物体形态测量方法、装置、设备及存储介质

摘要

本申请实施例公开了一种物体形态测量方法、装置、设备及存储介质。本申请实施例提供的技术方案，通过获取待检测物体的点云数据，基于点云数据拟合构建对应待检测物体的基准平面；将点云数据中各个点的参数值与基准平面对应点的参数值比对，确定点云数据中对应各个点的拟合误差值；基于各个点的拟合误差值计算得到待检测物体的形态度量值。采用上述技术手段，通过拟合构建基准平面，根据基准平面比对待检测物体各个点云以计算待检测物体的形态度量值，通过形态度量值以精准反映待检测物体的形态，提升物体形态的检测效率和检测精度。

权利要求

1.一种物体形态测量方法，其特征在于，包括：

获取待检测物体的点云数据，基于所述点云数据拟合构建对应所述待检测物体的基准平面；

将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值；

基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值；

基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值，包括：根据所述各个点的拟合误差值、拟合误差值的数量以及各个点对应的成像畸变误差权重，计算得到所述待检测物体的形态度量值，所述成像畸变误差权重为所述点云数据的扫描器与对应点的距离参数。

2.根据权利要求1所述的物体形态测量方法，其特征在于，在获取待检测物体的点云数据之后，还包括：对所述点云数据进行异常检测，确定异常点云数据；

根据所述点云数据对应扫描器的拍摄边界，从所述点云数据中确定对应所述拍摄边界的边界点云数据；

将所述异常点云数据和所述边界点云数据筛除。

3.根据权利要求1所述的物体形态测量方法，其特征在于，基于所述点云数据拟合构建对应所述待检测物体的基准平面，包括：对所述点云数据使用最小二乘算法进行拟合，得到对应所述待检测物体的基准平面。

4.根据权利要求3所述的物体形态测量方法，其特征在于，将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值，包括：将所述点云数据中各个点的高度值与所述基准平面对应点的高度值比对，以高度值差距作为所述点云数据中对应各个点的拟合误差值。

5.根据权利要求4所述的物体形态测量方法，其特征在于，在确定所述点云数据中对应各个点的拟合误差值之后，还包括：逐一将所述各个点的拟合误差值与预设误差阈值进行比对，筛除小于所述误差阈值的点的拟合误差值。

6.根据权利要求1所述的物体形态测量方法，其特征在于，所述待检测物体的形态度量值基于预设计算公式计算得到，所述预设计算公式为：T T

其中，ρ表示所述待检测物体的形态度量值，W＝[d1,d2,...dn] ，dn表示第n个点对应的T所述成像畸变误差权重，E＝[e1,e2,…en] ，en表示第n个点的所述拟合误差值，m表示拟合误差值的数量。

7.根据权利要求1所述的物体形态测量方法，其特征在于，在基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值之后，还包括：使用预设的土地破碎程度与形态度量值的关系模型，对所述待检测物体的形态度量值进行归一化处理，输出对应的土地破碎程度评分。

8.根据权利要求7所述的物体形态测量方法，其特征在于，所述关系模型公式为：其中，k表示所述土地破碎程度评分，a，b和c表示影响参数，所述影响参数根据多组测算样本推算得到，所述测算样本包括物体形态度量值与对应标定的土地破碎程度评分。

9.根据权利要求1所述的物体形态测量方法，其特征在于，在确定所述点云数据中对应各个点的拟合误差值之后，还包括：将所述各个点的拟合误差值逐一比对预设的标识阈值，所述标识阈值用于标识所述待检测物体上形态异常的点；

确定拟合误差值达到所述标识阈值的点作为标识点；

提取所述待检测物体的显示图像，在所述显示图像上确定所述标识点的位置，并对应所述标识点的位置进行高亮显示。

10.一种物体形态测量装置，其特征在于，包括：拟合模块，用于获取待检测物体的点云数据，基于所述点云数据拟合构建对应所述待检测物体的基准平面；

比对模块，用于将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值；

度量模块，用于基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值；

基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值，包括：根据所述各个点的拟合误差值、拟合误差值的数量以及各个点对应的成像畸变误差权重，计算得到所述待检测物体的形态度量值，所述成像畸变误差权重为所述点云数据的扫描器与对应点的距离参数。

11.一种物体形态测量设备，其特征在于，包括：扫描器，存储器以及一个或多个处理器；

所述扫描器，用于采集待检测物体的点云数据；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现权利要求1‑9任一所述的物体形态测量方法。

12.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行权利要求1‑9任一所述的物体形态测量方法。

说明书

物体形态测量方法、装置、设备及存储介质

技术领域

[0001] 本申请实施例涉及数据处理技术领域，尤其涉及一种物体形态测量方法、装置、设备及存储介质。

背景技术

[0002] 在生产、生活中的很多领域，都涉及到物体形态测量技术的应用。如在农机耙地、道路施工、地质勘探等场景中，对地表形态进行勘测。其中，在农机耙地作业中，无论是犁地，耙地，还是中耕，都希望把土地表层的土壤破碎，并把土壤破碎程度控制在适合作物生长的范围内。因此需要对地表形态进行精准检测，以实现土壤破碎程度的准确度量。目前，对于物体形态的检测方式主要采用人为检测的方式。例如，农机手在驾驶农机进行耙地作业时，采用人眼观察的方式确定土壤破碎程度，农机手需要一边驾驶农机，一边观察耙地后地面土壤破碎成团的大小程度，整个过程相对较为繁杂、低效。并且，采用人为检测方式，其对物体形态的检测精度相对较低，难以达到理想的物体形态测量需求。

发明内容

[0003] 本申请实施例提供一种物体形态测量方法、装置、设备及存储介质，能够解决物体形态测量精度低的技术问题，提升物体形态的检测效率和检测精度。

[0004] 在第一方面，本申请实施例提供了一种物体形态测量方法，包括：

[0005] 获取待检测物体的点云数据，基于所述点云数据拟合构建对应所述待检测物体的基准平面；

[0006] 将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值；

[0007] 基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值。

[0008] 进一步的，在获取待检测物体的点云数据之后，还包括：

[0009] 对所述点云数据进行异常检测，确定异常点云数据；

[0010] 根据所述点云数据对应扫描器的拍摄边界，从所述点云数据中确定对应所述拍摄边界的边界点云数据；

[0011] 将所述异常点云数据和所述边界点云数据筛除。

[0012] 进一步的，基于所述点云数据拟合构建对应所述待检测物体的基准平面，包括：

[0013] 对所述点云数据使用最小二乘算法进行拟合，得到对应所述待检测物体的基准平面。

[0014] 进一步的，将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值，包括：

[0015] 将所述点云数据中各个点的高度值与所述基准平面对应点的高度值比对，以高度值差距作为所述点云数据中对应各个点的拟合误差值。

[0016] 进一步的，在确定所述点云数据中对应各个点的拟合误差值之后，还包括：

[0017] 逐一将所述各个点的拟合误差值与预设误差阈值进行比对，筛除小于所述误差阈值的点的拟合误差值。

[0018] 进一步的，基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值，包括：

[0019] 根据所述各个点的拟合误差值、拟合误差值的数量以及各个点对应的成像畸变误差权重，计算得到所述待检测物体的形态度量值，所述成像畸变误差权重为所述点云数据的扫描器与对应点的距离参数。

[0020] 进一步的，所述待检测物体的形态度量值基于预设计算公式计算得到，所述预设计算公式为：

[0021]

[0022] 其中，ρ表示所述待检测物体的形态度量值，WT＝[d1,d2,...dn]T，dn表示第n个点对T应的所述成像畸变误差权重，E＝[e1,e2,...en] ，en表示第n个点的所述拟合误差值，m表示拟合误差值的数量。

[0023] 进一步的，在基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值之后，还包括：

[0024] 使用预设的土地破碎程度与形态度量值的关系模型，对所述待检测物体的形态度量值进行归一化处理，输出对应的土地破碎程度评分。

[0025] 进一步的，所述关系模型公式为：

[0026]

[0027] 其中，k表示所述土地破碎程度评分，a，b和c表示影响参数，所述影响参数根据多组测算样本推算得到，所述测算样本包括物体形态度量值与对应标定的土地破碎程度评分。

[0028] 进一步的，在确定所述点云数据中对应各个点的拟合误差值之后，还包括：

[0029] 将所述各个点的拟合误差值逐一比对预设的标识阈值，所述标识阈值用于标识所述待检测物体上形态异常的点；

[0030] 确定拟合误差值达到所述标识阈值的点作为标识点；

[0031] 提取所述待检测物体的显示图像，在所述显示图像上确定所述标识点的位置，并对应所述标识点的位置进行高亮显示。

[0032] 在第二方面，本申请实施例提供了一种物体形态测量装置，包括：

[0033] 拟合模块，用于获取待检测物体的点云数据，基于所述点云数据拟合构建对应所述待检测物体的基准平面；

[0034] 比对模块，用于将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值；

[0035] 度量模块，用于基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值。

[0036] 在第三方面，本申请实施例提供了一种物体形态测量设备，包括：

[0037] 扫描器，存储器以及一个或多个处理器；

[0038] 所述扫描器，用于采集待检测物体的点云数据；

[0039] 所述存储器，用于存储一个或多个程序；

[0040] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的物体形态测量方法。

[0041] 在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的物体形态测量方法。

[0042] 本申请实施例通过获取待检测物体的点云数据，基于点云数据拟合构建对应待检测物体的基准平面；将点云数据中各个点的参数值与基准平面对应点的参数值比对，确定点云数据中对应各个点的拟合误差值；基于各个点的拟合误差值计算得到待检测物体的形态度量值。采用上述技术手段，通过拟合构建基准平面，根据基准平面比对待检测物体各个点云以计算待检测物体的形态度量值，通过形态度量值以精准反映待检测物体的形态，提升物体形态的检测效率和检测精度。

[0043] 此外，本方案基于形态度量值进行土地破碎程度评分，可以直观地反映耙地作业的土地破碎程度，提升耙地作业效率并优化耙地作业效果。另一方面，通过对待检测物体的形态异常标识点进行高亮显示，可以直观、准确地输出形态异常位置，更进一步优化物体形态测量效果。

附图说明

[0044] 图1是本申请实施例一提供的一种物体形态测量方法的流程图；

[0045] 图2是本申请实施例一中的点云数据预处理流程图；

[0046] 图3是本申请实施例一中土壤破碎程度的测量流程图；

[0047] 图4是本申请实施例一中的异常点云标识流程图；

[0048] 图5是本申请实施例二提供的一种物体形态测量装置的结构示意图；

[0049] 图6是本申请实施例三提供的一种物体形态测量设备的结构示意图。

具体实施方式

[0050] 为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

[0051] 本申请提供的物体形态测量方法，旨在根据待检测物体的点云数据拟合构建待检测物体的基准平面，进而基于基准平面比对各个点云，根据比对得到的拟合误差计算待检测物体的形态度量值，以此对物体形态进行精准度量。对于传统的物体形态检测方式，其在进行物体形态检测时，一般采用人为检测的方式，通过人眼观察对物体形态破碎度或者平整度进行测量，通过人眼观察的检测方式存在主观性，检测精度相对较低。基于此，提供本申请实施例的一种物体形态测量方法，以解决现有物体形态测量精度低的技术问题。

[0052] 实施例一：

[0053] 图1给出了本申请实施例一提供的一种物体形态测量方法的流程图，本实施例中提供的物体形态测量方法可以由物体形态测量设备执行，该物体形态测量设备可以通过软件和/或硬件的方式实现，该物体形态测量设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，该物体形态测量设备可以是计算机、服务器等处理设备。

[0054] 下述以该物体形态测量设备为执行物体形态测量方法的主体为例，进行描述。参照图1，该物体形态测量方法具体包括：

[0055] S110、获取待检测物体的点云数据，基于所述点云数据拟合构建对应所述待检测物体的基准平面。

[0056] 本申请实施例的物体形态检测方法在进行物体形态检测时，以待检测物体的点云数据作为基础数据，基于点云数据进行物体形态的测量。其中，基于获取到的点云数据，使用这些点云数据拟合构建待检测物体的基准平面，后续通过基准平面来比对各个点云数据，基于比对结果度量待检测物体形态的破碎程度或者平整度。

[0057] 可选的，物体形态测量设备可搭载一个扫描器，扫描器用于采集待检测物体的点云数据，将点云数据传输至物体形态测量设备的处理器做进一步处理。扫描器具体可以是三维激光扫描仪、双目深度摄像机等点云数据采集仪器，点云数据采集仪器要求检测精度在1cm以内，以保障检测结果的精准度。例如，三维激光扫描仪利用激光测距的原理，通过记录被测物体表面大量的密集的点的三维坐标，即得到待检测物体的点云数据。

[0058] 基于获取到的点云数据，首先进行点云数据的预处理操作，其中，参照图2，点云数据的预处理流程包括：

[0059] S111、对所述点云数据进行异常检测，确定异常点云数据；

[0060] S112、根据所述点云数据对应扫描器的拍摄边界，从所述点云数据中确定对应所述拍摄边界的边界点云数据；

[0061] S113、将所述异常点云数据和所述边界点云数据筛除。

[0062] 具体的，对于待检测物体表明的每一个点，都可以用三维坐标(x，y，z)进行表示。通过点云数据采集，即可得到对应待检测物体表面各个点的三维坐标。进而对这些三维坐标进行预处理操作。其中，点云数据的预处理包括异常点云数据和边界点云数据的筛除。通过对点云数据进行异常检测确定异常点云数据。在进行异常检测时，判断各个三维坐标是否存在异常值，若某一坐标值超过了设定的坐标阈值，则认为对应三维坐标异常，以此来实现对异常三维坐标的检测，确定异常点云数据。另一方面，对应扫描器的拍摄边界，确定该拍摄边界获取的部分点云数据，将这部分点云数据筛除。扫描器可以预先划定其拍摄边界，以便于后续基于预先划定的拍摄边界确定边界点云数据。可以理解的是，对应扫描器的拍摄边界获取到的点云数据，受相机畸变的影响，导致这部分点云数据存在误差乃至失真的情况。因此，为了最终测量结果的稳定性和精准度，需要将这部分点云数据筛除。最终，通过异常点云数据和边界点云数据的确定及筛除，即可完成点云数据的预处理操作。

[0063] 进一步的，基于获取到的待检测物体的点云数据拟合构建基准平面。基准平面作为对应待检测物体基准零位的平面，可以将基准平面作为检测待检测物体点云波动的指标。可以理解的是，若某一个点云的参数值与基准平面对应点的参数值的差距越大，则其相对于基准平面的点云波动越大。基于这一检测原理，通过比较各个点云数据与基准平面与拟合误差，即可根据拟合误差度量待检测物体的形态，确定待检测物体形态的破碎程度或者平整度。需要说明的是，基于点云数据拟合构建基准平面的方式有很多，本申请实施例对具体的拟合构建方式不做固定限制，在此不多赘述。

[0064] 下述以最小二乘算法为例进行基准平面的拟合构建，具体的，本申请实施例对所述点云数据使用最小二乘算法进行拟合，得到对应所述待检测物体的基准平面。其中，根据预处理后的点云数据，使用最小二乘算法进行平面拟合，拟合的基准平面P表示为：

[0065] P＝(ATA)‑1ATZ

[0066] 其中， P平面的方程可表示为：以此即可得到对应基准平面P的函数公式，完成基准平面的拟合构建。

[0067] S120、将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值。

[0068] 进一步的，根据已构建的基准平面，本申请实施例通过基准平面与各个点云数据进行比对确定拟合误差，以便于后续根据拟合误差进行待检测物体的形态度量。其中，通过将各个点的参数值(即三维坐标)与拟合平面对应点的参数值进行比对，以确定对应的拟合误差。可以理解的是，拟合误差表示对应点与拟合平面之间的波动情况，拟合误差越大，则该点与基准平面的波动越大。

[0069] 具体的，在将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值时，本申请实施例通过将所述点云数据中各个点的高度值与所述基准平面对应点的高度值比对，以高度值差距作为所述点云数据中对应各个点的拟合误差值。通过高度值比对，将各个点三维坐标的“z”值与基准平面对应点的“z”值进行作差，求得对应的拟合误差值。拟合误差值可表示为：

[0070]

[0071] 对应每一个点的点云数据，均基于高度值比对确定对应点与基准平面的拟合误差值，以用于后续根据拟合误差值度量待检测物体的物体形态。

[0072] 进一步的，基于已确定的拟合误差值，本申请实施例逐一将所述各个点的拟合误差值与预设误差阈值进行比对，筛除小于所述误差阈值的点的拟合误差值。具体的，提供拟合误差值的取值公式如下：

[0073]

[0074] 通过预先设定一个大于0的“λ”值，基于该“λ”值，使用上述拟合误差值的取值公式滤除误差较小的点。可以理解的是，若拟合误差值小于“λ”值，则认为这一拟合误差的值偏小，对后续度量待检测物体的形态度量存在影响，为了保障物体形态度量的稳定性，在此将拟合误差偏小的值滤除，以保障最终度量结果的稳定性。

[0075] S130、基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值。

[0076] 之后，基于上述步骤S120确定的各个点的拟合误差值，基于拟合误差值计算待检测物体的形态度量值。由于拟合误差值表示了对应点与拟合平面的波动情况，那么，通过求取所有拟合误差值的均值，得到对应的形态度量值，基于该形态度量值即可确定当前待检测物体表面形态与基准平面整体的波动情况，以此实现对待检测物体的度量。需要说明的是，实际应用中，根据需要考虑的误差情况，可以适应性预设置多种不同的计算公式计算待检测物体的形态度量值。

[0077] 可选的，本申请实施例根据所述各个点的拟合误差值、拟合误差值的数量以及各个点对应的成像畸变误差权重，计算得到所述待检测物体的形态度量值，所述成像畸变误差权重为所述点云数据的扫描器与对应点的距离参数。其中，所述待检测物体的形态度量值基于预设计算公式计算得到，考虑到点云数据扫描器在采集点云数据过程中，存在一定的成像畸变误差。并且，随着目标点与扫描器的距离参数越大，其采集的对应点云数据的成像畸变误差越大。这一成像畸变误差容易导致点云数据的采集存在误差，进而影响拟合误差值的精度。因此，需要消除这一成像畸变误差，则本申请实施例在计算待检测物体形态度量值时，对应各个点的拟合误差值引入相应的成像畸变误差权重，成像畸变误差权重即为扫描器与对应点的距离参数。基于引入的各个点的成像畸变误差权重，所述预设计算公式可表示为：

[0078]

[0079] 其中，ρ表示所述待检测物体的形态度量值，WT＝[d1,d2,...dn]T，dn表示第n个点对T应的所述成像畸变误差权重，E＝[e1,e2,...en] ，en表示第n个点的所述拟合误差值，m表示拟合误差值的数量。

[0080] 基于上述预设计算公式，最终确定待检测物体的形态度量值。可以理解的是，该形态度量值越大，则表示待检测物体与基准平面的波动越大，待检测物体的破碎程度越大。反之，形态度量值越小，则表示待检测物体与基准平面的波动越小，待检测物体的平整度越大。

[0081] 需要说明的是，在实际的物体形态测量过程中，根据物体形态的破碎程度或者平整度需求，通过设置相应的形态度量值阈值，以形态度量值阈值作为判断指标，即可根据形态度量值评价对应待检测物体的物体形态。

[0082] 示例性的，参照图3，以土壤破碎程度检测为例，对本申请实施例的物体形态测量方法进行示例性描述。其中，在农机进行耙地作业时，在农机上配备本申请实施例的物体形态测量设备，使得在耙地作业过程中，同步进行土壤破碎程度的度量。以便于根据对应的形态度量值确定当前土壤破碎程度是否满足耙地作业需求。在进行土壤破碎程度检测时，通过点云数据的扫描器同步对农机翻动后的地表点云数据进行采集。扫描器配置在农机移动平台的后方，跟随农机移动平台一起移动，并自动对农机翻新过的地表点云数据进行采集。

[0083] 进一步的，基于扫描器采集到的点云数据，通过该物体形态测量设备的处理器进行处理，以生成用于度量土壤破碎程度的形态度量值。其中，处理器通过获取地表点云数据，首先对地表点云数据进行预处理，筛除异常点云数据和边界点云数据。进一步基于预处理后的点云数据拟合构建基准平面，根据基准平面与各个点云数据进行比对确定各个点的拟合误差。基于拟合误差、拟合误差值的数量以及各个点对应的成像畸变误差权重，根据上述预设计算公式，即可计算得到反应当前土壤破碎程度的形态度量值。将这一形态度量值输出至物体形态测量设备的输出装置(如显示屏)。以此，农机手在进行耙地作业过程中，即可根据该形态度量值直观的了解到当前耙地的土壤破碎程度，并根据形态度量值判断当前耙地作业是否满足土地的翻新需求。

[0084] 可选的，物体形态测量设备可以预先设置一个对应形态度量值的土壤破碎程度阈值，当检测到当前地表的形态度量值之后，将这一形态度量值比对土壤破碎程度阈值，若形态度量值达到该土壤破碎程度阈值，则表明当前耙地作业满足土地的翻新需求。反之，若形态度量值未达到该土壤破碎程度阈值，则表明当前耙地作业完成不充分，当前土壤破碎程度不满足土地的翻新需求。进一步的，根据上述比对结果，物体形态测量设备可输出相应的提示信息，以提示农机手当前耙地作业的完成情况，实现更高效率、更智能化且更精准的土壤破碎程度检测和耙地作业。

[0085] 在上述实施例的基础上，物体形态测量设备在基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值之后，还包括：

[0086] 使用预设的土地破碎程度与形态度量值的关系模型，对所述待检测物体的形态度量值进行归一化处理，输出对应的土地破碎程度评分。

[0087] 具体的，为了更直观地评价当前耙地作业情况，本申请实施例通过对形态度量值ρ进行归一化处理，得到一个从0～100取值的土地破碎程度评分。基于该土地破碎程度评分，可以更为直观地对当前耙地作业进行评价。可以理解的是，土地破碎程度评分越高，则表明当前耙地作业的完成情况越好，反之，则当前耙地作业的完成情况越差。需要说明的是，实际应用中，形态度量值ρ的归一化处理方式有很多，本申请实施例对具体的归一化方式不做固定限制，在此不多赘述。

[0088] 可选的，所述关系模型公式为：

[0089]

[0090] 其中，k表示所述土地破碎程度评分，a，b和c表示影响参数，所述影响参数根据多组测算样本推算得到，所述测算样本包括物体形态度量值与对应标定的土地破碎程度评分。

[0091] 在构建上述关系模型时，通过人工对不同土壤破碎程度进行评分，作为k值。其中，土壤破碎程度越大，则k值越大，且k的最小值不小于0。另一方面，则通过上述步骤S110～S130对同一片土壤进行地表形态测量，得到对应的形态度量值，以此即可得到对应同一片土壤的土地破碎程度评分和形态度量值，即一组(k，ρ)样本。通过获取大量的(k，ρ)样本数据，结合关系模型公式，采用非线性拟合回归算法即可确定影响参数a，b和c的值，将a，b和c代入上述关系模型公式，即可使用该关系模型公式进行土壤破碎程度评分。

[0092] 可选的，通过预先设置一个土地破碎程度达标分数值(如80分)，当确定当前耙地作业的土地破碎程度评分之后，将这一土地破碎程度评分比对土地破碎程度达标分数值，若土地破碎程度评分达到该土地破碎程度达标分数值，则表明当前耙地作业满足土地的翻新需求。反之，若土地破碎程度评分未达到该土地破碎程度达标分数值，则表明当前耙地作业完成不充分，当前土壤破碎程度不满足土地的翻新需求。同样的，根据上述比对结果，物体形态测量设备可输出相应的提示信息，以提示农机手当天耙地作业的完成情况，实现更高效率、更智能化且更精准的土壤破碎程度检测和耙地作业。

[0093] 在一个实施例中，参照图4，物体形态测量测量设备在确定所述点云数据中对应各个点的拟合误差值之后，还包括：

[0094] S141、将所述各个点的拟合误差值逐一比对预设的标识阈值，所述标识阈值用于标识所述待检测物体上形态异常的点；

[0095] S142、确定拟合误差值达到所述标识阈值的点作为标识点；

[0096] S143、提取所述待检测物体的显示图像，在所述显示图像上确定所述标识点的位置，并对应所述标识点的位置进行高亮显示。

[0097] 可以理解的是，通过将拟合误差值比对预设误差阈值，若拟合误差值大于该标识阈值，则表明当前点为形态异常的点。通过确定这部分形态异常的点，将其作为标识点高亮显示在待检测物体的显示图像上，以此可便于直观地确定待检测物体形态异常的位置。

[0098] 示例性的，在进行耙地作业时，利用该物体形态测量设备将各个点的拟合误差值逐一比对预设的标识阈值。该标识阈值标识对应点的高度值与拟合平面之间的高度差达到了异常标识指标，对应位置的耙地作业完成不充分，无法满足土地的翻新需求。通过逐一将各个拟合误差值比对该标识阈值，确定拟合误差值达到标识阈值的点作为标识点。进一步提取当前地表的显示图像，在显示图像上高亮显示这部分标识点的位置并输出显示。此时农机手基于这一显示图像即可确定标识点的对应位置，根据标识点的分区区域，若某一个区域标识点分布数量较多，则认为该区域耙地作业完成情况较不理想。通过实时确定耙地不完全的区域，方便农机手重新对该区域进行耙地作业，以此来提升耙地作业效率，优化耙地作业的完成效果。

[0099] 可选的，根据实际作业需求，物体形态测量设备还可以根据采集到的点云数据构建三维模型，并对应标识点的位置在三维模型上进行高亮显示。可以理解的是，通过构建三维模型并在三维模型上标识出耙地作业不完全位置，可以更为直观地对耙地作业不完全位置进行高亮标识，更进一步优化耙地作业的完成效果。

[0100] 在另一个实施例中，以道路施工过程中对路面平整度的测量进行描述。其中，对路面进行检测时，通过扫描器采集路面点云数据，基于获取到的点云数据，首先进行预处理操作，筛除异常点云数据和边界点云数据。进而对预处理后的点云数据进行拟合(如采用最小二乘算法)，构建对应路面的基准平面。同样的，将各个点云数据的参数值与基准平面对应点的参数值进行比对，进而确定各个点的拟合误差。基于计算得到的拟合误差，结合拟合误差的数量以及各个点的成像畸变误差权重，使用上述预设计算公式最终计算得到度量当前路面平整度的形态度量值。由于形态度量值越小，则表示待检测物体与基准平面的波动越小，待检测物体的平整度越大。则根据实际需要，通过设置一个最小形态度量值，当检测到的形态度量值小于这一最小形态度量值时，则表明当前路面施工作业完成度较好，路面平整度满足预期的需求。反之，则表明路面平整度不满足预期的需求。通过路面平整度的测算，即可准确、直观地对当前路面施工作业的完成情况进行评价，以此来优化路面施工效果，提升路面施工效率。需要说明是，本申请实施例的物体形态测量方法还可以应用在水土检测、产品表面检测等场景中，本申请实施例对具体的使用场景不做固定限制，在此不多赘述。

[0101] 上述，通过获取待检测物体的点云数据，基于点云数据拟合构建对应待检测物体的基准平面；将点云数据中各个点的参数值与基准平面对应点的参数值比对，确定点云数据中对应各个点的拟合误差值；基于各个点的拟合误差值计算得到待检测物体的形态度量值。采用上述技术手段，通过拟合构建基准平面，根据基准平面比对待检测物体各个点云以计算待检测物体的形态度量值，通过形态度量值以精准反映待检测物体的形态，提升物体形态的检测效率和检测精度。

[0102] 此外，本方案基于形态度量值进行土地破碎程度评分，可以直观地反映耙地作业的土地破碎程度，提升耙地作业效率并优化耙地作业效果。另一方面，通过对待检测物体的形态异常标识点进行高亮显示，可以直观、准确地输出形态异常位置，更进一步优化物体形态测量效果。

[0103] 实施例二：

[0104] 在上述实施例的基础上，图5为本申请实施例二提供的一种物体形态测量装置的结构示意图。参考图5，本实施例提供的物体形态测量装置具体包括：拟合模块21、比对模块22和度量模块23。

[0105] 其中，拟合模块21用于获取待检测物体的点云数据，基于所述点云数据拟合构建对应所述待检测物体的基准平面；

[0106] 比对模块22用于将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值；

[0107] 度量模块23用于基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值。

[0108] 具体的，拟合模块21还包括：

[0109] 预处理单元，用于对所述点云数据进行异常检测，确定异常点云数据；根据所述点云数据对应扫描器的拍摄边界，从所述点云数据中确定对应所述拍摄边界的边界点云数据；将所述异常点云数据和所述边界点云数据筛除。

[0110] 拟合单元，用于对所述点云数据使用最小二乘算法进行拟合，得到对应所述待检测物体的基准平面。

[0111] 比对模块22包括：

[0112] 第一比对单元，用于将所述点云数据中各个点的高度值与所述基准平面对应点的高度值比对，以高度值差距作为所述点云数据中对应各个点的拟合误差值。

[0113] 第二比对单元，用于逐一将所述各个点的拟合误差值与预设误差阈值进行比对，筛除小于所述误差阈值的点的拟合误差值。

[0114] 度量模块23包括：

[0115] 计算单元，用于根据所述各个点的拟合误差值、拟合误差值的数量以及各个点对应的成像畸变误差权重，计算得到所述待检测物体的形态度量值，所述成像畸变误差权重为所述点云数据的扫描器与对应点的距离参数。其中，所述待检测物体的形态度量值基于预设计算公式计算得到。

[0116] 所述预设计算公式为：

[0117]

[0118] 其中，ρ表示所述待检测物体的形态度量值，WT＝[d1,d2,...dn]T，dn表示第n个点对T应的所述成像畸变误差权重，E＝[e1,e2,...en] ，en表示第n个点的所述拟合误差值，m表示拟合误差值的数量。

[0119] 评分单元，用于使用预设的土地破碎程度与形态度量值的关系模型，对所述待检测物体的形态度量值进行归一化处理，输出对应的土地破碎程度评分。

[0120] 所述关系模型公式为：

[0121]

[0122] 其中，k表示所述土地破碎程度评分，a，b和c表示影响参数，所述影响参数根据多组测算样本推算得到，所述测算样本包括物体形态度量值与对应标定的土地破碎程度评分。

[0123] 具体的，所述物体形态测量装置还包括：

[0124] 标识模块，用于将所述各个点的拟合误差值逐一比对预设的标识阈值，所述标识阈值用于标识所述待检测物体上形态异常的点；确定拟合误差值达到所述标识阈值的点作为标识点；提取所述待检测物体的显示图像，在所述显示图像上确定所述标识点的位置，并对应所述标识点的位置进行高亮显示。

[0125] 上述，通过获取待检测物体的点云数据，基于点云数据拟合构建对应待检测物体的基准平面；将点云数据中各个点的参数值与基准平面对应点的参数值比对，确定点云数据中对应各个点的拟合误差值；基于各个点的拟合误差值计算得到待检测物体的形态度量值。采用上述技术手段，通过拟合构建基准平面，根据基准平面比对待检测物体各个点云以计算待检测物体的形态度量值，通过形态度量值以精准反映待检测物体的形态，提升物体形态的检测效率和检测精度。

[0126] 此外，本方案基于形态度量值进行土地破碎程度评分，可以直观地反映耙地作业的土地破碎程度，提升耙地作业效率并优化耙地作业效果。另一方面，通过对待检测物体的形态异常标识点进行高亮显示，可以直观、准确地输出形态异常位置，更进一步优化物体形态测量效果。

[0127] 本申请实施例二提供的物体形态测量装置可以用于执行上述实施例一提供的物体形态测量方法，具备相应的功能和有益效果。

[0128] 实施例三：

[0129] 本申请实施例三提供了一种物体形态测量设备，参照图6，该物体形态测量设备包括：处理器31、存储器32、通信模块33、扫描器34、输入装置35及输出装置36。该物体形态测量设备中处理器的数量可以是一个或者多个，该物体形态测量设备中的存储器的数量可以是一个或者多个。该物体形态测量设备的处理器、存储器、通信模块、扫描器、输入装置及输出装置可以通过总线或者其他方式连接。

[0130] 存储器32作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的物体形态测量方法对应的程序指令/模块(例如，物体形态测量装置中的拟合模块、比对模块和度量模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0131] 通信模块33用于进行数据传输。

[0132] 扫描器34用于采集待检测物体的点云数据。

[0133] 处理器31通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的物体形态测量方法。

[0134] 输入装置35可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置36可包括显示屏等显示设备。

[0135] 上述提供的物体形态测量设备可用于执行上述实施例一提供的物体形态测量方法，具备相应的功能和有益效果。

[0136] 实施例四：

[0137] 本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种物体形态测量方法，该物体形态测量方法包括：获取待检测物体的点云数据，基于所述点云数据拟合构建对应所述待检测物体的基准平面；将所述点云数据中各个点的参数值与所述基准平面对应点的参数值比对，确定所述点云数据中对应各个点的拟合误差值；基于所述各个点的拟合误差值计算得到所述待检测物体的形态度量值。

[0138] 存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD‑ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

[0139] 当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的物体形态测量方法，还可以执行本申请任意实施例所提供的物体形态测量方法中的相关操作。

[0140] 上述实施例中提供的物体形态测量装置、存储介质及物体形态测量设备可执行本申请任意实施例所提供的物体形态测量方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的物体形态测量方法。

[0141] 上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。