随着人口增加、气候变暖、农业耕地面积下降的问题愈演愈烈,中国的粮食安全正面临着巨大的挑战。为了有效调节我国粮食与供给关系,寻找如何提高作物产量的方法是解决粮食危机的有效途径之一。而作物籽粒的考查是产量的关键表达方式,同时也是育种研究和功能基因分析过程中重要的一环。籽粒的粒型参数如粒长、粒宽、粒厚、籽粒体积等也与作物的产量、基因型密切相关。研究作物籽粒3D表型特征参数的快速测量,对于如何实现亚品种间与饱瘪粒的判别,如何进行粒重预测,寻找提高作物最终产量的方案均具备着重要的意义。传统的籽粒表型测量手段大部分依赖于人工测量,工作效率低下,主观性较强。然而目前的考种设备,大多是通过RGB图像完成测量分析,只能测量出粒数、粒长,粒宽等参数,其他的诸如籽粒体积,表面积,球度等这些包含3个维度信息的性状不容易获得。基于以上原因,本文提出了一种基于结构光成像的作物籽粒3D表型测量的新方法。首先搭建了机械臂结构光成像扫描平台,利用结构光扫描仪获取作物籽粒的三维点云数据,然后设计了针对作物籽粒的点云处理算法,包括点云数据预处理、点云分割处理、3D表型测量,最后提取了25个水稻籽粒3D表型参数和32个小麦籽粒3D表型参数。为了确定平台的最佳的成像条件,对载物平台颜色、转台旋转角度、扫描角度这3个主要影响因素进行了正交预试验。实验结果表明载物平台为黑色,转台旋转角度为30°,扫描角度为37°时,测量精度最佳。实验平台对于作物籽粒的平均测量效率为12s/颗。将算法测量的作物籽粒的长、宽、厚与人工真值对比,本研究测量籽粒的长、宽、厚的平均绝对百分比误差分别为2.12%,2.06%,1.95%。基于提取的25个水稻籽粒3D表型参数,结合6种不同的机器学习分类算法,构建了水稻籼粳类别与饱瘪粒分类模型。基于提取的32个小麦籽粒3D表型参数,结合5种不同的机器学习回归算法,构建了小麦粒重预测回归模型。最后分别将作物籽粒3D表型测量算法与籼粳亚品种与饱瘪粒判别模型和小麦粒重预测模型集成于开发的点云可视化交互软件中。综上所述,本文提出一种作物籽粒3D表型测量的新方法,可以有效辅助作物育种相关研究,以期为科学研究和生产应用提供一种籽粒表型性状快速测量与分析工具。