基于激光三维重建的种薯芽眼识别方法研究

韩梦杰 刘发英 杨振宇 孙卫孝 陈肖 魏忠彩 李学强

摘要：種薯芽眼的准确识别是实现智能切块的重要前提。为解决种薯芽眼机器视觉识别易出现误判和不易获取芽眼三维位置信息而导致切块不均匀的问题，提出一种基于激光三维重建的种薯芽眼识别方法。确定点云获取过程中ROI区域消除采集过程中背景的影响，通过工业相机与线激光器相配合连续采集移动种薯的激光光条图像获取其点云数据；根据点云密度去除随机噪声和裙边噪声，提高点云质量，降低芽眼误判率。采用体素滤波算法稀疏点云，提高识别效率；通过对种薯表面任意点的局部邻域进行平面拟合后获取点云法向量，构建加权协方差矩阵参数化种薯表面点云，根据矩阵特征值大小设定的动态阈值对种薯表面点云进行初步筛选，得到种薯芽眼判别的候选点，采用欧式聚类算法获取候选点的点云簇，选取每个点云簇中最大特征值点为关键点，利用计算关键点和邻域内其他点构成的中心线连线向量与法向量夹角余弦值对关键点再次筛选，最终确定种薯各个芽眼位置。试验结果表明，芽眼识别率为95.13%，芽眼误识别率为4.87%，可为马铃薯种薯智能化切块时芽眼识别提供参考。

关键词：种薯；激光点云；三维重建；特征提取；芽眼识别

中图分类号：S226.5

文献标识码：A

文章编号：20955553 （2024） 02020008

收稿日期：2022年7月25日  修回日期：2022年9月7日

基金项目：国家自然科学基金项目（52105266）；中国博士后科学基金面上资助项目（2021M701801）；山东省科技型中小企业创新能力提升工程项目（2021TSGC1420）

第一作者：韩梦杰，男，1998年生，山东东营人，硕士研究生；研究方向为农业机器人与机器人视觉技术。Email： 1980305276@qq.com

通讯作者：杨振宇，男，1973年生，江西宜春人，博士，副教授，硕导；研究方向为农业机器人与机器人视觉技术。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

马铃薯已成为我国第四大主粮，经济地位日益重要［13］。伴随着马铃薯的产量越来越高，人们逐渐意识到科学的栽培种植管理技术，是提高马铃薯产量和质量的重要保证［45］。伴随着近几年国家对农业的大力扶持，促进了众多先进的农业机械的发展，基本实现了马铃薯产业由播种［67］、收获［8］、分级［9］、存贮等过程的机械化与自动化。通常，种薯在播种时需要根据种薯芽眼位置进行切块处理，种薯切块播种可以节约种薯，降低生产成本，并有打破休眠，促进发芽出苗的作用。目前，种薯切块主要依靠人工完成，存在劳动强度大、效率低、成本高、种薯切块大小不易控制和刀具未能及时消毒导致种薯切口病菌感染等问题［1011］。实现种薯切块自动化可大幅度地提高切块效率和保证种薯发芽率。由于种薯芽眼精准识别较为困难，严重制约了种薯自动切块机的发展。

目前，国内外利用机器视觉技术对马铃薯检测及分级进行了广泛研究。Su等［12］提出了一种利用深度图像处理算法建立马铃薯三维模型的方法估算马铃薯质量和形状信息。Du等［13］提出了一种基于计算机视觉的图像特征检测与识别算法检测马铃薯外观质量。张金敏等［14］采用局部二值模式分别对新旧种薯芽眼和非芽眼区域进行特征提取，最后采用支持向量机进行样本特征训练，最终实现马铃薯芽眼识别。席芮等［15］ 提出一种基于改进 Faster RCNN的马铃薯芽眼识别方法。李玉华等［16］提出一种基于色饱和度三维几何特征的马铃薯芽眼识别方法。对S分量在三维几何空间进行分析，提出了以其纵向截面曲线及一阶导数为基础的特征向量，利用其特征综合判定准则进行芽眼纵向识别，然后根据芽眼横向特点对芽眼纵向识别结果进行再次筛选。近几年来三维重建在农业方面也有广泛的应用。张伟洁等［17］利用三维重建的方法实现苹果树叶片的重建。劳彩莲等［18］利用深度相机实现玉米植株的三维重建。黄成龙等［19］利用线结构光对棉花幼苗的三维重建，实现棉花幼苗叶片面积、周长、生长角度等形状的测量与分析。梁秀英等［20］利用三维重建的方法实现玉米植株的茎秆、叶片等性状提取，并对提取到的特征进行准确、无损测量。尚业华等［21］对田间场景进行三维重建，利用欧式聚类的方法分割场景实现田间障碍物检测。胡春华等［22］利用语义分割与聚类算法实现大田杨树叶分割。张雪等［23］实现草莓的三维重建。李艳君等［24］利用三维重建方法实现动态鱼体的无接触测量。孙国祥等［25］实现了温室番茄植株的三维重建。三维重建在农业上应用为实现智慧农业创造条件。芽眼识别方面由于种薯表面有较多凸起和凹陷，其外形结构和芽眼位置具有一定的随机性，图像采集过程中种薯表面对光线反射不均匀使得种薯芽眼的关键特征难以获得，特别是种薯图像信息边缘处的芽眼，从而容易引起芽眼信息的误判或丢失；另外，无法直接获得种薯芽眼在三维空间坐标信息，不利于种薯切块过程中切割路径规划；芽眼特征不明显，且易与自身疤痕、机械损伤等混淆。因此，针对目前芽眼识别存在的问题，提出一种基于激光三维重建马铃薯表面形貌特征的方法，该方法为种薯芽眼识别提供新思路，为实现种薯切块自动化提供一定的技术参考。

1 种薯点云数据获取与预处理

1.1 种薯表面点云数据的获取

利用线结构光方式获取种薯表面点云数据，该方法广泛应用于连续曲面测量方面。根据种薯外形结构特点，设计如图1所示的试验装置，该试验平台主要由线激光器、工业相机、移动平台组成。线激光发生器型号为HA345050L-AL，波长500nm，工业相机为灰点相机型号为FLY-PGE-50A2M-CS，最大分辨率为2592像素×1944像素，帧率25帧/s，移动平台由步进电机、步进电机控制器、丝杠螺母和滑动导轨等组成。

利用線结构光的方式获取种薯点云数据，点云获取装置如图2（a）所示，根据三角测量原理式（1）获取种薯表面深度信息。

z=m·lsinα（l′－mcosα）sinβ－msinα·cosβ

（1）

式中：

z——表面点云深度信息；

m——

种薯该点距基平面高度AB在相机内投影长度A′B′；

l——

线段OA长度；

l′——线段OA′长度；

α——

根据数字几何关系得出的90°-β;

β——相机光平面与激光平面的夹角。

1.移动平台

2.灰点相机

3.线激光器

4.计算机

5.种薯

采集种薯表面点云过程为：首先，为确定种薯表面点云与其在图像中对应点的相互关系，采用外边框长度为80mm×80mm的实心圆阵列图案的标定板进行标定，获得种薯实际测量尺寸。其次，线激光器投射出激光平面，激光平面与被测物体表面轮廓相交并形成一条具有物体轮廓特征的光条；然后，位移平台按照设定速度移动，工业相机根据平台移动速率连续采集光条图像；最后利用灰度重心法算法提取光条重心，得到种薯表面点云数据，如图2（b）所示。

（a） 种薯点云装置

（b） 种薯点云深度信息的获取

1.种薯

2.工业相机

3.线激光器

4.激光平面

5.移动平台

6.透镜中心

为描述种薯形状及芽眼特征，规定种薯长度方向为长轴X，宽度方向为短轴Y，芽眼长度方向为长轴x′，宽度方向为短轴y′，种薯短轴Y方向与芽眼长轴x′方向近似平行，种薯整体形状近似为不规则椭球，种薯芽眼呈凹杏仁状，芽眼一侧存在与人眼上眼皮类似的凸起，如图3（a）芽眼局部放大图。相邻芽眼间隔距离较远，且分布较为分散。芽眼位置处点云的曲率、法线等特征发生显著变化，且相对于非芽眼位置处点云分布不均，如图3（b）中的图Ⅰ为非芽眼位置处点云，图Ⅱ为芽眼位置处点云。芽眼位置处与非芽眼位置处点云分布区别明显，点云空间分布存在一定的规律性。

（a） 种薯

（b） 种薯表面点云

1.2 种薯表面点云数据预处理

点云数据获取过程中，受种薯表面质量与背景等影响，获取到的种薯点云数据中掺杂噪声点，影响芽眼识别效率与准确率。噪声主要分为随机噪声和裙边噪声。随机噪声是由于装置运行过程振动而导致产生的随机噪声，其特点是随机零散分布，噪声点的位置和形状不固定；群边噪声是由于激光照射到种薯边缘而发生漫反射现象而产生的噪声，该类噪声特点是零散分布在种薯点云边缘位置如图4（a）所示。为消除此类噪声以及背景区对芽眼识别的干扰，提高种薯芽眼识别准确率与识别效率，对获取到的点云进行预处理。首先在获取点云过程中划定ROI区域，以保证只获取种薯表面点云，其次利用移动最小二乘法算法对获取的点云数据进行平滑处理，然后根据种薯点云稀疏程度进行去噪，其结果如图4（b）所示。最后为提高芽眼识别效率，将种薯点云体素化。

1） 计算出点云的最小外接矩形如图4（c）所示。

2） 给定体素栅格大小λ如图4（d）所示，根据式（2）共得到N个体素网格。

L=lx/λ

W=ly/λ

H=lz/λ

N=L·W·H

（2）

式中：

L——x轴方向网格数；

W——y轴方向网格数；

H——z轴方向网格数；

lx——点云3D包络框的宽度；

ly——点云3D包络框的长度；

lz——点云3D包络框的高度。

3） 根据式（3）计算单元内点的质心ci并代替其体素网格内其他点云，结果如图4（e）所示。

ci=1n∑nipi

（3）

式中：

n——体素网格内点云个数；

pi——网格内点。

体素化网格的数量直接影响种薯点云稀疏程度，该过程在保证种薯表面点云芽眼特征的基础上最大限度对种薯点云数据进行稀疏。经过验证表明：获取的种薯点云数量为6500～8000个点即可满足芽眼识别要求。种薯表面点云不同程度稀疏结果见表1，稀疏效果如图5所示。

（a） 原种薯表面点云

（b） 去噪后种薯表面点云

（c） 芽眼局部点云

（d） 体素化种薯表面点云

（e） 处理结果

（a） 原始点云

（b） 稀疏50%

（c） 稀疏70%

（d） 稀疏90%

2 种薯芽眼识别

2.1 基于局部表面拟合的法向量获取

点云法向量是最基本的点云特征，在诸多点云处理中起着关键作用。正确估算点云数据的法向量是准确提取点云特征的重要前提，求取法向量过程主要分为两步。

1） 平面拟合。种薯点云经过预处理之后如图6（a）所示，种薯表面任意点的局部邻域都可以用平面进行拟合，首先，由式（4）确定原点位置poi，平面拟合如图6（b）所示，其次拟合平面P经过该点并计算这些点最小二乘意义上的拟合平面。

p0=argmin∑ni，j=1‖pi-pj‖2

（4）

式中：

pi——邻域内的点云；

pj——目标点云；

p0——坐标中心点。

（a） 种薯表面点云

（b） 点云局部放大图

（c） 平面拟合

2） 法向量求取。首先构建并计算邻域内点的协方差矩阵如式（5）所示。

M=∑ni=11n（pi－p）（pi－p）T

（5）

式中：

n——臨近点数目；

pi——邻域内其他点；

p——近邻元素原点或质心。

其次对协方差矩阵M进行特征值分解，求得矩阵M的特征值特征向量，特征值越小越能表征数据的共性，取矩阵M最小的特征值对应的特征向量为点q的法向量，最后根据视点方向与法向量方向点乘确定法

向量的最终方向p→。

2.2 基于点云局部特征的种薯芽眼识别

提取芽眼位置主要分为两步，第一步为关键点提取，得到疑似芽眼的关键点。第二步关键点筛选，去除非芽眼点云，确定芽眼位置。关键点提取的主要过程：首先构建点云中任意点与邻域内点的加权协方差矩阵，参数化点云几何特征，得到协方差矩阵的特征值，特征值代表点云空间的几何分布特点，设定阈值，初步提取种薯点云的关键点群。

假设获取到种薯表面点云P中点云数为n，令pi=（xi，yi，zi），i∈0，n。

1） 对种薯表面点云P中的一点pi建立一个局部坐标系，并根据种薯点云尺寸初步设定搜索半径r。

2） 为使芽眼位置处点云特征明显区别于其他位置点云，以pi为中心半径r以内的点，取邻域内其他点到中心点距离的倒数作为权值Wij，如式（6）所示。

Wij=1‖pi－pj‖，pi－pj

（6）

3） 式（7）为参数化点云空间特征，构造每个点pi的加权协方差矩阵。

Cov（pi）=

∑pi－pj

∑pi－pj

（7）

4） 计算每个点Pi的协方差矩阵的特征值，并按从大到小的顺序排列：λi1>λi2>λi3。

5） 协方差矩阵特征值大小代表数据共性的程度，特征值越小越能代表此处点的分布特点，如图7所示。当λ=λi3时，芽眼位置处点云明显区别于其他位置点云。设定阈值ε满足式（8）即为初选关键点。

λi3≥ε

（8）

6） 重复步骤1～步骤5直到获得所有满足条件的所有候选点云。

初步筛选得到的获选点云其分布特点为：集中位于种薯表面凸起与芽眼位置处。图7（c）为特征值取λi3，更容易区分芽眼特征，其中矩形框中的点为筛选出的候选关键点群，对筛选出的候选点云进行欧式聚类，图7（d）为关键点群在种薯点云中聚类结果。

（a） 点云特征值λi1分布

（b） 点云特征值λi2分布

（c） 点云特征值λi3分布

（d） 点云簇分布

将每个点云簇中λi3最大的点作为关键点，关键点位于种薯表面点云局部凸起、凹陷位置处，即为局部最大、最小值点。其分布特点如图8所示，

筛选关键点中非芽眼点云，由于个别的种薯畸形导致其局部表面产生较大的凸起以及较小的缺陷，第一步无法较好地去除此类特征，从而导致芽眼误判。剔除关键点群中存在的非芽眼特征过程如下。

1） 以关键点邻域内任意点poi为原点，按式（6）建立局部坐标系。建立局部坐标系过程如下：首先确定局部坐标系原点位置，以关键点poi为坐标原点，其次确定坐标轴，以poi点法向量为u轴，根据u轴与其点邻域内点连线向量的叉乘确定坐标系w轴，根据求得u、v两轴确定w轴如图9所示。由于坐标系的建立目的便于求得夹角φ，故可暂不考虑坐标轴的方向。

u=poi

v=u×poj－poi‖poj－poi‖2

w=u×v

（9）

式中：

poi→、poj→——

点poi、poj处法向量；

poj-poi——两点连线的方向向量。

2） 按照如图10所示计算的法向量poi与邻域内其他点构成的向量夹角φ，并对其取余弦。

（a） 芽眼位置处

（b） 非芽眼位置处

考虑到点云噪声而可能引起关键点误判，将所有余弦值求和，以降低误判率，提高算法稳定性。按照式（10）判断是否为芽眼位置。

Bud=

True ∑cos（poi·poj－poi）>0

False 其他

（10）

经过对关键点的筛选后得到的芽眼最终识别效果如图11所示。种薯芽眼位置坐标如表2所示。

（a） 种薯实物图

（b） 识别结果

3 试验结果及分析

3.1 试验设计

整个测试过程，计算机的操作系统为 Windows10，搭载 Intel @ Core（TM） i5-7300HQ，CPU@CPU 2.30 GHz 處理器，内存 8 GB，分析软件为Python3.8.0。试验所用种薯为“希森三号”，种薯样本数200个，对每个种薯样本的上下两面分别采集其表面点云数据，共获得400组点云数据，点云保存格式为.txt格式。种薯点云经过预处理之后，通过构建加权协方差矩阵的方式对其进行初步筛选，得到具有芽眼特征所有点云，在经过欧式聚类，关键点提取，剔除非芽眼特征最终得到芽眼位置。

3.2 评价指标

将每组点云数据识别的芽眼数Nc作为测量值，把通过人工识别的芽眼数Nm作为真实值，通过本文的方法成功识别的总个数与人工识别的真实个数做比值得到各情况的成功识别率P，并计算因表面缺陷等干扰造成的误识别芽眼数Qn占总芽眼数的百分比Pd（误识别率）。

P=NcNm×100%

（11）

Pd=QnNm×100%

（12）

3.3 结果与分析

种薯芽眼识别系统主要由两部分组成，分别是种薯表面点云的获取与芽眼位置提取。芽眼识别过程如图12所示，图12（a）为随机挑选的种薯实物图，图12（b）为种薯处理之后的种薯表面点云图，芽眼识别结果如图12（c）黑色标记所示。

（a） 试验随机挑选部分种薯实物

（b） 试验获取的种薯点云

（c） 芽眼识别结果

试验随机采集200组种薯表面点云数据进行芽眼识别，通过人工识别出的芽眼数为986个芽眼，本文方法成功识别出938个，成功率P为95.13%。因表面缺陷等干扰造成的误识别芽眼39个，占总芽眼数的3.95%。试验证明单个种薯芽眼识别平均耗时1～1.5s，单排种薯的识别速率为40～60个/min，通过采用三排并行处理的方式识别芽眼可满足市场上种薯切块的平均120～180个/min的作业需求。

4 结论

1） 针对种薯芽眼识别现状，提出一种利用三维重建的方式实现种薯芽眼识别方法。采用基于激光三维重建的种薯芽眼识别方法进行种薯芽眼识别，能有效避免光源影响造成的干扰，直接获取芽眼三维位置信息，结构简单，用于规划刀具路径，使切块大小更均匀。

2） 通过工业相机、线激光器等试验装置采集种薯表面点云数据，并对获取的点云进行预处理，根据种薯表面芽眼的典型特征，通过参数化点云，分析芽眼处点云与其邻域内点云关系，得出种薯芽眼位置处点云的分布特点。

3） 本方法与图像方法相比可直接获得种薯表面芽眼三维空间中的位置信息，受周围光照环境影响较小、防干扰能力强、可靠性高，芽眼识别成功率为95.13%，误识别率为3.95%，可为马铃薯种薯智能化切块时芽眼识别提供新思路，为种薯切块提供参考。

参 考 文 献

［1］陈萌山， 王小虎. 中国马铃薯主食产业化发展与展望［J］. 农业经济问题， 2015， 36（12）： 4-11.

［2］尚晋伊， 史小峰. 中国马铃薯主食产业化发展现状与前景展望［J］. 科技资讯， 2018， 16（21）： 109-111， 115.

［3］逄学思， 曲峻岭， 郭燕枝. 中国马铃薯主食产业化现状及未来展望［J］. 农业展望， 2018， 14（4）： 28-31.

［4］黄耀锋. 优质马铃薯高产高效栽培技术要点［J］. 南方农机， 2022， 53（4）： 69-71， 89.

［5］李银山. 马铃薯栽培技术及病虫害防治措施［J］. 种子科技， 2021， 39（24）： 40-41.

［6］段宏兵， 陈志鹏， 宋波涛， 等. 三角链半杯勺式丘陵山区马铃薯精密播种机设计与试验［J］. 农业机械学报， 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］吕金庆， 王鹏榕， 杨晓涵， 等. 舀勺式马铃薯播种机排种器清种装置设计与试验［J］. 农业机械学报， 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， 孙传祝， 等. 基于多段分离工艺的马铃薯联合收获机设计与试验［J］. 农业机械学报， 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］呂金庆， 于佳钰， 冯雪， 等. 辊式马铃薯分级机设计与试验［J］. 农业机械学报， 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， 唐兴发， 等. 种薯切块芽位及不同催芽、拌种方式对马铃薯农艺性状的影响［J］. 耕作与栽培， 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. 相同种薯播量不同种薯切块重量和密度组合对植株和块茎性状的影响［J］. 中国马铃薯， 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］张金敏， 杨添玺. 基于LBP与SVM的马铃薯芽眼识别［J］. 山东农业大学学报（自然科学版）， 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， 姜凯， 张万枝， 等. 基于改进Faster RCNN的马铃薯芽眼识别方法［J］. 农业机械学报， 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］李玉华， 李天华， 牛子孺， 等. 基于色饱和度三维几何特征的马铃薯芽眼识别［J］. 农业工程学报， 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］张伟洁， 刘刚， 郭彩玲， 等. 基于三维点云的苹果树叶片三维重建研究［J］. 农业机械学报， 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］劳彩莲， 杨瀚， 李鹏， 等. 基于消费级深度相机的玉米植株三维重建［J］. 农业机械学报， 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］黄成龙， 李曜辰， 骆树康， 等. 基于结构光三维点云的棉花幼苗叶片性状解析方法［J］. 农业机械学报， 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， 周风燃， 陈欢， 等. 基于运动恢复结构的玉米植株三维重建与性状提取［J］. 农业机械学报， 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］尚业华， 张光强， 孟志军， 等. 基于欧氏聚类的三维激光点云田间障碍物检测方法［J］. 农业机械学报， 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］胡春华， 刘炫， 计铭杰， 等. 基于SegNet与三维点云聚类的大田杨树苗叶片分割方法［J］. 农业机械学报， 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］张雪， 郭彩玲， 宗泽， 等. 基于轮廓分割的草莓叶片三维建模［J］. 农业工程学报， 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， 黄康为， 项基， 等. 基于立体视觉的动态鱼体尺寸测量［J］. 农业工程学报， 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］孙国祥， 汪小旵， 刘景娜， 等. 基于相位相关的温室番茄植株多模态三维重建方法［J］. 农业工程学报， 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.