CN113280733A - 一种基于激光雷达的货车车厢容积测量方法及系统 - Google Patents

一种基于激光雷达的货车车厢容积测量方法及系统 Download PDF

Info

Publication number
CN113280733A
CN113280733A CN202110370567.8A CN202110370567A CN113280733A CN 113280733 A CN113280733 A CN 113280733A CN 202110370567 A CN202110370567 A CN 202110370567A CN 113280733 A CN113280733 A CN 113280733A
Authority
CN
China
Prior art keywords
point cloud
cloud data
plane
carriage
boxcar
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.)
Granted
Application number
CN202110370567.8A
Other languages
English (en)
Other versions
CN113280733B (zh
Inventor
邱鹏
张箫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Yifang Technology Co ltd
Original Assignee
Shenzhen Yifang Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Yifang Technology Co ltd filed Critical Shenzhen Yifang Technology Co ltd
Priority to CN202110370567.8A priority Critical patent/CN113280733B/zh
Publication of CN113280733A publication Critical patent/CN113280733A/zh
Application granted granted Critical
Publication of CN113280733B publication Critical patent/CN113280733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明实施例公开了一种基于激光雷达的货车车厢容积测量方法及系统，方法包括：通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；根据目标点云数据，确定货车车厢的指定表面对应的平面数据；根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。本发明实施例测量范围大，激光雷达的有效测量距离可以达到上百米。从几米到二十米的大货车车厢均可以正常进行测量，可以将整个车厢三维模型重建，不会因为一些简单的遮挡导致测量精度下降，测量精度高。

Description

一种基于激光雷达的货车车厢容积测量方法及系统
技术领域
本发明涉及测量技术领域，尤其涉及一种基于激光雷达的货车车厢容积测量方法及系统。
背景技术
在物流行业中，在物流行业中，货物的中转以及需要拼单的时候，需要知道目前车厢已经装下的货物的体积，从而得知该货车还能装载多少货物。因此需要对货车的车厢容积率进行测量。
现有技术，对车厢容积率进行测量大部分是直接用人眼目测估算或者在采用基于三角测量的传感器如双目立体视觉，结构光深度相机。采用人眼测量估算误差极大，并且每个人给出的结果都不一样。使用三角测量原理的传感器，如结构光深度相机等，一般在距离超过2米之后得到的深度数据误差就会变得很大，无法满足在车厢体积测量场景下2-15米的测量需求。
因此现有技术还有待于进一步发展。
发明内容
针对上述技术问题，本发明实施例提供了一种基于激光雷达的货车车厢容积测量方法及系统，能够解决现有技术中货车车厢测量方法的测量误差大，测量精度低的技术问题。
本发明实施例的第一方面提供一种基于激光雷达的货车车厢容积测量方法，包括：
通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；
根据目标点云数据，确定货车车厢的指定表面对应的平面数据；
根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。
可选地，所述通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据，包括：
通过激光雷达预设的水平视场角和垂直视场角采集货车车厢的原始点云数据；
对采集的原始点云数据进行噪点剔除处理，生成目标点云数据。
可选地，所述根据目标点云数据，确定货车车厢的指定表面对应的平面数据，包括：
获取目标点云数据中z轴坐标的值满足预设第一条件的第一平面点云数据，对对初步平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢底面对应的第一平面；
获取目标点云数据中z轴坐标的值满足预设第二条件的第二平面点云数据，对第二平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第二平面；
获取目标点云数据中x轴坐标的值和y轴坐标值满足预设第三条件的第三平面点云数据，对第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第一侧面对应的第三平面；
根据第三平面获取旋转矩阵，根据旋转矩阵对目标点云数据进行旋转，获取旋转后的目标点云数据中y轴坐标值满足预设第四条件的初步平面点云数据，对第四平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第二侧面对应的第四平面。
可选地，所述根据平面数据对目标点云数据进行补全，生成车厢完整点云数据，包括：
根据第一平面、第二平面、第三平面和第四平面，补全车厢的其他平面，完成车厢的各个平面的闭合，生成车厢完整点云数据。
可选地，所述根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积，包括：
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型获取车厢点云；
对车厢点云进行三角化处理后，根据体积获取函数，获取车厢容积。
本发明实施例第二方面提供了一种基于激光雷达的货车车厢容积测量系统，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：
通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；
根据目标点云数据，确定货车车厢的指定表面对应的平面数据；
根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。
可选地，所述计算机程序被所述处理器执行时还实现以下步骤：
通过激光雷达预设的水平视场角和垂直视场角采集货车车厢的原始点云数据；
对采集的原始点云数据进行噪点剔除处理，生成目标点云数据。
可选地，所述计算机程序被所述处理器执行时还实现以下步骤：
获取目标点云数据中z轴坐标的值满足预设第一条件的第一平面点云数据，对对初步平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢底面对应的第一平面；
获取目标点云数据中z轴坐标的值满足预设第二条件的第二平面点云数据，对第二平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第二平面；
获取目标点云数据中x轴坐标的值和y轴坐标值满足预设第三条件的第三平面点云数据，对第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第一侧面对应的第三平面；
根据第三平面获取旋转矩阵，根据旋转矩阵对目标点云数据进行旋转，获取旋转后的目标点云数据中y轴坐标值满足预设第四条件的初步平面点云数据，对第四平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第二侧面对应的第四平面。
可选地，所述计算机程序被所述处理器执行时还实现以下步骤：
根据第一平面、第二平面、第三平面和第四平面，补全车厢的其他平面，完成车厢的各个平面的闭合，生成车厢完整点云数据。
本发明实施例第三方面提供了一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于激光雷达的货车车厢容积测量方法。
本发明实施例提供的技术方案中，通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；根据目标点云数据，确定货车车厢的指定表面对应的平面数据；根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。因此相对于现有技术，本发明实施例测量范围大，激光雷达的有效测量距离可以达到上百米。从几米到二十米的大货车车厢均可以正常进行测量，可以将整个车厢三维模型重建，不会因为一些简单的遮挡导致测量精度下降，测量精度高。
附图说明
图1为本发明实施例中一种基于激光雷达的货车车厢容积测量方法的一实施例的流程示意图；
图2为本发明实施例中一种基于激光雷达的货车车厢容积测量系统的另一实施例的硬件结构示意图。
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，本领域技术人员在没有作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。
以下结合附图对本发明实施例进行详细的描述。
请参阅图1，图1为本发明实施例中一种基于激光雷达的货车车厢容积测量方法的一个实施例的流程示意图。如图1所示，包括：
步骤S100、通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；
步骤S200、根据目标点云数据，确定货车车厢的指定表面对应的平面数据；
步骤S300、根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；
步骤S400、根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。
具体实施时，通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，去除噪点。确定货车车厢的四个平面的位置；根据货车车厢的四个平面的位置，封闭点云；根据封装后的点云对货车车厢的体积进行测量。
在这个测量系统里，选用MEMS(Micro-Electro-Mechanical System，微机电系统)微震镜的扫描方式的固态激光雷达。MEMS振镜是一个微米尺度的小振镜，它是由纯硅基材料制造而成。经过精密的设计，MEMS设备能够满足汽车行业标准，比如振动、冲击和极限温度。不同于金属镜之类的大尺寸结构，MEMS微振镜能够工作相当长的时间而不会发生疲劳变形。更重要的是，MEMS微振镜能够很容易的在电力控制下产生一定角度的偏转，这提升了激光雷达扫描的灵活性。点云数据通过UDP包的形式发送，一个UDP数据包有1346个字节，其中包括42个字节的UDP报头和1304个字节的UDP数据。
进一步地，通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据，包括：
通过激光雷达预设的水平视场角和垂直视场角采集货车车厢的原始点云数据；
对采集的原始点云数据进行噪点剔除处理，生成目标点云数据。
具体地，视场(FOV)表示雷达扫描范围的角度范围，对于车厢环境下的测量，FOV越大越好，FOV越大，单次获取的数据就能包含车厢越多的地方。例如可以采用水平视场角140°，垂直视场角为70°的激光雷达。
在激光雷达采集的数据中，在物体边缘部分可能会存在一些噪点飞点。如果直接对这些点云进行测量的话，这将会导致测量的体积偏大。由于飞点都是比较明显的出现在物体边缘部分的噪点，所以可以直接对点云建立起kd树之后，直接搜索每个点云到邻近点的平均距离，当距离大于一定阈值的时候则剔除。一般噪点都是较为明显的离群点，就是一大堆比较集中的点云中，有小部分点云离大部分点云比较远。Kd-树是K-dimension tree的缩写，是对数据点在k维空间(如二维(x，y)，三维(x，y，z)，k维(x1，y，z..))中划分的一种数据结构，主要应用于多维空间关键数据的搜索。阈值的话是认为确定的，是一个超参数。
进一步地，根据目标点云数据，确定货车车厢的指定表面对应的平面数据，包括：
获取目标点云数据中z轴坐标的值满足预设第一条件的第一平面点云数据，对对初步平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢底面对应的第一平面；
获取目标点云数据中z轴坐标的值满足预设第二条件的第二平面点云数据，对第二平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第二平面；
获取目标点云数据中x轴坐标的值和y轴坐标值满足预设第三条件的第三平面点云数据，对第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第一侧面对应的第三平面；
根据第三平面获取旋转矩阵，根据旋转矩阵对目标点云数据进行旋转，获取旋转后的目标点云数据中y轴坐标值满足预设第四条件的初步平面点云数据，对第四平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第二侧面对应的第四平面。
具体实施时，由于激光雷达的视角并非360°的，当激光雷达固定在车厢里面的时候，是无法采集到车厢内的全部数据的，特别是靠近车厢，门口部分的数据。激光雷达的水平视角有140°，所以是可以得到车厢一侧平面的全部数据。激光雷达可以安装在车厢车门口的左上角或者是右上角都可以，放在中间的话，激光雷达要有180°的视场角，放在角落就只需要视场角大于90°就可以了。
首先需要寻找到车厢上下两个平面。激光雷达安装的时候，激光雷达的z轴是与重力方向平行的。在这里将采集得到的点云的z轴坐标的值进行直方图统计，从最小z轴值开始，找到一个z轴的值数量的极大值，这些z轴坐标的值对应的点云就是大致的车厢底面平面。对选取的这些初步平面点云使用随机采样一致性的方法进行平面拟合，得到一个精确的平面U，记为第一平面，同样，当我们从z轴的值最大值开始，可以得到车厢上面的平面D，记为第二平面。
然后需要寻找车厢侧面的两个平面。例如激光雷达是安装在车厢的车门口的上角落部分的，与重力平行方向是雷达的z轴，x轴是指向车厢里面的方向。并且车厢门口附近是没有货物的。由于垂直视场角没有大于90°，采集的上下车厢平面的点云就有缺失，只补缺少的部分有点儿麻烦，直接全部剔除了再全部补充回来比较简单。根据前面一步得到的两个平面，便可以剔除车厢上下两个平面的点云了。然后找出y轴坐标大于所有点云均值，且x轴的值是点云中x轴最大值的预定比例的点云。预定比例可以是10％,也可以是其他比例，这是一个超参数，由人工进行手动调整的。这部分点云就是激光雷达对侧的车厢侧面平面点云。先使用随机采样一致性的方法进行平面拟合，然后把全部点云中满足该平面的点云添加进来，再次使用该方法拟合得到一个精确的侧面平面R。假设R的法向量为Rn,计算Rn与y轴的外积，这个外积是将Rn旋转到与y轴平行的旋转向量.根据如下的罗德里格斯公式可以得到旋转矩阵。
vrot＝cosθv+(1-cosθ)(v·k)k+sinθk×v (公式1)
公式1中θ为旋转角度，V为待旋转向量，K为旋转轴(单位向量)。这时我们将激光雷达采集的点云进行旋转，然后再使用确定第一平面中的方法，从y轴的最小值开始寻找，就可以得到另一个车厢侧面平面L，记为第四平面。
其中，使用随机采样一致性的方法进行平面拟合，就是在点集P中随机选取一小部分点云拟合平面得到平面A,然后用平面A取测试点集P,距离平面A距离小于给定的距离D就认为是平面A的点，剩下的认为不是平面A的点。如果属于平面A的点多于给定的百分比R,就认为拟合的平面是准确的，否则重复上面的所有步骤。
进一步地，根据平面数据对目标点云数据进行补全，生成车厢完整点云数据，包括：
根据第一平面、第二平面、第三平面和第四平面，补全车厢的其他平面，完成车厢的各个平面的闭合，生成车厢完整点云数据。
具体实施时，找到四个侧面之后，需要对车厢点云进行补全。补全缺失的上面两个车厢平面以及靠近激光雷达的车厢的侧面平面点云。具体的实施方式如下：计算底面与侧面车厢平面的外积，可以得到车厢门口形成的平面的法向量。根据旋转之后的点云按照x轴坐标找到最小的点云，过该点可以得到车厢门口平面F；补充平面U，D，L部分缺失的点云一直到与平面F相交的位置，同时补充上平面F一直到与四个平面相交的部分，即可使得该点云封闭，生成车厢完整点云数据，为求解体积做准备。进一步的，简单的直接剔除距离四个平面一定距离的所有点云，然后将四个平面围起来的立方体当成点云，
进一步地，根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积，包括：
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型获取车厢点云；
对车厢点云进行三角化处理后，根据体积获取函数，获取车厢容积。
具体实施时，三维重建之后得到的物体点云，使用vtk库vtkTriangleFilter类对点云进行三角化，然后使用vtkMassProperties类提供的GetVolume方法就可以获得点云的体积了。
本发明实施例中提供了一种基于激光雷达的货车车厢容积测量方法，可以将整个车厢三维模型重建，不会因为一些简单的遮挡导致测量精度下降。传统的单纯使用深度相机或双目相机测量的方法有很多盲区，会导致测量到的货物体积偏大。
测量范围大。激光雷达的有效测量距离可以达到上百米。使用slam的方法可以构建大型的地图，从小货车的车厢到大型的十几米的货车测量都可以进行很好的测量。
需要说明的是，上述各步骤之间并不必然存在一定的先后顺序，本领域普通技术人员，根据本发明实施例的描述可以理解，不同实施例中，上述各步骤可以有不同的执行顺序，亦即，可以并行执行，亦可以交换执行等等。
上面对本发明实施例中的基于激光雷达的货车车厢容积测量方法进行了描述，下面对本发明实施例中的基于激光雷达的货车车厢容积测量系统进行描述，请参阅图2，图2是本发明实施例中一种基于激光雷达的货车车厢容积测量系统的另一实施例的硬件结构示意图，如图2所示，系统10包括：存储器101、处理器102及存储在存储器上并可在处理器上运行的计算机程序，计算机程序被处理器101执行时实现以下步骤：
通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；
根据目标点云数据，确定货车车厢的指定表面对应的平面数据；
根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。
具体的实施步骤与方法实施例相同，此处不再赘述。
可选地，计算机程序被处理器101执行时还实现以下步骤：
通过激光雷达预设的水平视场角和垂直视场角采集货车车厢的原始点云数据；
对采集的原始点云数据进行噪点剔除处理，生成目标点云数据。
具体的实施步骤与方法实施例相同，此处不再赘述。
可选地，计算机程序被处理器101执行时还实现以下步骤：
获取目标点云数据中z轴坐标的值满足预设第一条件的第一平面点云数据，对对初步平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢底面对应的第一平面；
获取目标点云数据中z轴坐标的值满足预设第二条件的第二平面点云数据，对第二平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第二平面；
获取目标点云数据中x轴坐标的值和y轴坐标值满足预设第三条件的第三平面点云数据，对第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第一侧面对应的第三平面；
根据第三平面获取旋转矩阵，根据旋转矩阵对目标点云数据进行旋转，获取旋转后的目标点云数据中y轴坐标值满足预设第四条件的初步平面点云数据，对第四平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第二侧面对应的第四平面。
具体的实施步骤与方法实施例相同，此处不再赘述。
可选地，计算机程序被处理器101执行时还实现以下步骤：
根据第一平面、第二平面、第三平面和第四平面，补全车厢的其他平面，完成车厢的各个平面的闭合，生成车厢完整点云数据。
具体的实施步骤与方法实施例相同，此处不再赘述。
可选地，计算机程序被处理器101执行时还实现以下步骤：
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型获取车厢点云；
对车厢点云进行三角化处理后，根据体积获取函数，获取车厢容积。
具体的实施步骤与方法实施例相同，此处不再赘述。
本发明实施例提供了一种非易失性计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如，执行以上描述的图1中的方法步骤S100至步骤S400。
作为示例，非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明并非限制，RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本发明实施例中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于激光雷达的货车车厢容积测量方法，其特征在于，包括：
通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；
根据目标点云数据，确定货车车厢的指定表面对应的平面数据；
根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。
2.根据权利要求1所述的基于激光雷达的货车车厢容积测量方法，其特征在于，所述通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据，包括：
通过激光雷达预设的水平视场角和垂直视场角采集货车车厢的原始点云数据；
对采集的原始点云数据进行噪点剔除处理，生成目标点云数据。
3.根据权利要求2所述的基于激光雷达的货车车厢容积测量方法，其特征在于，所述根据目标点云数据，确定货车车厢的指定表面对应的平面数据，包括：
获取目标点云数据中z轴坐标的值满足预设第一条件的第一平面点云数据，对对初步平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢底面对应的第一平面；
获取目标点云数据中z轴坐标的值满足预设第二条件的第二平面点云数据，对第二平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第二平面；
获取目标点云数据中x轴坐标的值和y轴坐标值满足预设第三条件的第三平面点云数据，对第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第一侧面对应的第三平面；
根据第三平面获取旋转矩阵，根据旋转矩阵对目标点云数据进行旋转，获取旋转后的目标点云数据中y轴坐标值满足预设第四条件的初步平面点云数据，对第四平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第二侧面对应的第四平面。
4.根据权利要求3所述的基于激光雷达的货车车厢容积测量方法，其特征在于，所述根据平面数据对目标点云数据进行补全，生成车厢完整点云数据，包括：
根据第一平面、第二平面、第三平面和第四平面，补全车厢的其他平面，完成车厢的各个平面的闭合，生成车厢完整点云数据。
5.根据权利要求4所述的基于激光雷达的货车车厢容积测量方法，其特征在于，所述根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积，包括：
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型获取车厢点云；
对车厢点云进行三角化处理后，根据体积获取函数，获取车厢容积。
6.一种基于激光雷达的货车车厢容积测量系统，其特征在于，所述系统包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现以下步骤：
通过激光雷达采集货车车厢的原始点云数据，对采集的原始点云数据进行预处理，生成目标点云数据；
根据目标点云数据，确定货车车厢的指定表面对应的平面数据；
根据平面数据对目标点云数据进行补全，生成车厢完整点云数据；
根据车厢完整点云数据进行三维模型重建，根据重建后的三维模型计算车厢容积。
7.根据权利要求6所述的基于激光雷达的货车车厢容积测量系统，其特征在于，所述计算机程序被所述处理器执行时还实现以下步骤：
通过激光雷达预设的水平视场角和垂直视场角采集货车车厢的原始点云数据；
对采集的原始点云数据进行噪点剔除处理，生成目标点云数据。
8.根据权利要求7所述的基于激光雷达的货车车厢容积测量系统，其特征在于，所述计算机程序被所述处理器执行时还实现以下步骤：
获取目标点云数据中z轴坐标的值满足预设第一条件的第一平面点云数据，对对初步平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢底面对应的第一平面；
获取目标点云数据中z轴坐标的值满足预设第二条件的第二平面点云数据，对第二平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢顶面对应的第二平面；
获取目标点云数据中x轴坐标的值和y轴坐标值满足预设第三条件的第三平面点云数据，对第三平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第一侧面对应的第三平面；
根据第三平面获取旋转矩阵，根据旋转矩阵对目标点云数据进行旋转，获取旋转后的目标点云数据中y轴坐标值满足预设第四条件的初步平面点云数据，对第四平面点云数据使用随机采样一致性的方法进行平面拟合，生成车厢第二侧面对应的第四平面。
9.根据权利要求8所述的基于激光雷达的货车车厢容积测量系统，其特征在于，所述计算机程序被所述处理器执行时还实现以下步骤：
根据第一平面、第二平面、第三平面和第四平面，补全车厢的其他平面，完成车厢的各个平面的闭合，生成车厢完整点云数据。
10.一种非易失性计算机可读存储介质，其特征在于，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行权利要求1-5任一项所述的基于激光雷达的货车车厢容积测量方法。
CN202110370567.8A 2021-04-07 2021-04-07 一种基于激光雷达的货车车厢容积测量方法及系统 Active CN113280733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110370567.8A CN113280733B (zh) 2021-04-07 2021-04-07 一种基于激光雷达的货车车厢容积测量方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110370567.8A CN113280733B (zh) 2021-04-07 2021-04-07 一种基于激光雷达的货车车厢容积测量方法及系统

Publications (2)

Publication Number Publication Date
CN113280733A true CN113280733A (zh) 2021-08-20
CN113280733B CN113280733B (zh) 2023-07-04

Family

ID=77276359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110370567.8A Active CN113280733B (zh) 2021-04-07 2021-04-07 一种基于激光雷达的货车车厢容积测量方法及系统

Country Status (1)

Country Link
CN (1) CN113280733B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759906A (zh) * 2021-08-30 2021-12-07 广州文远知行科技有限公司 一种车辆对位方法、装置、计算机设备和存储介质
CN113888622A (zh) * 2021-10-14 2022-01-04 吉旗（成都）科技有限公司 车厢内货物体积的确定方法、装置、电子设备及存储介质
CN114063100A (zh) * 2021-10-12 2022-02-18 鞍钢集团矿业有限公司 一种基于激光雷达的卡车车斗内矿石体积的计算方法
CN114199168A (zh) * 2021-12-16 2022-03-18 珠海格力电器股份有限公司 一种室内体积探测方法、装置、设备及介质
CN115170648A (zh) * 2022-06-29 2022-10-11 广西柳工机械股份有限公司 一种车厢位姿确定方法及装置
CN115236628A (zh) * 2022-07-26 2022-10-25 中国矿业大学 一种基于激光雷达检测车厢残留货物的方法
CN115856923A (zh) * 2023-02-27 2023-03-28 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 矿卡卸料用时的测量方法、装置、设备及存储介质
CN116341772A (zh) * 2023-05-31 2023-06-27 未来机器人（深圳）有限公司 库位规划方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017022901A1 (ko) * 2015-08-05 2017-02-09 삼인정보시스템(주) 3차원 점군 데이터에 기반한 치수 측정 장치 및 방법
CN108648230A (zh) * 2018-05-14 2018-10-12 南京阿凡达机器人科技有限公司 一种包裹尺寸测量方法、系统、储存介质及移动终端
CN109029253A (zh) * 2018-06-29 2018-12-18 南京阿凡达机器人科技有限公司 一种包裹体积测量方法、系统、储存介质及移动终端
CN111192328A (zh) * 2019-12-31 2020-05-22 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三维扫描系统点云处理方法
CN112504132A (zh) * 2020-11-18 2021-03-16 成都天富若博特科技有限责任公司 一种货车车厢尺寸高精度测量系统及方法
CN112529952A (zh) * 2020-12-15 2021-03-19 武汉万集信息技术有限公司 物体体积测量方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017022901A1 (ko) * 2015-08-05 2017-02-09 삼인정보시스템(주) 3차원 점군 데이터에 기반한 치수 측정 장치 및 방법
CN108648230A (zh) * 2018-05-14 2018-10-12 南京阿凡达机器人科技有限公司 一种包裹尺寸测量方法、系统、储存介质及移动终端
CN109029253A (zh) * 2018-06-29 2018-12-18 南京阿凡达机器人科技有限公司 一种包裹体积测量方法、系统、储存介质及移动终端
CN111192328A (zh) * 2019-12-31 2020-05-22 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三维扫描系统点云处理方法
CN112504132A (zh) * 2020-11-18 2021-03-16 成都天富若博特科技有限责任公司 一种货车车厢尺寸高精度测量系统及方法
CN112529952A (zh) * 2020-12-15 2021-03-19 武汉万集信息技术有限公司 物体体积测量方法、装置及电子设备

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759906A (zh) * 2021-08-30 2021-12-07 广州文远知行科技有限公司 一种车辆对位方法、装置、计算机设备和存储介质
CN114063100A (zh) * 2021-10-12 2022-02-18 鞍钢集团矿业有限公司 一种基于激光雷达的卡车车斗内矿石体积的计算方法
CN113888622A (zh) * 2021-10-14 2022-01-04 吉旗（成都）科技有限公司 车厢内货物体积的确定方法、装置、电子设备及存储介质
CN114199168A (zh) * 2021-12-16 2022-03-18 珠海格力电器股份有限公司 一种室内体积探测方法、装置、设备及介质
CN115170648A (zh) * 2022-06-29 2022-10-11 广西柳工机械股份有限公司 一种车厢位姿确定方法及装置
CN115170648B (zh) * 2022-06-29 2023-04-07 广西柳工机械股份有限公司 一种车厢位姿确定方法及装置
CN115236628A (zh) * 2022-07-26 2022-10-25 中国矿业大学 一种基于激光雷达检测车厢残留货物的方法
CN115236628B (zh) * 2022-07-26 2024-05-31 中国矿业大学 一种基于激光雷达检测车厢残留货物的方法
CN115856923A (zh) * 2023-02-27 2023-03-28 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 矿卡卸料用时的测量方法、装置、设备及存储介质
CN116341772A (zh) * 2023-05-31 2023-06-27 未来机器人（深圳）有限公司 库位规划方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113280733B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN113280733B (zh) 一种基于激光雷达的货车车厢容积测量方法及系统
CN109001711B (zh) 多线激光雷达标定方法
WO2021093240A1 (en) Method and system for camera-lidar calibration
US9972067B2 (en) System and method for upsampling of sparse point cloud for 3D registration
DE112006003363B4 (de) Verfahren und Vorrichtung zur Identifizierung der Eigenposition, und Verfahren und Vorrichtung zur Messung einer dreidimensionalen Gestalt
JP4650751B2 (ja) 三次元形状データの位置合わせ方法と装置
Hebel et al. Change detection in urban areas by object-based analysis and on-the-fly comparison of multi-view ALS data
JP5303873B2 (ja) 車両形状計測方法と装置
Soudarissanane et al. Optimizing terrestrial laser scanning measurement set-up
WO2018227576A1 (zh) 地面形态检测方法及系统、无人机降落方法和无人机
CN112258590B (zh) 一种基于激光的深度相机外参标定方法、设备及其存储介质
US20230063535A1 (en) Depth image processing method, small obstacle detection method and system, robot, and medium
WO2022179094A1 (zh) 车载激光雷达外参数联合标定方法、系统、介质及设备
CN113281777B (zh) 一种货物体积动态测量方法及其测量装置
WO2020132924A1 (zh) 机器人传感器的外参标定方法、装置、机器人及存储介质
KR20220113781A (ko) 환경의 지형을 측정하는 방법
CN111854748B (zh) 一种定位系统和方法
García-Moreno et al. Error propagation and uncertainty analysis between 3D laser scanner and camera
CN117572395A (zh) 一种车载激光雷达的外参标定方法、装置、设备及介质
Singh et al. Optimized 3D laser point cloud reconstruction by gradient descent technique
Bulgakov et al. Generation of orthomosaic model for construction site using unmanned aerial vehicle
Yamada et al. Probability-Based LIDAR–Camera Calibration Considering Target Positions and Parameter Evaluation Using a Data Fusion Map
Kopáčik et al. Terrestrial Laser Scanning Systems
CN117433511B (zh) 一种多传感器融合定位方法
Vila et al. Automatic silo axis detection from RGB-D sensor data for content monitoring

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