田淮銳 田建艷 王素鋼 李濟甫

摘 要：為研究機器人快速取料，實現(xiàn)機器代人進行地缸出醅，解決地缸醅料挖取區(qū)域三維外形難以準確獲取、挖取量評估困難的問題，利用圖像處理和點云技術(shù)與設(shè)計像素面元體素法劃分地缸區(qū)域面元，統(tǒng)一缸口內(nèi)點云坐標系，分析相應(yīng)面元處缸口內(nèi)點云變化情況，對地缸醅料挖取量評估進行研究。結(jié)果表明：通過地缸邊緣檢測和幾何約束可有效提取地缸口內(nèi)邊緣，空洞填充后獲取缸口內(nèi)數(shù)據(jù)，可避免缸口外干擾因素影響地缸醅料挖取量評估效果；依據(jù)缸口及缸口外圖像進行配準，缸口內(nèi)點云坐標系統(tǒng)一后均方根誤差在0.16 cm附近波動；地缸出醅過程中，挖取質(zhì)量測量值與采用像素面元體素法測算的醅料挖取區(qū)域體積測算值的比值逐漸增大，符合地缸發(fā)酵醅料特點，比值相近區(qū)間內(nèi)，醅料挖取區(qū)域體積測算值可以反映挖取質(zhì)量測量值。像素面元體素法可以有效評估醅料挖取量，研究結(jié)果可為后續(xù)設(shè)計基于挖取量評估的醅料取料機器人快速取料方法提供依據(jù)。

關(guān)鍵詞：醅料挖取量評估；地缸；像素面元體素法；圖像處理；點云技術(shù)；點云坐標系統(tǒng)

中圖分類號：TP 391.4

文獻標志碼：A

文章編號：1672-9315（2023）04-0836-09

DOI：10.13800/j.cnki.xakjdxxb.2023.0421

Evaluation of scooping amount of fermented grains in

ground-pot by pixel surface element voxel algorithm

TIAN Huairui，TIAN Jianyan，WANG Sugang，LI Jifu

（College of Electrical and Power Engineering，Taiyuan University of Technology，Taiyuan 030024，China）Abstract：To study rapid scooping by the robot and realize the machine to discharge fermented grains from the ground-pot instead of human，it is necessary to solve the problem that the 3D shape of scooping space for ground-pot fermented grains is difficult to obtain and scooping amount? is difficult to evaluate.The image processing and point cloud technology is adopted，and the pixel surface element voxel algorithm is designed to divide ground-pot area surface elements，unify point cloud coordinate systems inside the inner edge，analyze the change of the point cloud inside the inner edge at the corresponding surface elements，and study the evaluation of scooping amount of fermented grains in ground-pot.The results show that the inner edge of the ground-pot rim can be extracted effectively by ground-pot edge detection and geometric constraints.After filling the cavity，the data inside the inner edge can be obtained，which can avoid interferences outside the inner edge to affect the evaluation effect of the scooping amount.The registration is carried out according to the images outside the inner edge，and the RMSE fluctuates around 0.16 cm after point cloud coordinate systems inside the inner edge are unified.During the process of fermented grains discharging，the ratio of scooping quality measurement value to the estimated volume of scooping space by pixel surface element voxel algorithm gradually increases，in accordance with the characteristics of fermented grains in ground-pot，and the estimated volume of scooping space can reflect scooping quality measurement value within the similar ratio range.The pixel surface element voxel algorithm can effectively evaluate the scooping amount of fermented grains.The research results could provide a basis for the subsequent design of the fermented grains grabbing robots rapid discharging method based on the scooping amount evaluation.

Key words：evaluation of fermented grains scooping amount；ground-pot；pixel surface element voxel algorithm；image processing；point cloud technology；point cloud coordinate system

0 引 言

地缸出醅是固態(tài)發(fā)酵食品生產(chǎn)中的重要環(huán)節(jié)，大部分企業(yè)依賴人力生產(chǎn)、勞動強度大、出缸效率低。為提高機器人出醅效率，亟需設(shè)計一種基于挖取量評估的醅料取料機器人快速取料方法，為此需要研究一種地缸醅料挖取量評估方法。

醅料表面數(shù)據(jù)采集是醅料挖取量評估的基礎(chǔ)。尹文慶等搭建結(jié)構(gòu)光視覺計算滑槽谷粒流截面積，根據(jù)谷粒流速測算了谷粒流量［1］；邵晴等以糧倉專用三維激光研發(fā)在線監(jiān)測系統(tǒng)，實時計算倉糧體積［2］；UYAR等通過3D掃描儀獲取食品不規(guī)則形狀，對球體和雞蛋進行體積估計［3］；POLO等采用機載激光雷達記錄樹冠結(jié)構(gòu)，實現(xiàn)樹冠體積估計［4］；AJAYI等使用無人機采集土方工程數(shù)據(jù)，將數(shù)字高程模型導(dǎo)入MATLAB估算土方工程量［5］。醅料發(fā)酵中，菌種有著至關(guān)重要的作用［6-7］，數(shù)據(jù)采集需要避免對菌種造成破壞。同時發(fā)酵車間光線昏暗，結(jié)構(gòu)光深度相機具有主動光源，體積小巧，便于安裝。因此，選用結(jié)構(gòu)光深度相機采集醅料表面數(shù)據(jù)。

目前，國內(nèi)外針對物體視覺測量領(lǐng)域已進行了多方面研究［8］。LI等將對象點云等距離切片，計算各切片面積，根據(jù)相鄰切片間距，累加計算空間對象體積［9］；劉金錦等基于多輪廓邊界對點云切片算法進行改進，準確計算截面面積，實現(xiàn)不規(guī)則體體積測量［10］；KIM等對氣泡進行三維重建，計算各像素截面面積，實現(xiàn)氣泡體積計算［11］；FERNANDEZ-SARRIA等通過激光掃描獲取橄欖樹外形數(shù)據(jù)，采用截面法、體素法、全局凸包法、逐層凸包法4種方法測量了樹冠體積［12］；以上方法均需準確獲取物體輪廓，但是醅料通常是兼具粘性與流動性的固態(tài)散料，在挖取過程中其分布會發(fā)生不規(guī)則、不確定的變化，同時發(fā)酵時醅料置于缸中，挖取區(qū)域三維外形難以準確獲取，挖取量測算困難。

三棱柱微元法是一種常用的體積測算方法。楊春雨等訓練金字塔立體匹配網(wǎng)絡(luò)獲取雙目相機煤料視差圖，重建煤料點云，基于三棱柱微元遍歷求和法測算煤料體積［13］；張春森等使用無人機采集堆體圖像生成堆體密集點云，構(gòu)建德洛內(nèi)三角網(wǎng)測算堆體體積［14］；楊德山等通過數(shù)據(jù)融合實現(xiàn)散貨堆體點云重建，采用德洛內(nèi)三角剖分法測算堆體體積［15］。以上方法使用均為料堆堆積于平面上，如果可以測算挖取前、后醅料總量，作差求得挖取量，但是固態(tài)發(fā)酵生產(chǎn)中通常使用不規(guī)則的地缸等發(fā)酵容器，難以測算醅料總量。

根據(jù)挖取后缸口內(nèi)點云變化情況，設(shè)計一種像素面元體素法評估醅料挖取量，以醅料地缸發(fā)酵生產(chǎn)中出醅過程為例，分析相應(yīng)面元處，挖取前、后醅料表面深度變化情況，進行挖取量評估，為研究醅料取料機器人快速取料方法提供依據(jù)。

1 圖像采集

地缸是固態(tài)發(fā)酵生產(chǎn)中常用的圓形廣口發(fā)酵容器，開口小，發(fā)酵時埋于地下，缸口與地面相平［16-17］，并且發(fā)酵車間地缸圖像采集環(huán)境較為昏暗。選用Intel RealSense D455深度相機，安裝于六軸機械臂末端法蘭處，在相機旁安裝固定外加光源。設(shè)定彩色圖和深度圖采集像素為1 280×720 px，以相機能采集到缸口內(nèi)全貌圖像為目標，機械臂控制相機移動至缸口中心正上方固定高度處，鏡頭與光源正對缸口平面，設(shè)置此位姿為地缸圖像采集位姿，采集挖取前地缸彩色圖和深度圖（圖1（a））；待醅料滑動停止，機械臂控制相機移動至圖像采集位姿，采集挖取后地缸彩色圖和深度圖（圖1（b））。

劃分地缸區(qū)域面元，結(jié)合深度圖重建挖取前、后缸口區(qū)域內(nèi)點云，統(tǒng)一二者坐標系，彌補機械臂運行誤差，對比挖取前、后缸口內(nèi)點云變化情況，實現(xiàn)醅料挖取量評估。

2 區(qū)域面元劃分

對地缸彩色圖進行預(yù)處理，檢測圖像中邊緣，幾何約束提取地缸口內(nèi)邊緣輪廓，劃分地缸區(qū)域面元，為后續(xù)醅料挖取量評估奠定基礎(chǔ)。

2.1 地缸圖像邊緣檢測

邊緣檢測是對灰度圖信息急劇變化區(qū)域的檢測定位，采用加權(quán)平均法［18］將地缸彩色圖轉(zhuǎn)換為灰度圖。在地缸圖像采集過程中，由于光線以及地面水漬、散落醅料等干擾，會使地缸圖像中存在噪聲，在邊緣檢測中可能會被誤識別為邊緣信息。為了提高地缸圖像邊緣檢測的準確性，采用雙邊濾波對地缸灰度圖進行保邊降噪。

地缸灰度圖中包含邊緣信息的區(qū)域，灰度值會發(fā)生躍變，地缸口邊緣就是其中之一。Canny算法能夠減少噪聲干擾，檢測的地缸口邊緣更加真實，采用Canny算法［19］檢測濾波后地缸灰度圖中邊緣（圖2）。

采用Sobel算子與地缸灰度圖進行卷積，獲得地缸灰度圖x和y方向灰度函數(shù)的近似梯度，求解地缸灰度圖各像素點的近似梯度幅值和方向。比較地缸灰度圖各像素點和其梯度方向上兩側(cè)像素點的梯度幅值，如果該點的梯度幅值最大，則保留其為邊緣像素點，否則不是邊緣，抑制該點，從而達到細化邊緣的目的。為減少噪聲，采集大量地缸圖像，經(jīng)過試驗對比，設(shè)定高閾值為90、低閾值為30，與各邊緣像素點處的梯度幅值進行比較，對地缸灰度圖中的邊緣信息做進一步處理，確定真實邊緣像素點。

從圖2可以看出，地缸口外邊緣干擾較多，不易識別，并且檢測結(jié)果中存在噪聲干擾，而內(nèi)邊緣輪廓清晰且干擾較少，易于識別提取。

2.2 地缸口內(nèi)邊緣輪廓提取

地缸圖像邊緣檢測后進行輪廓點跟蹤的結(jié)果不僅包括地缸口內(nèi)邊緣，還存在地面散落醅料、噪聲等干擾，需要將地缸口內(nèi)邊緣輪廓從所有輪廓中提取出來。對輪廓進行橢圓擬合，結(jié)果為一個表征該輪廓外形特征的橢圓。地缸圖像采集位姿下，圖像中地缸口內(nèi)邊緣應(yīng)為圓形，但是由于光線等影響，地缸口內(nèi)邊緣輪廓橢圓擬合的結(jié)果為近似擬合圓。在地缸圖像采集位姿下，采集大量地缸圖像并進行邊緣檢測，對比分析不同圖像中地缸口內(nèi)邊緣輪廓特征與其他輪廓的區(qū)別，選定對其提取所需的約束條件。評估醅料挖取量時，完成挖取前、后地缸圖像邊緣檢測后，遍歷輪廓并進行橢圓擬合，構(gòu)建幾何約束，設(shè)置各輪廓擬合橢圓長軸長度的低約束閾值和高約束閾值、長軸長度與短軸長度比值的約束閾值，以去除Canny邊緣檢測結(jié)果中噪聲、散落醅料等無用輪廓的干擾，從而提取地缸口內(nèi)邊緣近似擬合圓。依次求取圖2中提取的各個輪廓的擬合橢圓，并進行幾何約束，將滿足約束閾值的擬合橢圓認為是地缸口內(nèi)邊緣近似擬合圓（圖3）。

從圖3可以看出，通過Canny邊緣檢測和幾何約束可以很好地檢測并剔除其他輪廓，抑制噪聲，提取出的地缸口內(nèi)邊緣與圖像中地缸口內(nèi)邊緣真實位置基本重合，驗證了方法的有效性。

2.3 劃分地缸區(qū)域面元

地缸圖像采集位姿下，以地缸口中心為坐標原點，地缸實際區(qū)域平面坐標與地缸圖像坐標之間的變換關(guān)系可以由二者之間縮放尺度，地缸圖像旋轉(zhuǎn)角度，以及圖像分別在x軸、y軸上的平移量進行解釋。地缸圖像采集位姿下，相機坐標系原點位于地缸口中心正上方，因此，圖像分別在x軸、y軸上的平移量近似為0，地缸圖像旋轉(zhuǎn)角度近似為0，誤差為機械臂及相機自身誤差，二者可認為只存在縮放關(guān)系。地缸圖像坐標（x，y）的坐標系原點為像素坐標系中（u0，v0）點，即地缸圖像中心。地缸圖像坐標x、y分別與像素坐標u、v之間存在關(guān)系為x與u-u0的比值為f與fx之比、y與v-v0的比值為f與fy之比，f為相機的焦距，fx和fy分別為地缸圖像像素坐標系下u軸、v軸的歸一化焦距。地缸圖像坐標與像素坐標的尺寸之間為比例關(guān)系。

地缸圖像實際區(qū)域尺寸與圖像像素尺寸之間可以視為縮放比例關(guān)系。將地缸圖像實際區(qū)域以像素點劃分的各個小區(qū)域定義為面元，根據(jù)縮放比例關(guān)系，求解各面元的長度與寬度，計算各面元面積，作為醅料體素的底面積。

3 挖取前后缸口內(nèi)點云坐標系統(tǒng)一

挖取前、后地缸圖像采集位姿雖然設(shè)置完全一樣，但是機械臂移動存在誤差，導(dǎo)致挖取后相機采集地缸圖像時的位姿與挖取前相比會出現(xiàn)一定誤差，使得挖取前、后相機坐標系不完全統(tǒng)一，影響后續(xù)醅料挖取量評估效果，降低評估精度。因此，在進行挖取量評估前，還需要進行挖取前、后缸口內(nèi)點云重建，將二者點云坐標系統(tǒng)一，以彌補機械臂運動精度問題。

3.1 缸口內(nèi)點云重建

在地缸深度圖像采集過程中，由于光線強度影響、相機自身限制、醅料及地缸材質(zhì)特點等原因可能導(dǎo)致采集的地缸深度圖中出現(xiàn)空洞，表現(xiàn)為其所在像素點像素值為0，這樣會對后續(xù)醅料挖取量評估造成不利影響。地缸深度圖空洞的鄰域像素深度信息在一定程度上可以反映空洞處深度信息，根據(jù)缸口內(nèi)空洞的鄰域信息，以其中深度值最大值對缸口內(nèi)空洞進行填充，以彌補地缸深度圖缸口內(nèi)部分深度信息缺失問題。

分別提取挖取前、后地缸圖像中地缸口內(nèi)邊緣近似擬合圓制作掩膜，對地缸彩色圖和深度圖進行圖像分割，提取缸口內(nèi)圖像。遍歷提取缸口內(nèi)深度圖中深度數(shù)據(jù)，結(jié)合各相應(yīng)像素坐標，根據(jù)相機內(nèi)參，計算各點在相機坐標系下對應(yīng)點云坐標，并將深度圖與彩色圖配準，進行點云重建（圖4）。

如圖4所示即為一次醅料挖取量評估試驗的挖取前、后缸口內(nèi)點云重建結(jié)果，可以排除掉缸口外干擾因素對評估結(jié)果的影響。

3.2 挖取前后點云配準

地缸出醅過程中，缸口內(nèi)數(shù)據(jù)會發(fā)生變化。為保證特征點提取的充分性和準確性，分割地缸彩色圖和深度圖，采用挖取前、后缸口及缸口外圖像進行配準，獲取挖取前、后缸口及缸口外圖像上一一對應(yīng)的特征點，求解2組圖像之間的運動關(guān)系，即旋轉(zhuǎn)矩陣和平移矢量。采用不同缸口及缸口外圖像中滿足可再現(xiàn)性和唯一性的特征點進行匹配，可以有效抑制噪聲。尺度不變特征變換算法［20-21］可以提取出不受位姿變換、拍攝角度和亮度變化而發(fā)生改變的特征點，對于光照影響和干擾場景具有一定的抗干擾性。在發(fā)酵車間采集地缸圖像時，往往會受到光線強度和空氣中粉塵的影響，采用尺度不變特征變換算法分別提取挖取前、后缸口及缸口外圖像的特征點。

將缸口及缸口外原始圖像作為基層，降采樣并進行不同尺度的高斯模糊，以初始尺度1.6構(gòu)建缸口及缸口外圖像尺度空間。再采用差分高斯，對缸口及缸口外圖像尺度空間極值檢測并篩選，獲取缸口及缸口外圖像特征點。缸口內(nèi)側(cè)可能存在誤提取特征點，缸口及缸口外圖像中缸口內(nèi)深度值均為零，根據(jù)提取特征點的二維坐標信息，結(jié)合分割后缸口及缸口外深度圖，檢測各特征點對應(yīng)深度值，如果其深度值為0，則認為該點為誤識別特征點，并將其剔除。

采用快速近似最近鄰匹配算法［22-23］對挖取前、后缸口及缸口外圖像進行特征匹配，多次試驗后，確定以4倍最小匹配距離篩選匹配對。由于地面環(huán)境相近，非匹配的特征點可能描述子相似，導(dǎo)致誤匹配對的出現(xiàn)（圖5（a）），圖中綠色標注為一組正常匹配對、紅線標注為誤匹配對。由于所針對的匹配場景是由機械臂移動誤差引起的，正常相匹配的2個特征點在各自圖中的位置信息相近，因此，通過構(gòu)建約束來對匹配對進行判斷。對各匹配對中挖取前、后圖像中相應(yīng)特征點二維坐標分別在x軸與y軸上的間距進行約束，剔除誤匹配對（圖5（b））。

基于篩選后缸口及缸口外圖像特征點匹配對，采用隨機抽樣一致性算法［24］求解挖取前、后地缸圖像間的運動關(guān)系，獲取點云坐標系變換的旋轉(zhuǎn)矩陣與平移矢量。根據(jù)旋轉(zhuǎn)矩陣與平移矢量，將挖取前缸口內(nèi)點云數(shù)據(jù)轉(zhuǎn)換至挖取后點云坐標系下，實現(xiàn)挖取前、后缸口內(nèi)點云數(shù)據(jù)坐標系的統(tǒng)一。

4 醅料挖取量評估

常用的切片法、凸包法等測量方法需要準確地對物體進行三維重建，獲取物體外圍輪廓，而醅料填充于地缸中，其挖取區(qū)域極不規(guī)則，且三維外形難以準確獲取，因此，這些方法難以實現(xiàn)地缸醅料的挖取量評估。德洛內(nèi)三角網(wǎng)法常用于平面堆積物料測量，對于地缸中醅料挖取區(qū)域，難以找到平面實現(xiàn)挖取區(qū)域中挖取前、后部分的分割。設(shè)計像素面元體素法評估地缸醅料挖取量，采用高等數(shù)學積分求和計算原理，以缸口內(nèi)醅料點云中各點分布，將醅料點云劃分為很多細小的小長方體醅料體素，對比挖取前、后缸口內(nèi)醅料點云變化情況，求解各醅料體素的高，完成醅料體素構(gòu)建。

采集的挖取前、后地缸圖像為缸中醅料俯視圖，各像素點通道中包含的深度信息表示該像素點代表的實際位置到相機鏡頭平面的距離。通過上述點云坐標系統(tǒng)一結(jié)果，可以獲取同一坐標系下，挖取前、后缸口內(nèi)各面元的深度信息。提取挖取前缸口內(nèi)各面元深度值，通過相機內(nèi)參求解挖取前點云坐標系下各面元對應(yīng)z坐標值；再根據(jù)點云坐標系變換，轉(zhuǎn)換為挖取后點云坐標系下對應(yīng)z坐標值；然后求解挖取后點云坐標系中，挖取前缸口內(nèi)各面元對應(yīng)深度值。根據(jù)3.2節(jié)點云轉(zhuǎn)換結(jié)果，求解挖取后缸口內(nèi)各相應(yīng)面元處z坐標，計算缸口內(nèi)同一面元處挖取后相應(yīng)深度值。在挖取后點云坐標系下，計算同一面元處挖取前、后深度值差值，即相應(yīng)面元處醅料取料深度，作為醅料體素的高度。若某面元處醅料取料深度為0，代表挖取量為0。

5 結(jié)果與分析

5.1 地缸口內(nèi)邊緣提取幾何約束閾值

采用像素面元體素法對醅料挖取量進行評估時，劃分的小長方體醅料數(shù)量越多，即醅料體素越多，評估結(jié)果越準確。圖像中醅料區(qū)域所占比重決定了醅料體素的數(shù)量，影響著面元的大小，而圖像中醅料區(qū)域所占比重是由圖像采集時相機高度決定的。以能采集到缸口內(nèi)全貌圖像為目標，設(shè)置地缸圖像采集位姿為豎直于缸口中心正上方685 mm處，鏡頭正對缸口平面。

地缸口內(nèi)邊緣輪廓的準確提取直接影響缸口內(nèi)圖像提取的準確性，而地缸口內(nèi)邊緣輪廓準確提取由幾何約束閾值設(shè)置的準確性所決定。地缸口內(nèi)邊緣近似擬合圓直徑的高、低約束閾值，與相機鏡頭平面和地缸口平面的距離有關(guān)。因此，實地采集多幅地缸彩色圖像，統(tǒng)計各圖像中地缸口內(nèi)邊緣近似擬合圓直徑。

從圖2可知，地缸口外邊緣與地面污漬相連，且地缸出醅過程中取料裝置向運料小車移動時可能存在撒料，因此識別檢測干擾較多。而地缸口內(nèi)邊緣檢測干擾少，從圖6可知其近似擬合圓直徑統(tǒng)計結(jié)果波動較為平緩，因此選擇地缸口內(nèi)邊緣進行識別提取，設(shè)定地缸口內(nèi)邊緣近似擬合圓直徑的高約束閾值為650 px、低約束閾值為635 px。

地缸口內(nèi)邊緣近似擬合圓的長軸長度與短軸長度比值的約束閾值，與地缸實際形狀有關(guān)。

地缸口內(nèi)邊緣為圓形，在地缸圖像中地缸口內(nèi)邊緣輪廓橢圓擬合結(jié)果為其近似擬合圓，其長短軸比應(yīng)該接近1，可能有諸如空氣中粉塵、光線等因素對地缸圖像成像情況產(chǎn)生影響，比值會發(fā)生變化，設(shè)定地缸口內(nèi)邊緣近似擬合圓長短軸比約束閾值為1.03（圖7）。

5.2 挖取前后缸口內(nèi)點云配準試驗

由于機械臂運動精度問題，可能導(dǎo)致挖取前、后地缸圖像采集位姿發(fā)生偏移，故而采用點云配準的方法來消除圖像采集位姿偏移產(chǎn)生的影響。因此，點云配準的精度會影響后續(xù)醅料挖取量評估效果。為了定量評價挖取前后缸口內(nèi)點云配準結(jié)果，使用均方根誤差［25］作為評價指標。以配準后挖取前、后點云對應(yīng)點之間的歐氏距離為對象，其歐氏距離的真值為0，求解均方根誤差。

采集多組挖取前、后地缸彩色圖和深度圖，對挖取前、后缸口內(nèi)點云進行多次配準試驗，計算各次配準試驗結(jié)果的均方根誤差（圖8）。

從圖8可以看出，均方根誤差基本維持在0.16 cm附近，最大值為0.21 cm，挖取前后點云配準結(jié)果較為精準。

5.3 醅料挖取量評估試驗

為了驗證地缸醅料挖取量評估方法的有效性，試驗環(huán)境為CPU Intel Core i5-5200U，基于Visual Studio 2019、OpenCV 4.4.0和PCL 1.11.1對地缸發(fā)酵生產(chǎn)中的多缸醅料進行大量地缸出醅試驗，以兩缸醅料為例。

醅料具有一定的粘性和持水能力，地缸中填充原料并發(fā)酵一段時間后，其中上層醅料水分比下層醅料較小，并且醅料為松軟易滑落的散料，相同質(zhì)量的醅料擠壓后體積會顯著變小。從地缸中挖取出醅料并傾倒至容器中，傾倒中，醅料會變蓬松，相較于地缸中的狀態(tài)，體積會變大，不可通過測量容器內(nèi)挖取出的醅料體積作為實際標準量。

1號缸為已經(jīng)發(fā)酵一段時間的地缸醅料，計算各次挖取質(zhì)量測量值與挖取區(qū)域體積測算值的比值（表1）。

由表1可知，隨著挖取次數(shù)的增加，挖取質(zhì)量測量值與采用像素面元體素法測算的醅料挖取區(qū)域體積測算值的比值逐漸增大。地缸出醅過程中，隨著挖取次數(shù)的增加，挖取到的醅料處在地缸中的深度逐漸增加，而地缸醅料在填充與發(fā)酵過程中上層醅料會對下層醅料產(chǎn)生擠壓，且下層醅料濕度高于上層醅料，因此下層醅料密度高于上層醅料，并且挖取過程中取料工具也會對周圍醅料密度產(chǎn)生影響。表1中比值變化趨勢符合地缸發(fā)酵醅料特點，醅料挖取區(qū)域體積測算值雖然存在誤差，但比值相近區(qū)間內(nèi)，醅料挖取區(qū)域體積測算值可以反映挖取質(zhì)量測量值（圖9）。

2號缸為發(fā)酵時間較短的地缸醅料，計算各次挖取質(zhì)量測量值與挖取區(qū)域體積測算值的比值（表2）。

由表2和圖10同樣佐證了表1和圖9得出的結(jié)論，因為表2對象為發(fā)酵時間較短的地缸醅料，地缸中上層醅料對下層醅料擠壓時間與缸中水分向下遷移時間均比表1對象較短，下層醅料濕度與上層醅料相差不大，因此，地缸中醅料密度變化差異較小。同樣，在比值相近區(qū)間內(nèi)，像素面元體素法測算的醅料挖取區(qū)域體積測算值可以反映挖取質(zhì)量測量值（圖10）。因此，像素面元體素法測算結(jié)果可以有效評估醅料挖取量。

6 結(jié) 論

1）設(shè)計像素面元體素法評估地缸醅料挖取量，劃分地缸區(qū)域面元，統(tǒng)一缸口內(nèi)點云坐標系，相應(yīng)面元處挖取前、后地缸中醅料表面深度變化，構(gòu)建醅料體素，實現(xiàn)了非接觸式醅料挖取量評估。

2）醅料挖取質(zhì)量測量值與像素面元體素法測算的挖取區(qū)域體積測算值的比值變化趨勢符合地缸醅料特點；比值相近區(qū)間內(nèi)，醅料挖取區(qū)域體積測算值可以反映挖取質(zhì)量測量值。像素面元體素法測算結(jié)果可以有效評估醅料挖取量。

3）在后續(xù)的研究中，將像素面元體素法應(yīng)用于基于挖取量評估的醅料取料機器人快速取料方法中，對各取料點挖取區(qū)域的挖取量進行評估，選擇最優(yōu)取料點，實現(xiàn)醅料取料機器人智能化自動地缸出醅。

參考文獻（References）：

［1］ 尹文慶，浦浩，胡飛，等.基于結(jié)構(gòu)光視覺的聯(lián)合收獲機谷粒體積流量測量方法［J］.農(nóng)業(yè)機械學報，2020，51（9）：101-107.YIN Wenqing，PU Hao，HU Fei，et al.Measurement method of grain volume flow based on structured light［J］.Transactions of the Chinese Society for Agricultural Machinery，2020，51（9）：101-107.

［2］邵晴，徐濤，吉野辰萌，等.基于三維激光掃描技術(shù)的糧食儲量監(jiān)測系統(tǒng)的設(shè)計與試驗［J］.農(nóng)業(yè)工程學報，2015，31（20）：262-267.SHAO Qing，XU Tao，YOSHINO Tatsuo，et al.Design and experiment for grain storage monitoring system based on 3-D laser scanning technology［J］.Transactions of the Chinese Society of Agricultural Engineering，2015，31（20）：262-267.

［3］UYAR R，ERDOGDU F.Potential use of 3-dimensional scanners for food process modeling［J］.Journal of Food Engineering，2009，93（3）：337-343.

［4］POLO J R R，SANZ R，LLORENS J，et al.A tractor-mounted scanning LIDAR for the non-destructive measurement of vegetative volume and surface area of tree-row plantations：A comparison with conventional destructive measurements［J］.Biosystems Engineering，2009，102（2）：128-134.

［5］AJAYI O G，OYEBOADE T O，SAMAILA-IJA H A，et al.Development of a UAV-based system for the semi-automatic estimation of the volume of earthworks［J］.Reports on Geodesy and Geoinformatics，2020，110（1）：21-28.

［6］王萌萌，史瑛，李智琪，等.清香酒醅中高產(chǎn)細菌素乳酸菌的篩選及其細菌素特性研究［J］.食品工業(yè)科技，2020，41（16）：102-107.WANG Mengmeng，SHI Ying，LI Zhiqi，et al.Isolation of lactic acid bacteria with high-yield bacteriocin from fermented grains of light-flavor baijiu and its bacteriocin characteristic［J］.Science and Technology of Food Industry，2020，41（16）：102-107.

［7］杜艾明，李良，李俊薇，等.清香型白酒釀造核心功能微生物的研究與應(yīng)用［J］.中國釀造，2021，40（2）：16-19.DU Aiming，LI Liang，LI Junwei，et al.Research and application of core functional microorganisms in light-flavor baijiu brewing［J］.China Brewing，2021，40（2）：16-19.

［8］喬俊峰，周沅楨，王永，等.三維激光掃描測體積技術(shù)及其應(yīng)用進展［J］.激光與紅外，2021，51（9）：1115-1122.QIAO Junfeng，ZHOU Yuanzhen，WANG Yong，et al.Advances in 3D laser scanning volume measurement technology and application［J］.Laser & Infrared，2021，51（9）：1115-1122.

［9］LI B，WEI J B，WANG L，et al.A comparative analysis of two point cloud volume calculation methods［J］.International Journal of Remote Sensing，2019，40（8）：3227-3246.

［10］劉金錦，李浩軍.基于點云切片改進法的不規(guī)則物體體積測量［J］.光學學報，2021，41（23）：133-145.LIU Jinjin，LI Haojun.Volume measurement of irregular objects based on improved point cloud slicing method［J］.Acta Optica Sinica，2021，41（23）：133-145.

［11］KIM Y N，KIM J S，PARK G C，et al.Measurement of sliding bubble behavior on a horizontal heated tube using a stereoscopic image processing technique［J］.International Journal of Multiphase Flow，2017，94：156-172.

［12］FERNANDEZ-SARRIA A，LOPEZ-CORTES I，ESTORNELL J，et al.Estimating residual biomass of olive tree crops using terrestrial laser scanning［J］.International Journal of Applied Earth Observation and Geoinformation，2019，75：163-170.

［13］楊春雨，顧振，張鑫，等.基于深度學習的帶式輸送機煤流量雙目視覺測量［J］.儀器儀表學報，2021，41（8）：164-174.YANG Chunyu，GU Zhen，ZHANG Xin，et al.Binocular vision measurement of coal flow of belt conveyors based on deep learning［J］.Chinese Journal of Scientific Instrument，2021，41（8）：164-174.

［14］張春森，張奇源，南軻.多視幾何無人機影像堆體體積量算［J］.西安科技大學學報，2019，39（1）：124-129.ZHANG Chunsen，ZHANG Qiyuan，NAN Ke.Volumetric calculation of multi-vision geometry UAV image volume［J］.Journal of Xian University of Science and Technology，2019，39（1）：124-129.

［15］楊德山，董麗麗，梁倩倩，等.大型散貨堆體積的快速測量［J］.光學精密工程，2016，24（9）：2126-2133.YANG Deshan，DONG Lili，LIANG Qianqian，et al.Rapid volume measurement for large bulk cargo［J］.Optics and Precision Engineering，2016，24（9）：2126-2133.

［16］張鑫.大曲清香白酒不同發(fā)酵容器釀酒情況對比［J］.釀酒，2020，47（1）：77-78.ZHANG Xin.Comparison of Fen flavor liquor making situation in different fermentative vessels［J］.Liquor Making，2020，47（1）：77-78.

［17］趙景龍，韓興林，楊海存，等.清香型大曲白酒地缸發(fā)酵機理［J］.食品與發(fā)酵工業(yè)，2013，39（11）：81-84.ZHAO Jinglong，HAN Xinglin，YANG Haicun，et al.Preliminary research on fermentation mechanization of Fen-flavors ground-pot［J］.Food and Fermentation Industries，2013，39（11）：81-84.

［18］李忠虎，薛婉婷，呂鑫，等.基于圖像融合的風電塔筒邊緣檢測及提取方法［J］.國外電子測量技術(shù)，2022，41（3）：90-95.LI Zhonghu，XUE Wanting，LV Xin，et al.Edge detection and extraction method of wind turbine tower based on image fusion［J］.Foreign Electronic Measurement Technology，2022，41（3）：90-95.

［19］王書宇，田建艷，蔡文站，等.基于孔特征的弱紋理堆疊工件識別［J］.計算機工程與應(yīng)用，2022，58（3）：282-288.WANG Shuyu，TIAN Jianyan，CAI Wenzhan，et al.Re-cognition of stacked texture-less workpieces based on hole features［J］.Computer Engineering and Applications，2022，58（3）：282-288.

［20］LOWE D G.Object recognition from local scale-invariant features［C］//Proceedings of the Seventh IEEE International Conference on Computer Vision.New York：IEEE Press，1999：1150-1157.

［21］翁靜，袁盼，王銘赫，等.基于支持向量機的泄漏氣體云團熱成像檢測方法［J］.光學學報，2022，42（9）：104-111.WENG Jing，YUAN Pan，WANG Minghe，et al.Thermal imaging detection method of leak gas clouds based on support vector machine［J］.Acta Optica Sinica，2022，42（9）：104-111.

［22］MUJA M，LOWE D G.Fast approximate nearest neighbors with automatic algorithm configuration［C］//Ranchordas A，Araujo，H.Proceedings of the 4th International Conference on Computer Vision Theory and Applications.INSTICC Press，2009：331-340.

［23］伊克薩尼·普爾凱提，阿布都薩拉木·達吾提，艾斯卡爾·艾木都拉.帶后綴印刷體維吾爾文映射關(guān)系檢索［J］.中國圖象圖形學報，2020，25（4）：688-696.EKSAN F，ABDUSALAM D，ASKAR H.Mapping relationship retrieval of Uyghur-printed suffix word［J］.Journal of Image and Graphics，2020，25（4）：688-696.

［24］任彬，宋海麗，趙增旭，等.基于RANSAC的視覺里程計優(yōu)化方法研究［J］.儀器儀表學報，2022，43（6）：205-212.REN Bin，SONG Haili，ZHAO Zengxu，et al.Study on optimization method of visual odometry based on RANSAC［J］.Chinese Journal of Scientific Instrument，2022，43（6）：205-212.

［25］秦紅星，劉鎮(zhèn)濤，譚博元.深度學習剛性點云配準前沿進展［J］.中國圖象圖形學報，2022，27（2）：329-348.QIN Hongxing，LIU Zhentao，TAN Boyuan.Review on deep learning rigid point cloud registration［J］.Journal of Image and Graphics，2022，27（2）：329-348.

（責任編輯：李克永）