CN110118526B - 一种支持实时监测的船载砂石体积自动计算方法 - Google Patents
一种支持实时监测的船载砂石体积自动计算方法 Download PDFInfo
- Publication number
- CN110118526B CN110118526B CN201910175999.6A CN201910175999A CN110118526B CN 110118526 B CN110118526 B CN 110118526B CN 201910175999 A CN201910175999 A CN 201910175999A CN 110118526 B CN110118526 B CN 110118526B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- ship
- sand
- full
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种支持实时监测的船载砂石体积自动计算方法,包括以下步骤:配置三维激光扫描仪;扫描空载砂船,自动识别提取场景点云数据中目标单体空船,进行点云漏洞自动修补,建立空载砂船点云数据模型;扫描满载砂船,自动识别提取场景点云数据中目标单体满船数据;对空载和满载的单体砂船点云数据进行高精度自动配准;提取两期砂船点云数据的船舱区域数据,通过高程差值积分解算船舶运砂量的体积。本发明能够实现对船舶运输砂石数据的实时采集、高效传输、精确计算。
Description
技术领域
本发明涉及地理空间信息系统技术领域,尤其涉及一种支持实时监测的船载砂石体积自动计算方法。
背景技术
在采砂、运砂这个行业现有的管理手段还处于一个比较落后的技术水平,船舶采砂方量没有精确的计算方式,靠“吃水位”的人工测量方式无法准确衡量船舶的实际方量。随着信息化的发展,和砂石工作的不断深入,如何利用3S技术自动、快速、准确的获取砂石体量成为亟须解决的问题。近十年来,三维激光雷达和多时相点云配准技术的快速发展,可快速获取的大场景点云数据为高精度的船船载砂石体积自动计算提供了有效可靠的数据支撑。但是,如何从江面大场景点云数据中快速、准确的提取出目标船只,如何对浮动船舶多点云数据进行自动精确配准以及如何降低点云数据漏洞对砂石体积计算结果精度的影响,是亟需解决的问题。
发明内容
为了解决上述问题,本发明的目的在于提供一种持实时监测的船载砂石体积自动计算方法,该方法针对浮动平台获取点云数据场景复杂、数据量大的特点,利用保样降采样和基于预设种子点的聚类分析实现点云场景中目标船只的快速精确提取;考虑到船舶运输过程中的浮动性而导致点云数据的局部特征错误,引入全局特征,并以平面作为基元实现点云数据自动配准;考虑到船舶点云数据缺失对砂石体积计算精度的影响,本发明利用改进的双线性最近邻内插算法实现扫描数据漏洞修复,从而实现对船舶运输砂石数据的实时采集、高效传输、精确计算。
为了实现上述的目的,本发明采用了以下的技术方案:
一种支持实时监测的船载砂石体积自动计算方法,该方法包括以下步骤:
步骤1,配置三维激光扫描仪,包括设置三维激光扫描仪的扫描参数配置和网络配置;
步骤2,空船数据建模:通过三维激光扫描仪扫描空载运砂船,对扫描数据进行处理得到空载运砂船数据模型并存储至船舶数据库;
步骤3,获取满船点云数据:通过三维激光扫描仪扫描位于浮动平台的满载运砂船,对于扫描数据进行处理提取目标单体满船点云数据;
步骤4,对空载和满载的运砂船点云数据进行高精度点云自动配准,包括,
步骤4.1,基于优化后的SK-4PCS算法进行点云粗配准;
步骤4.2,基于点对面的ICP算法进行点云精配准;
步骤5,提取出空、满载运砂船点云的船舱区域数据:从船舶数据库中调取目标运砂船对应的船舱边界点坐标,对配准后的空载运砂船点云数据和满载运砂船点云数据进行自动裁剪,得到空、满船的船舱点云数据;
步骤6,自动精确计算船舶载砂体积:根据空载船体与满载船体三维船舱数据模型的高程差值解算出船体运砂量的体积。
作为优选,步骤2中的三维激光扫描仪对空载运砂船进行多站点扫描,然后将多站点扫描数据拼接、裁剪生成空船数据模型。
作为优选,步骤2的实现包括以下步骤:
步骤2.1,空载运砂船数据标准化入库:对扫测得到的场景点云数据进行裁剪、拼接以获取到完整的目标空载运砂船数据,建立通用数据模型并存入船舶数据库。
步骤2.2,空载运砂船边界点坐标数据入库:记录空载运砂船点云数据船舱、船头、船尾部分的边界点三维坐标数据,存入船舶数据库。
作为优选,步骤3中的三维激光扫描仪安装在满载运砂船上方,其扫描范围完全覆盖满载运砂船所在区域;对于该三维激光仪获取的点云数据,基于该三维激光扫描仪的安装倾角进行方位纠正。
作为优选,步骤3的实现包括以下步骤:
步骤3.1,满船点云数据坐标系方向纠正:根据三维激光扫描仪设置的固定倾角,将满船点云数据坐标系旋转至z轴朝上;
步骤3.2,对满载运砂船点云数据进行数据精简:采用基于八叉树的数据精简算法减少数据量,提高数据处理的速度,为船载砂石体积计算提供数据基础;
步骤3.3,基于预设种子点的聚类分析算法对大场景点云数据进行目标船只的自动识别和快速提取:以三维激光扫描仪的位置为原点,在目标运砂船所在的区域内且相较三维激光扫描仪水平距离相同的范围内设置多个种子点,对场景点云数据采用基于欧式距离的聚类分析算法得到多个聚类点云,根据预设种子点坐标和聚类分析结果进行运砂船自动识别和提取,从而实现从大场景三维激光点云数据中精确的识别出运砂船点云数据。
作为优选,步骤4.1的具体实现包括以下步骤:
步骤Ⅰ,使用一系列高度间隔相同的横截面去分割点云,分别获取空船点云P和满船点云Q的横截面点云,并在横截面点云数据上检测和提取特征点,并将两组特征点集进行关联匹配,建立基础关联对;
步骤Ⅱ,从点集P中选取共面的四点作为基础对Bi,从点集Q中提取4点集合U={U1,U2,...,Ui},使得Ui通过矩阵变换与Bi近似一致,然后根据点集Bi和U计算最佳变换矩阵Ti;
步骤Ⅲ,重复步骤Ⅱ,对于不同的基础对B={B1,B2,...,Bi},计算其对应的最佳变换矩阵 T={T1,T2,...,Ti};步骤Ⅳ,计算Pi=P*Ti得到旋转后的空船点集Pi,然后采用ANN计算点集Pi处在满船点集Q中的距离δ内的点的个数k,选取k值最大对应的旋转平移矩阵Ti作为最优的刚性变换矩阵T。
作为优选,步骤4.2的具体实现包括:
从源点云中取特征点集X,并根据点到面的距离作为特征度量关系得到目标点云中对应的特征点集,计算得到旋转矩阵R、平移矩阵T;
利用所求矩阵,将源点云变换到目标点云的坐标系下,估计变换后源点云与目标点云的误差函数,若误差函数值大于预设阀值,则迭代进行上述运算直到满足给定的误差要求。
作为优选,步骤6的具体实现包括以下步骤:
步骤6.1,计算空、满船点云数据共同的最小外包围盒BoundingBox,以相同的采样间隔,分别将 BoundingBox范围内的空、满船点云数据投影到平面上,并以灰度作为高程信息生成空船DEM和满船DEM。
步骤6.2,计算满船DEM的最大凸包,针对位于凸包边界范围内的空船DEM和满船DEM的空白区域,采用双线性最邻近内插方法进行插值修补。
步骤6.3,以空载运砂船的DEM作为底层数据,满载运砂船的DEM作为上层数据,用上层DEM中每个格网的高程值Z1减去底层DEM中对应位置格网的高程值Z2,计算得到每个格网对应的高程差值,累加高程差值并根据DEM的格网大小计算最终得到船载砂石的体积Vol,体积计算公式为:Vol=Σ(|Z1-Z2|*m* m)。
本发明的方法通过软件程序实现,本发明的目的还在于提供一种存储介质以存储按上述方法流程编程的软件程序。
一种存储介质,存储介质上存储有计算机程序,程序被处理器执行实现如权利要求1-8中任一项所述的支持实时监测的船载砂石体积自动计算方法。
上述方法针对在浮动平台上获取的点云数据场景复杂且数据量大,造成目标船只的自动识别和快速提取成为挑战性难题之一的问题,提出通过保样降采样的方法实现保证数据局部特征完整的情况下,较大程度地减少点云数据量,进而提高系统的运行效率。然后采用基于聚类分析和预设种子点的场景点云自动裁剪算法提取出目标船只,实现从大场景三维激光点云数据中快速、准确地获取单体船只点云数据。针对由于浮动平台上获取的船舶点云数据存在的数据重影现象而导致需要估算局部特征的传统点云的配准方法无法适用的问题,本发明提出采用基于优化后的SK-4PCS(Semantic Keypoint based 4-PointsCongruent Sets)算法进行点云粗配准,基于点到面的ICP(Iterative Closest Point)算法进行点云精配准,实现浮动平台多点云数据的精确配准。针对如何准确修复点云数据大面积漏洞以实现精确估算砂石体积的问题,本发明提出以空载运砂船点云数据模型和满载运砂船表面点云数据模型计算最小外包围盒,并利用双线性最近邻插值的方法进行点云数据修复并通过空载运砂船DEM与满载运砂船DEM的对应格网高程差值计算得到船载砂石体积量。从而实现对船舶运输砂石数据的实时采集、高效传输、精确计算。
附图说明
图1为本发明的原理示意图。
图2为本发明的总体流程图。
图3为步骤3中三维激光扫描仪安装示意图。
图4为基于优化后的SK-4PCS点云粗配准算法流程图。
图5为基于点到面的IPC点云精配准算法流程图。
图6为步骤3中三维激光扫描仪安装倾角示意图。
图7为三维激光扫描仪方位纠正示意图。
图8为空船数据模型图。
图9为步骤3中三维激光扫描仪扫描到的场景满船点云数据示意。
图10为从图9中提取的单体满船点云数据示意。
图11为空、满载运砂船点云配准结果示意。
图12为经过步骤5处理后提取的船舱点云数据示意图(正视)。
图13为图12的另一角度的示意图。
具体实施方式
下面结合附图对本专利的优选实施方案作进一步详细的说明。
本发明公开了一种支持实时监测的船载砂石体积自动计算方法,参见图1,该方法的原理是获取空载船舶三维模型和满载船舶三维模型,检测并提取点云数据的特征点对,然后实现高精度点云自动配准,最后根据空、满船点云数据的高程值进行差值积分,计算得到船舶的载砂量。
本发明的总体技术流程如图2所示,首先利用三维激光扫描仪设备获取空载运砂船的点云数据,标准化处理建模入库;然后在采砂装载完成后,由扫描仪对停泊在江面上的满载运砂船进行全方位扫测得到场景点云数据,自动识别并裁剪出目标运砂船的满载点云数据;利用自动扫测的满载运砂船点云数据和该船舶的空载模型数据进行点云自动配准;根据船舱的边界点坐标对配准后的点云数据进行裁剪得到满载和空载的船舱点云数据;然后进行运砂船体积方量的精细计算。
本发明的实施例公开的一种支持实时监测的船载砂石体积自动计算方法,该方法通过计算机实现自动化处理,该方法包括以下步骤:
步骤1,配置三维激光扫描仪,包括设置三维激光扫描仪的扫描参数配置和网络配置。
基于上述的原理,三维激光扫描仪需要对空载状态下和运输状态的满载运砂船进行扫描,因此,需要实现对三维激光扫描仪进行扫描配置和网络配置以获取扫描数据并将三维激光扫描仪与数据库之间建立连接。
于实施例中,三维激光扫描仪与进行数据处理的装置之间可以通过无线或有线网络连接,由于扫描数据量很大,优选采用有线连接方式连接。
并且作为优选,通过设置配置文件对三维激光扫描仪进行指定项设置。
本实施例中,步骤1的实现包括以下步骤,
步骤1.1,在指定的xml文件中输入扫描仪IP,以及激光频率、垂直转速、水平转速、水平起始角、水平终止角、文件存储目录等信息;
步骤1.2,进行通讯设置:成功连接扫描仪后,会自动获取扫描仪的基本信息,包括设备编号、软件版本及固件版本等;成功连接扫描仪后,可修改设备IP和接收数据的端口号,然后手动重启设备则参数生效;
步骤1.3,进行参数的设置:包括扫描仪参数和存储信息的设置:扫描仪参数设置包括扫描频率、垂直电机速度以及水平电机方向速度、水平旋转起始角度和终止角度(注:水平起始角度和终止角度之间的差值必须是5的整数倍)、指定采集圈数的设置(注:当圈数设置为0时,表示持续采集;当圈数设置为1时,表示采集一圈数据,采集完成自动停止采集);存储信息设置包括存储路径、文件名、附加时间戳(文件名附带时间标签),存储信息的设置;
步骤1.4,连接扫描仪:将数据处理装置(例如电脑设备)连接扫描仪网线接口,并更改数据处理装置的以太网属性,在Internet协议版本4(TCP/IPv4)中填写IP地址;于实际应用中,也可以使用Internet 协议版本6。
步骤2,空船数据建模:通过三维激光扫描仪扫描空载运砂船,对扫描数据进行处理得到空载运砂船数据模型并存储至船舶数据库;
对空船数据建模在运砂船进入浮动平台前完成,为了获取空载运砂船的完整数据,步骤2中的三维激光扫描仪对空载运砂船进行多站点扫描,然后将多站点扫描数据拼接、裁剪生成空船数据模型,存入船舶数据库。对于各运砂船通过船舶编号进行区分,并将船舶编号存入船舶数据库中且与空船数据模型一一对应。
步骤2的实现包括以下步骤:
步骤2.1,空载运砂船数据标准化入库:对扫测得到的场景点云数据进行裁剪、拼接以获取到完整的目标空载运砂船数据,建立通用数据模型并存入船舶数据库。步骤2.1中,可以按预设的标准对入库的空船数据模型进行统一化处理,方便对数据的管理。
步骤2.2,空载运砂船边界点坐标数据入库:记录空载运砂船点云数据船舱、船头、船尾部分的边界点三维坐标数据,存入船舶数据库。
步骤2得到的空船数据模型如图8所示。
步骤3,获取满船点云数据:通过三维激光扫描仪扫描位于浮动平台的满载运砂船得到场景满船点云数据,如图9;对于扫描数据进行处理提取目标单体满船点云数据,如图10;
步骤3中的三维激光扫描仪安装在满载运砂船上方,其扫描范围完全覆盖满载运砂船所在区域,三维激光扫描仪的安装位置如图3所示;对于该三维激光仪获取的点云数据,基于该三维激光扫描仪的安装倾角进行方位纠正。由于三维激光扫描仪的安装位置相对运砂船较高,为保证可以完全扫描到待测运砂船所在区域,安装扫描仪时需要设置固定倾角δ使得激光扫描仪的底座向上倾斜δ,扫描仪镜头向下倾斜,如 7所示。因此,需要对场景点云数据进行方位纠正,即将点云数据坐标系旋转至z轴朝上,如图8所示,其中xyz坐标系为原始坐标系,x'y'z'坐标系为目标坐标系。
作为优选,步骤3的实现包括以下步骤:
步骤3.1,满船点云数据坐标系方向纠正:根据三维激光扫描仪设置的固定倾角,将满船点云数据坐标系旋转至z轴朝上;
步骤3.2,对满载运砂船点云数据进行数据精简:采用基于八叉树的数据精简算法减少数据量,提高数据处理的速度,为船载砂石体积计算提供数据基础;
步骤3.3,基于预设种子点的聚类分析算法对大场景点云数据进行目标船只的自动识别和快速提取:以三维激光扫描仪的位置为原点,在目标运砂船所在的区域内且相较三维激光扫描仪水平距离相同的范围内设置多个种子点,对场景点云数据采用基于欧式距离的聚类分析算法得到多个聚类点云,根据预设种子点坐标和聚类分析结果进行运砂船自动识别和提取,从而实现从大场景三维激光点云数据中精确的识别出运砂船点云数据。
由于浮动平台上获取的船舶点云数据存在重影现象,导致需要估算局部特征的传统点云粗配准方法无法适用,而船舶点云数据的横截面具有较为显著的特征,因此本系统采用SK-4PCS算法进行点云粗配准,采用Point to Plane ICP算法进行点云精配准,进而实现浮动平台点云数据的精确配准,具体按步骤4进行处理。
步骤4,对空载和满载的运砂船点云数据进行高精度点云自动配准,包括,
步骤4.1,基于优化后的SK-4PCS算法进行点云粗配准;
SK-4PCS算法是4PCS算法的变种,4PCS是利用共面四点的仿射不变性进行点云配准,在点云P、Q中找到多组的对应点,计算旋转变换矩阵,并计算每个变化矩阵的重合度,最后选择最高重合度的变化矩阵作为最有刚性变换矩阵。简单来说,优化后的SK-4PCS算法的思想是,在提取了上表面后,使用一系列高度间隔为ht的平行面去分割点云,对于分割面内的点,首先对其高度统一化,然后把他们看作2D图像,进行2D的特征提取和分割,在提取了每个横截面中的特征点后,我们需要对它们进行区分和连接,根据他们自身的位置,以及潜在位置赋予不通的标签。最终建立targettarget和sourcesource中语义点的意义对应关系,在搜寻到所有的SK-Point后,将这些SK-Points做为输入进行配对对的搜寻,不仅要满足原始的配准要求,同时其语义也要相同才能标记为匹配。优化后的SK-4PCS算法的详细说明可以参考葛旭明博士发表于ISPRS Journal of Photogrammetry and Remote Sensing130(2017)344–357的论文: Automatic markerless registration of point cloudswith semantic-keypoint-based 4-points congruent sets。
本申请中步骤4.1的根据满载运砂船数据的船舶编号信息从空船数据库中调取其对应的空载运砂船数据模型,以空船数据作为目标点云,满船数据作为源点云,利用优化的SK-4PCS算法对空船、满船点云数据进行点云粗配准,迭代计算得到最优的刚性变换矩阵T。其算法流程如图4所示,进一步,其具体实现包括以下步骤:
步骤Ⅰ,使用一系列高度间隔相同的横截面去分割点云,分别获取空船点云P和满船点云Q的横截面点云,并在横截面点云数据上检测和提取特征点,并将两组特征点集进行关联匹配,建立基础关联对;
步骤Ⅱ,从点集P中选取共面的四点作为基础对Bi,从点集Q中提取4点集合U={U1,U2,...,Ui},使得Ui通过矩阵变换与Bi近似一致,然后根据点集Bi和U计算最佳变换矩阵Ti;
步骤Ⅲ,重复步骤Ⅱ,对于不同的基础对B={B1,B2,...,Bi},计算其对应的最佳变换矩阵 T={T1,T2,...,Ti};步骤Ⅳ,计算Pi=P*Ti得到旋转后的空船点集Pi,然后采用ANN计算点集Pi处在满船点集Q中的距离δ内的点的个数k,选取k值最大对应的旋转平移矩阵Ti作为最优的刚性变换矩阵T。
步骤4.2,基于点对面的ICP算法进行点云精配准。其算法流程如图5所示,从源点云中取特征点集 X,并根据点到面的距离作为特征度量关系得到目标点云中对应的特征点集,计算得到旋转矩阵R、平移矩阵T;利用所求矩阵,将源点云变换到目标点云的坐标系下,估计变换后源点云与目标点云的误差函数,若误差函数值大于阀值,则迭代进行上述运算直到满足给定的误差要求。步骤4.2所述的原点源即经过步骤4.1处理后粗配准后旋转变换过的点云数据。
本实施例中,根据空船数据库中船头船尾的角点坐标,对粗配准后的空、满载运砂船点云数据分别进行裁剪,得到空船、满船的船头船尾点云数据。然后按照相同的采样间隔对空船、满船的船头船尾点云数据进行重采样,基于点到面的ICP算法对空船、满船的船头船尾点云数据进行点云精配准,计算得到最优旋转平移矩阵,并对满载运砂船点云数据进行旋转平移变换,得到配准后的满载运砂船点云数据。
经过步骤4处理后的得到的点云配准结果可参考如图11。
步骤5,提取出空、满载运砂船点云的船舱区域数据:从船舶数据库中调取目标运砂船对应的船舱边界点坐标,对配准后的空载运砂船点云数据和满载运砂船点云数据进行自动裁剪,得到空、满船的船舱点云数据;经过步骤5处理后得到的船舱点云数据示意可参考图12-13。
步骤6,自动精确计算船舶载砂体积:根据空载船体与满载船体三维船舱数据模型的高程差值解算出船体运砂量的体积。分别建立空、满船船舱部分点云数据的DEM,然后对DEM进行插值修补,最后以空船DEM作为底层数据,满船DEM作为上层数据,通过计算DEM高程差值的方法计算得到船载砂石体积。
步骤6的实现方式包括以下步骤,
步骤6.1,计算空、满船点云数据共同的最小外包围盒BoundingBox,以相同的采样间隔,分别将 BoundingBox范围内的空、满船点云数据投影到平面上,并以灰度作为高程信息生成空船DEM和满船DEM。
步骤6.2,计算满船DEM的最大凸包,针对位于凸包边界范围内的空船DEM和满船DEM的空白区域,采用双线性最邻近内插方法进行插值修补。
步骤6.3,以空载运砂船的DEM作为底层数据,满载运砂船的DEM作为上层数据,用上层DEM中每个格网的高程值Z1减去底层DEM中对应位置格网的高程值Z2,计算得到每个格网对应的高程差值,累加高程差值并根据DEM的格网大小(建立DEM时的采样间隔大小m)计算最终得到船载砂石的体积Vol,体积计算公式为:Vol=Σ(|Z1-Z2|*m*m)。
参见图2,本发明技术方案的步骤1实现了三维激光扫描仪系统的连接,步骤2实现了空载运砂船数据的获取,步骤3实现了满载运砂船数据的获取,步骤4实现点云高精度自动配准,步骤5进行了待测船舱区域的自动裁剪,步骤6实现了砂石体积计算。具体实施时,由本领域技术人员按照上述流程进行软件编程实现即可。
本发明针对浮动平台获取点云数据场景复杂、数据量大的特点,利用保样降采样和基于预设种子点的聚类分析实现点云场景中目标船只的快速精确提取;考虑到船舶运输过程中的浮动性而导致点云数据的局部特征错误,引入全局特征,并以平面作为基元实现点云数据自动配准;考虑到船舶点云数据缺失对砂石体积计算精度的影响,本发明利用改进的双线性最近邻内插算法实现扫描数据漏洞修复,从而实现对船舶运输砂石数据的实时采集、高效传输、精确计算。
本发明的实施例还公开了一种存储介质,该存储介质上存储有计算机程序,程序被处理器执行实现如上所述的支持实时监测的船载砂石体积自动计算方法。
Claims (9)
1.一种支持实时监测的船载砂石体积自动计算方法,其特征在于,包括以下步骤:
步骤1,配置三维激光扫描仪,包括设置三维激光扫描仪的扫描参数配置和网络配置;
步骤2,空船数据建模:通过三维激光扫描仪扫描空载运砂船,对扫描数据进行处理得到空载运砂船数据模型并存储至船舶数据库;
步骤3,获取满船点云数据:通过三维激光扫描仪扫描位于浮动平台的满载运砂船,对于扫描数据进行处理提取目标单体满船点云数据;
步骤4,对空载和满载的运砂船点云数据进行高精度点云自动配准,包括,
步骤4.1,基于优化后的SK-4PCS算法进行点云粗配准;
步骤4.2,基于点对面的ICP算法进行点云精配准;
步骤5,提取出空、满载运砂船点云的船舱区域数据:从船舶数据库中调取目标运砂船对应的船舱边界点坐标,对配准后的空载运砂船点云数据和满载运砂船点云数据进行自动裁剪,得到空、满船的船舱点云数据;
步骤6,自动精确计算船舶载砂体积:根据空载船体与满载船体三维船舱数据模型的高程差值解算出船体运砂量的体积。
2.根据权利要求1所述的一种支持实时监测的船载砂石体积自动计算方法,其特征在于,步骤2中的三维激光扫描仪对空载运砂船进行多站点扫描,然后将多站点扫描数据拼接、裁剪生成空船数据模型。
3.根据权利要求2所述的一种支持实时监测的船载砂石体积自动计算方法,其特征在于,步骤2的实现包括以下步骤:
步骤2.1,空载运砂船数据标准化入库:对扫测得到的场景点云数据进行裁剪、拼接以获取到完整的目标空载运砂船数据,建立通用数据模型并存入船舶数据库;
步骤2.2,空载运砂船边界点坐标数据入库:记录空载运砂船点云数据船舱、船头、船尾部分的边界点三维坐标数据,存入船舶数据库。
4.根据权利要求1所述的一种支持实时监测的船载砂石体积自动计算方法,其特征在于,步骤3中的三维激光扫描仪安装在满载运砂船上方,其扫描范围完全覆盖满载运砂船所在区域;对于该三维激光仪获取的点云数据,基于该三维激光扫描仪的安装倾角进行方位纠正。
5.根据权利要求4所述的一种支持实时监测的船载砂石体积自动计算方法,其特征在于,步骤3的实现包括以下步骤:
步骤3.1,满船点云数据坐标系方向纠正:根据三维激光扫描仪设置的固定倾角,将满船点云数据坐标系旋转至z轴朝上;
步骤3.2,对满载运砂船点云数据进行数据精简:采用基于八叉树的数据精简算法减少数据量,提高数据处理的速度,为船载砂石体积计算提供数据基础;
步骤3.3,基于预设种子点的聚类分析算法对大场景点云数据进行目标船只的自动识别和快速提取:以三维激光扫描仪的位置为原点,在目标运砂船所在的区域内且相较三维激光扫描仪水平距离相同的范围内设置多个种子点,对场景点云数据采用基于欧式距离的聚类分析算法得到多个聚类点云,根据预设种子点坐标和聚类分析结果进行运砂船自动识别和提取,从而实现从大场景三维激光点云数据中精确的识别出运砂船点云数据。
6.根据权利要求1所述的一种支持实时监测的船载砂石体积自动计算方法,其特征在于,步骤4.1的具体实现包括以下步骤:
步骤Ⅰ,使用一系列高度间隔相同的横截面去分割点云,分别获取空船点云P和满船点云Q的横截面点云,并在横截面点云数据上检测和提取特征点,并将两组特征点集进行关联匹配,建立基础关联对;
步骤Ⅱ,从点集P中选取共面的四点作为基础对Bi,从点集Q中提取4点集合U={U1,U2,...,Ui},使得Ui通过矩阵变换与Bi近似一致,然后根据点集Bi和U计算最佳变换矩阵Ti;
步骤Ⅲ,重复步骤Ⅱ,对于不同的基础对B={B1,B2,...,Bi},计算其对应的最佳变换矩阵T={T1,T2,...,Ti};步骤Ⅳ,计算Pi=P*Ti得到旋转后的空船点集Pi,然后采用ANN计算点集Pi处在满船点集Q中的距离δ内的点的个数k,选取k值最大对应的旋转平移矩阵Ti作为最优的刚性变换矩阵T。
7.根据权利要求1所述的一种支持实时监测的船载砂石体积自动计算方法,其特征在于,步骤4.2的具体实现包括:
从源点云中取特征点集X,并根据点到面的距离作为特征度量关系得到目标点云中对应的特征点集,计算得到旋转矩阵R、平移矩阵T;
利用所求矩阵,将源点云变换到目标点云的坐标系下,估计变换后源点云与目标点云的误差函数,若误差函数值大于预设阀值,则迭代进行上述运算直到满足给定的误差要求。
8.根据权利要求1所述的一种支持实时监测的船载砂石体积自动计算方法,其特征在于,步骤6的具体实现包括以下步骤:
步骤6.1,计算空、满船点云数据共同的最小外包围盒BoundingBox,以相同的采样间隔,分别将BoundingBox范围内的空、满船点云数据投影到平面上,并以灰度作为高程信息生成空船DEM和满船DEM;
步骤6.2,计算满船DEM的最大凸包,针对位于凸包边界范围内的空船DEM和满船DEM的空白区域,采用双线性最邻近内插方法进行插值修补;
步骤6.3,以空载运砂船的DEM作为底层数据,满载运砂船的DEM作为上层数据,用上层DEM中每个格网的高程值Z1减去底层DEM中对应位置格网的高程值Z2,计算得到每个格网对应的高程差值,累加高程差值并根据DEM的格网大小计算最终得到船载砂石的体积Vol,体积计算公式为:Vol=Σ(|Z1-Z2|*m *m)。
9.一种存储介质,其特征在于,存储介质上存储有计算机程序,程序被处理器执行实现如权利要求1-8中任一项所述的支持实时监测的船载砂石体积自动计算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175999.6A CN110118526B (zh) | 2019-03-08 | 2019-03-08 | 一种支持实时监测的船载砂石体积自动计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175999.6A CN110118526B (zh) | 2019-03-08 | 2019-03-08 | 一种支持实时监测的船载砂石体积自动计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110118526A CN110118526A (zh) | 2019-08-13 |
CN110118526B true CN110118526B (zh) | 2020-12-08 |
Family
ID=67520483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175999.6A Active CN110118526B (zh) | 2019-03-08 | 2019-03-08 | 一种支持实时监测的船载砂石体积自动计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110118526B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595356A (zh) * | 2019-09-10 | 2019-12-20 | 湖南海森格诺信息技术有限公司 | 人工储物环境中固体体积的测量方法 |
CN111174699A (zh) * | 2020-01-09 | 2020-05-19 | 富德康(北京)科技股份有限公司 | 一种散货质量测量方法 |
CN112053396A (zh) * | 2020-09-11 | 2020-12-08 | 舟山市质量技术监督检测研究院 | 一种船舶舱容积测量方法、装置、计算机设备及存储介质 |
CN112529958B (zh) * | 2020-12-10 | 2022-08-26 | 神华天津煤炭码头有限责任公司 | 一种单激光雷达散货货船舱口位置识别方法 |
CN112528871B (zh) * | 2020-12-14 | 2022-08-02 | 中科海慧(天津)科技有限公司 | 河道采砂识别方法、装置、电子设备及存储介质 |
CN113515878B (zh) * | 2021-07-07 | 2023-06-20 | 重庆交通大学 | 一种基于块石形状和破碎的堆积体离散元三维建模方法 |
CN114295053B (zh) * | 2021-12-31 | 2023-11-28 | 北京百度网讯科技有限公司 | 物料体积的确定方法及装置、设备、介质和产品 |
CN114972351B (zh) * | 2022-08-01 | 2022-11-11 | 深圳煜炜光学科技有限公司 | 矿车矿量检测方法、装置及设备 |
CN115542337B (zh) * | 2022-11-28 | 2023-05-12 | 成都维泰油气能源技术有限公司 | 一种钻井返出的岩屑监测方法、装置和存储介质 |
CN116384168B (zh) * | 2023-06-07 | 2023-08-18 | 江西省水投江河信息技术有限公司 | 一种运砂船的运砂量计算方法、系统、计算机及存储介质 |
CN117349970B (zh) * | 2023-12-05 | 2024-03-26 | 招商局金陵船舶(威海)有限公司 | 一种船舶装配布置自动合理性验证方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819023B (zh) * | 2008-12-18 | 2012-07-18 | 河海大学常州校区 | 一种非接触式的船舶几何尺寸的视觉测量装置 |
CN102831645A (zh) * | 2012-07-18 | 2012-12-19 | 哈尔滨工程大学 | 一种应用于海底地形的数字高程模型的建立方法 |
CN202880501U (zh) * | 2012-09-21 | 2013-04-17 | 天津港中煤华能煤码头有限公司 | 一种散货码头自动化装船系统 |
KR20150031510A (ko) * | 2013-09-16 | 2015-03-25 | 현대중공업 주식회사 | 선박의 흘수 측정시스템 |
CN103499322A (zh) * | 2013-10-12 | 2014-01-08 | 北京冶联科技有限公司 | 一种煤场储煤量的测量方法 |
CN108106546B (zh) * | 2017-12-26 | 2021-03-02 | 上海达华测绘有限公司 | 一种运砂船方量量测方法 |
CN108627091A (zh) * | 2018-04-02 | 2018-10-09 | 中交天航南方交通建设有限公司 | 一种用于测量船舱装舱量的方法及系统 |
CN108765474A (zh) * | 2018-04-17 | 2018-11-06 | 天津工业大学 | 一种针对ct与光学扫描牙齿模型的高效配准方法 |
CN108827200A (zh) * | 2018-04-23 | 2018-11-16 | 大连理工大学 | 一种船体分段智能检测系统及方法 |
CN108919299A (zh) * | 2018-06-27 | 2018-11-30 | 武汉理工大学 | 基于多线激光面扫描的船舶干舷高度智能感测系统及方法 |
CN109285184B (zh) * | 2018-08-29 | 2021-09-10 | 三峡大学 | 基于重心与质心变换的三维点云初始配准算法 |
-
2019
- 2019-03-08 CN CN201910175999.6A patent/CN110118526B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110118526A (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110118526B (zh) | 一种支持实时监测的船载砂石体积自动计算方法 | |
Oehler et al. | Efficient multi-resolution plane segmentation of 3D point clouds | |
Lari et al. | An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data | |
CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
CN110969624A (zh) | 一种激光雷达三维点云分割方法 | |
CN107767456A (zh) | 一种基于rgb‑d相机的物体三维重建方法 | |
CN110060338B (zh) | 一种基于bim模型的预制构件点云识别方法 | |
CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN104040590A (zh) | 用于估计物体的姿态的方法 | |
CN111260289A (zh) | 一种基于视觉导航的微型无人机仓库盘点系统及方法 | |
US11965967B2 (en) | Apparatus and method for detecting intersection edges | |
CN108804714A (zh) | 点云数据存储方法及装置 | |
CN112819883A (zh) | 一种规则对象检测及定位方法 | |
CN111028345B (zh) | 一种港口场景下圆形管道的自动识别与对接方法 | |
CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
CN112669458A (zh) | 基于激光点云进行地面滤波的方法、设备和程序载体 | |
CN112258474A (zh) | 一种墙面异常检测方法和装置 | |
CN115235375A (zh) | 盖板类工件的多圆特征参数测量方法、检测方法和装置 | |
CN113128346B (zh) | 起重机施工现场的目标识别方法、系统、装置及存储介质 | |
CN113870326A (zh) | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
Hebel et al. | Pre-classification of points and segmentation of urban objects by scan line analysis of airborne LiDAR data | |
CN116309817A (zh) | 一种基于rgb-d相机的托盘检测与定位方法 | |
Hebel et al. | Automatic registration of laser point clouds of urban areas | |
CN111429507A (zh) | 一种基于多个3d镜头的测量体积装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |