摘要：甘蔗收獲機(jī)輸送系統(tǒng)堵塞是影響收獲機(jī)工作效率的主要因素之一，而喂入量過大是導(dǎo)致收獲機(jī)堵塞情況發(fā)生的主要原因。在甘蔗輸送條件復(fù)雜情況下傳統(tǒng)的接觸式檢測方法存在精度降低等問題，所以提出一種基于視覺識別檢測喂入量的方法。為提高喂入量的計(jì)算精度，通過改進(jìn)的SGBM算法建立三維數(shù)據(jù)模型，在優(yōu)化過程中利用SIFT進(jìn)行特征提取，提高算法在遮擋等復(fù)雜情況下對甘蔗的三維重建精度和魯棒性，最后進(jìn)行喂入量計(jì)算。試驗(yàn)結(jié)果表明，在喂入1～5根甘蔗時(shí)，改進(jìn)后的算法平均體積誤差分別減少3.26%、5.68%、6.32%、8.45%、7.81%，存在蔗葉遮擋時(shí)分別減少6.29%、4.24%、6.15%、12%、10.28%，該方法實(shí)現(xiàn)在輸送樣機(jī)上對甘蔗喂入量的準(zhǔn)確識別。

關(guān)鍵詞：收獲機(jī)械；甘蔗收獲機(jī)；喂入量檢測；三維重建；視覺識別

中圖分類號：S225.5+3; TP391.4 文獻(xiàn)標(biāo)識碼：A 文章編號：2095?5553 （2024） 11?0015?06

Research on the method of feeding quantity recognition for whole rod sugarcane harvester

Lai Xiao1， Cao Boxiao1， Chen Dejian1， Chen Sen1， Chen Peizhong1， Li Shangping2

（1. School of Mechanical Engineering， Guangxi University， Nanning， 530004， China;

2. School of Electronic Information， Guangxi University for Nationalities， Nanning， 530006， China）

Abstract： The blockage of the conveying system of sugarcane harvester is one of the main factors affecting the working efficiency of the harvester， and the excessive feeding amount is the main reason for the blockage of the harvester. Under the complex conditions of sugarcane conveying， the traditional contact detection method has problems such as reduced accuracy， so that a method based on visual recognition to detect the feeding amount was proposed. In order to improve the calculation accuracy of the feeding amount， the three?dimensional data model was established by the improved SGBM algorithm，and then SIFT was used for feature extraction in the optimization process， which improved the accuracy and robustness of the three?dimensional reconstruction of sugarcane under complex conditions such as occlusion. Finally， the feeding amount was calculated. The experimental results showed that when feeding 1 to 5 sugarcanes， the mean volume error of the improved algorithm was reduced by 3.26%， 5.68%， 6.32%， 8.45%， 7.81%， respectively， and by 6.29%， 4.24%， 6.15%， 12%， and 10.28%， respectively. The identification of sugarcane feeding amount on the conveying prototype was realized.

Keywords： harvesting machinery; sugarcane harvester; seeding amount detection; three?dimensional reconstruction; visual recognition

0 引言

甘蔗是非常重要的經(jīng)濟(jì)作物，能夠用來生產(chǎn)蔗糖，同時(shí)也可以提煉出乙醇作為能源替代品[1]。我國是主要的甘蔗生產(chǎn)大國之一，甘蔗產(chǎn)量與甘蔗消費(fèi)量位居世界前列[2]。目前，國內(nèi)整桿式甘蔗收獲機(jī)的收獲效率存在一些不足，如甘蔗進(jìn)入輸送系統(tǒng)后會因?yàn)槲谷肓窟^大等導(dǎo)致堵塞從而影響甘蔗收獲機(jī)收獲效率[3]，給整桿式甘蔗收獲機(jī)的研制和推廣帶來諸多影響。傳統(tǒng)的接觸式檢測方法主要是通過在輸出軸、喂入輥等位置安裝傳感器或調(diào)整喂入間隙[4]，這類方法安裝復(fù)雜且會受到碎屑、雜葉等環(huán)境因素導(dǎo)致精度下降等問題[5]，因此提出了通過視覺識別的方法通過計(jì)算喂入量為下一步輸送系統(tǒng)的防堵塞優(yōu)化提供了重要支持。

但目前，國內(nèi)外學(xué)者通過視覺手段進(jìn)行目標(biāo)識別和體積的計(jì)算方法研究主要集中在蘋果、快遞包裹等，還沒有通過視覺識別手段對甘蔗的體積提出識別和計(jì)算方法。

宓逸舟[6]提出了一種通過半全局動態(tài)規(guī)劃的算法對包裹體積和三維尺寸參數(shù)的實(shí)時(shí)測量，但對小型的目標(biāo)誤差較大。李秀智[7]通過對果實(shí)形狀進(jìn)行分割，提取出一條封閉的曲線再進(jìn)行體積計(jì)算來對蘋果進(jìn)行分級。龍潔花等[8]提出了一種改進(jìn)的Mask R-CNN分割方法對不同成熟的果實(shí)進(jìn)行識別，但是在光照較弱的情況下識別率較低。Wu等[9]建立了YOLOv4的模型提高了對于蘋果的檢測速度。Jia等[10]提出了引入Mask R-CNN和ResNet兩種分割算法與DenseNet相結(jié)合進(jìn)行特征提取，結(jié)果表明算法提高了準(zhǔn)確率且速度較快但仍需豐富樣本的多樣性。上述方法對甘蔗的體積計(jì)算具有一定的參考意義，但在輸送過程中存在多根甘蔗堆疊[11]且排布較為密集的情況，視覺識別算法的魯棒性和準(zhǔn)確度降低，不能滿足識別甘蔗喂入量的需求。

為解決上述問題，提出使用改進(jìn)的SGBM算法提高甘蔗的三維重建精度[12]，這樣可以提高喂入體積識別模型的計(jì)算精度和魯棒性，從而準(zhǔn)確為下一步控制輸送輥轉(zhuǎn)速等優(yōu)化輸送系統(tǒng)的防堵塞手段提供支持。

KGMAUTDFU1fPi3y39WhRGg==1 材料與方法

1.1 試驗(yàn)數(shù)據(jù)采集與數(shù)據(jù)集制作

試驗(yàn)甘蔗數(shù)據(jù)在廣西大學(xué)甘蔗收獲機(jī)研究室收集，采集試驗(yàn)在前期課題組研發(fā)的甘蔗收獲機(jī)輸送機(jī)構(gòu)樣機(jī)上進(jìn)行。試驗(yàn)平臺示意圖如圖1所示，主要由雙目攝像頭，支架，輸送導(dǎo)軌和控制裝置等組成。

5.支架 6.雙目攝像頭 7.輸送輥

甘蔗由人工將根部朝前放置，啟動輸送機(jī)構(gòu)后甘蔗以從左至右的方向以0.6 m/min的速度移動。由變頻調(diào)速電機(jī)通過控制PLC信號輸出和減速器共同作用實(shí)現(xiàn)輸送輥的無極變速和換向操作，模擬整桿式甘蔗收獲機(jī)在作業(yè)速度下甘蔗被砍斷后進(jìn)入收獲機(jī)的輸送系統(tǒng)但未進(jìn)入撥葉機(jī)構(gòu)喂入輥前的狀態(tài)。

試驗(yàn)甘蔗選取直徑為24～28 mm的甘蔗。甘蔗形狀大多呈圓柱形，各甘蔗直徑大小有差異且在輸送機(jī)構(gòu)中易相互堆疊。在室內(nèi)光源條件下，在機(jī)器旁設(shè)立固定支架安裝雙目攝像頭對甘蔗進(jìn)行拍攝。幀數(shù)為30 fps，分辨率為1 280×720，并對視頻流以幀為單位進(jìn)行切片共形成3 600張照片。經(jīng)過篩選，有效圖片為2 000張。

1.2 數(shù)據(jù)集構(gòu)建

試驗(yàn)采用OpenCV/CVAT工具軟件對照片中甘蔗所在區(qū)域進(jìn)行矩形框標(biāo)注，并導(dǎo)出XML文件。為了進(jìn)一步提高算法精度和抗干擾能力，訓(xùn)練集分為兩個(gè)部分：一是純色背景下單根甘蔗圖像如圖2所示，二是在試驗(yàn)臺上復(fù)雜背景下多根甘蔗圖像和存在蔗葉遮擋情況的甘蔗樣本圖像，如圖3（a）、圖3（b）所示。

1.3 相機(jī)標(biāo)定

為了實(shí)現(xiàn)準(zhǔn)確可靠的結(jié)果，相機(jī)需要進(jìn)行校準(zhǔn)。相機(jī)校準(zhǔn)是估計(jì)相機(jī)的內(nèi)部和外部參數(shù)的過程，這些參數(shù)對于準(zhǔn)確的立體三角測量是必需的[13]。建立空間坐標(biāo)系消除因相機(jī)結(jié)構(gòu)、相對距離和外部因素等影響是獲取物體真實(shí)三維信息的重要步驟[14]。

如圖4所示，標(biāo)定使用三角測量法對試驗(yàn)平臺處于平行狀態(tài)的兩個(gè)相機(jī)進(jìn)行空間點(diǎn)的三維坐標(biāo)求解。其中，Ol、Or分別為左右相機(jī)鏡頭的光心，p'為圖像物理坐標(biāo)；X，Y，Z為圖像坐標(biāo)系；f為焦距，單位為mm。通過空間點(diǎn)的空間坐標(biāo)表達(dá)式式（1）結(jié)合由算法得到的視差d來恢復(fù)物體表面的三維信息，式中uo、vo為圖像主點(diǎn)，與f值均為相機(jī)標(biāo)定賦予。如圖5所示，試驗(yàn)通過拍攝多張不同角度的標(biāo)定板進(jìn)行標(biāo)定和校正。

[X=b（ul-uo）dY=b（vl-vo）dZ=bfd] （1）

雙目攝像頭標(biāo)定工作使用Matlab中的標(biāo)定工具箱TOOLBOX_calib進(jìn)行[15]。如圖6所示為通過Matlab標(biāo)定后得到的雙目相機(jī)與標(biāo)定板的相對位置。

利用二維坐標(biāo)求得三維信息坐標(biāo)式如式（2）～式（4）所示。

[Zcuv1=Zcfdx0uo00fdyvo00010RT0T1XwYwZw1=M1M2XwYwZw1] （2）

[M1=fx0uo00fyvo00010] （3）

[M2=RT0T1] （4）

其中，Zc為相機(jī)坐標(biāo)系Z軸方向；Xw、Yw、Zw為世界坐標(biāo)系值，單位為mm；dx、dy表示像素單元的物理尺寸，單位為mm；（uo，vo）表示圖像平面中心坐標(biāo)，單位為mm；R為旋轉(zhuǎn)矩陣，用以描述相機(jī)坐標(biāo)系到世界坐標(biāo)系所做的旋轉(zhuǎn)操作；T為平移矩陣，用以描述相機(jī)坐標(biāo)系到世界坐標(biāo)系所做的平移操作；M1代表內(nèi)部參數(shù)矩陣，M2代表外部參數(shù)矩陣[17]。

2 甘蔗三維重建方法

2.1 SGBM算法

SGBM（Semi Global Block Matching）是一種基于塊匹配的立體視覺算法，它是一種改進(jìn)的局部匹配算法，是經(jīng)典的立體匹配算法之一，用來計(jì)算兩幅圖像之間的深度信息。

SGBM算法的主要原理是，通過比較窗口區(qū)域內(nèi)左側(cè)和右側(cè)圖像的梯度來實(shí)現(xiàn)。它接受一對已經(jīng)進(jìn)行過矯正的立體圖像為輸入，輸出視差圖，用于表示左右圖像中每個(gè)像素之間的差異，使用一系列的圖像，通過比較兩個(gè)圖像塊之間的相似度進(jìn)行視差計(jì)算。為了提高視差圖的質(zhì)量，在進(jìn)行視差計(jì)算前使用半全局匹配方法，在每個(gè)像素周圍不同方向的多個(gè)路徑上通過式（5）計(jì)算得到[16]。

[Sobelx，y=2Px+1，y-Px-1，y+Px+1，y-1-Px-1，y-1+Px+1，y-1] （5）

其中Sobel為水平Sobel算子；P為圖像像素點(diǎn)坐標(biāo)；（x，y）為像素點(diǎn)的相對位置坐標(biāo)值，單位為mm。為以此快速確定左右兩個(gè)圖像之間的深度參數(shù)。SGBM算法比局部匹配算法更有效，因?yàn)樗梢栽谒阉鞣秶鷥?nèi)搜索更多的塊，而且可以考慮到塊之間的關(guān)系，從而更準(zhǔn)確地計(jì)算深度圖。

SGBM算法的特點(diǎn)是，在任意尺寸的窗口內(nèi)搜索，比較快速地估計(jì)出兩幅圖像之間的深度差異，并且可以考慮塊之間的關(guān)系，從而更準(zhǔn)確地計(jì)算深度圖并產(chǎn)生具有低計(jì)算復(fù)雜度的高質(zhì)量視差圖。

但是，在對輸送過程中喂入多根甘蔗時(shí)存在的堆疊、葉片等遮擋情況進(jìn)行處理時(shí)，SGBM算法因?yàn)閮H在左右相機(jī)的圖像中進(jìn)行匹配，對遮擋部分特征處理能力差[16]，所以具有一定的局限性降低了計(jì)算精度和魯棒性。

2.2 SGBM算法的優(yōu)化

為了提高三維重建算法的魯棒性和計(jì)算精度，解決SGBM算法在處理蔗葉、堆疊等遮擋情況時(shí)的局限性，提出將SGBM算法與SIFT算法相結(jié)合進(jìn)行三維重建，旨在提高針對甘蔗識別的準(zhǔn)確性和魯棒性。SIFI算法是一種圖像檢索和匹配的處理算法，用于檢測圖像中的局部特征并進(jìn)行匹配，然后使用描述子來描述這些特征[17]?；驹硎菍D像應(yīng)用一系列濾波器來檢測局部特征，然后使用梯度（Gradient）算法來檢測特征的方向[18]。最后，算法會生成一組描述子，用來描述每個(gè)特征點(diǎn)的特性[19]。這使得SIFT算法對甘蔗特征的提取十分有效，可以彌補(bǔ)SGBM算法對于甘蔗這種表面光滑、近似圓柱體，且在輸送機(jī)構(gòu)上輸送多根甘蔗時(shí)存在一定遮擋現(xiàn)象情況下的性能表現(xiàn)。

優(yōu)化后的算法主要包括特征提取和建立深度信息兩個(gè)方面。使用SIFT算法從輸入圖像中提取關(guān)鍵點(diǎn)和描述符。SIFT算法可以提取不變的關(guān)鍵點(diǎn)，以及捕捉局部圖像結(jié)構(gòu)的描述符。在建立深度信息方面，使用SGBM算法估計(jì)輸入圖像中每個(gè)像素的深度。SGBM算法計(jì)算左右圖像之間匹配塊的成本，然后執(zhí)行半全局優(yōu)化以獲取視差圖。視差圖可以使用立體相機(jī)參數(shù)轉(zhuǎn)換為深度圖。為了進(jìn)一步提高所提出方法的準(zhǔn)確性和魯棒性，使用雙邊濾波器平滑視差圖并保留邊緣，再通過中值濾波器刪除視差圖中的異常值。優(yōu)化后的邊緣效果如圖7、圖8所示。

在得到深度圖后，通過置信度圖對深度圖進(jìn)行過濾優(yōu)化和舍棄不可靠的深度估計(jì)，提高深度圖的準(zhǔn)確度。選取100個(gè)樣本進(jìn)行采樣后的置信度估計(jì)結(jié)果圖[20]。經(jīng)過優(yōu)化后的結(jié)果表明，優(yōu)化過程專注于最可靠的深度估計(jì)，獲得了更好的結(jié)果，提高了深度信息的精度和可靠性，如圖9所示。最后生成點(diǎn)云圖再進(jìn)行喂入量計(jì)算。

3 結(jié)果與分析

1） 試驗(yàn)環(huán)境與流程。改進(jìn)后的算法流程如圖10所示，將數(shù)據(jù)圖片分為訓(xùn)練集和數(shù)據(jù)集兩個(gè)部分，經(jīng)過SIFT匹配后再通過SGBM算法進(jìn)行三維重建。體積計(jì)算方面，在計(jì)算截面面積過程中盡可能減少針對多根甘蔗在試驗(yàn)平臺存在的誤差等情況，尤其是在堆疊過程中多根甘蔗產(chǎn)生的堆疊高度誤差Hd，因此選取位置如圖11所示[21]。所以選擇對兩個(gè)坐標(biāo)軸根據(jù)式（6）進(jìn)行積分。選取因素水平為1、2、3、4、5根進(jìn)行單因素試驗(yàn)。前期試驗(yàn)研究發(fā)現(xiàn)，喂入機(jī)構(gòu)堵塞以喂入甘蔗體積因素最為明顯，因此作為試驗(yàn)結(jié)果。單因素試驗(yàn)重復(fù)5次，試驗(yàn)結(jié)果取均值。

[Dx，y=D（x，y）dxdy] （6）

2） 體積測量試驗(yàn)。為驗(yàn)證上述優(yōu)化后算法在甘蔗體積識別計(jì)算過程中的優(yōu)化效果，進(jìn)行了一系列試驗(yàn)。如圖12所示為算法優(yōu)化后生成1～5根甘蔗在輸送樣機(jī)上的深度圖，觀察分析待測甘蔗的原圖以及對應(yīng)的深度圖可以發(fā)現(xiàn)甘蔗數(shù)量越多堆疊越嚴(yán)重，對生成的深度圖有較大的影響。試驗(yàn)使用OpenCV對甘蔗建立識別模型并建立數(shù)據(jù)集，在甘蔗收獲機(jī)輸送機(jī)構(gòu)樣機(jī)上進(jìn)行試驗(yàn)并重復(fù)5次，如表1、表2所示為單因素試驗(yàn)結(jié)果。

3） 算法優(yōu)化效果試驗(yàn)與結(jié)果分析。試驗(yàn)使用OpenCV模型進(jìn)行目標(biāo)檢測和計(jì)算，在試驗(yàn)過程中識別誤差和識別率均包含在多根甘蔗堆疊且含有少量蔗葉時(shí)存在的遮擋情況。

如表1所示，5次試驗(yàn)平均體積誤差與直接使用SGBM算法相比分別提高了3.26%、5.68%、6.32%、8.45%、7.81%。如表2所示，含20%蔗葉遮擋的情況下，5次試驗(yàn)平均體積誤差與直接使用SGBM算法相比分別提高了6.29%、4.24%、6.15%、12%、10.28%。

如表3和表4所示，在輸送甘蔗兩根或兩根以上的情況下5次試驗(yàn)平均準(zhǔn)確率均保持在85%以上，在含有蔗葉遮擋的情況下平均準(zhǔn)確率均保持在83%以上。試驗(yàn)完成時(shí)間包含三維重建過程、目標(biāo)識別過程和體積計(jì)算等整個(gè)流程，使用優(yōu)化后SGBM算法的5次平均完成時(shí)間均在80 ms以內(nèi)，在含有蔗葉遮擋的情況下5次平均完成時(shí)間均在90 ms以內(nèi)。

4 結(jié)論

為研究優(yōu)化后的SGBM算法對甘蔗喂入體積進(jìn)行目標(biāo)檢測和計(jì)算的準(zhǔn)確性，建立甘蔗收獲機(jī)物流輸送機(jī)構(gòu)和喂入體積計(jì)算模型，并在理論分析的基礎(chǔ)上，結(jié)合試驗(yàn)研究優(yōu)化后的SGBM算法與未優(yōu)化的SGBM算法相比較下的三維重建精度和目標(biāo)識別情況。

1） 使用優(yōu)化后的SGBM對甘蔗進(jìn)行三維重建計(jì)算的平均體積誤差分別減小了3.26%、5.68%、6.32%、8.45%、7.81%，在含有蔗葉遮擋的情況下平均體積誤差分別減小了6.29%、4.24%、6.15%、12%、10.28%。在放置3根甘蔗時(shí)平均準(zhǔn)確率提高了3個(gè)百分點(diǎn)，在放置4根和5根甘蔗時(shí)平均準(zhǔn)確率提高了6個(gè)百分點(diǎn)，含蔗葉遮擋時(shí)的平均準(zhǔn)確率均提高了4個(gè)百分點(diǎn)，這證明優(yōu)化后的SGBM算法準(zhǔn)確性高于優(yōu)化前的SGBM算法，優(yōu)化后的SGBM算法能夠很好地降低蔗葉遮擋導(dǎo)致精度下降的問題。

2） 所提出的方法適用于甘蔗的喂入體積計(jì)算且提高了三維重建的準(zhǔn)確性和魯棒性。特別是在針對甘蔗這類具有葉片和在放置兩根甘蔗以上產(chǎn)生堆疊情況時(shí)存在遮擋，所提出的方法的性能優(yōu)于單獨(dú)SGBM算法，且更適用于甘蔗的三維重建與喂入體積計(jì)算，為之后的整桿式甘蔗收獲機(jī)防堵塞優(yōu)化提供關(guān)鍵支持。

參 考 文 獻(xiàn)

[ 1 ] 趙瑩. 我國甘蔗收獲機(jī)械化推廣應(yīng)用現(xiàn)狀與發(fā)展建議[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2016， 37（9）： 236-244， 269.

Zhao Ying. Extending situation and development proposal on sugarcane harvesting mechanization in China [J]. Journal of Chinese Agricultural Mechanization， 2016， 37（9）： 236-244， 269

[ 2 ] 劉曉雪， 段萱. “十三五”以來國內(nèi)外食糖市場形勢分析與未來展望[J]. 農(nóng)業(yè)展望， 2018， 14（9）： 8-16.

Liu Xiaoxue， Duan Xuan. Domestic and international sugar market situations and their prospects during the 13th five?year plan period [J]. Agricultural Outlook， 2018， 14（9）： 8-16.

[ 3 ] 沈中華， 李尚平， 麻芳蘭， 等. 提高整桿式小型甘蔗收割機(jī)喂入能力的試驗(yàn)研究[J]. 中國農(nóng)機(jī)化學(xué)報(bào)， 2015， 36（1）： 31-36.

Shen Zhonghua， Li Shangping， Ma Fanglan， et al. Improving the feeding ability of small whole stalk sugarcane harvester [J]. Journal of Chinese Agricultural Mechanization ， 2015， 36（1）： 31-36.

[ 4 ] 范博. 小型甘蔗收獲機(jī)分流喂入系統(tǒng)的設(shè)計(jì)及試驗(yàn)研究[D]. 桂林： 桂林理工大學(xué)， 2017.

[ 5 ] 解福祥， 區(qū)穎剛， 劉慶庭， 等. 甘蔗收割機(jī)物流虛擬試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2010， 41（S1）： 90-94.

Xie Fuxiang， Ou Yinggang， Liu Qingting， et al. Virtual experiment on flow simulation of sugarcane harvester [J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（S1）： 90-94.

[ 6 ] 宓逸舟. 基于雙目視覺的快遞包裹體積計(jì)量系統(tǒng)[D]. 合肥： 合肥工業(yè)大學(xué)， 2017.

[ 7 ] 李秀智. 基于機(jī)器視覺的蘋果形狀分級系統(tǒng)研究[D]. 南京： 南京農(nóng)業(yè)大學(xué)， 2003.

[ 8 ] 龍潔花， 趙春江， 林森， 等. 改進(jìn)Mask R-CNN的溫室環(huán)境下不同成熟度番茄果實(shí)分割方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（18）： 100-108.

Long Jiehua， Zhao Chunjiang， Lin Sen， et al. Segmentation method of the tomato fruits with different maturities under greenhouse environment based on improved Mask R-CNN [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（18）： 100-108.

[ 9 ] Wu D， Lü S， Jiang M， et al. Using channel pruning?based YOLOv4 deep learning algorithm for the real?time and accurate detection of apple flowers in natural environments [J]. Computers and Electronics in Agriculture， 2020， 178： 105742.

[10] Jia W， Tian Y， Luo R， et al. Detection and segmentation of overlapped fruits based on optimized Mask R-CNN application in apple harvesting robot [J]. Computers and Electronics in Agriculture， 2020， 172： 105380.

[11] 趙鵬翔. 基于機(jī)器視覺的紗線運(yùn)動參數(shù)識別[D]. 上海： 東華大學(xué)， 2022.

[12] 毛先胤， 邢懿， 羅國強(qiáng)， 等. 基于改進(jìn)SGBM算法的輸電線路覆冰厚度測量[J]. 自動化與儀器儀表， 2021（11）： 23-26， 31.

Mao Xianyin， Xing Yi， Luo Guoqiang， et al. Measurement of ice thickness of transmission line based on improved SGBM algorithm [J]. Automation and Instrumentation， 2021（11）： 23-26， 31.

[13] 趙航， 孫冬梅， 董清卿， 等. 基于雙目視覺測量系統(tǒng)的特征點(diǎn)匹配研究[J]. 現(xiàn)代電子技術(shù)， 2019， 42（23）： 154-157， 162.

Zhao Hang， Sun Dongmei， Dong Qingqing， et al. Research on feature point matching based on binocular vision measurement system [J]. Modern Electronic Technology， 2019， 42（23）： 154-157， 162.

[14] 黃松梅， 畢遠(yuǎn)偉， 劉殿通， 等. 雙目立體視覺非接觸式測量研究[J]. 煙臺大學(xué)學(xué)報(bào)（自然科學(xué)與工程版）， 2017， 30（4）： 323-327.

Huang Songmei， Bi Yuanwei， Liu Diantong， et al. Non?contact measurement with binocular stereo vision [J]. Journal of Yantai University （Natural Science and Engineering Edition）， 2017， 30（4）： 323-327.

[15] 黃學(xué)然. 基于雙目立體視覺的三維重建技術(shù)研究[D]. 西安： 西安電子科技大學(xué)， 2018.

[16] 趙成星， 張曉玲， 楊宇. 基于SGBM半全局立體匹配算法的三維重建[J]. 激光雜志， 2021， 42（4）： 139-143.

Zhao Chengxing， Zhang Xiaoling， Yang Yu. 3D reconstruction based on SGBM semi?global stereo matching algorithm [J]. Laser Journal， 2021， 42 （4）： 139-143.

[17] Zhu Daixian. SIFT algorithm analysis and optimization [C]. 2010 International Conference on Image Analysis and Signal Processing. IEEE， 2010： 415-419.

[18] Markel J. The SIFT algorithm for fundamental frequency estimation [J]. IEEE Transactions on Audio and Electroacoustics， 1972， 20（5）： 367-377.

[19] 張寶祥， 玉振明， 楊秋慧. 基于Harris-SIFT算法和全卷積深度預(yù)測的顯微鏡成像的三維重建研究[J]. 光學(xué)精密工程， 2022， 30（14）： 1669-1681.

Zhang Baoxiang， Yu Zhenming， Yang Qiuhui. Research on 3D reconstruction of microscope imaging based on Harris-SIFT algorithm and full convolution depth prediction [J]. Optics and Precision Engineering， 2022， 30（14）： 1669-1681.

[20] 王英先， 馬社祥. 結(jié)合置信度評估與再檢測的目標(biāo)長時(shí)跟蹤[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2022， 43（12）： 3348-3355.

Wang Yingxian， Ma Shexiang. Long?term object tracking combined with confidence evaluation and re?detection [J]. Computer Engineering and Design， 2022， 43（12）： 3348-3355.

[21] 馬保亮. 基于雙目視覺的礦石體積測量研究[D]. 贛州： 江西理工大學(xué)， 2021.