CN112731441B - 一种敞车车厢状态检测装置及方法 - Google Patents
一种敞车车厢状态检测装置及方法 Download PDFInfo
- Publication number
- CN112731441B CN112731441B CN202110022672.2A CN202110022672A CN112731441B CN 112731441 B CN112731441 B CN 112731441B CN 202110022672 A CN202110022672 A CN 202110022672A CN 112731441 B CN112731441 B CN 112731441B
- Authority
- CN
- China
- Prior art keywords
- carriage
- point cloud
- cloud data
- max
- dimensional point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000001514 detection method Methods 0.000 title claims description 20
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 230000005484 gravity Effects 0.000 claims description 12
- 230000007306 turnover Effects 0.000 abstract description 4
- 239000003245 coal Substances 0.000 description 3
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及一种敞车车厢状态检测装置及方法,该装置包括数据采集单元,用于获取车厢的二维点云数据;三维点云数据获取单元,用于通过所述二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据;下采样和滤波处理单元,用于对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据;点云分割单元,用于对所述处理后的车厢横截面轮廓的三维点云数据进行点云分割处理,得到目标点云数据;阈值设置和判断单元,用于设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态。从而可以极大的提高翻车机房的作业效率。
Description
技术领域
本发明涉及点云数据处理领域,特别是涉及一种敞车车厢状态检测装置及方法。
背景技术
随着自动化控制和通讯技术的快速发展,各行各业的自动化程度也越来越高。散杂货港口的自动装卸技术的研究越来越受到国内外业界的关注。散杂货港口是重要国内外贸易的重要港口,煤炭、矿石等的运输是其主营业务,散杂货的装卸主要采用自动翻车的方式。
目前,国内外大型散杂货港口急需技术改造,实现无人化港口,其中,翻车机房作为货物进入散杂货港口的关键环节,其自动化程度决定了散杂货进入堆场的工作效率。传统的翻车机房存在漏翻的情况,需人为查看是否漏翻,然后再进行处理,导致散杂货入港效率不高。
而且,国内的多数的散杂货港口都是半自动化操作,在实际的翻车机房车厢状态实时检测中主要是依靠人和图像设备。但是,依靠人为检测,极大浪费人力,不便于二十四小时长时间作业;图像设备受限于每天二十四小时的光线变化,同时港口环境恶劣,不利于图像设备的工作。
因此,如何提供一种使散杂货港口翻车机房能够快速准确的获取车厢状态的检测装置及方法,成为本领域亟需解决的问题。
发明内容
本发明的目的是提供一种敞车车厢状态检测装置及方法,本发明通过在翻车机房出口上方安装二维激光雷达,获取车厢的二维点云数据,将二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据,通过对三维点云数据进行处理得到目标点云数据,然后将目标点云数据与预设阈值进行比较,通过比较结果能够快速准确的判断车厢的状态。
为实现上述目的,本发明提供了如下方案:
一种敞车车厢状态检测装置,包括:
数据采集单元,用于获取车厢的二维点云数据;
三维点云数据获取单元,用于通过所述二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据;
下采样和滤波处理单元,用于对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据;
点云分割单元,用于对所述处理后的车厢横截面轮廓的三维点云数据进行点云分割处理,得到目标点云数据;
阈值设置和判断单元,用于设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态。
可选的,数据采集单元,用于获取车厢的二维点云数据具体包括:
所述数据采集单元获取三次以上连续扫描的点云数据作为一组二维点云数据,所述数据采集单元的探测距离是毫米级的,每次采集的间隔低于1cm,扫描频率高于30hz。
可选的,所述下采样和滤波处理单元,用于对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据具体包括:
在所述三维点云数据中创建三维体素栅格;
确定每个体素的重心;
用所述重心来表达体素中的其它点,得到新的点云数据;
对所述新的点云数据进行滤波,得到处理后的车厢横截面轮廓的三维点云数据。
可选的,所述目标点云数据包括车厢底板、车厢端墙、车厢与车厢之间的连接部分、车厢内部的横梁和车厢满载时的货物的表面的点云数据。
可选的,所述阈值设置和判断单元,用于设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态具体包括:
设置高度阈值,所述高度阈值分别为:地面到车厢底板上表面高度h1,地面到车厢内横梁上表面的高度h2,地面到端墙上表面的高度h3,并且h1<h2<h3,单位为mm;
设置修正值,所述修正值为200mm;
确定最大垂直高度的平均值hmax,所述hmax为十个具有最大垂直高度的点的平均值,单位为mm;
确定最小垂直高度的平均值hmin,所述hmin为十个具有最小垂直高度的点的平均值,单位为mm;
将所述hmax和所述hmin分别与所述高度阈值进行比较;
若hmax>h1且hmin<h1,则扫描到的是车厢与车厢之间的连接部分;
若hmax>h3且hmin<h1,则同时扫描到的是车厢与车厢之间的连接部分和车厢端墙;
若h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙;
若h1≤hmax<h1+200或h1≤hmin<h1+200,则扫描到的是车厢底板,车厢状态为空车;
若h2≤hmin<h2+200,则扫描到的是车厢内部的横梁;
若h2≤hmax<h2+200且h1≤hmin<h1+200,则扫描到的是车厢内部的横梁和车厢底板,车厢状态为空车;
若h3≤hmax<h3+200且h1≤hmin<h1+200,则扫描到的是车厢端墙和车厢底板,车厢状态为空车。
本发明还提供了一种敞车车厢状态检测方法,包括以下步骤:
获取车厢的二维点云数据;
通过所述二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据;
对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据;
对所述处理后的车厢横截面轮廓的三维点云数据进行点云分割处理,得到目标点云数据;
设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态。
可选的,所述二维点云数据为三次以上连续扫描的点云数据。
可选的,对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据具体包括:
在所述三维点云数据中创建三维体素栅格;
确定每个体素的重心;
用所述重心来表达体素中的其它点,得到新的点云数据;
对所述新的点云数据进行滤波,得到处理后的车厢横截面轮廓的三维点云数据。
可选的,所述目标点云数据包括车厢底板、车厢端墙、车厢与车厢之间的连接部分、车厢内部的横梁和车厢满载时的货物的表面的点云数据。
可选的,所述设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态具体包括:
设置高度阈值,所述高度阈值分别为:地面到车厢底板上表面高度h1,地面到车厢内横梁上表面的高度h2,地面到端墙上表面的高度h3,并且h1<h2<h3,单位为mm;
设置修正值,所述修正值为200mm;
确定最大垂直高度的平均值hmax,所述hmax为十个具有最大垂直高度的点的平均值,单位为mm;
确定最小垂直高度的平均值hmin,所述hmin为十个具有最小垂直高度的点的平均值,单位为mm;
将所述hmax和所述hmin分别与所述高度阈值进行比较;
若hmax>h1且hmin<h1,则扫描到的是车厢与车厢之间的连接部分;
若hmax>h3且hmin<h1,则同时扫描到的是车厢与车厢之间的连接部分和车厢端墙;
若h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙;
若h1≤hmax<h1+200或h1≤hmin<h1+200,则扫描到的是车厢底板,车厢状态为空车;
若h2≤hmin<h2+200,则扫描到的是车厢内部的横梁;
若h2≤hmax<h2+200且h1≤hmin<h1+200,则扫描到的是车厢内部的横梁和车厢底板,车厢状态为空车;
若h3≤hmax<h3+200且h1≤hmin<h1+200,则扫描到的是车厢端墙和车厢底板,车厢状态为空车。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种敞车车厢状态检测装置及方法,本发明通过在翻车机房出口上方安装二维激光雷达,获取车厢的二维点云数据,将二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据,通过对三维点云数据进行下采样、滤波和点云分割处理得到目标点云数据,然后将目标点云数据与预设阈值进行比较,根据比较结果能够判断车厢的状态,从而能够大大提高翻车机房的工作效率。本发明比图像设备的处理速度更快,且不受图像感光度、分辨率和视野的影响,在车厢驶出翻车机房的时候,能够快速、准确、实时的识别出车厢状态,值得推广应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中敞车车厢状态检测装置的结构示意图。
图2为本发明实施例2中敞车车厢状态检测方法的流程图。
图3为三次连续扫描的空车厢内部状态的点云数据。
图4是图3下采样和滤波之后的空车厢内部状态的点云数据。
图5是图4的点云数据标记出两个侧墙内的点云数据(黑色方框内)。
图6是图5两个侧墙内的点云数据。
图7是三次连续扫描的满载状态的点云数据。
图8是图7下采样和滤波之后的满载状态的点云数据。
图9是图8的点云数据标记出两个侧墙之内的点云数据(黑色方框内)。
图10满载时两个侧墙内的点云数据。
图11扫描到的是车厢与车厢之间的连接部分和车厢端墙的点云数据。
图12扫描到的是车厢端墙的点云数据。
图13扫描到的是车厢端墙和空车厢内部状态的点云数据。
图14扫描到的是车厢内部的横梁和空车厢内部状态的点云数据。
图15扫描到的是车厢内部的横梁的点云数据。
图16扫描到的是车厢与车厢之间的连接部分的点云数据。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种敞车车厢状态检测装置及方法,通过翻车机房出口上方的二维激光雷达获取敞车车厢的二维点云数据,通过二维点云数据和车厢前进方向以及运动速度得到三维点云数据,通过对三维点云数据进行下采样、滤波和点云分割处理得到目标点云数据,然后将目标点云数据与预设阈值进行比较,根据比较结果能够快速、准确、实时的判断车厢的状态。而且使用二维激光雷达不受图像感光度、分辨率和视野的影响。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
请参阅图1,本发明提供的一种敞车车厢状态检测装置,包括:
数据采集单元1,用于获取三次以上连续扫描的点云数据作为一组二维点云数据,所述数据采集单元1的探测距离是毫米级的,每次采集的间隔低于1cm,扫描频率高于30hz。
三维点云数据获取单元2,用于通过所述二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据;
具体的,敞车车厢包括两个端墙、两个侧墙以及一个底板,两个侧墙之间有多个横梁,翻车机房出口上方安装有二维激光雷达,二维激光雷达的扫射面垂直于地面,地面、扫射面和左边侧墙所在的平面两两垂直,它们的三条交线交于一点O,将O点定义为坐标原点,定义地面与扫射面的交线为x轴,定义地面与左边侧墙所在平面交线为y轴,定义扫射面与左边侧墙所在的平面交线为z轴,当车厢经过出口时,每扫描一次,二维激光雷达可以得到x轴与z轴上的距离探测数据,结合控制系统获取车厢的前进方向和速度进行解算,得到y轴的数据,其精度为毫米级,将一次扫描的x轴、y轴和z轴的距离探测数据联合解算得到三维点云数据,得到车厢横截面整体轮廓。
下采样和滤波处理单元3,用于对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据;
具体的,在所述三维点云数据中创建三维体素栅格;
确定每个体素的重心;
用所述重心来表达体素中的其它点,得到新的点云数据;
对所述新的点云数据进行滤波,得到处理后的车厢横截面轮廓的三维点云数据。
需要说明的是,对所述三维点云数据进行下采样和滤波处理的目的是去除因煤炭、粉尘和水汽产生的杂点和离群点,得到车厢横截面轮廓清晰的三维点云数据。
点云分割单元4,用于对所述处理后的车厢横截面轮廓的三维点云数据进行点云分割处理,得到目标点云数据。
需要说明的是,进行点云分割处理的目的是因为火车车厢侧墙上的点多空车状态的识别没有作用,反而对识别产生干扰,增加点云的计算,从而对点云数据进行点云分割,提取出两个侧墙内的点云数据,得到目标点云数据。
所述目标点云数据包括车厢底板、车厢端墙、车厢与车厢之间的连接部分、车厢内部的横梁和车厢满载时的货物的表面的点云数据。
阈值设置和判断单元5,用于设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态。
具体的,包括设置高度阈值,所述高度阈值分别为:地面到车厢底板上表面高度h1,地面到车厢内横梁上表面的高度h2,地面到端墙上表面的高度h3,并且h1<h2<h3,单位为mm;
设置修正值,所述修正值为200mm;
确定最大垂直高度的平均值hmax,所述hmax为十个具有最大垂直高度的点的平均值,单位为mm;
确定最小垂直高度的平均值hmin,所述hmin为十个具有最小垂直高度的点的平均值,单位为mm;
将所述hmax和所述hmin分别与所述高度阈值进行比较;
(1)若hmax>h1且hmin<h1,则扫描到的是车厢与车厢之间的连接部分;
(2)若hmax>h3且hmin<h1,则同时扫描到的是车厢与车厢之间的连接部分和车厢端墙;
(3)若h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙;
(4)若h1≤hmax<h1+200或h1≤hmin<h1+200,则扫描到的是车厢底板,车厢状态为空车;
(5)若h2≤hmin<h2+200,则扫描到的是车厢内部的横梁;
(6)若h2≤hmax<h2+200且h1≤hmin<h1+200,则扫描到的是车厢内部的横梁和车厢底板,车厢状态为空车;
(7)若h3≤hmax<h3+200且h1≤hmin<h1+200,则扫描到的是车厢端墙和车厢底板,车厢状态为空车。
由条件(3)可以判断出车厢满载,条件(4)、(6)和(7)可以判断出车厢空车,其余条件不能判断出车厢满载空车的状态,只能重新获取点云数据进行判断。
具体实施时,考虑到目标点云数据每个点的z坐标值都会受到车厢表面杂货残余的影响,所以判断时必须得将预设的高度值加上200mm,然后将修正过后的高度值与最大垂直高度的平均值hmax和最小垂直高度的平均值hmin进行对比,判断车厢是空车还是满载的状态。
需要说明的是,本发明所列举的修正值为200mm,但是在实际应用时修正值也可以是其他的值,并不仅限于此。
实施例2:
请参阅图2,本发明还提供了一种敞车车厢状态检测方法,包括以下步骤:
S1:获取车厢三次以上连续扫描的二维点云数据;
S2:通过所述二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据;
S3:对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据;
具体的,在所述三维点云数据中创建三维体素栅格;
确定每个体素的重心;
用所述重心来表达体素中的其它点,得到新的点云数据;
对所述新的点云数据进行滤波,得到处理后的车厢横截面轮廓的三维点云数据。
需要说明的是,对所述三维点云数据进行下采样和滤波处理的目的是去除因煤炭、粉尘和水汽产生的杂点和离群点,得到车厢横截面轮廓清晰的三维点云数据。
S4:对所述处理后的车厢横截面轮廓的三维点云数据进行点云分割处理,得到目标点云数据;所述目标点云数据包括车厢底板、车厢端墙、车厢与车厢之间的连接部分、车厢内部的横梁和车厢满载时的货物的表面的点云数据。
需要说明的是,进行点云分割处理的目的是因为火车车厢侧墙上的点多空车状态的识别没有作用,反而对识别产生干扰,增加点云的计算,从而对点云数据进行点云分割,提取出两个侧墙内的点云数据,得到目标点云数据。
S5:设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态。
具体的,包括设置高度阈值,所述高度阈值分别为:地面到车厢底板上表面高度h1,地面到车厢内横梁上表面的高度h2,地面到端墙上表面的高度h3,并且h1<h2<h3,单位为mm;
设置修正值,所述修正值为200mm;
确定最大垂直高度的平均值hmax,所述hmax为十个具有最大垂直高度的点的平均值,单位为mm;
确定最小垂直高度的平均值hmin,所述hmin为十个具有最小垂直高度的点的平均值,单位为mm;
将所述hmax和所述hmin分别与所述高度阈值进行比较;
(1)若hmax>h1且hmin<h1,则扫描到的是车厢与车厢之间的连接部分;
(2)若hmax>h3且hmin<h1,则同时扫描到的是车厢与车厢之间的连接部分和车厢端墙;
(3)若h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙;
(4)若h1≤hmax<h1+200或h1≤hmin<h1+200,则扫描到的是车厢底板,车厢状态为空车;
(5)若h2≤hmin<h2+200,则扫描到的是车厢内部的横梁;
(6)若h2≤hmax<h2+200且h1≤hmin<h1+200,则扫描到的是车厢内部的横梁和车厢底板,车厢状态为空车;
(7)若h3≤hmax<h3+200且h1≤hmin<h1+200,则扫描到的是车厢端墙和车厢底板,车厢状态为空车。
由条件(3)可以判断出车厢满载,条件(4)、(6)和(7)可以判断出车厢空车,其余条件不能判断出车厢满载空车的状态,只能重新获取点云数据进行判断。
具体实施时,考虑到目标点云数据每个点的z坐标值都会受到车厢表面杂货残余的影响,所以判断时必须得将预设的高度值加上200mm,然后将修正过后的高度值与最大垂直高度的平均值hmax和最小垂直高度的平均值hmin进行对比,判断车厢是空车还是满载的状态。
需要说明的是,本发明所列举的修正值为200mm,但是在实际应用时修正值也可以是其他的值,并不仅限于此。
作为一种可能的实现方式,请参阅图3-图16。
在检测过程中,被测列车地面到车厢底板上表面高度为h1=1680mm,地面到车厢内横梁上表面的高度为h2=3600mm,地面到端墙上表面的高度为h3=4450mm。
二维激光雷达获取的点云数据如图3所示,图3是三次连续扫描的空车厢内部状态的点云数据,经过下采样和滤波之后得到点云数据如图4所示,然后经过点云分割之后如图5所示,图5是图4的点云数据标记出两个侧墙内的点云数据(黑色方框内),图6是图5两个侧墙内的点云数据,经过计算最大垂直高度的平均值hmax和最小垂直高度的平均值hmin,可得hmax=1743mm,hmin=1688mm;可以判断hmax和hmin满足步骤S5的条件(4)h1≤hmax<h1+200或h1≤hmin<h1+200,则扫描到的是车厢底板,可判断车厢状态为空车。
二维激光雷达获取的点云数据如图7所示,图7是三次连续扫描的满载状态的点云数据,经过下采样和滤波之后得到点云数据如图8所示,然后经过点云分割之后如图9所示,图9是图8的点云数据标记出两个侧墙之内的点云数据(黑色方框内),图10满载时两个侧墙内的点云数据,经过计算最大垂直高度的平均值hmax和最小垂直高度的平均值hmin,可得hmax=4139mm,hmin=3757mm;可以判断hmax和hmin满足步骤S5的条件(3)h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙。
依次类推,图11扫描到的是车厢与车厢之间的连接部分和车厢端墙的点云数据,经过计算后,hmax=4457mm,hmin=453mm,可以判断hmax和hmin满足步骤S5的条件(2)hmax>h3且hmin<h1,则同时扫描到的是车厢与车厢之间的连接部分和车厢端墙。
图12扫描到的是车厢端墙的点云数据,经过计算后,hmax=4456mm,hmin=3933mm,可以判断hmax和hmin满足步骤S5的条件(3)h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙。
图13扫描到的是车厢端墙和空车厢内部状态的点云数据,经过计算后,hmax=4487mm,hmin=1697mm,可以判断hmax和hmin满足步骤S5的条件(7)h3≤hmax<h3+200且h1≤hmin<h1+200,则扫描到的是车厢端墙和车厢底板,车厢状态为空车。
图14扫描到的是车厢内部的横梁和空车厢内部状态的点云数据,经过计算后,hmax=3615mm,hmin=1784mm,可以判断hmax和hmin满足步骤S5的条件(6)h2≤hmax<h2+200且h1≤hmin<h1+200,则扫描到的是车厢内部的横梁和车厢底板,车厢状态为空车。
图15扫描到的是车厢内部的横梁的点云数据,进过计算后,hmax=3834mm,hmin=3608mm,可以判断hmax和hmin满足步骤S5的条件(5)h2≤hmin<h2+200,则扫描到的是车厢内部的横梁。
图16扫描到的是车厢与车厢之间的连接部分的点云数据,经过计算后,hmax=3837mm,hmin=474mm,可以判断hmax和hmin满足步骤S5的条件(1)hmax>h1且hmin<h1,则扫描到的是车厢与车厢之间的连接部分。
当条件满足时,都可以得到结果。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种敞车车厢状态检测装置,其特征在于,包括:
数据采集单元,用于获取车厢的二维点云数据,所述二维点云数据为三次以上连续扫描的点云数据;
三维点云数据获取单元,用于通过所述二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据;
下采样和滤波处理单元,用于对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据;
点云分割单元,用于对所述处理后的车厢横截面轮廓的三维点云数据进行点云分割处理,得到目标点云数据;
阈值设置和判断单元,用于设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态;
所述阈值设置和判断单元,用于设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态具体包括:
设置高度阈值,所述高度阈值分别为:地面到车厢底板上表面高度h1,地面到车厢内横梁上表面的高度h2,地面到端墙上表面的高度h3,并且h1<h2<h3,单位为mm;
设置修正值,所述修正值为200mm;
确定最大垂直高度的平均值hmax,所述hmax为十个具有最大垂直高度的点的平均值,单位为mm;
确定最小垂直高度的平均值hmin,所述hmin为十个具有最小垂直高度的点的平均值,单位为mm;
将所述hmax和所述hmin分别与所述高度阈值进行比较;
若hmax>h1且hmin<h1,则扫描到的部分是车厢与车厢之间的连接部分;
若hmax>h3且hmin<h1,则同时扫描到的是车厢与车厢之间的连接部分和车厢端墙;
若h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙;
若h1≤hmax<h1+200或h1≤hmin<h1+200,则扫描到的是车厢底板,车厢状态为空车;
若h2≤hmin<h2+200,则扫描到的是车厢内部的横梁;
若h2≤hmax<h2+200且h1≤hmin<h1+200,则扫描到的是车厢内部的横梁和车厢底板,车厢状态为空车;
若h3≤hmax<h3+200且h1≤hmin<h1+200,则扫描到的是车厢端墙和车厢底板,车厢状态为空车。
2.根据权利要求1所述的敞车车厢状态检测装置,其特征在于,数据采集单元,用于获取车厢的二维点云数据具体包括:
所述数据采集单元获取三次以上连续扫描的点云数据作为一组二维点云数据,所述数据采集单元的探测距离是毫米级的,每次采集的间隔低于1cm,扫描频率高于30hz。
3.根据权利要求1所述的敞车车厢状态检测装置,其特征在于,所述下采样和滤波处理单元,用于对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据具体包括:
在所述三维点云数据中创建三维体素栅格;
确定每个体素的重心;
用所述重心来表达体素中的其它点,得到新的点云数据;
对所述新的点云数据进行滤波,得到处理后的车厢横截面轮廓的三维点云数据。
4.根据权利要求1所述的敞车车厢状态检测装置,其特征在于,所述目标点云数据包括车厢底板、车厢端墙、车厢与车厢之间的连接部分、车厢内部的横梁和车厢满载时的货物的表面的点云数据。
5.一种敞车车厢状态检测方法,其特征在于,包括以下步骤:
获取车厢的二维点云数据,所述二维点云数据为三次以上连续扫描的点云数据;
通过所述二维点云数据与车厢的前进方向和运动速度结合,得到三维点云数据;
对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据;
对所述处理后的车厢横截面轮廓的三维点云数据进行点云分割处理,得到目标点云数据;
设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态;
所述设置高度阈值和修正值,将所述目标点云数据与所述高度阈值进行比较,根据比较结果判断车厢状态具体包括:
设置高度阈值,所述高度阈值分别为:地面到车厢底板上表面高度h1,地面到车厢内横梁上表面的高度h2,地面到端墙上表面的高度h3,并且h1<h2<h3,单位为mm;
设置修正值,所述修正值为200mm;
确定最大垂直高度的平均值hmax,所述hmax为十个具有最大垂直高度的点的平均值,单位为mm;
确定最小垂直高度的平均值hmin,所述hmin为十个具有最小垂直高度的点的平均值,单位为mm;
将所述hmax和所述hmin分别与所述高度阈值进行比较;
若hmax>h1且hmin<h1,则扫描到的部分是车厢与车厢之间的连接部分;
若hmax>h3且hmin<h1,则同时扫描到的是车厢与车厢之间的连接部分和车厢端墙;
若h2<hmax<h3+200且h2<hmin<h3+200,则扫描到的车厢是满载时的货物表面或者是车厢端墙,如果两次采集数据都满足h2<hmax<h3+200且h2<hmin<h3+200,则车厢状态为满载,否则扫描到的是车厢端墙;
若h1≤hmax<h1+200或h1≤hmin<h1+200,则扫描到的是车厢底板,车厢状态为空车;
若h2≤hmin<h2+200,则扫描到的是车厢内部的横梁;
若h2≤hmax<h2+200且h1≤hmin<h1+200,则扫描到的是车厢内部的横梁和车厢底板,车厢状态为空车;
若h3≤hmax<h3+200且h1≤hmin<h1+200,则扫描到的是车厢端墙和车厢底板,车厢状态为空车。
6.根据权利要求5所述的敞车车厢状态检测方法,其特征在于,所述二维点云数据为三次以上连续扫描的点云数据。
7.根据权利要求5所述的敞车车厢状态检测方法,其特征在于,对所述三维点云数据进行下采样处理和滤波处理,得到处理后的车厢横截面轮廓的三维点云数据具体包括:
在所述三维点云数据中创建三维体素栅格;
确定每个体素的重心;
用所述重心来表达体素中的其它点,得到新的点云数据;
对所述新的点云数据进行滤波,得到处理后的车厢横截面轮廓的三维点云数据。
8.根据权利要求5所述的敞车车厢状态检测方法,其特征在于,所述目标点云数据包括车厢底板、车厢端墙、车厢与车厢之间的连接部分、车厢内部的横梁和车厢满载时的货物的表面的点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022672.2A CN112731441B (zh) | 2021-01-08 | 2021-01-08 | 一种敞车车厢状态检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022672.2A CN112731441B (zh) | 2021-01-08 | 2021-01-08 | 一种敞车车厢状态检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731441A CN112731441A (zh) | 2021-04-30 |
CN112731441B true CN112731441B (zh) | 2022-09-16 |
Family
ID=75591272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110022672.2A Active CN112731441B (zh) | 2021-01-08 | 2021-01-08 | 一种敞车车厢状态检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731441B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114608477A (zh) * | 2022-03-17 | 2022-06-10 | 中冶赛迪重庆信息技术有限公司 | 一种车厢内部的测量方法及测量装置 |
CN115984195B (zh) * | 2022-12-16 | 2023-09-29 | 秦皇岛燕大滨沅科技发展有限公司 | 一种基于三维点云的车厢轮廓检测方法及系统 |
CN116533998B (zh) * | 2023-07-04 | 2023-09-29 | 深圳海星智驾科技有限公司 | 车辆的自动驾驶方法、装置、设备、存储介质及车辆 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2431250A2 (de) * | 2010-09-16 | 2012-03-21 | KNORR-BREMSE Systeme für Schienenfahrzeuge GmbH | Verfahren zur Entgleisungsdetektion bei einem Wagon |
CN103901499A (zh) * | 2014-04-18 | 2014-07-02 | 燕山大学 | 基于三维重建技术的c80车体表面异物检测装置及方法 |
CN107314741A (zh) * | 2017-03-01 | 2017-11-03 | 秦皇岛燕大燕软信息系统有限公司 | 货物体积测量方法 |
CN109029254A (zh) * | 2018-07-03 | 2018-12-18 | 燕山大学 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122747B (zh) * | 2017-04-28 | 2020-06-09 | 北京理工大学 | 一种轨道车辆车厢状态非接触检测装置及方法 |
TWI690439B (zh) * | 2018-11-01 | 2020-04-11 | 財團法人車輛研究測試中心 | 道路標線之光達偵測方法及其系統 |
CN111043963A (zh) * | 2019-12-31 | 2020-04-21 | 芜湖哈特机器人产业技术研究院有限公司 | 基于二维激光雷达的车厢容器的三维扫描系统测量方法 |
-
2021
- 2021-01-08 CN CN202110022672.2A patent/CN112731441B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2431250A2 (de) * | 2010-09-16 | 2012-03-21 | KNORR-BREMSE Systeme für Schienenfahrzeuge GmbH | Verfahren zur Entgleisungsdetektion bei einem Wagon |
CN103901499A (zh) * | 2014-04-18 | 2014-07-02 | 燕山大学 | 基于三维重建技术的c80车体表面异物检测装置及方法 |
CN107314741A (zh) * | 2017-03-01 | 2017-11-03 | 秦皇岛燕大燕软信息系统有限公司 | 货物体积测量方法 |
CN109029254A (zh) * | 2018-07-03 | 2018-12-18 | 燕山大学 | 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 |
Non-Patent Citations (2)
Title |
---|
《Curvature and density based feature point detection for point cloud data》;Lihui Wang et.al;《IET 3rd International Conference on Wireless, Mobile and Multimedia Networks (ICWMNN 2010)》;20110128;第1-4页 * |
基于激光雷达探测技术的列车车厢载货体积测量方法研究;孔德明等;《燕山大学学报》;20190331(第02期);第70-78页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112731441A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731441B (zh) | 一种敞车车厢状态检测装置及方法 | |
CN111115300B (zh) | 一种自动化集装箱装卸装置及方法 | |
CN107314741A (zh) | 货物体积测量方法 | |
CN112299048B (zh) | 基于无人化抓斗行车模式下的火车装车布料系统及方法 | |
CN111704035B (zh) | 一种基于机器视觉的集装箱装卸集卡自动定位装置及方法 | |
CN112141734B (zh) | 一种用于刮板取料机的取料控制系统及取料方法 | |
CN109095213B (zh) | 智能化链斗式连续卸船机控制系统及方法 | |
CN207957141U (zh) | 一种基于红外激光扫描识别的机车远程自动装矿装置 | |
CN111775983A (zh) | 一种列车自动翻车作业系统和方法 | |
CN114180353B (zh) | 一种多类型物料备料无人天车智能控制系统及方法 | |
CN111332951B (zh) | 燃料智能接卸管控系统及控制方法 | |
CN111587215A (zh) | 用于产生集装箱在着陆表面上的着陆解决方案的方法和系统 | |
CN110415221B (zh) | 一种基于图像特征点匹配的集装箱卡车防吊起自动检测方法 | |
CN210558950U (zh) | 一种基于多传感器融合的起重机作业系统 | |
CN114170252A (zh) | 一种基于机器视觉的集卡车头防砸保护系统及方法 | |
CN113819844A (zh) | 一种识别行车物料的方法、装置、设备及可读存储介质 | |
CN108622821A (zh) | 龙门式翻卸集装箱系统 | |
CN114820986B (zh) | 一种基于激光雷达的挂车外廓参数测量方法 | |
CN110820842A (zh) | 铲运机自主卸载方法和系统 | |
CN114545851B (zh) | 一种移动卸料车的智能控制系统 | |
CN117784166B (zh) | 一种基于多模态数据的铁路货运敞车折叠式活动顶盖开闭结果检测方法与系统 | |
WO2024060288A1 (zh) | 一种高炉底滤法水渣行车自动抓渣方法 | |
CN115984195B (zh) | 一种基于三维点云的车厢轮廓检测方法及系统 | |
CN117636309A (zh) | 一种车辆残料清扫方法、装置、设备及系统 | |
CN117068793B (zh) | 一种矿仓桥式抓斗自动装车方法及其系统 |
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 |