, Lievens H, et al. Assessment of SAR-retrieved soil moisture uncertainty induced by uncertainty on modeled soil surface roughness[J]. International Journal of Applied Earth Observation & Geoinformation, 2012, 18(1): 176－182.

[7] Davenport I J, Sandells M J, Gurney R J. The effects of scene heterogeneity on soil moisture retrieval from passive microwave data[J]. Advances in Water Resources, 2008, 31(11): 1494－1502.

[8] Saleh A. Soil roughness measurement: Chain method[J]. Journal of Soil & Water Conservation, 1993, 48(6): 527－529.

[9] Merrill S D. Comments on the chain method for measuring soil surface roughness: Use of the chain set[J]. Soil Science Society of America Journal, 1998, 62(4): 1147－1149.

[10] Moreno R G, álvarez M C D, Alonso A T, et al. Tillage and soil type effects on soil surface roughness at semiarid climatic conditions[J]. Soil & Tillage Research, 2008, 98(1): 35－44.

[11] Huang Chihua, Bradford J M. Depressional storage for Markov-Gaussian surfaces[J]. Water Resources Research, 1990, 26(9):2235－2242.

[12] Kruipers H. A reliefmeter for soil cultivation studies[J]. Netherlands Journal of Agricultural Science, 1957(15):255－262.

[13] Podmore T H, Huggins L F. An automated profile meter for surface roughness measurements[J]. Transactions of the American Society of Agricultural Engineering, 1981, 24(3):663－665,669.

[14] Taconet O, Ciarletti V. Estimating soil roughness indices on a ridge-and-furrow surface using stereo photogrammetry[J]. Soil & Tillage Research, 2007, 93(1): 64－76.

[15] Wegmann H, Rieke-Zapp, D Folke S. Digital photogrammetry for measuring soil surface roughness[C]//Proc. ASPRS 2001 Annual Conference, St Louis, USA, 2001.

[16] Warner W S. Mapping a three-dimensional soil surface with hand-held 35 mm photography[J]. Soil & Tillage Research, 1995, 34(3):187－197.

[17] Robichaud P R, Molnau M. Measuring soil roughness changes with an ultrasonic profiler[J]. Transactions of the ASAE, 1990, 33(6): 1851－1858.

[18] 李宗南，陳仲新，王利民，等. 基于紅外結構光三維技術的土壤表面粗糙度測量[J]. 農業(yè)工程學報，2013，29(21)：137－142. Li Zongnan, Chen Zhongxin, Wang Limin, et al. A measuring method of soil surface roughness using infrared structured light 3D technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(21): 137－142. (in Chinese with English abstract)

[19] 蔡祥，孫宇瑞，林劍輝，等. 基于激光反射的土壤表面粗糙度測量裝置設計與試驗[J]. 農業(yè)機械學報，2010，41(1)：68－71. Cai Xiang, Sun Yurui, Lin Jianhui, et al. Design of a laser scanner for characterizing soil surface roughness[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 41(1): 68－71. (in Chinese with English abstract)

[20] Croft H, Anderson A K, Kuhn N J. Characterizing soil surface roughness using a combined structural and spectral approach[J]. European Journal of Soil Science, 2010, 60(3): 431－442.

[21] Aguilar M A, Aguilar F J, Negreiros J. Off-the-shelf laser scanning and close-range digital photogrammetry for measuring agricultural soils microrelief[J]. Biosystems Engineering, 2009, 103(4):504－517.

[22] 張勝賓，黃培奎，趙祚喜.土壤表面粗糙度檢測方法研究[J]. 農機化研究，2016(11)：257－262. Zhang Shengbin, Huang Peikui, Zhao Zuoxi. A research on soil surface roughness measurement-methods[J]. Journal of Agricultural Mechanization Research, 2016(11): 257－262. (in Chinese with English abstract)

[23] 溫鵬飛，郭華. 土地粗糙度測算方法研究[J]. 建材發(fā)展導向，2017，15(19)：378－380. Wen Pengfei, Guo Hua. Research on the method of calculating land levelness[J]. Development Guide to Building Materials, 2017, 15(19): 378－380. (in Chinese with English abstract)

[24] Fofi D, Sliwa T, Voisin Y. A comparative survey on invisible structured light[J]. Proceedings of SPIE - The International Society for Optical Engineering, 2004, 5303:90－97.

[25] Salvi J, Jordi Pagès, Batlle J. Pattern codification strategies in structured light systems[J]. Pattern Recognition, 2004, 37(4):827－849.

[26] Shirai Y. Recognition of polyhedrons with a rage finder[J]. Pattern Recognition, 1972, 4(3):243－250.

[27] Valkenburg R J, Mcivor A. Accurate 3d measurement using a structured light system[J]. Proceedings of SPIE - The International Society for Optical Engineering, 1998, 16(2):99－110.

[28] Depiero F W, Trivedi M M. 3-D computer vision using structured light: Design, calibration, and implementation issues[J]. Advances in Computers, 1996, 43(8):243－278.

[29] 張國忠，周勇，盧元爽，等. 雙螺旋旋耕埋草模型刀輥工作扭矩試驗[J]. 華中農業(yè)大學學報，2017，36(3)：101－106. Zhang Guozhong, Zhou Yong, Lu Yuanshuang, et al. Torque experiment of model rotary knife roller of double spiral rotary tillage and stubble-mulch machine[J]. Journal of Huazhong Agricultural University, 2017, 36(3): 101－106. (in Chinese with English abstract)

[30] Lawson C. Software for C1surface interpolation[M]//Rice J M. Mathematical Software III. New York: Academic Press, 1977: 161–194.

Study on soil surface roughness measuring method based on line structured light sensor

Liu Jie1,2, Yang Xiaoju1, Liao Yitao1,2, Dai Ning1, Xie Hang1, Zhan Kun1

(1.430070,; 2.430070,)

As one of the main parameters for evaluating mechanized land leveling technology, which is the basic link of modernization and precision agriculture, soil surface roughness is also a factor that must be considered for field management such as crop planting, irrigation, harvesting and so on. However, a rapid and low-cost accuracy measurement method is absent currently. In this work, we proposed a method for rapidly evaluating soil surface roughness. The soil surface roughness was assessed according to the images generated by a self-design system based on line structure laser light principle. The parameters of the system was determined by a preliminary experiment. The accuracy of the system was 0.126 mm. Considering the requirements by common crops such as oilseed rape, potato, rice and vegetables, we screened the soils with 4 aperture sieves. The obtained soil particle size was higher than 2 mm, higher than 0.9 mm and not less than 2 mm, higher than 0.3 mm and not less than 0.9 mm, and not higher than 0.3 mm. By the self-design system, soil samples images were obtained. After segmentation, morphological processing and edge detection, the images of prepared soil samples were processed for extracting the center sub-pixels of structured light stripe and the sub-pixels were combined together for obtain the 3D point cloud of each sample. With delaunay triangulation algorithm, the 3D surface modeling of the soil surface was established and the curve surface area was calculated. The ratio of curved surface area to surface area was calculated in order to characterize the flatness of the soil surface. The threshold values of the ratio for determining the sample surface roughness were determined by analyzing the ratio values of 4 samples with different particle sizes. The larger ratio values indicate more rough soil surface. Based on the ratio, soil was considered as relatively flat, relatively dense, relatively rough and rough when the difference of ratio and 1 was 0, higher than 0 and not higher than 0.5, higher than 0.5 and not higher than 1, and higher than 1. The method was validated by soil bin test. The soil samples in soil bin with treatments in uncultivated, shallow rotary tillage and deep rotary tillage conditions were used for the validation of the system and algorithm. Meanwhile, our method was compared with probe method. The results showed that the ratio values of surface samples with uncultivated, shallow rotary tillage and deep rotary tillage increased gradually. The ratio was 1.214, 1.633 and 1.939 for the samples in uncultivated, shallow rotary tillage and deep rotary tillage conditions, respectively. The change of the ratio was consistent with that of the standard deviation of relative height difference of sample surface by the probe method. Based on the ratio, the sample surface in the treatments of uncultivated, shallow rotary tillage and deep rotary tillage was considered as relatively dense, relatively rough and relatively rough, respectively. The results were consistent with the actual characteristics of the samples. These results indicated that the presented measurement method could be applied in soil surface roughness assessment.

soils; surface; roughness; line structured light; three-dimensional reconstruction; red laser

劉 潔，楊曉菊，廖宜濤，戴 寧，謝 航，詹 坤. 基于線結構激光傳感器的土壤表面粗糙度測量方法研究[J]. 農業(yè)工程學報，2019，35(3)：134－140. doi：10.11975/j.issn.1002-6819.2019.03.017 http://www.tcsae.org

Liu Jie, Yang Xiaoju, Liao Yitao, Dai Ning, Xie Hang, Zhan Kun. Study on soil surface roughness measuring method based on line structured light sensor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 134－140. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.03.017 http://www.tcsae.org

2018-07-24

2019-01-01

國家重點研發(fā)計劃資助項目（2018YFD0701105）

劉 潔，副教授，博士，主要從事生物信息智能檢測與自動控制研究。Email：liujie@mail.hzau.edu.cn

10.11975/j.issn.1002-6819.2019.03.017

TG84

A

1002-6819(2019)-03-0134-07