CN106327044A - 车载钢卷及车辆鞍座自动识别和定位装置及其方法 - Google Patents

Abstract

本发明公开了一种车辆运输的车载钢卷及车辆鞍座自动识别和定位装置及其方法，适用于冶金企业或物流企业的车载钢卷的自动化装卸作业。一种车载钢卷及车辆鞍座自动识别和定位装置，摇摆机（1）和直线扫描激光器（2）安装于车辆停车位顶部位置；摇摆机通过网线接入位于现场的第一网络交换机（3）进行通讯，直线扫描激光器通过网线接入第一网络交换机；第一网络交换机通过网线与位于控制机房内的第二网络交换机（4）相连，控制终端（5）、服务器（6）连接在第二网络交换机上，以实现对摇摆机和直线扫描激光器的运行控制、数据采集、三维定位计算。服务器通过第三网络交换机（7）与因特网通讯，用于车辆物流信息流转和远程监控服务器运行情况。

Description

车载钢卷及车辆鞍座自动识别和定位装置及其方法

技术领域

本发明涉及生产物流过程控制领域，尤其涉及一种车辆运输的车载钢卷及车辆鞍座自动识别和定位装置及其方法，适用于冶金企业或物流企业的车载钢卷的自动化装卸作业。

背景技术

目前，由于钢卷运输车辆车载钢卷规格不一，形状各异，而且运输车辆为了兼顾其它货物种类，拖挂平板上大部分没有固定鞍座，只是在运输钢卷时临时摆放鞍座。导致钢卷中心点在车辆平板所处位置也不固定。另外由于车辆是活动物体，在装卸点的停车位置也无法精确就位。因此，目前绝大多数冶金企业或物流仓储企业，对钢卷在仓库内的装卸过程采用人工控制装卸机械（例如：行车）的操作模式。在人员操纵行车时，需要行车司机或地面指挥人员目视判断车载钢卷位置或者车辆鞍座位置，以便于司机控制行车行驶至合适位置，操作夹钳等吊具去吊取钢卷。

在由司机目视钢卷或鞍座位置时，由于行车司机室位置较高，司机判断钢卷或鞍座位置困难，容易因钢卷位置误判导致吊具撞坏钢卷，或因鞍座位置判断不准，导致钢卷在鞍座上落位不准而发生滚动。轻则因判断、对位时间较长而影响作业效率，重则因钢卷碰擦或滚动而造成钢卷损伤，造成经济损失。

若由地面挂指工目测钢卷或鞍座位置时，由于挂指工站位离钢卷或鞍座位置较近，容易因行车司机操作失误或设备故障，引起行车吊具或起吊钢卷与挂指工碰撞，造成严重的人员伤亡。

此外随着检测技术、控制技术和装备制造水平的发展，无人控制行车技术在钢卷库的应用逐步成为可能。但要实现自动化行车作业，由于地面或行车司机室不再有司机或挂指工，也就无法由人工进行目测钢卷或鞍座位置，即使安排人员，其目测数据也无法精确转化为计算机数据，实时传送给计算机系统。

发明内容

本发明的目的在于提供一种车载钢卷及车辆鞍座自动识别和定位装置及其方法。本发明采用二维激光扫描仪并配备适合的第三维度的高精度移动机构，实现三维扫描功能；并结合图像处理技术，实现钢卷入库和出库过程的钢卷和鞍座的外形特征识别。

为了实现上述技术目的，本发明采用如下技术方案：

一种车载钢卷及车辆鞍座自动识别和定位装置，其特征是：包括摇摆机、直线扫描激光器、第一网络交换机、第二网络交换机、控制终端、服务器；

所述摇摆机和直线扫描激光器安装于车辆停车位顶部位置；

所述摇摆机包括伺服电机、控制板、通讯模块、旋转编码器，通讯模块具有以太网通讯协议，通过网线接入位于现场的第一网络交换机进行通讯，直线扫描激光器具有以太网通讯协议，通过网线接入第一网络交换机；

所述第一网络交换机通过网线与位于控制机房内的第二网络交换机相连，控制终端、服务器连接在第二网络交换机上，以实现对摇摆机和直线扫描激光器的运行控制、数据采集、三维定位计算。

所述服务器通过第三网络交换机与因特网通讯，用于车辆物流信息流转和远程监控服务器运行情况。

所述摇摆机设置有二个角度极限行程开关。

一种车载钢卷及车辆鞍座自动识别和定位方法，利用第三维度的摇摆机带动直线激光扫描器旋转运动，根据摇摆机角度、直线激光扫描器角度和激光测距数据，还原成三维数据；首先，对原始的激光测距数据使用阈值滤波法去除干扰数据和异常数据，其次，通过聚类分析识别并分割出钢卷或鞍座，再次，基于点云计算结果获得钢卷或鞍座的中心坐标以及钢卷的尺寸大小；具体包括：

入库过程，

入库钢卷识别，车辆停车就位后，通过位于控制机房的控制终端，通过第二网络交换机和第一网络交换机，触发安装于停车位顶部的摇摆机和直线扫描激光器，对已装载钢卷的框架车进行扫描成像，并根据成像结果和数据特征，区分并识别出钢卷特征数据；

钢卷坐标计算，根据钢卷识别数据，计算钢卷中心点三维物理坐标，包括纵向、横向、高度，以发送并控制行车定位；

钢卷尺寸计算，根据钢卷识别数据，计算钢卷直径、宽度数据，以控制吊具夹钳的张开宽度和夹具垂直高度；

出库过程，

鞍座识别，车辆停车就位后，通过位于控制机房的控制终端，通过第二网络交换机和第一网络交换机，触发安装于停车位顶部的摇摆机和直线扫描激光器，对等待装载钢卷的框架车进行扫描成像，根据成像结果和数据特征，识别并区分框架车鞍座类型，识别鞍座特征数据；

鞍座坐标计算，根据鞍座识别数据，计算鞍座中心点物理坐标，包括纵向、横向，以便于引导和控制钢卷出库操作。

所述对原始的激光测距数据使用阈值滤波法去除干扰数据和异常数据，是对原始的激光测距数据进行阈值处理，排除小于下限和大于上限的干扰数据和异常数据，仅对介于上限与下限之间的激光测距结果进行空间数据还原和三维坐标计算；其次，被过滤掉的数据点采用相邻点平均值补偿替代。

所述聚类分析识别处理，首先，对三维点云数据进行降维处理，将三维点云数据转化为一系列不同高程的二维图像,根据高度从高到低，每个较低高程数据均包括高于它的所有高程数据；然后，对该二维图像进行后继聚类处理，依据扫描获得点云数据的先后顺序和空间关系，抽取出同样高程下的扫描点数据集，比较同高程相邻扫描点之间距离，最终确定当前点所属类集。

根据钢卷或鞍座的高程点云聚类结果，钢卷或鞍座的几何中心点坐标为聚类数据集的几何平均值，钢卷或鞍座的尺寸大小为聚类数据集的最大值与最小值的差值。

数据聚类、外形和定位迭代计算的收敛条件包括如下：

(1) 聚类所识别获得的钢卷或鞍座数量与数据库提供的数量一致；

(2) 不同迭代计算的聚类中心点坐标偏差小于上限；

(3) 不同迭代计算获得的钢卷或鞍座外形尺寸偏差小于上限；

若迭代计算无法获得稳定一致的计算结果，则做异常报警处理。

本发明采用二维激光扫描仪并配备第三维度的高精度移动机构，实现三维扫描功能；并结合图像处理技术，综合采用滤波、数据聚类分析，实现钢卷或鞍座高程点云数据归类处理，实现钢卷入库和出库过程的钢卷和鞍座的外形特征识别；并针对各钢卷或鞍座的高程点云聚类结果，计算其几何中心点坐标，并计算钢卷外径和宽度值。对车载钢卷的准确识别和定位，是入库过程行车对钢卷准确起吊的前提和基础。对车辆鞍座的准确识别和定位，则是出库过程行车准确安放钢卷的前提和基础。因此，车载钢卷和车辆鞍座的准确识别和精确定位，是钢卷库装卸自动化和无人化操作的首要条件。

本发明是实现钢卷在仓库内无人装卸和自动搬运过程的技术基础，其对行车调用效率、生产安全，甚至整个系统意义重大。

附图说明

图1为本发明的三维扫描成像示意图；

图2为本发明的扫描角示意图；

图3为本发明车载钢卷及车辆鞍座自动识别和定位装置示意图；

图4为为本发明车载钢卷及车辆鞍座自动识别和定位方法流程图。

图中：1摇摆机，2直线扫描激光器，3第一网络交换机，4第二网络交换机，5控制终端，6服务器，7第三网络交换机，10车辆，11钢卷，12鞍座。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

参见图1至图3，一种车载钢卷及车辆鞍座自动识别和定位装置，包括摇摆机1、直线扫描激光器2、第一网络交换机3、第二网络交换机4、控制终端5、服务器6、第三网络交换机7；所述摇摆机1和直线扫描激光器2安装于车辆停车位顶部位置，确保车辆10进入停车位后能够完全处于直线扫描激光器2的扫描范围之内，车辆10和直线扫描激光器2之间不得有其它物体阻隔。

所述摇摆机1包括伺服电机、控制板、通讯模块、旋转编码器，通讯模块具有以太网通讯协议，通过网线接入位于现场的第一网络交换机3进行通讯，直线扫描激光器2具有以太网通讯协议，通过网线接入第一网络交换机3。摇摆机1和直线扫描激光器2均采用以太网协议的优点是，通讯协议统一，可以方便直接地接入同一个网络交换机。

所述第一网络交换机3通过网线与位于控制机房内的第二网络交换机4相连，控制终端5、服务器6连接在第二网络交换机4上，以实现对摇摆机1和直线扫描激光器2的运行控制、数据采集、三维定位计算。生产现场和控制机房的距离不受限制，当距离小于100米时，可以采用普通电缆网线。当距离超过100米甚至达到几公里时，可以采用光纤通讯。

所述服务器6通过第三网络交换机7与因特网通讯，用于车辆物流信息流转和相关人员远程监控服务器运行情况。

当需要启动扫描时，控制终端5通过网络分别与摇摆机1、激光器2进行通讯，以发出控制指令。对摇摆机1的指令内容包括摇摆机摇摆的角度范围（例如20度~160度）、摇摆运行速度。对激光器2的指令内容包括激光器扫描角度范围（例如40度~140度）、扫描精度（例如0.1度）、扫描频率（Hz）。

当摇摆机1开始运行后，摇摆机1摇摆的角度由内置位置编码器（旋转编码器）进行跟踪，控制板每隔一定采样时间（例如10ms，可预先设定），将位置编码器的角度数据通过通讯模块向远程控制终端5传送。当摇摆机1进入预设起始角度后，控制终端5指令直线扫描激光器2启动扫描工作。直线扫描激光器2按照设定参数进行往复扫描，并将包括激光发射角度和测距距离的扫描数据也实时通过网络向远程服务器6传送交换数据。当摇摆机1编码器反馈角度达到预设终点后，控制终端5指令直线扫描激光器2停止扫描，并指令摇摆机1摆动回归到停止位（例如10度），以便执行下道指令。

摇摆机1设置有二个角度极限行程开关，角度极限行程开关是为了防止摇摆机摆幅过大而设的保护措施。当摇摆机1运行中碰到限位时，可紧急停止。但正常工作时均由编码器反馈角度来控制摇摆机1的启动和停机。

参见图4，以及图1至图3，一种车载钢卷及车辆鞍座自动识别和定位方法，利用第三维度的摇摆机1带动直线激光扫描器2旋转运动，根据摇摆机角度、直线激光扫描器角度和激光测距数据，还原成三维数据；首先，对原始的激光测距数据使用阈值滤波法去除干扰数据和异常数据，其次，通过聚类分析识别并分割出钢卷或鞍座，再次，基于点云计算结果获得钢卷或鞍座的中心坐标以及钢卷的尺寸大小；具体包括：

入库过程，

入库钢卷11识别，车辆10停车就位后，通过位于控制机房的控制终端5，通过第二网络交换机4和第一网络交换机3，触发安装于停车位顶部的摇摆机1和直线扫描激光器2，对已装载钢卷11的框架车进行扫描成像，并根据成像结果和数据特征，区分并识别出钢卷特征数据；

钢卷坐标计算，根据钢卷识别数据，计算钢卷中心点三维物理坐标，包括纵向、横向、高度，以发送并控制行车定位；

钢卷尺寸计算，根据钢卷识别数据，计算钢卷直径、宽度数据，以控制吊具夹钳的张开宽度和夹具垂直高度；

出库过程，

鞍座识别，车辆10停车就位后，通过位于控制机房的控制终端5，通过第二网络交换机4和第一网络交换机3，触发安装于停车位顶部的摇摆机1和直线扫描激光器2，对等待装载钢卷的框架车进行扫描成像，根据成像结果和数据特征，识别并区分框架车鞍座12类型，识别鞍座特征数据；

鞍座坐标计算，根据鞍座识别数据，计算鞍座中心点物理坐标，包括纵向、横向，以便于引导和控制钢卷出库操作。

具体描述如下：

三维扫描及空间数据还原。一种车载钢卷及车辆鞍座自动识别和定位方法，是采用二维直线扫描激光器2并配备第三维度的高精度摇摆机1，通过第三维度的摇摆机1的运动，带动二维直线扫描激光器2在第三维度空间的旋转运动，实现二维扫描仪对三维立体空间的距离扫描，同时，利用控制服务器6对摇摆机角度、激光角度、激光测距数据按每一时间点进行的记录，进而最终还原获得数字高程模型。

假设扫描仪基准面为XOZ，而扫描仪随摇摆机云台在平面YOZ内作回旋摆动，则各扫描点的坐标计算为：

其中：

为云台摆动角度（从振幅处算起偏移量，角度选取方式可调整）；

为激光扫描数据、点云数据索引；

为激光扫描仪第i次扫描第j点的测距值；

为激光扫描对应的三维坐标；

为激光扫描仪中心点的三维坐标；

为激光扫描仪安装位置修正值；

为激光扫描仪的扫描角度增量；

，，为激光扫描初始角、云台初始角、云台摆动角；

为激光扫描仪角度和摇摆机云台摆角修正值。

数据滤波。对上述数字高程模型数据进行滤波处理，去除干扰数据和局部区域所出现的异常数据，在此基础上进行数字高程模型数据的聚类分析，即进行钢卷或鞍座高程点云数据归类处理。

为保证直线扫描激光器三维扫描计算准确性，降低后继钢卷或鞍座数据聚类计算偏差，本发明首先对原始的激光测距数据使用阈值滤波法去除干扰数据和异常数据，是对原始的激光测距数据进行阈值处理，排除小于下限和大于上限的干扰数据和异常数据，仅对介于上限与下限之间的激光测距结果进行空间数据还原和三维坐标计算；其数学表达式为：

其中：和为激光测距值的下限和上限。

其次，对于被过滤而形成的扫描缺失点，本发明采用相邻点平均值进行补偿替代，即：

其中为相邻的有效扫描数据数量。

生成高程数据系列。在原始三维高程数据中钢卷以及鞍座均与框架车等其他背景物混合在一起的，需要将钢卷数据分离出来。数据分离抽取过程的主要依据来自高程模型数据的高程值，通过控制高程值的上下限阈值范围，即实现钢卷和鞍座数据抽取。在数据聚类过程中，因为钢卷和鞍座数量不定，常规聚类分析法在稳定性、适应性等方面难以适应，特别是入库钢卷经常并排放置、错位放置，且间隙窄小，同时还经常伴随局部扫描数据缺失的情况，常规聚类方法在处理上述情况时常常发生分类错位，其后果直接导致钢卷外形计算和定位计算重大偏差，甚至导致生产事故。

为了降低点云数据聚类难度，确保聚类算法高稳定性、高精度，本发明首先对三维点云数据进行降维处理，将三维点云数据转化为一系列不同高程的二维图像，按照高度方向从高到低，每个高度较低的高程数据都包含高度大于本层高程的所有数据；然后，对该二维图像进行后继聚类处理，依据扫描获得点云数据的先后顺序和空间关系，抽取出同样高程下的扫描点数据集，比较同高程相邻扫描点之间距离，最终确定当前点所属类集。具体如下：

根据钢卷或鞍座数据处理的不同，针对点云数据依据高程数值可得到。

l为不同高程索引；

Flag(l)_i,j为点云数据点是否属于某一高程的标志位；

H_max(l)为高程上阈值，数值保持不变；

H_min(l)为高程下阈值，按照等间距依次减小。

不同高程索引对应不同的上下阈值，其中H_max(l)数值保持不变，H_min(l)依次减小。这样每个较低高程数据均包含高于它的所有点云数据，进而得到不同的，即获得一系列，，……，因为取值为0或1，即实现三维点云向二维图像的降维变换。

数据聚类。针对各二维图像进行聚类分析，实现钢卷或鞍座数据的准确识别和有效分割。在针对二维图像进行钢卷或鞍座聚类时，本发明针对各点云数据逐个扫描、逐个分析，动态判定是否出现新的钢卷或鞍座，确定各扫描点数据所属聚类，各聚类集合分别对应不同的钢卷或鞍座数据。如当前点附近点云且成功聚类，则纳入该聚类集合。如果附近点均为0，则自动生成新的聚类集合。

本发明舍弃常规依据单元数据与聚类中心欧式距离远近而聚类的方法，而是依据扫描获得点云数据的先后顺序和空间关系，比较同高程相邻扫描点之间距离，最终确定当前点所属类集。具体原理如下：

首先解释“前序相邻点”含义：预先设定相邻数据点选取范围：X方向为m₀，Y方向为n₀。对于点X_i,j, Y_i,j, Flag(l)_i,j），其前序相邻点包括X_i-1,j-1, Y_i-1,j-1, Flag(l)_i-1,j-1）......X_{i-m0, j-n0}, Y_{i-m0, j-n0}, Flag(l)_{i-m0, j-n0}）。在计算中，这些前序相邻点统一用X_i-m,j-m, Y_i-m,j-n, Flag(l)_i-m,j-n）表示，其中1≤m≤m₀，1≤n≤n₀。

例如：预先设定m₀=3，n₀=3。则对于数据点X_5,6, Y_5,6, Flag(l)_5,6），其“前序相邻点”为下表中除了该点X_5,6, Y_5,6, Flag(l)_5,6）以外的其它所有点：

数据聚类工作原理：

1）在第一层高程数据中（即高程索引l=1）, 依次分析所有Flag(1)_i,j=1的点云数据。针对每一个点云数据X_i,j, Y_i,j, Flag(1)_i,j=1)，如果第一次出现这种情况：在X和Y方向上，距离当前点X_i,j,Y_i,j,Flag(1)_i,j=1)不超过m₀和n₀范围内，所有的前序相邻点，均为，则自动生成一个新的聚类P1（即识别出第一个钢卷）。

2）在生成聚类P1后，继续分析后面的数据点。如果在X和Y方向上，距离当前点X_i,j,Y_i,j,Flag(1)_i,j=1)不超过m₀和n₀范围内，存在前序相邻点，且Flag(1)_i-m,j-n=1，则不生成新的聚类，而是把当前点纳入前一个聚类集合P1。

3）按照第1）步和第2）步方法依次类推，如果第二次出现前述第1）步的情况，则自动生成第二个新的聚类P2（即识别出第二个钢卷）。在它后面的数据点，如果按前述第2）步方法判断为不生成新的聚类，则把它纳入聚类集合P2。

4）继续类推，可得到新的聚类P3、P4...（即识别出第3个钢卷、第4个钢卷...）。直到该层高程数据（即高程索引l=1）全部分析完毕。

5）同样，针对不同的高程索引l，根据上述1）~4）步骤方法分别进行数据聚类。

以上方法，用数学公式表达如下：

k为聚类索引；

P_k为聚类（表示不同钢卷的点云数据集合）。

本发明采用上述高程数据相邻点距离比较方法，实现高程数据聚类和不同钢卷扫描数据分割处理，进而获得各钢卷特征数据，即不同高程数据聚类集合对应不同的钢卷扫描特征数据。

类似地，因为运输车辆高度基本固定，车辆上的鞍座高度也基本固定。只要在生成高程数据步骤时，将H_max降低到接近车辆鞍座高度，即可用上述方法，对车辆鞍座的扫描数据进行聚类分析，得到不同鞍座的聚类集合。

为确保聚类结果可靠有效，聚类结束后仍需对聚类结果进行合理性检查确认，以确保安全。

外形和定位计算。针对各钢卷或鞍座的高程点云聚类结果，计算其几何中心点坐标，并计算钢卷外径和宽度值。

对应高程点云聚类而言，其所对应钢卷或鞍座的几何中心点坐标（X _k ,Y _k ）为：

其中为集合内有效扫描数据数量。

为便于自动装卸控制，对于钢卷还需提供钢卷直径和宽度数据，对于鞍座则无此要求。

对于钢卷而言，基于高程点云聚类结果，遍历该聚类范围内各数据点,计算该点云聚类对应钢卷在X和Y方向的外形尺寸分别为：

基于上述计算结果和，并结合钢卷摆放方向，即可确定各钢卷的外径和宽度值,即根据钢卷摆放方向，有或,或。

车辆鞍座中心点标高Z_k：Z_k=Z₀

本发明使用车型固定，Z₀为车辆鞍座标准高度值，由系统直接提供。

车载钢卷中心点标高Z_k：对于高程点云聚类，其所对应钢卷的中心点标高为：

其中为车辆鞍座标准高度值，由系统直接提供。

基于上述计算结果，则可获得各钢卷和鞍座的中心点坐标（X_k，Y_k，Z_k），以及各钢卷的外径R_k和宽度值W_k。

计算结果校验。数据聚类、外形和定位迭代计算的收敛条件包括如下：

(1) 聚类所识别获得的钢卷或鞍座数量与系统数据库提供的数量一致；

(2) 不同迭代计算的聚类中心点坐标偏差小于上限；

(3) 不同迭代计算获得的钢卷或鞍座外形尺寸偏差小于上限；

若迭代计算无法获得稳定一致的计算结果，则做异常报警处理。

当相关二维图像获得稳定一致的计算结果（包括钢卷或鞍座外形尺寸和几何中心），表明结果可靠有效，如若各结果之间存在较大偏差，则未能获得稳定结果，作异常报警处理。

以上仅为本发明的较佳实施例而已，并非用于限定发明的保护范围，因此，凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种车载钢卷及车辆鞍座自动识别和定位装置，其特征是：包括摇摆机（1）、直线扫描激光器（2）、第一网络交换机（3）、第二网络交换机（4）、控制终端（5）、服务器（6）；

所述摇摆机（1）和直线扫描激光器（2）安装于车辆停车位顶部位置；

所述摇摆机（1）包括伺服电机、控制板、通讯模块、旋转编码器，通讯模块具有以太网通讯协议，通过网线接入位于现场的第一网络交换机（3）进行通讯，直线扫描激光器（2）具有以太网通讯协议，通过网线接入第一网络交换机（3）；

所述第一网络交换机（3）通过网线与位于控制机房内的第二网络交换机（4）相连，控制终端（5）、服务器（6）连接在第二网络交换机（4）上，以实现对摇摆机（1）和直线扫描激光器（2）的运行控制、数据采集、三维定位计算。

2.根据权利要求1所述的车载钢卷及车辆鞍座自动识别和定位装置，其特征是：所述服务器（6）通过第三网络交换机（7）与因特网通讯，用于车辆物流信息流转和远程监控服务器运行情况。

3.根据权利要求1所述的车载钢卷及车辆鞍座自动识别和定位装置，其特征是：所述摇摆机（1）设置有二个角度极限行程开关。

4.一种车载钢卷及车辆鞍座自动识别和定位方法，其特征是：利用第三维度的摇摆机（1）带动直线激光扫描器（2）旋转运动，根据摇摆机角度、直线激光扫描器角度和激光测距数据，还原成三维数据；首先，对原始的激光测距数据使用阈值滤波法去除干扰数据和异常数据，其次，通过聚类分析识别并分割出钢卷或鞍座，再次，基于点云计算结果获得钢卷或鞍座的中心坐标以及钢卷的尺寸大小；具体包括：

入库过程，

入库钢卷识别，车辆停车就位后，通过位于控制机房的控制终端，通过第二网络交换机和第一网络交换机，触发安装于停车位顶部的摇摆机和直线扫描激光器，对已装载钢卷的框架车进行扫描成像，并根据成像结果和数据特征，区分并识别出钢卷特征数据；

钢卷坐标计算，根据钢卷识别数据，计算钢卷中心点三维物理坐标，包括纵向、横向、高度，以发送并控制行车定位；

钢卷尺寸计算，根据钢卷识别数据，计算钢卷直径、宽度数据，以控制吊具夹钳的张开宽度和夹具垂直高度；

出库过程，

鞍座识别，车辆停车就位后，通过位于控制机房的控制终端，通过第二网络交换机和第一网络交换机，触发安装于停车位顶部的摇摆机和直线扫描激光器，对等待装载钢卷的框架车进行扫描成像，根据成像结果和数据特征，识别并区分框架车鞍座类型，识别鞍座特征数据；

鞍座坐标计算，根据鞍座识别数据，计算鞍座中心点物理坐标，包括纵向、横向，以便于引导和控制钢卷出库操作。

5.根据权利要求4所述的车载钢卷及车辆鞍座自动识别和定位方法，其特征是：所述对原始的激光测距数据使用阈值滤波法去除干扰数据和异常数据，是对原始的激光测距数据进行阈值处理，排除小于下限和大于上限的干扰数据和异常数据，仅对介于上限与下限之间的激光测距结果进行空间数据还原和三维坐标计算；其次，被过滤掉的数据点采用相邻点平均值补偿替代。

6.根据权利要求4所述的车载钢卷及车辆鞍座自动识别和定位方法，其特征是：所述聚类分析识别处理，首先，对三维点云数据进行降维处理，将三维点云数据转化为一系列不同高程的二维图像，根据高度从高到低，每个较低高程数据均包括高于它的所有高程数据；然后，对该二维图像进行后继聚类处理，依据扫描获得点云数据的先后顺序和空间关系，抽取出同样高程下的扫描点数据集，比较同高程相邻扫描点之间距离，最终确定当前点所属类集。

7.根据权利要求6所述的车载钢卷及车辆鞍座自动识别和定位方法，其特征是：根据钢卷或鞍座的高程点云聚类结果，钢卷或鞍座的几何中心点坐标为聚类数据集的几何平均值，钢卷或鞍座的尺寸大小为聚类数据集的最大值与最小值的差值。

8.根据权利要求4所述的车载钢卷及车辆鞍座自动识别和定位方法，其特征是：数据聚类、外形和定位迭代计算的收敛条件包括如下：

(1) 聚类所识别获得的钢卷或鞍座数量与数据库提供的数量一致；

(2) 不同迭代计算的聚类中心点坐标偏差小于上限；

(3) 不同迭代计算获得的钢卷或鞍座外形尺寸偏差小于上限；

若迭代计算无法获得稳定一致的计算结果，则做异常报警处理。