基于结构高光谱的种子质量检测方法及装置与流程

本发明属于种子质量自动化检测的技术领域，尤其是一种基于结构高光谱的种子质量检测方法及装置，属于农业工程领域。

背景技术：

农作物产量是是保证粮食安全的重要指标，是国家安全的基石。种子质量的优劣很大程度上决定了粮食的产量，进行种子表型检测是增加农作物产量的重要因素，进行种子质量检测具有重要意义。衡量种子质量的标准主要包括发芽率、种子净度、纯度、活力、损伤裂纹等。其中，种子物理尺寸、活力指数等直接关系到作物的产量和质量。

传统的种子物理尺寸表型检测通过提取相机拍照后的二维图像进行种子直径、长度的测量，但无法实现种子体积的精确测量。此外，传统采用发芽法、四唑法等进行种子活力检测为有损检测，而基于近红外、高光谱的检测方法因无法提取不同深度的种子光谱信息，检测精度难以提升。

技术实现要素：

针对现有种子表型参数和活力指数检测精度低的不足，本发明提出一种基于结构高光谱的种子质量检测方法及装置。

为实现上述目的，本发明采用如下的技术方案：

一种基于结构高光谱的种子质量检测装置，其特征为，由机械臂基座(1)、机械臂(2)、真空吸种模块(3)、结构光投影模块(4)、白光光源(5)、光纤(6)、高光谱相机(7)、计算机(8)、信号线(9)、种子(10)组成，其中，机械臂(2)由机械臂升降台(21)、机械臂大臂(22)、机械臂小臂(23)、机械臂连接法兰(24)、手臂连接轴(25)组成，且机械臂升降台(21)的底部固装于机械臂基座(1)上，机械臂升降台(21)的滑动端与机械臂大臂(22)一端固装，机械臂大臂(22)另一端与机械臂小臂(23)一端通过手臂连接轴(25)滑动连接，机械臂小臂(23)另一端通过机械臂连接法兰(24)与真空吸种模块(3)的法兰连接件(31)固装；白光光源(5)通过光纤(6)为结构光投影模块(4)提供光源，结构光投影模块(4)投射结构光到种子(10)上，高光谱相机(7)采集种子(10)上投射的结构光图像并通过信号线(9)传输到计算机(8)。

一种基于结构高光谱的种子质量检测装置，所述的真空吸种模块(3)，其特征为：由法兰连接件(31)、真空管转接头(32)、气吸空心针(33)、真空发生器(34)和软气管(35)组成，其中，真空发生器(34)输出端和软气管(35)一端相连，软气管(35)另一端通过真空管转接头(32)连接至法兰连接件(31)一端，法兰连接件(31)另一端与气吸空心针(33)一端相连，气吸空心针(33)另一端可吸附种子(10)，且法兰连接件(31)，气吸空心针(33)，真空管转接头(32)，软气管(35)均为真空结构，并共同构成内部空心连通体，可吸附种子(10)。

一种基于结构高光谱的种子质量检测方法，其特征为，包括以下步骤：

步骤1：基于结构高光谱的种子质量检测装置标定；

步骤2：种子三维表型信息获取；

步骤3：种子特征光谱信息和二维纹理信息的获取；

步骤4：基于支持向量回归(svr)的种子活力预测模型建模。

所述的一种基于结构高光谱的种子质量检测方法，其特征为：所述步骤1基于结构高光谱的种子质量检测装置标定按照以下步骤标定：

步骤a：将标准棋盘格标定板垂直置于气吸空心针下方，标定板垂直轴线与气吸空心针同轴，标定板平面中心与结构光投影模块出光口中心的连线与标定板平面成90°，通过电脑8生成条纹形格雷码；

步骤b：电脑8通过信号线9将一组条纹形格雷码顺次发送到结构光投影模块，结构光投影模块顺次将编码结构光投射到标准棋盘格标定板上，电脑8再通过信号线9和高光谱相机7顺次采集标准棋盘格标定板上的结构光图像信息，并顺次存储保存为以阿拉伯数字命名的jpg格式文件；

步骤c：电脑8将步骤b中存储的一组以阿拉伯数字命名的jpg图片格式文件保存于angle1文件夹中，再分别将标准棋盘格标定板旋转2种不同角度，并根据步骤b的方法分别把2组保存为以阿拉伯数字命名的jpg格式文件分别存储在angle2和angle3文件夹中；

步骤d：采用张正友棋盘格标定法，将步骤c所述angle1、angle2、angel3文件夹导入到matalbcalibrationtoolbox中，得到高光谱相机和投影仪的内参矩阵kl、kr，以及投影仪坐标系转换到高光谱相机坐标系的旋转r矩阵和平移t矩阵，其中内参矩阵包含每个像素的物理尺寸、焦距、图像物理坐标的扭曲因子、图像原点相对于光心成像点的纵横偏移量；

步骤e：根据步骤d得到的高光谱相机和投影仪的内参矩阵kl，kr，以及投影仪坐标系转换到高光谱相机坐标系的旋转r矩阵和平移t矩阵进行格雷码解码，得到三幅点云图像，分别命名为point1，point2point3；

步骤f：在point1点云图像中任取一个点作为参考点pr(x，y，z)，其在point2、point3中对应的点为pr1(x，y，z)，pr2(x，y，z)；

步骤g：基于3个点pr(x，y，z)、pr1(x，y，z)、pr2(x，y，z)的坐标信息，拟合出圆并计算出圆心坐标作为种子旋转坐标系的坐标原点p0(x，y，z)；

步骤h：设p0(x，y，z)为坐标原点，pr(x，y，z)为机械臂旋转台工作表面上的参考点，pr1(x，y，z)和pr2(x，y，z)为其在两个不同视场中所对应的坐标；

步骤i：通过两个向量的向量积可求出z′轴的方向向量，其中，

其中，上述步骤e中格雷码解码采用以下方法：

设三维空间中的物体在相机和投影仪的成像位置分别为pc(uc，vc)和pp(up，vp)，且设世界坐标系的原点与相机坐标系的原点重合，则相机的外参矩阵(相机和世界坐标系的转换矩阵)为

投影仪的外参矩阵(投影仪和世界坐标系的转换矩阵)，

rp＝r，tp＝t(2)

利用相机模型可得

联立上述方程组，获得sc，sp，x，y，z，和方程

则该结构光3d成像系统每个像素点的三维解为

其中和表示mc和mp在第i行第j列。

所述的一种基于结构高光谱的种子质量检测方法，其特征为：所述步骤2中种子三维表型信息获取流程为：

步骤a：电脑8通过信号线9将一组结构光编码信息发送到结构光投影模块，结构光投影模块将编码结构光投射到种子上，电脑8再通过信号9和高光谱相机采集种子的图形信息，每张图片存储成jpg格式，然后进行格雷码解码得到第一视角的点云图像；

步骤b：分别将种子旋转90°、180°、270°，同时根据步骤a的方法得到三个视角的点云图；

步骤c：将四个视角的三维点云图根据上述标定的种子旋转轴z′变换到统一坐标系，完成点云的粗配准，调用matlab的icp算法和平滑算法实现点云精配准；

步骤d：封装配准后的点云，计算长、宽、高、体积、外表面面积作为种子的三维表型参数。

所述的一种基于结构高光谱的种子质量检测方法，其特征为：所述步骤3种子特征光谱信息和二维纹理信息的获取，按照以下步骤：

步骤a：结构光投影模块向种子投射白光，高光谱相机获取光谱图像立方体；

步骤b：采用matlab中otsu方法进行阈值分割，获取种子的roi掩模图像，通过roi掩模图像提取高光谱图像中的种子roi光谱信息；

步骤c：对光谱调用matlab中smooth平滑滤波函数进行平滑滤波；

步骤d：调用matlab中pca算法提取高光谱的前三个特征波长；

步骤e：提取上述三个特征波长对应的灰度图像；

步骤f：用matlab调用graycomatrix函数计算上述三个特征波长对应灰度图像的生成灰度共生矩阵，其中包含种子的二维纹理信息。

所述的基于支持向量回归(svr)的种子质量预测模型建模，按照以下方法实施，调用matlab中lib-svm工具箱中的svr算法，以上述前三个特征波长、灰度共生矩阵作为输入，以种子活力指数的数值为输出，建立种子活力预测模型，可用于种子活力预测。

与现有技术相比，本发明的有益效果为：

(1)本发明采用结构光三维成像技术，可精确测量种子的长度、宽度、体积等三维尺寸信息。

(2)本发明通过结构光调制技术可检测种子不同深度的高光谱信息，拓展信息维度，提高种子活力指数的检测精度。

附图说明

图1为基于结构高光谱种子质量检测装置结构示意图；

图2为基于结构高光谱种子质量检测方法流程图；

具体实施方式

下面结合附图及具体实施例对本发明作进一步说明。

实施例1

如图1所示，一种基于结构高光谱的种子质量检测装置，其特征为，由机械臂基座(1)、机械臂(2)、真空吸种模块(3)、结构光投影模块(4)、白光光源(5)、光纤(6)、高光谱相机(7)、计算机(8)、信号线(9)、种子(10)组成，其中，机械臂(2)由机械臂升降台(21)、机械臂大臂(22)、机械臂小臂(23)、机械臂连接法兰(24)、手臂连接轴(25)组成，且机械臂升降台(21)的底部固装于机械臂基座(1)上，机械臂升降台(21)的滑动端与机械臂大臂(22)一端固装，机械臂大臂(22)另一端与机械臂小臂(23)一端通过手臂连接轴(25)滑动连接，机械臂小臂(23)另一端通过机械臂连接法兰(24)与真空吸种模块(3)的法兰连接件(31)固装；白光光源(5)通过光纤(6)为结构光投影模块(4)提供光源，结构光投影模块(4)投射结构光到种子(10)上，高光谱相机(7)采集种子(10)上投射的结构光图像并通过信号线(9)传输到计算机(8)。

实施例2

一种基于结构高光谱的种子质量检测装置，所述的真空吸种模块(3)，其特征为：由法兰连接件(31)、真空管转接头(32)、气吸空心针(33)、真空发生器(34)和软气管(35)组成，其中，真空发生器(34)输出端和软气管(35)一端相连，软气管(35)另一端通过真空管转接头(32)连接至法兰连接件(31)一端，法兰连接件(31)另一端与气吸空心针(33)一端相连，气吸空心针(33)另一端可吸附种子(10)，且法兰连接件(31)，气吸空心针(33)，真空管转接头(32)，软气管(35)均为真空结构，并共同构成内部空心连通体，可吸附种子(10)。

实施例3

如图2所示，一种基于结构高光谱的种子质量检测方法，其特征为，包括以下步骤：

步骤1：基于结构高光谱的种子质量检测装置标定；

步骤2：种子三维表型信息获取；

步骤3：种子特征光谱信息和二维纹理信息的获取；

步骤4：基于支持向量回归(svr)的种子活力预测模型建模。

实施例4

权力要求2所述的一种基于结构高光谱的种子质量检测方法，其特征为：所述步骤1基于结构高光谱的种子质量检测装置标定按照以下步骤标定：

步骤a：将标准棋盘格标定板垂直置于气吸空心针下方，标定板垂直轴线与气吸空心针同轴，标定板平面中心与结构光投影模块出光口中心的连线与标定板平面成90°，通过电脑8生成条纹形格雷码；

步骤b：电脑8通过信号线9将一组条纹形格雷码顺次发送到结构光投影模块，结构光投影模块顺次将编码结构光投射到标准棋盘格标定板上，电脑8再通过信号线9和高光谱相机7顺次采集标准棋盘格标定板上的结构光图像信息，并顺次存储保存为以阿拉伯数字命名的jpg格式文件；

步骤c：电脑8将步骤b中存储的一组以阿拉伯数字命名的jpg图片格式文件保存于angle1文件夹中，再分别将标准棋盘格标定板旋转2种不同角度，并根据步骤b的方法分别把2组保存为以阿拉伯数字命名的jpg格式文件分别存储在angle2和angle3文件夹中；

步骤d：采用张正友棋盘格标定法，将步骤c所述angle1、angle2、angel3文件夹导入到matalbcalibrationtoolbox中，得到高光谱相机和投影仪的内参矩阵kl、kr，以及投影仪坐标系转换到高光谱相机坐标系的旋转r矩阵和平移t矩阵，其中内参矩阵包含每个像素的物理尺寸、焦距、图像物理坐标的扭曲因子、图像原点相对于光心成像点的纵横偏移量；

步骤e：根据步骤d得到的高光谱相机和投影仪的内参矩阵kl，kr，以及投影仪坐标系转换到高光谱相机坐标系的旋转r矩阵和平移t矩阵进行格雷码解码，得到三幅点云图像，分别命名为point1，point2point3；

步骤f：在point1点云图像中任取一个点作为参考点pr(x，y，z)，其在point2、point3中对应的点为pr1(x，y，z)，pr2(x，y，z)；

步骤g：基于3个点pr(x，y，z)、pr1(x，y，z)、pr2(x，y，z)的坐标信息，拟合出圆并计算出圆心坐标作为种子旋转坐标系的坐标原点p0(x，y，z)；

步骤h：设p0(x，y，z)为坐标原点，pr(x，y，z)为机械臂旋转台工作表面上的参考点，pr1(x，y，z)和pr2(x，y，z)为其在两个不同视场中所对应的坐标；

步骤i：通过两个向量的向量积可求出z′轴的方向向量，其中，

其中，上述步骤e中格雷码解码采用以下方法：

设三维空间中的物体在相机和投影仪的成像位置分别为pc(uc，vc)和pp(up，vp)，且设世界坐标系的原点与相机坐标系的原点重合，则相机的外参矩阵(相机和世界坐标系的转换矩阵)为

投影仪的外参矩阵(投影仪和世界坐标系的转换矩阵)，

rp＝r，tp＝t(2)

利用相机模型可得

联立上述方程组，获得sc，sp，x，y，z，和方程

则该结构光3d成像系统每个像素点的三维解为

其中和表示mc和mp在第i行第j列。

实施例5

所述的一种基于结构高光谱的种子质量检测方法，其特征为：所述步骤2中种子三维表型信息获取流程为：

步骤a：电脑8通过信号线9将一组结构光编码信息发送到结构光投影模块，结构光投影模块将编码结构光投射到种子上，电脑8再通过信号9和高光谱相机采集种子的图形信息，每张图片存储成jpg格式，然后进行格雷码解码得到第一视角的点云图像；

步骤b：分别将种子旋转90°、180°、270°，同时根据步骤a的方法得到三个视角的点云图；

步骤c：将四个视角的三维点云图根据上述标定的种子旋转轴z′变换到统一坐标系，完成点云的粗配准，调用matlab的icp算法和平滑算法实现点云精配准；

步骤d：封装配准后的点云，计算长、宽、高、体积、外表面面积作为种子的三维表型参数。

实施例6

所述的一种基于结构高光谱的种子质量检测方法，其特征为：所述步骤3种子特征光谱信息和二维纹理信息的获取，按照以下步骤：

步骤a：结构光投影模块向种子投射白光，高光谱相机获取光谱图像立方体；

步骤b：采用matlab中otsu方法进行阈值分割，获取种子的roi掩模图像，通过roi掩模图像提取高光谱图像中的种子roi光谱信息；

步骤c：对光谱调用matlab中smooth平滑滤波函数进行平滑滤波；

步骤d：调用matlab中pca算法提取高光谱的前三个特征波长；

步骤e：提取上述三个特征波长对应的灰度图像；

步骤f：用matlab调用graycomatrix函数计算上述三个特征波长对应灰度图像的生成灰度共生矩阵，其中包含种子的二维纹理信息。

实施例7

所述的基于支持向量回归(svr)的种子质量预测模型建模，按照以下方法实施，调用matlab中lib-svm工具箱中的svr算法，以上述前三个特征波长、灰度共生矩阵作为输入，以种子活力指数的数值为输出，建立种子活力预测模型，可用于种子活力预测。