一种基于点云数据处理的列车车厢载货体积及体密度质量检
测方法
【技术领域】
本发明涉及逆向工程领域,适用于港口货物的自动化检测,尤其涉及一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法。
【背景技术】
随着科学技术的飞速发展,工业生产过程朝着自动化、智能化和快速化的方向发展。港口在联系内陆经济腹地和促进海上运输发展方面发挥着举足轻重的作用,其智能化的程度直接关系到整个地区的经济发展。港口间自动化生产的关键是对进出港口的装载散杂货物列车车厢进行高精度的检测。激光雷达探测技术作为一种高精度的检测手段受到了广泛的关注,该技术在测绘测量领域的发展为获取被测物体表面信息实现高精度检测提供了新的思路,通过获取被测物体的点云数据并对其进行处理,可以得到被测物体的表面形态信息,进而根据实际工程需要完成相应的几何参数提取、体积运算处理等一系列操作。
目前,港口间货物检测的方法大多采用摄像设备,但该方法存在一些缺陷难以克服。一方面体现在对检测环境的要求较高,在照度不足、水气、灰尘严重的情况下难以获得良好的图像信息,摄像头通常情况下存在畸变问题,尤其在边缘处失真严重,其直接检测结果可能不准确,无法对货物进行高精度测量。另一方面体现在自动化程度较低,检测过程中需要专门的工作人员实时监控摄像设备传输回来的图像信息。激光雷达探测技术采用主动发射激光束的方式获取被测装载散杂货物列车车厢的表面形态信息,由于激光束有很强的穿透能力,其受照度、水气、灰尘等外界环境因素的影响较小,所以采用该技术可以实现全天候测量。在智能化的生产过程中,基于此技术最广泛应用于工业现场获取被测装载散杂货物列车车厢的表面形态信息的设备是三维激光扫描仪,其操作便捷、测量精度高,但价格昂贵,大量应用时需要花费较高的成本。因此如何实现对被测装载散杂货物列车车厢进行高精度、低成本的测量是港口作业中急需解决的重要问题。
在本发明所述方法中,利用二维激光扫描仪获取被测装载散杂货物列车车厢的重车状态与空车状态在三维空间内x轴与z轴上的两组距离探测数据;OPC_Client系统解算得到车厢沿y轴方向的运动数据,与上述得出的车厢在三维空间内x轴与z轴上的两组距离探测数据输入到数据工作站中联合解算,获得被测列车车厢重车状态与空车状态下的两组三维点云数据;对所得的两组三维点云数据进行下采样处理及无关点去除处理得到被测列车车厢重车状态与空车状态下的两组精简三维点云数据;对两组精简三维点云数据分别进行Delaunay三角网构建得到被测车厢的顶面表面和厢内底面平面;对被测车厢的顶面表面构建出的Delaunay三角网中各个三角形向厢内底面平面进行投影操作,从而将该被测列车车厢内载货的总体积量变换为以Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式;计算变换得到的集合体的体积,对求得的所有集合体的体积进行求和处理得到该被测列车车厢内的载货总体积量;利用求出的列车车厢的载货总体积量与载货列车所处轨道上装配的轨道衡所提供的重量变化数据计算出所载货物的体密度参数,通过对该参数的稳定性进行分析及判断,实现对货物在物流过程中进行有效监管的目的。
与摄像机检测的方法相比,本发明所述方法受外界环境因素的影响较小,获取到的数据具有更高的精度,同时节省了工作人员实时监控摄像设备传输回来的列车车厢图像的时间。另外相较于直接应用三维激光扫描仪进行测量,此方法具有低成本的优势。所以,在现代化的港口生产中,本发明可满足对车厢货物的自动化检测和质量监管的实际需求,具有较高的实际应用价值。
【发明内容】
本发明针对列车车厢,提供一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法,实现对装载散杂货物列车车厢的体积测量和对车厢内所载货物的体密度进行计算分析的目的。
为实现上述目的,本发明是通过以下技术方案实现的:
步骤一、翻车机房进口与出口顶部中心线位置分别安装一台高精度二维激光扫描仪,用于获取被测装载散杂货物列车车厢的重车状态与空车状态在三维空间内x轴与z轴上的两组距离探测数据。
翻车机房重车入口和另一侧空车出口的顶部中心线位置处各安装一台高精度二维激光扫描仪,利用被测装载散杂货物列车车厢沿y轴方向的运动对其进行实时扫描,获取该被测装载散杂货物列车车厢的重车状态与空车状态在三维空间内x轴与z轴上的两组距离探测数据。
步骤二、根据OPC_Client系统采集被测装载散杂货物列车车厢的运动状态信息,对车厢沿其运动方向的运动状态数据进行解算,即得出车厢沿y轴方向的运动状态数据,结合步骤一中所得到的被测列车车厢在三维空间内x轴与z轴上的距离探测数据进行联合解算,计算出该被测列车车厢重车状态与空车状态下的两组三维扫描结果,即得到该被测列车车厢重车状态与空车状态下的两组三维点云数据。
OPC_Client系统装配于列车车厢所处的载货轨道上,用于采集被测装载散杂货物列车车厢的运动状态信息,通过对沿其运动方向的运动状态数据进行解算得到车厢沿y轴方向的运动状态数据,可作为判定车厢翻车循环状态与翻车结束状态的依据。与所得到的被测列车车厢在三维空间内x轴与z轴上的距离探测数据输送到数据工作站中进行联合解算,通过对列车车厢重车状态与空车状态下获得的扫描数据进行计算,从而得到该被测列车车厢重车状态与空车状态下的两组三维点云数据。
步骤三、对步骤二中所得到的被测列车车厢的两组三维点云数据进行下采样处理及无关点去除处理,从而获得该被测列车车厢重车状态与空车状态下的两组精简三维点云数据。
在满足计算精度的前提下测试选取合适的下采样间隔对步骤二中得到的被测列车车厢的两组三维点云数据进行下采样处理,经该处理后点云数据的密度得以降低,从而达到缩短点云数据运算处理时间的目的。并对下采样处理后仍存在的对计算列车车厢内载货总体积量产生影响的无关点进行去除处理,得到该被测列车车厢重车状态与空车状态下的两组精简三维点云数据。
步骤四、对步骤三中所得到的被测列车车厢重车状态下的精简三维点云数据中载货面处点云数据进行Delaunay三角网构建得出被测车厢的顶面表面,同理,对被测列车车厢空车状态下的精简三维点云数据中厢底内表面处点云数据进行Delaunay三角网构建得出被测车厢的厢内底面平面。
对步骤三中得到的被测列车车厢重车状态与空车状态下的两组精简三维点云数据分别进行Delaunay三角网构建,将离散不规则的点云数据生成连续规则的网格结构。其中被测列车车厢重车状态下的精简三维点云数据中载货面处点云数据进行Delaunay三角网构建得出被测车厢的顶面表面,被测列车车厢空车状态下的精简三维点云数据中厢底内表面处点云数据进行Delaunay三角网构建得出被测车厢的厢内底面平面。
步骤五、对步骤四中所得到的载货面处点云数据构建出的Delaunay三角网中各个三角形向被测车厢的厢内底面平面进行投影处理,将Delaunay三角网中各个三角形映射到厢内底面平面,通过这样的处理方法,该被测列车车厢内载货的总体积量变换为以上述Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式。
由于构建出的Delaunay三角网中各个三角形向xoy平面投影均无重叠部分,采用投影法计算列车车厢的载货总体积量具有较高的精度。将载货面处点云数据构建出的Delaunay三角网中各个三角形向被测车厢的厢内底面平面进行投影处理,使得Delaunay三角网中各个三角形映射到厢内底面平面。通过这样的处理方法,将该被测列车车厢内载货的总体积量变换为更易求解的集合体,且变换得到的集合体是以上述Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式。
步骤六、利用海伦公式计算步骤五中映射到厢内底面平面处的各个三角形面积,计算出载货面处点云数据构建出的Delaunay三角网中各个三角形的质心位置处的坐标数据,进一步运算得出各三角形的质心位置与厢内底面平面之间的垂直高度差,从而根据直三棱柱的公式计算步骤五中以Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合体的体积,对求得的所有集合体的体积进行求和处理得到该被测列车车厢内的载货总体积量。
被测列车车厢内载货的总体积量变换为Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式。得到集合体的体积可由直三棱柱公式计算得出,在后面将对此结论进行详细验证,这里不再赘述。映射到厢内底面平面处的各个三角形作为集合体的底面,其面积可由海伦公式计算得出。并计算出载货面处点云数据构建出的Delaunay三角网中各个三角形的质心位置处的坐标数据,进一步运算得出各三角形的质心位置与厢内底面平面之间的垂直高度差作为集合体的高。上述求得的底面积与高的乘积即为所求集合体的体积,对求得的所有集合体的体积进行求和处理得到该被测列车车厢内的载货总体积量。
步骤七、利用步骤六中所得到的被测列车车厢的载货总体积量与载货列车所处轨道上装配的轨道衡所提供的重量变化数据计算出所载货物的体密度参数,对该参数的变化规律进行分析,即对该参数的稳定性进行判断,从而实现对货物在物流过程中进行有效监管的目的。
载货列车所处轨道上装配的轨道衡对进港重车状态与出港空车状态下的列车车厢分别进行称量,根据其重量数据的变化量得到该被测列车车厢内的载货重量,与步骤六中所得到的被测列车车厢的载货总体积量计算出车厢内所载货物的体密度参数,根据该密度参数在不同时间地点的变化规律分析其稳定性的优劣,进而实现对货物进行科学监管的目的。
【说明书附图】
图1是本发明所述的一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法流程图。
图2是激光扫描系统布设位置示意图。
图3是激光扫描系统的三维结构示意图。
图4~10是利用本发明提出的一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法对一组列车车厢的具体实施例的示意图。
其中,图4为重车状态下的原始三维点云数据。
图5是空车状态下的原始三维点云数据。
图6是图4经过下采样处理后重车状态下的三维点云数据。
图7是图5经过下采样处理后空车状态下的三维点云数据。
图8(a)是无关点去除处理前空车状态下的三维点云数据,图8(b)是无关点去除处理后空车状态下的三维点云数据。
图9是载货面处点云数据构建出的Delaunay三角网。
图10是Delaunay三角网中各个进行投影操作的三角形为顶面的三棱柱所组成的集合的形式。
图11是投影处理得到的凸五面体。
【具体实施方式】
步骤一、翻车机房进口与出口顶部中心线位置分别安装一台高精度二维激光扫描仪,用于获取被测装载散杂货物列车车厢的重车状态与空车状态在三维空间内x轴与z轴上的两组距离探测数据。
翻车机房重车入口和另一侧空车出口的顶部中心线位置处各安装一台高精度二维激光扫描仪,利用被测装载散杂货物列车车厢沿y轴方向的运动对其进行实时扫描,获取该被测装载散杂货物列车车厢的重车状态与空车状态在三维空间内x轴与z轴上的两组距离探测数据。
步骤二、根据OPC_Client系统采集被测装载散杂货物列车车厢的运动状态信息,对车厢沿其运动方向的运动状态数据进行解算,即得出车厢沿y轴方向的运动状态数据,结合步骤一中所得到的被测列车车厢在三维空间内x轴与z轴上的距离探测数据进行联合解算,计算出该被测列车车厢重车状态与空车状态下的两组三维扫描结果,即得到该被测列车车厢重车状态与空车状态下的两组三维点云数据。
OPC_Client系统装配于列车车厢所处的载货轨道上,用于采集被测装载散杂货物列车车厢的运动状态信息,通过对沿其运动方向的运动状态数据进行解算得到车厢沿y轴方向的运动状态数据,可作为判定车厢翻车循环状态与翻车结束状态的依据。与所得到的被测列车车厢在三维空间内x轴与z轴上的距离探测数据输送到数据工作站中进行联合解算,通过对列车车厢重车状态与空车状态下获得的扫描数据进行计算,从而得到该被测列车车厢重车状态与空车状态下的两组三维点云数据。
步骤三、对步骤二中所得到的被测列车车厢的两组三维点云数据进行下采样处理及无关点去除处理,从而获得该被测列车车厢重车状态与空车状态下的两组精简三维点云数据。
在满足计算精度的前提下测试选取合适的下采样间隔对步骤二中得到的被测列车车厢的两组三维点云数据进行下采样处理,经该处理后点云数据的密度得以降低,从而达到缩短点云数据运算处理时间的目的。并对下采样处理后仍存在的对计算列车车厢内载货总体积量产生影响的无关点进行去除处理,得到该被测列车车厢重车状态与空车状态下的两组精简三维点云数据。
步骤四、对步骤三中所得到的被测列车车厢重车状态下的精简三维点云数据中载货面处点云数据进行Delaunay三角网构建得出被测车厢的顶面表面,同理,对被测列车车厢空车状态下的精简三维点云数据中厢底内表面处点云数据进行Delaunay三角网构建得出被测车厢的厢内底面平面。
对步骤三中得到的被测列车车厢重车状态与空车状态下的两组精简三维点云数据分别进行Delaunay三角网构建,将离散不规则的点云数据生成连续规则的网格结构。其中被测列车车厢重车状态下的精简三维点云数据中载货面处点云数据进行Delaunay三角网构建得出被测车厢的顶面表面,被测列车车厢空车状态下的精简三维点云数据中厢底内表面处点云数据进行Delaunay三角网构建得出被测车厢的厢内底面平面。
步骤五、对步骤四中所得到的载货面处点云数据构建出的Delaunay三角网中各个三角形向被测车厢的厢内底面平面进行投影处理,将Delaunay三角网中各个三角形映射到厢内底面平面,通过这样的处理方法,该被测列车车厢内载货的总体积量变换为以上述Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式。
由于构建出的Delaunay三角网中各个三角形向xoy平面投影均无重叠部分,采用投影法计算列车车厢的载货总体积量具有较高的精度。将载货面处点云数据构建出的Delaunay三角网中各个三角形向被测车厢的厢内底面平面进行投影处理,使得Delaunay三角网中各个三角形映射到厢内底面平面。通过这样的处理方法,将该被测列车车厢内载货的总体积量变换为更易求解的集合体,且变换得到的集合体是以上述Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式。
步骤六、利用海伦公式计算步骤五中映射到厢内底面平面上的各个三角形面积,计算出载货面处点云数据构建出的Delaunay三角网中各个三角形的质心位置处的坐标数据,进一步运算得出各三角形的质心位置与厢内底面平面之间的垂直高度差,从而根据直三棱柱的公式计算步骤五中以Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合体的体积,对求得的所有集合体的体积进行求和处理得到该被测列车车厢内的载货总体积量。
被测列车车厢内载货的总体积量变换为以Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式。得到集合体的体积可由直三棱柱公式计算得出,下面将对此结论进行详细验证:
被测列车车厢内载货的总体积量变换得到的集合体根据其投影情况的不同大体可分为以下四种图形,分别为四棱锥、凸五面体、一个四面体与一个凸五面体结合、两个四面体结合,如图10所示。以载货面处点云数据构建出的Delaunay三角网中各个三角形向被测车厢的厢内底面平面进行投影处理得到的最普遍的一种图形凸五面体为例介绍验证过程,如图11所示是投影处理后得到的凸五面体。构成该凸五面体的投影三角形的顶点坐标分别为A1、B1、C1,对应底面三角形的顶点坐标分别为A、B、C,投影三角形与底面三角形之间的垂直投影高度分别为z1、z2、z3,且z1≤z2≤z3。
计算底为三角形ABC所组成的直三棱柱体积,体积V(z)是关于变量z的一个线性函数,V是Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合体的体积,其中V(z1)≤V≤V(z3),显然该函数连续且单调递增。
假设存在z0,使得底为三角形ABC在此高度下的直棱柱体积恰好等于Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合体的体积,由V(z1)≤V≤V(z3)可得:z1≤z0≤z3。又因为函数连续且单调递增,所以z0存在且唯一。
设A、B、C三点的坐标分别为(x1,y1,0)、(x2,y2,0)、(x3,y3,0),A1、B1、C1三点的坐标分别为(x1,y1,z1)、(x2,y2,z2)、(x3,y3,z3),根据点的坐标数据计算出对应三条边长a、b、c的长度:
p为三角形ABC的半周长,利用海伦公式计算底面三角形ABC的面积S:
三棱柱A1DE-ABC的体积V1可利用下式求得:
V1=S×z1
四边形B1C1ED的面积为S1,ΔA1DE在DE边上的高为h,四棱锥A1-B1C1ED的体积V2可由下式求得:
将求得的三棱柱A1DE-ABC的体积V1与四棱锥A1-B1C1ED的体积V2相加得到Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合体的体积V:
V=V1+V2
将求得的已知参数带入上述公式并化简得到:
V=S×(z1+z2+z3)/3
经过上述推导可得出唯一存在的z0为三角形的质心。至此可得出结论:任意形状的三角形在任一平面投影得到的空间集合体的体积,均可等效为由投影三角形质心所在平面向底面平面进行投影处理得到的直三棱柱的体积。
针对列车车厢,可得出该被测列车车厢内的载货总体积量可变换为以Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式。映射到厢内底面平面处的各个三角形作为集合体的底面,其面积可由海伦公式计算得出。并计算出载货面处点云数据构建出的Delaunay三角网中各个三角形的质心位置处的坐标数据,进一步运算得出各三角形的质心位置与厢内底面平面之间的垂直高度差作为集合体的高。上述求得的底面积与高的乘积即为所求集合体的体积,对求得的所有集合体的体积进行求和处理得到该被测列车车厢内的载货总体积量。
步骤七、利用步骤六中所得到的被测列车车厢的载货总体积量与载货列车所处轨道上装配的轨道衡所提供的重量变化数据计算出所载货物的体密度参数,对该参数的变化规律进行分析,即对该参数的稳定性进行判断,从而实现对货物在物流过程中进行有效监管的目的。
载货列车所处轨道上装配的轨道衡对进港重车状态与出港空车状态下的列车车厢分别进行称量,根据其重量数据的变化量得到该被测列车车厢内的载货重量,与步骤六中所得到的被测列车车厢的载货总体积量计算出车厢内所载货物的体密度参数,根据该密度参数在不同时间地点的变化规律分析其稳定性的优劣,进而实现对货物进行科学监管的目的。
参考图1~10,结合实例,通过应用本发明所述方法对一列装载散杂货物列车车厢进行载货体积及体密度质量检测的具体实施例对本发明所述方法做进一步说明:
激光扫描系统布设位置示意图如图2所示,高精度二维激光扫描仪安装于翻车机房进口的顶部中心线位置,在另一侧出口位置也安装有相同的激光扫描仪。OPC_Client系统装配于列车所处的载货轨道上,二者搭配用于获取被测装载散杂货物列车车厢的点云数据。图3(a)~(c)是激光扫描系统在不同视角下的三维结构示意图,该系统采用H型钢和U型夹对扫描设备进行固定,不仅无需增加焊点设计灵活,更具有结构强度高、牢固可靠的优势。
图1所示是本发明的流程示意图,其中本发明的一种基于点云数据处理的列车车厢载货体积及体密度质量检测方法包括七个步骤。
首先,安装于翻车机房进口与出口顶部中心线位置的二维激光扫描仪主动发射激光束,经被测列车车厢表面反射后再次被传感器接收,根据发射出激光束的回波角度与距离值计算得出被测装载散杂货物列车车厢的重车状态与空车状态在三维空间内x轴与z轴上的两组距离探测数据;根据OPC_Client系统采集被测列车车厢的状态信息,通过对车厢沿其运动方向的状态数据进行解算得到车厢沿y轴方向的运动状态数据,与上述得到的被测列车车厢在三维空间内x轴与z轴上的两组距离探测数据输送到数据工作站中联合解算,通过对列车车厢在不同状态下的扫描数据进行计算,得到该被测列车车厢重车状态与空车状态下的两组三维点云数据,如图4和图5所示分别是获取到的重车状态下的三维点云数据和空车状态下的三维点云数据;由于获取到的原始三维点云数据信息量巨大,对其进行模型的构建与载货总体积量的计算较为复杂,在满足计算精度与体积计算要求的前提下通过测试分析选取最佳的下采样间隔对获取到的原始三维点云数据进行处理,经过比对分析,最终确定下采样间隔为100。图6是对图4以100为间隔经过下采样处理后的重车状态下的三维点云数据。同理,图7是对图5以相同间隔进行下采样处理后的空车状态下的三维点云数据。经过下采样处理后,被测列车车厢重车状态下的三维点云数据和空车状态下的三维点云数据密度大幅度降低,缩短了点云数据运算处理的时间,提高了计算效率。但在空车车厢内部存在为加强两侧墙及侧墙与底架之间连接刚度的三根横梁和部分边缘轮廓区域存在冗余噪声点对被测列车车厢载货总体积量的计算产生影响,所以对其进行无关点去除处理,提高计算精度,如图8(a)所示是无关点去除处理前的空车状态下的三维点云数据,红色方框内是为加强列车车厢连接刚度的三根横梁,图8(b)是无关点去除处理后的空车状态下的三维点云数据,此时红色方框内三根横梁的点云数据已经去除。经过下采样处理与无关点去除处理后得到被测列车车厢重车状态与空车状态下的两组精简三维点云数据;接着将获取到的两组精简三维点云数据进行格网块划分,按照划分的逆序对格网块内的点云数据进行Delaunay三角网的构建。每相邻的三个杂散点云默认暂时构成一个三角形,当前构建完成的Delaunay三角网结果保存入数据库,构网过程中受到相邻网格中杂散点云影响的三角形与邻近三角形暂时保存并进行三角网的优化处理。对构建完成的两个Delaunay三角子网进行合并,按照上述的构网原则完成所有网格中Delaunay三角网的构建,被测列车车厢重车状态下的精简三维点云数据中载货面处点云数据进行Delaunay三角网构建得出被测车厢的顶面表面,被测列车车厢空车状态下的精简三维点云数据中厢底内表面处点云数据进行Delaunay三角网构建得出被测车厢的厢内底面平面。如图9所示是构建完成的重车载货面处的Delaunay三角网;然后,对载货面处点云数据构建出的Delaunay三角网中各个三角形向被测车厢的厢内底面平面进行投影处理,将Delaunay三角网中各个三角形映射到厢内底面平面。通过这样的处理方法,该被测列车车厢内载货的总体积量变换为以上述Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合的形式;利用海伦公式计算出映射到厢内底面平面处的各个三角形的面积,计算出载货面处点云数据构建出的Delaunay三角网中各个三角形的质心位置处的坐标数据,进一步运算得出各三角形的质心位置与厢内底面平面之间的垂直高度差。上述得出的三角形面积作为集合体的底面积,垂直高度差作为集合体的高,根据直三棱柱的计算公式求出二者的乘积便可得到Delaunay三角网中各个进行投影处理的三角形为顶面的三棱柱所组成的集合体的体积,重复上述过程,完成对所有集合体体积的求解,对其进行求和处理得到该被测列车车厢的载货总体积量为71.485m3;对所得的实测数据进行分析,被测列车车车厢的标准长度为10756mm,宽度为2750mm,高度为3184mm,经过上述方法测量得出列车车厢重车状态下的长度为10924mm,宽度为2749mm,高度为3103mm,相同条件下测量得出列车车厢空车状态下的长度为10934mm,宽度为2739mm,高度为3135mm。通过对被测列车车厢的标准尺寸和实际测量结果进行比对分析得出,应用本发明中所述方法对此列装载散杂货物列车车厢的测量误差在-2.54%到+1.65%之间,最小误差在测量重车状态的高度时产生,误差为-0.036%;最后,利用载货列车所处轨道上装配的轨道衡获取列车车厢在重车状态和空车状态下的重量数据,计算其重量差值得到该被测列车车厢内的载货总质量为80.06t,结合获取到的该列车车厢内的载货总体积量71.485m3可计算得出所载货物的体密度参数为1.125t/m3。根据该体密度参数信息可以判定此列车车厢内所载货物为烟煤。由此可知,利用本发明所述方法可以实现对列车车厢的载货体积及体密度质量检测,从而实现港口货物的自动化检测和货物有效监管的目的。
以上所述,仅为本发明具体实施方法的基本方案,但本发明的保护范围并不局限于此,任何熟悉本技术领域的人员在本发明公开的技术范围内,可想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。所有落入权利要求的等同的含义和范围内的变化都将包括在权利要求的范围之内。