土壤表面粗糙度是农作物种植、灌溉和收获等田间管理必须考虑的作业参数,也是精准农业发展中亟待解决的关键问题之一。针对土壤表面粗糙度缺乏快速检测手段的问题,提出一种基于线结构光传感器的土壤表面粗糙度检测方法。利用半导体红光激光器、摄像机、计算机和支架等主要部件自行设计并构建了图像采集系统,经标定后用于获取土壤表面图像数据,借助MATLAB获取土壤表面的三维点云数据,继而完成土壤表面的三维重建及曲面面积的计算;定义土壤表面的曲面面积与平面面积的比值作为土壤表面粗糙度的表征量,对土壤表面粗糙度进行检测和判别。主要研究结果如下:（1）图像采集系统构建与标定构建了基于线结构光传感器的土壤表面粗糙度检测系统,其中线结构光激光器选用半导体红光激光器,图像传感器为CMOS工业相机。利用自制标定靶完成对检测系统的标定,获取了靶标上的折点像面坐标以及光平面内的坐标信息,利用罚函数约束法求解线结构光传感器的结构参数。（2）土壤表面图像处理方法研究经对比不同的图像处理方法并根据系统获取的土壤表面线结构光图像的特征,确定了土壤表面图像处理方法。即利用区域生长法进行图像分割,选用先膨胀后腐蚀的图像形态学处理,选用Canny边缘检测法进行图像边缘检测,确定灰度重心法对线结构光的光条中心进行提取及分段三次Hermite插值法对图像中的断点插值,利用Delaunay三角网法实现土壤表面的三维重建,并将土壤表面曲面面积与其对应平面面积比值来表征土壤表面粗糙度。利用4种不同颗粒度的制备土壤样本检验了系统的图像采集能力,优化了图像处理流程和方法。根据上述样本粗糙度检测结果确定粗糙度的阈值为当G-1等于0时,土壤表面完全平整,当G-1的绝对值不大于0.5时,土壤表面较为细密,当G-1的绝对值大于0.5且不大于1时,土壤表面较为粗糙,当G-1的绝对值大于1时,土壤表面粗糙。（3）室内土槽验证试验结果与分析在室内土槽中选取未耕样本和旋耕机旋耕浅耕作业和深耕作业后的样本,利用上述图像处理方法对土槽内的样本进行表面颗粒度信息的提取并实现土壤表面的三维重建。并计算样本土壤表面颗粒的曲面面积后,再根据粗糙度的阈值对样本表面的粗糙度进行判断,对样本土壤表面粗糙度判别结果为未耕样本较为细密,深耕样本较为粗糙及粗糙,浅耕样本粗糙度介于两者之间,该结果符合样本实际状态,与探针法测得的粗糙度结果相同。故对3种样本的判别准确率为100%。证明该方法可以用于检测和判断土壤表面的颗粒粗糙程度。（4）室外土槽验证试验结果与分析在室外土槽中选取未耕样本和旋耕机旋耕浅耕作业和深耕作业后样本,利用前述图像处理方法对室外土槽内样本进行表面颗粒度信息的提取并实现土壤表面的三维重建。计算样本土壤表面粗糙度表征量的值后,根据粗糙度的阈值对样本表面的粗糙度等级进行判别,其结果与探针法测得的粗糙度结果进行对比,两者测量结果一致。由于室外土槽中的土壤颗粒大,对样本土壤表面粗糙度判别结果为未耕样本较为粗糙,浅耕样本和深耕样本均为粗糙,但未耕样本、浅耕样本及深耕样本的粗糙度的计算值依次增大,符合样本实际状态,证明该研究的方法可以用于检测和判断室外土槽土壤表面的颗粒粗糙程度。上述研究结果表明,基于线结构光传感器的土壤表面粗糙度检测方法能够为土壤表面粗糙度的快速准确判别提供一种低成本、易操作的实现方案。