摘要: “科技支撑”是国家粮食安全战略，事关国运民生。对于粮食数量的监测以及进出库的量控是仓储管理的难点，清仓库查虽然消耗了大量的人力物力，但是由于效率低、不可靠等问题仍无法满足现代管理的需求。本文针对散粮堆测试中需要客观、实时、准确和高效... 展开 “科技支撑”是国家粮食安全战略，事关国运民生。对于粮食数量的监测以及进出库的量控是仓储管理的难点，清仓库查虽然消耗了大量的人力物力，但是由于效率低、不可靠等问题仍无法满足现代管理的需求。本文针对散粮堆测试中需要客观、实时、准确和高效获得储量信息，通过点云数据三维重建技术，针对散粮堆测算检测提出TOF相机的散粮堆体积测算和基于双目相机的散粮堆体积测算两种方法。取得结果如下： 通过TOF相机和双目相机实现对散粮堆的三维重建，基于VS2017平台，采用开源OpenCV为辅助开发库的设计环境，利用C++语义设计实现了多线程的串口通讯和数据采集及处理系统。重点研究了相机的标定方法，对获取到的点云进行目标点云的提取，通过获取的目标点云根据三维数据计算其体积，取得如下结果： （1）通过设定黑白棋盘格图片，利用MATLAB软件对其进行标定，获取了TOF相机及双目相机的内外参数；针对TOF相机获取到的散粮堆点云数据存在大量的离散点，进行了粗处理，对离散点进行了剔除；针对双目相机利用SGBM算法,对获取的散粮堆图片进行处理获取视差图，通过视差图获取了散粮堆点云。 （2）在TOF和双目获得的数据基础上，通过改进的RANSAC算法，针对粗处理的点云进行目标点云提取；通过逐点插入法进行贪婪三角化，将其转化为由数个三角形面片组成的结构，根据三角形的顶点坐标计算目标点云的体积。 （3）基于TOF相机测量了固定量大米散粮堆数据，当相机距散粮堆距离分别为1.0m、1.5m、2.0m、2.5m和3.0m时，误差分别为1.02%、1.12%、1.13%、1.1%以及1.12%，平均误差为1.12%。测量了固定量玉米散粮堆数据，当相机距散粮堆1.0m、1.5m、2.0m、2.5m和3.0m时误差分别为1.95%、1.98%、2.10%、1.87%、2.21%，平均误差为2.01%。针对固定量大米、玉米散粮堆体积测算误差值均在2%左右，达到了非常好的效果。 （4）基于双目相机测量了固定量大米散粮堆数据，当相机距散粮堆距离分别为1m、1.5m、2.0m、2.5m和3.0m时，误差分别为3.20%、3.00%、3.07%、3.19%以及3.27%，平均误差为3.15%。测量了固定量玉米散粮堆数据，当相机距散粮堆1.0m、1.5m、2.0m、2.5m和3.0m时，误差分别为5.01%、4.98%、4.99%、5.01%以及4.98%，平均误差为4.99%。针对固定量大米、玉米散粮堆体积测算误差值均在5%左右，。 综上，TOF相机对散粮堆三维重建获取体积数据的精度，明显要比双目相机对散粮堆三维重建获取体积数据的精度高。而且，TOF体积小、精度高，三维重建及体积系统搭建更简便，更加适合应用于一些散粮堆体积的测量。 收起