張智泓，李 瑩，王 蒙，佟 金，賴慶輝，高旭航，STEPHEN Carr

（1.昆明理工大學(xué)現(xiàn)代農(nóng)業(yè)工程學(xué)院，云南昆明650500；2.美國農(nóng)業(yè)部農(nóng)業(yè)應(yīng)用技術(shù)研究中心，俄亥俄州伍斯特44691；3.昆明理工大學(xué)信息工程與自動化學(xué)院，云南昆明650500；4.吉林大學(xué)工程仿生教育部重點實驗室，吉林長春130025；5.國際田間水土資源可持續(xù)利用公司，印第安納州塞勒姆47167）

面向工程仿生的介觀尺度動物肢體量化分析方法

張智泓1，2，李 瑩1，王 蒙3，佟 金4，賴慶輝1，高旭航1，STEPHEN Carr5

（1.昆明理工大學(xué)現(xiàn)代農(nóng)業(yè)工程學(xué)院，云南昆明650500；2.美國農(nóng)業(yè)部農(nóng)業(yè)應(yīng)用技術(shù)研究中心，俄亥俄州伍斯特44691；3.昆明理工大學(xué)信息工程與自動化學(xué)院，云南昆明650500；4.吉林大學(xué)工程仿生教育部重點實驗室，吉林長春130025；5.國際田間水土資源可持續(xù)利用公司，印第安納州塞勒姆47167）

為了量化分析介觀尺度（0.1～1.0 mm）動物肢體的幾何結(jié)構(gòu)特征，使用計算機視覺技術(shù)代替人的視覺鑒別過程，本研究將具有介觀尺度幾何特征的典型臭蜣螂（Copris ochusMotschulsky）前足脛節(jié)端齒選為研究對象，提出了一種量化分析方法.該方法使用數(shù)碼體視顯微鏡獲取數(shù)字圖像，使用軟件Matlab作為程序的設(shè)計平臺，設(shè)計程序排除數(shù)字圖像中的干擾和噪聲，并從圖像中識別、檢測，提取出臭蜣螂前足脛節(jié)端齒的外緣輪廓二維點云，以量化分析動物肢體的幾何特征，最后驗證該方法的準(zhǔn)確性和可重復(fù)性.對于669×727像素的體視顯微鏡數(shù)字圖像，對端齒外緣輪廓進(jìn)行提取后，可獲得約1 500外緣輪廓點，而且在灰度直方圖示出的范圍內(nèi)選擇不同的閾值沒有明顯改變曲線擬合的結(jié)果，證實了相對于傳統(tǒng)方法，數(shù)字圖像處理和計算機視覺分析方法能夠準(zhǔn)確有效地反映臭蜣螂的前足脛節(jié)端齒的外緣輪廓幾何特征.

臭蜣螂；仿生幾何結(jié)構(gòu)；逆向工程；邊緣檢測；圖像處理

在農(nóng)業(yè)工程仿生領(lǐng)域，向自然界中具有高效掘土能力的土壤洞穴動物學(xué)習(xí)，借鑒其挖掘肢體的幾何結(jié)構(gòu)特征，用于農(nóng)機具觸土部件的優(yōu)化設(shè)計，是農(nóng)機具觸土部件節(jié)能減阻的重要技術(shù)手段［1－4］.在幾何結(jié)構(gòu)從自然界向工程應(yīng)用轉(zhuǎn)化的過程中，逆向工程技術(shù)是該環(huán)節(jié)的主要方法，而其中定量獲取生物體結(jié)構(gòu)的信息是工程仿生研究的關(guān)鍵環(huán)節(jié)，借助于逆向工程技術(shù)，可量化分析仿生對象的幾何結(jié)構(gòu)、揭示仿生對象的幾何特征、探索仿生對象與外界的作用機理.在確定仿生目標(biāo)之后，利用逆向工程技術(shù)研究來揭示生物體幾何特性，步驟和關(guān)鍵技術(shù)可歸納如下［5］：①制作作為仿生目標(biāo)的動物肢體試驗樣品；②獲取具有動物肢體幾何結(jié)構(gòu)信息的點云；③量化分析動物肢體的幾何特征；④ 在計算機中重構(gòu)動物肢體模型并對重構(gòu)誤差分析和計算.

在揭示生物體幾何特性的過程中，獲得動物肢體的點云是關(guān)鍵，因為只有準(zhǔn)確、高效地獲取動物肢體點云，才能有效地完成后續(xù)的幾何特征量化分析和模型重構(gòu).對于一些體型較小的具有高效掘土能力的土壤洞穴動物，其挖掘肢體的幾何結(jié)構(gòu)特征尺寸微小，屬于介觀尺度（0.1～1.0 mm），比如臭蜣螂（CoprisochusMotschulsky）的前足脛節(jié)、螻蛄（Gry llotalpa orientalisBurmeister）的爪趾和口器、小家鼠（Musmusculus）爪趾等，上述肢體幾何結(jié)構(gòu)具有極為優(yōu)異的性能，能為解決工程領(lǐng)域中的問題提供極具價值的信息，量化分析這些幾何結(jié)構(gòu)特征具有重要意義.但是由于這些動物肢體的幾何結(jié)構(gòu)特征尺寸微小，屬于介觀尺度，使用激光掃描的方法獲取這些微小的動物肢體點云時，由于激光掃描儀精度有限，僅能達(dá)到0.1 mm左右精度，有用的幾何結(jié)構(gòu)特征信息常淹沒于噪點中而無法辨識，所以難以準(zhǔn)確地量化分析這些幾何結(jié)構(gòu)特征.

在諸多技術(shù)領(lǐng)域，計算機成功被用于量化分析幾何特征，代替了人工繁瑣的操作，在提高了量化分析準(zhǔn)確度的同時，縮短了測量時間.在生物醫(yī)學(xué)領(lǐng)域，計算機視覺技術(shù)被用于量化分析生物體內(nèi)聚合物網(wǎng)狀體的顯微結(jié)構(gòu)特征［6］、量化分析血管壁封閉輪廓邊緣的幾何特征［7］、對細(xì)胞外緣輪廓進(jìn)行檢測與分割［8］；在農(nóng)業(yè)領(lǐng)域計算機視覺技術(shù)應(yīng)用于代替人眼對稻谷進(jìn)行品種識別［9］、大米粒形識別［10］、果樹害蟲的形態(tài)特征分析［11］、雞蛋表面污斑的無損檢測［12］、蘋果果梗和缺陷的識別［13］；在工業(yè)領(lǐng)域計算機視覺技術(shù)應(yīng)用于錐螺紋的檢測［14］、檢測汽車車輪定位參數(shù)［15］、高頻焊管錯邊缺陷的特征提?。?6］、輪胎接地印痕幾何量提取和測量［17］.所以計算機視覺技術(shù)在幾何特征量化分析方面，在不同領(lǐng)域均均有大量的成功實踐經(jīng)驗，能為介觀尺度動物肢體的量化分析提供方法上的啟示和參考.

本研究將具有介觀尺度幾何特征的臭蜣螂前足脛節(jié)端齒選為研究對象，嘗試使用計算機視覺技術(shù)提取其外緣輪廓.使用軟件Matlab 2010作為程序的設(shè)計平臺，設(shè)計程序排除數(shù)字圖像中的干擾和噪聲，并從圖像中識別檢測出動物肢體的外緣輪廓，以量化分析動物肢體的幾何特征.最后驗證該方法的準(zhǔn)確性和可重復(fù)性.

1 原理與方法

1.1 仿生對象樣品制備

臭蜣螂前足作為挖掘足，其脛節(jié)外緣輪廓具有鋸齒狀結(jié)構(gòu)，使其能在土壤內(nèi)有效地挖掘洞穴.臭蜣螂的前足在挖掘土壤的過程中，脛節(jié)上的端齒是直接與土壤接觸的部位，其外緣輪廓為一特殊曲線.因此，對臭蜣螂前足脛節(jié)端齒的外緣輪廓進(jìn)行提取，建立相應(yīng)的數(shù)學(xué)模型，并對其曲率、二階導(dǎo)數(shù)進(jìn)行分析，揭示其幾何結(jié)構(gòu)特征.

使用體視顯微鏡拍攝臭蜣螂前足脛節(jié)圖像，如圖1所示，臭蜣螂整個前足脛節(jié)長5.07 mm，前腿端齒的高度約1 mm，寬度約0.5 mm，其幾何特征屬于介觀尺度.

圖1 臭蜣螂前足脛節(jié)及其端齒

對所研究的臭蜣螂前足脛節(jié)端齒單獨使用體視顯微鏡拍攝圖像，確保待分析的端齒的外邊緣的曲線位于體視顯微鏡圖像的中間部位.圖2顯示出了被輸入到Matlab程序的圖像，該圖像的尺寸大小為669×727像素.

圖2 用于幾何結(jié)構(gòu)量化分析的前足脛節(jié)端齒

1.2 形態(tài)學(xué)數(shù)字圖像處理

在數(shù)字圖像處理中，將數(shù)學(xué)形態(tài)學(xué)作為工具，從圖像中提取用于表達(dá)和描繪區(qū)域形狀的圖像邊界分量等［18］.數(shù)字圖像可由一個二維函數(shù)f（x，y）定義，其中x和y是平面坐標(biāo)，而在任何一對平面坐標(biāo)（x，y）上的幅值f稱為該點圖像的強度或灰度.當(dāng)x，y和幅值f為有限的、離散的數(shù)值時，稱該圖像為數(shù)字圖像，所以數(shù)字圖像是由有限的元素組成，每一個元素有一個特定的位置和幅值，這些元素稱為圖像元素或像素［19－22］.

計算機視覺和數(shù)字圖像處理中的邊緣檢測功能可以用于圖像分割、特征提取，或識別在場景中的物體［23－24］.然而，基于邊緣檢測的圖像分割仍然是當(dāng)前計算機視覺和數(shù)字圖像處理研究中的難題，這是由于邊緣和物體間的邊界并不等同，邊緣指的是圖像中像素的值有突變的地方，而邊界指的是現(xiàn)實場景中存在于物體之間的邊界，有可能有邊緣的地方并非邊界，也可能有邊界的地方并無邊緣，另外，成像過程中的光照和圖像噪聲也會對邊緣檢測的質(zhì)量造成影響.

所以，從動物肢體的數(shù)字圖像中識別并分割外緣輪廓仍是一項復(fù)雜的工作，因為動物肢體的數(shù)字圖像會顯示出動物肢體表面紋理，如細(xì)微的凸包、凹坑、棱紋、斑點等［25］，這些紋理特征對精確檢測動物肢體的外緣輪廓造成不利的干擾和噪聲，因而對從動物肢體的數(shù)字圖像中識別并分割動物肢體的外緣曲線造成很大障礙［26］.若直接從未經(jīng)處理的數(shù)字圖像中提取外緣輪廓，由于無法去除干擾而使得過多的不相關(guān)的幾何特征被捕獲，為圖像的后續(xù)處理帶來困難，最終難以量化分析所專注的動物肢體幾何特征，因此，首先需要通過形態(tài)學(xué)圖像處理的技術(shù)對數(shù)字圖像進(jìn)行預(yù)處理.

1.2.1 將RGB圖像轉(zhuǎn)化為灰度圖像

將RGB（紅，綠，藍(lán)）圖像轉(zhuǎn)化為灰度圖像是在保持圖像亮度的同時，通過消除圖像色調(diào)和飽和度的信息，將圖像轉(zhuǎn)換為灰度圖像.利用Matlab的“rgb2gray”命令通過形成R，G和B各個分量的加權(quán)和來轉(zhuǎn)換RGB值的灰度值，加權(quán)的計算公式：0.298 9R＋0.587 0G＋0.114 0B［18］.RGB圖像轉(zhuǎn)化為灰度圖像的操作中，將彩色圖像作為輸入，轉(zhuǎn)換后的灰度圖像作為輸出.

1.2.2 圖像的膨脹和腐蝕

膨脹的基本應(yīng)用之一是將圖像中不連續(xù)的區(qū)域橋接起來，腐蝕的基本用途是從二值圖像中根據(jù)尺寸消除不相關(guān)的細(xì)節(jié).先膨脹然后腐蝕被命名為圖像封閉運算，用于填補圖像中的孔洞，連接相鄰的對象和平滑的邊界及區(qū)域［18］.

其中Df和Db分別是f和b的定義域.平移參數(shù)（s－x）和（t－y）須在f的定義域內(nèi)，同時x和y須在b的定義域內(nèi).在每個結(jié)構(gòu)元素的位置上，膨脹值是在跨度為b的區(qū)間內(nèi)f與b之和的最大值.

Matlab函數(shù)“IM2＝imdilate（IM，SE）”對灰度圖像“IM”進(jìn)行膨脹，膨脹操作完成后返回膨脹后的圖像“IM2”.其中參量“SE”是一個結(jié)構(gòu)元素，經(jīng)由函數(shù)“strel”進(jìn)行操作.

Matlab中的函數(shù)“SE＝strel（shape，parame ters）”創(chuàng)建了一個結(jié)構(gòu)元素“SE”，該結(jié)構(gòu)元素可設(shè)置成不同形狀.本研究工作通過函數(shù)“SE＝strel（′disk′，R）”創(chuàng)建了一個扁平的圓盤狀結(jié)構(gòu)元素，其中R代表結(jié)構(gòu)元素的半徑.如圖3所示為一個半徑為3像素的結(jié)構(gòu)元素，本研究采用半徑為7像素的圓盤結(jié)構(gòu)元素.

圖3 Disk結(jié)構(gòu)元素

2）圖像的腐蝕.灰度腐蝕，表示為fΘb，定義為

其中Df和Db分別是f和b的定義域.平移參數(shù)（s＋x）和（t＋y）須在f的定義域內(nèi)，并且x和y須在b的定義域內(nèi)，這與腐蝕的二值定義中的條件，即結(jié)構(gòu)元素必須完全包括在被腐蝕的集合內(nèi)相似.（2）式說明了腐蝕操作是以在結(jié)構(gòu)元素形狀定義的區(qū)間中選取f（b）最小值為基礎(chǔ).

本研究通過函數(shù)“IM2＝imdilate（IM，SE）”對灰度圖像“IM”進(jìn)行腐蝕，腐蝕操作完成后返回腐蝕后的圖像“IM2”，其中參量“SE”是一個半徑為7像素的圓盤結(jié)構(gòu)元素.

1.3 基于閾值分割識別邊緣

直方圖作用是提供圖像統(tǒng)計資料，為圖像分割提供參數(shù)依據(jù).灰度級為［0，L－1］范圍的數(shù)字圖像的直方圖是離散函數(shù)，可表達(dá)為h（rk）＝nk，其中rk是第k級灰度，是圖像中灰度級為rk的像素個數(shù).常用n表示圖像中像素的總數(shù)，并用每一個nk的值除以n得到量綱一化的直方圖.

因此，一個量綱一化的直方圖由P（rk）＝nk／n給出，式中k＝0,1,…,L- 1.P（rk）給出了灰度級為rk發(fā)生的概率估計值，量綱一化的直方圖其所有部分之和應(yīng)等于1.每一個直方圖曲線的水平軸對應(yīng)灰度級值rk，縱軸對應(yīng)于h（rk）＝nk的值或量綱一化后為P（rk）＝nk／n的值.在暗色圖像中直方圖的組成成分集中在灰度級低，即較暗的一側(cè)，類似地，較明亮圖像的直方圖則位于灰度級高的一側(cè).

函數(shù)“BW＝im2bw（I，level）”將灰度圖像“I”轉(zhuǎn)換為二值圖像，所輸出的圖像“BW”將替換輸入圖像中所有的像素，亮度大于閾值的像素被替換為值為“1”的白色像素，將其他像素替換為值為“0”的黑色像素［18］.

本研究中閾值設(shè)定的方法使用直方圖分析法，圖4所示為臭蜣螂前足脛節(jié)端齒圖像的灰度直方圖，該圖像灰度級的直方圖具有明顯的雙峰特性，左邊峰屬于動物肢體的圖像區(qū)域，而右邊峰屬于背景.取決于動物肢體和背景在圖像中不同的位置和比例，左右側(cè)峰位置可以平移、峰值大小可變化.在提取動物肢體外緣輪廓的操作中，閾值的設(shè)置值的最佳范圍是左峰和右峰值中間的波谷區(qū)域.合理的閾值設(shè)置可為動物肢體外緣輪廓的成功提取提供有效保障.

圖4 臭蜣螂前足脛節(jié)端齒圖像的灰度直方圖

本研究使用函數(shù)“BW＝edge（I）”將二值圖像“I”作為輸入，返回尺寸與“I”相同的二值圖像“BW”，在圖像“I”中，edge函數(shù)所將所找到的圖像邊緣值設(shè)為“1”，將圖像中其他位置的值設(shè)為“0”.

2 結(jié)果與討論

2.1 形態(tài)學(xué)數(shù)字圖像處理結(jié)果

基于Matlab軟件設(shè)計了計算機程序，用于提取介觀尺度動物肢體外緣輪廓的二維點云，其流程如圖5所示.

圖5 獲取動物肢體外緣輪廓二維點云的流程圖

步驟可以總結(jié)為獲取仿生研究對象的體視顯微鏡數(shù)字圖像，將數(shù)字圖像做噪點降低和干擾減小的處理，然后設(shè)定閾值并檢測動物肢體的外緣輪廓點，最后將各點的x和y的坐標(biāo)數(shù)據(jù)儲存到計算機數(shù)據(jù)庫. 圖像處理過程如圖6所示.

圖6 前足脛節(jié)端齒的圖像處理過程

圖6a為將RGB彩色圖像轉(zhuǎn)換為灰度圖像，在此操作后，圖像的明暗變化得以保留，而圖像色彩被過濾；圖6b為膨脹操作后的圖像，圖6c為腐蝕操作后的圖像，在完成先膨脹然后腐蝕的閉運算操作后，圖像中的干擾點得以消除，為邊緣的檢測和提取創(chuàng)造了有利的條件；最后參考灰度直方圖設(shè)定最佳閾值以分割圖像，結(jié)果如圖6d所示.

2.2 外緣輪廓檢測結(jié)果

為了確定最佳閾值的可調(diào)范圍，在灰度直方圖的2個波峰間分別取閾值150，160，170，180，190，200，210，220，230和240，外緣輪廓檢測結(jié)果如圖7所示.由圖7可知，閾值設(shè)定在160和230之間，所提取的外緣輪廓清晰銳利，若閾值的設(shè)定低于160，在圖像中會出現(xiàn)無效和干擾點，同樣閾值高于230時，不相關(guān)的動物肢體細(xì)節(jié)被誤識別為肢體邊緣，且外緣輪廓出現(xiàn)間斷.所以灰度直方圖的灰度曲線2個波峰之間的閾值160至230適合用于分割圖像并識別和檢測圖像邊緣，從而準(zhǔn)確提取動物肢體的外緣輪廓.

圖7 不同閾值所提取的外緣輪廓

2.3 外緣輪廓曲線擬合結(jié)果

曲線擬合過程中，只有準(zhǔn)確地獲取多項式函數(shù)中各項的系數(shù)值，才能進(jìn)一步分析曲線二階導(dǎo)數(shù)與曲率的變化趨勢.因此，擬合曲線應(yīng)適當(dāng)選擇多項式函數(shù)的階數(shù)，同時，對于不同閾值的設(shè)定條件下，多項式的擬合結(jié)果的各階項結(jié)果系數(shù)的值應(yīng)該有較小的變化范圍，以確保擬合方程和擬合曲線的準(zhǔn)確及穩(wěn)定.

在本研究中，經(jīng)反復(fù)嘗試和比較，確定9階多項式函數(shù)不僅能獲得較好的擬合結(jié)果，而且曲線形狀穩(wěn)定，因此選用9階多項式來擬合所提取的外緣輪廓點云，9階多項式為

式中P1到P10是9階多項式函數(shù)的各階項系數(shù).

為比較在不同閾值下曲線擬合結(jié)果的穩(wěn)定性，對根據(jù)不同的閾值所提取外緣輪廓點云進(jìn)行擬合，擬合后多項式系數(shù)及擬合度評價參數(shù)結(jié)果如表1所示.

從表可知，在每一個閾值，擬合后曲線的擬合度評價參數(shù)R2均接近1，表示擬合結(jié)果可靠.另外需要指出的是，點云中需要包含數(shù)量足夠多的點才能實現(xiàn)精確的擬合，使用計算機視覺分析的方法，在每一個閾值用于擬合曲線的輪廓點的數(shù)量均超過1 500個，遠(yuǎn)多于傳統(tǒng)的方法所能獲取點的數(shù)量（≤80個），為復(fù)雜曲線的準(zhǔn)確擬合提供了有效保證.

表1 前足脛節(jié)端齒在不同閾值下的曲線擬合系數(shù)

為了評價計算機視覺分析方法的可靠性和可重復(fù)性，對不同的閾值下P1到P10系數(shù)的平均值和標(biāo)準(zhǔn)偏差進(jìn)行了計算，如表2所示，由表可見在不同閾值下所求解得到的擬合方程系數(shù)值變化較小，說明在灰度直方圖兩波峰之間范圍內(nèi)選擇不同的閾值沒有顯著改變曲線擬合的結(jié)果，這表明該方法具有較好的可重復(fù)性.

表2 外緣輪廓曲線擬合系數(shù)的平均值及標(biāo)準(zhǔn)差

獲得外緣輪廓曲線方程后，可進(jìn)一步完成具體的幾何特征量化分析操作，如對二階導(dǎo)數(shù)和曲率進(jìn)行計算，如圖8所示.

圖8 前足脛節(jié)端齒的曲線擬合及殘差分析

由圖8a可知，閾值設(shè)定為180時擬合的曲線與原始曲線能較好重合，為了觀察擬合曲線在不同位置處與原始點云的誤差，對所擬合的曲線進(jìn)行殘差分析，由圖8b可觀察到擬合后的曲線除了在橫軸最右端擬合精度較低外，在其余區(qū)域都具有較好的準(zhǔn)確度.

2.4 二階導(dǎo)數(shù)及曲率分析

為初步分析擬合曲線的幾何特性，根據(jù)擬合曲線方程，由二階導(dǎo)數(shù)的定義和曲線的曲率計算公式，在Matlab軟件中編寫程序，由下式計算出每條輪廓曲線的二階導(dǎo)數(shù)和曲率：

將擬合曲線的曲率值和二階導(dǎo)數(shù)值繪制成曲線，結(jié)果如圖9所示.

對圖9a分析表明，臭蜣螂前足脛節(jié)端齒外緣輪廓曲線的二階導(dǎo)數(shù)曲線僅在20～100像素區(qū)間二階導(dǎo)數(shù)為正值，0～20像素范圍內(nèi)以及其后的200～ 667像素區(qū)間二階導(dǎo)數(shù)均小于0，說明臭蜣螂前足脛節(jié)端齒外緣輪廓曲線凸凹性交替變化，其中僅有小段曲線區(qū)間為凸曲線，其余大部分曲線均為凹曲線.由圖9b可見，輪廓曲線的曲率在250像素位置處出現(xiàn)峰值，表明該位置處有較明顯的彎曲，在之前和之后的位置曲率變化不大.

圖9 前足脛節(jié)端齒二階導(dǎo)數(shù)及曲率計算結(jié)果

3 結(jié) 論

1）量化分析臭蜣螂前足脛節(jié)端齒外緣輪廓幾何結(jié)構(gòu)特征的過程可歸納為首先獲得端齒體視顯微鏡圖像；然后使用形態(tài)學(xué)對端齒圖像進(jìn)行處理，以減少其中無關(guān)細(xì)節(jié)的干擾；其次獲得體視顯微鏡圖像的灰度直方圖，該灰度直方圖具有雙峰特性，根據(jù)2個波峰之間橫軸的數(shù)值對閾值進(jìn)行設(shè)定；再次基于閾值分割圖像背景及端齒；最后檢測端齒的外緣輪廓點，并將外緣輪廓點的x和y坐標(biāo)存儲在計算機中.

2）對圖像完成先膨脹然后腐蝕的閉運算操作后，圖像中的干擾點消除，為體視顯微鏡圖像中動物肢體與背景的分割創(chuàng)造了有利條件；圖像分割的過程中，灰度直方圖為閾值的設(shè)定提供了有效的參考，在圖像灰度直方圖的兩個波峰間取不同的閾值，所提取的外緣輪廓清晰銳利，為邊緣的檢測和提取提供了有效保障.充足的輪廓點是對曲線進(jìn)行準(zhǔn)確有效擬合的前提，對于669×727像素的體視顯微鏡數(shù)字圖像，對端齒外緣輪廓進(jìn)行提取后，可獲得約1 500外緣輪廓點，遠(yuǎn)多于傳統(tǒng)方法所能獲取的外緣輪廓點數(shù)量.

3）對外緣輪廓點云進(jìn)行擬合的過程中，發(fā)現(xiàn)在灰度直方圖的2個波峰間取閾值，不同閾值下所求解得到的擬合方程系數(shù)值變化較小，說明在灰度直方圖示出的范圍內(nèi)選擇不同的閾值沒有顯著改變曲線擬合的結(jié)果，曲線擬合的結(jié)果穩(wěn)定.

（References）

［1］ TONG J，ZHANG Z H，MA Y H，et al.Abrasive wear of embossed surfaces with convex domes［J］.Wear，2012，274：196－202.

［2］ REN LQ，TONG J，LI JQ，et al.SW soil and water：soil adhesion and biomimetics of soil engaging compo nents：a review［J］.Journal of Agricultural Engineering Research，2001，79（3）：239－263.

［3］ ZHANG Z H，TONG J，CHEN D H，et al.Bionically inspired serrated structure for improving efficiency ofmi cro topography preparation［J］.IAEJ，2015，24（4）：11－23.

［4］ TONG J，MOAYAD B Z，REN LQ，etal.Biomimetics in soft terrainmachines：a review［J］.International Ag ricultural Engineering，2004，13（1）：71－86.

［5］ LISW，TONG J，ZHANG S J，et al.Reverse Engi neering and Engineering Bionics［J］.Transactions of the Chinese Society for Agricultural Machinery，2004，35（3）：109－112

［6］ SHAH SA，SANTAGO P，RUBIN B K，et al.Quanti fication of biopolymer filament structure［J］.Ultrami croscopy，2005，104（3／4）：244－254.

［7］ YUAN C，LIN E，MILLARD J，et al.Closed contour edge detection of blood vessel lumen and outer wall boundaries in black blood MR images［J］.Magnetic Resonance Imaging，1999，17（2）：257－266.

［8］ ANORAGANINGRUM D.Cell segmentation with me dian filter and mathematicalmorphology operation［C］∥Proceedings of the Image Analysis and Processing，1999：1043－1046.

［9］ 黃星奕，李劍，姜松.基于計算機視覺的稻谷品種識別技術(shù)的研究［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2004，25（2）：102－104.HUANG X Y，LIJ，JIANG S.Study on identification of rice varieties using computer vision［J］.Journal of Jiang su University（Natural Science Edition），2004，25（2）：102－104.（in Chinese）

［10］ 萬鵬，孫瑜，孫永海.基于計算機視覺的大米粒形識別方法［J］.吉林大學(xué)學(xué)報（工學(xué)版），2008，38（2）：489－492.WAN P，SUN Y，SUN Y H.Recognitionmethod of rice kernel shape based on computer vision［J］.Journal of Jilin University（Engineering and Technology Edition），2008，38（2）：489－492.（in Chinese）

［11］ 楊焱，劉颯，廉世彬，等.基于計算機視覺的果樹害蟲的形態(tài)特征分析［J］.吉林大學(xué)學(xué)報（工學(xué)版），2013，43（S1）：235－238.YANG Y，LIU S，LIAN SB，et al.Analysis of fruit tree pests morphological characteristics based on computer vision［J］.Journal of Jilin University（Engineering and Technology Edition），2013，43（S1）：235－238.（in Chinese）

［12］ 屠康，潘磊慶，楊佳麗，等.基于計算機視覺的雞蛋污斑檢測［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2007，28（3）：189－192.TU K，PAN L Q，YANG J L，et al.Dirt detection on brown eggs based on computer vision［J］.Journal of Jiangsu University（Natural Science Edition），2007，28（3）：189－192.（in Chinese）

［13］ 黃星奕，林建榮，趙杰文.蘋果果梗和缺陷的識別技術(shù)研究［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2004，25（3）：193－195.HUANG X Y，LIN J R，ZHAO J W.Identification technique for stem end and blemish in apples［J］.Jour nal of Jiangsu University（Natural Science Edition），2004，25（3）：193－195.（in Chinese）

［14］ 宋志剛，王龍山，陳向偉.利用數(shù)字圖像處理技術(shù)檢測錐螺紋［J］.吉林大學(xué)學(xué)報（工學(xué)版），2004，34（2）：248－251.SONG ZG，WANG L S，CHEN XW.Detection of coni cal thread with digital image processing technology［J］.Journal of Jilin University（Engineering and Technology Edition），2004，34（2）：248－251.（in Chinese）

［15］ 張立斌，蘇建，田云鋒.利用計算機視覺檢測汽車車輪定位參數(shù)［J］.吉林大學(xué)學(xué)報（工學(xué)版），2003，33（2）：32－34.ZHANG L B，SU J，TIAN Y F.Study on testing auto mobile alignment based on computer vision［J］.Journal of Jilin University（Engineering and Technology Edi tion），2003，33（2）：32－34.（in Chinese）

［16］ 何世權(quán)，肖宏，樊丁，等.高頻焊管錯邊缺陷的圖像處理及特征提?。跩］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2012，33（4）：449－452.HE SQ，XIAO H，F(xiàn)AN D，et al.Image processing and feature extracting ofwelding seam misalignment for high frequency welded pipe［J］.Journal of Jiangsu University（Natural Science Edition），2012，33（4）：449－452.（in Chinese）

［17］ 王國林，殷，梁晨.圖像處理技術(shù)在輪胎接地幾何特征測量中的應(yīng)用［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2017，38（2）：139－143.WANG G L，YIN M，LIANG C.Measurement system of tire footprint geometric parameters based on image pro cessing［J］.Journal of Jiangsu University（Natural Sci ence Edition），2017，38（2）：139－143.（in Chinese）

［18］ GONZALEZ R C，WOODSR E，EDDINSS L.Digital image processing using MATLAB［M］.2nd.New Jersey：Pearson Prentice Hall，2009.

［19］ 董文曉.基于CCD相機測量的LED顯示屏亮度和色度均勻性算法研究［D］.西安：西安電子科技大學(xué)，2012.

［20］ 高雷.交會對接逼近階段飛行器空中位置和姿態(tài)的視覺測量［D］.長沙：國防科學(xué)技術(shù)大學(xué)，2010.

［21］ 錢基業(yè).圖像處理算法及其在板形識別中的應(yīng)用［D］.重慶：重慶大學(xué)，2007.

［22］ 謝小亮.基于圖像處理技術(shù)的自動報靶系統(tǒng)［D］.重慶：重慶大學(xué)，2012.

［23］ LARKINSD，BRIAN H W.Introductory computational science using MATLAB and image processing［J］.Pro cedia Computer Science，2010，1（1）：913－919.

［24］ CUIF Y，ZOU L J，SONG B.Edge feature extraction based on digital image processing techniques［C］∥Pro ceedings of the 2008 IEEE International Conference on Automation and Logistics，2008：2320－2324.

［25］ REN L Q.Progress in the bionic study on anti adhesion and resistance reduction of terrain machines［J］.Sci ence in China Series E：Technological Sciences，2009，52（2）：273－284.

［26］ TONG J，ZHANG Z H，CHEN D H，et al.A method for quantitative analysis of geometrical structure of ani mal organs in meso scale：the dung beetle foreleg end tooth as a case example［C］∥Proceedings of the 4th Inter national Conference of Bionic Engineering，2014：3－16.

A bionic oriented method for quantitative analysis of geometrical structure of animal organs in meso scale

ZHANG Zhihong1，2，LIYing1，WANGMeng3，TONG Jin4，LAIQinghui1，GAO Xuhang1，STEPHEN Carr5
（1.Faculty ofModern Agricultural Engineering，Kunming University of Science and Technology，Kunming，Yunnan 650500，China；2.Agri cultural Research Service，United States Department of Agriculture，Wooster，OH 44691，USA；3.Faculty of Information Engineering and Automation，Kunming University of Science and Technology，Kunming，Yunnan 650500，China；4.The Key Laboratory of Bionic Enginee ring，Jilin University，Changchun，Jilin 130025，China；5.International Soil and Water Renewables，LLC，Salem，Indiana 47167，USA）

To quantitatively analyze the structural characteristics ofmeso scaled（0.1～1.0 mm）animal organs，the computer vision technologywas exploited to substitute the human visual identification process.The foreleg end tooth of typical soil animal dung beetle（Copris ochusMotschulsky）with meso scaled characteristics were taken as research object to propose a quantitative analysismethod.The meso scale animal organ outer margin contour points were extracted from stereomicroscope image by the proposed method.The stereomicroscope image of bionic objectanimal organ was prepared，and the Matlab software ____was used as platform to design program for reducing interference and noise.The outer contour of two dimensional point cloud of dung beetle foreleg end tooth was identified and extracted from the stereomicroscope image to quantitatively analyze geometrical structure.The accuracy and the repeatability of the proposedmethod were verified.The results show that the outer edge profile of foreleg end tooth can be extracted from stereomicroscopy image with 669×727 pixels，and about 1 500 outer edge contour points are obtained.The selection of different thresholds in the gray scale histogram range does not significantly alter the results of curve fitting.It is confirmed that compared to the traditionalmethod，the digital image processing and computer vision analysismethod is efficient and accurate to quantitatively analyze geometrical characteristic features of dung beetle foreleg end tooth.

dung beetle（CoprisochusMotschulsky）；bionic geometrical structure；reverse engineering；edge detection；image processing

10.3969／j.issn.1671－7775.2018.01.009

TB17

A

1671－7775（2018）01－0049－08

張智泓，李 瑩，王 蒙，等.面向工程仿生的介觀尺度動物肢體量化分析方法［J］.江蘇大學(xué)學(xué)報（自然科學(xué)版），2017，39（1）：49－56.

2017－04－14

國家自然科學(xué)青年基金資助項目（51605210）；云南省科技計劃青年項目（2015FD011）；云南省教育廳科學(xué)研究基金資助項目（2015Y079）；昆明理工大學(xué)引進(jìn)人才科研啟動基金資助項目（14118940）；昆明理工大學(xué)分析測試基金資助項目（2016T20140038，2017M20162214015）；昆明理工大學(xué)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（201610674069）

張智泓（1986—），男，云南大理人，博士，講師（通信作者，zzh＿0822＠hotmail.com），主要從事農(nóng)業(yè)工程仿生研究.

李 瑩（1993—），女，吉林延邊人，碩士研究生（1836102631＠qq.com），主要從事農(nóng)機具觸土部件仿生優(yōu)化研究.

（責(zé)任編輯 祝貞學(xué)）