CN113469871B - 基于三维激光的车厢可装载空间检测方法和装置 - Google Patents
基于三维激光的车厢可装载空间检测方法和装置 Download PDFInfo
- Publication number
- CN113469871B CN113469871B CN202010236021.9A CN202010236021A CN113469871B CN 113469871 B CN113469871 B CN 113469871B CN 202010236021 A CN202010236021 A CN 202010236021A CN 113469871 B CN113469871 B CN 113469871B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- carriage
- dimensional
- gray
- value
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000006243 chemical reaction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 37
- 238000009434 installation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005096 rolling process Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 33
- 230000002596 correlated effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012805 post-processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 4
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G06T3/067—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
-
- 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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
Abstract
本申请涉及一种基于三维激光的车厢可装载空间检测方法和装置,对于激光雷达采集的车厢内部三维点云,滤除厢体点云,准确分割出车厢内部货物点云,进而将车厢内部货物点云转换为二维灰度图像,利用二维灰度图像记载货物点云的高度信息,并将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从图像处理角度,根据各像素点的灰度值确定未被货物占据空间高度,对车厢可装载空间进行检测。由于利用激光雷达采集三维数据,数据源精度高,且对于将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从而提高车厢可装载空间检测的精度。
Description
技术领域
本申请涉及激光雷达技术领域,特别是涉及一种基于三维激光的车厢可装载空间检测方法和装置。
背景技术
现代物流运输中,使用车箱体来装载货物,如集卡的集装箱,汽车车箱、火车车箱等。车箱装载的货物量是影响现代物流效率的关键因素之一。
通常车厢内货物量估计主要使用传感器进行重量估计完成,但由于不同货物密度不一样,相同重量的货物体积可能有很大的差别。在满足货物不超过车辆最大运输重量基础之上,可能存在实际体积已经超过车厢总容量的问题。目前车厢内货物体积估计方法较为滞后,基本通过工人目测的方式完成。这种方式可能存在两种问题:(1)总体积欠估计。即在保证质量不超标前提下,估计体积小于实际体积,导致了车厢运输空间的浪费;(2)总体积过估计。即在保证质量不超标的前提下,估计的体积大于实际体积,导致无法运输。
由此可见,人工测量方式存在精度低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测精度的基于三维激光的车厢可装载空间检测方法、装置、计算机设备和存储介质。
一种基于三维激光的车厢可装载空间检测方法,所述方法包括:
获取激光雷达采集的车厢内部三维点云;
获取所述激光雷达的姿态角;
根据所述姿态角,对所述车厢内部三维点云进行转换;
滤除转换后所述车厢内部三维点云中的厢体点云,得到内部货物表面点云;
将所述内部货物表面点云投影为二维灰度图像,其中,所述二维灰度图像中各点云像素点的灰度值与对应点云的高度值呈正相关;
对所述二维灰度图像中被货物遮挡区域的非点云像素点根据临近点云像素点的灰度值进行灰度值填充处理;
对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间。
一种基于三维激光的车厢可装载空间检测装置,包括:
点云获取模块,用于获取激光雷达采集的车厢内部三维点云;
分割模块,用于滤除所述车厢内部三维点云中的厢体点云,得到内部货物表面点云;
姿态角获取模块,用于获取所述激光雷达的姿态角;
转换模块,用于根据所述姿态角,对所述车厢内部三维点云进行转换;
分割模块,用于滤除转换后所述车厢内部三维点云中的厢体点云,得到内部货物表面点云;
投影模块,用于将所述内部货物表面点云投影为二维灰度图像,其中,所述二维灰度图像中各点云像素点的灰度值与对应点云的高度值呈正相关;
填充模块,用于对所述二维灰度图像中被货物遮挡区域的非点云像素点根据临近点云像素点的灰度值进行灰度值填充处理;
检测模块,用于对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述各实施例任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述各实施例任一项所述的方法的步骤。
上述的基于三维激光的车厢可装载空间检测方法,对于激光雷达采集的车厢内部三维点云,滤除厢体点云,准确分割出车厢内部货物点云,进而将车厢内部货物点云转换为二维灰度图像,利用二维灰度图像记载货物点云的高度信息,并将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从图像处理角度,根据各像素点的灰度值确定未被货物占据空间高度,对车厢可装载空间进行检测。由于利用激光雷达采集三维数据,数据源精度高,将三维点云雷投影为二维灰度图像后,对于将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从而提高车厢可装载空间检测的精度。
附图说明
图1为一个实施例中基于三维激光的车厢可装载空间检测方法的应用环境图;
图2为一个实施例中基于三维激光的车厢可装载空间检测方法的流程示意图;
图3为一个实施例中车厢正视图;
图4为一个实施例中车厢三维图;
图5为一个实施例中获取激光雷达的姿态角的步骤的流程示意图;
图6为一个另一个实施例中车厢正视图;
图7为另一个实施例中车厢俯视图;
图8为一个实施例中内部货物表面点云示意图;
图9为对图8所示的内部货物表面点云投影得到的二维灰度图像示意图;
图10为一个实施例中对图9所示的二维灰度图像进行填充和后处理后得到的图像示意图;
图11为一个实施例中三维激光的车厢可装载空间检测装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基于三维激光的车厢可装载空间检测,可以应用于如图1所示的应用环境中。其中,在货物中转点有多个车厢101,用于装载货物。货物中转点可以为集装箱货运装载点,也可以为汽车货运装载点,还可以为火车货运装载点。激光雷达103安装在车厢101内部,通常安装在车厢内靠近门的一侧,对车厢内部场景进行三维场景重建。各车厢内部的激光雷达与货物中转点的主控设备105通信连接。主控设备105接收各激光雷达采集的三维点云,基于三维点云对车厢可装载空间进行检测。在具体应用场景中,主控设备105还可以与显示设备107通信连接,将车厢可装载空间的检测结果发送至显示设备107,对于车厢可装载空间进行提示。其中,显示设备107可以为车厢管理人员(司机)的手机终端,也可以为货物装载点的显示屏(如设置在车厢内部的显示屏)。在其它的实施例中,对于车厢可装载空间可设置提醒阈值,当检测到车厢可装载空间小于阈值时,主控设备发送提示信息至显示设备。如在显示设备显示车厢可装载空间不足的提示。
具体地,主控设备获取激光雷达采集的车厢内部三维点云;获取激光雷达的姿态角;根据姿态角,对车厢内部三维点云进行转换;滤除转换后车厢内部三维点云中的厢体点云,得到内部货物表面点云;将内部货物表面点云投影为二维灰度图像,其中,二维灰度图像中各点云像素点的灰度值与对应点云的高度值呈正相关;对二维灰度图像中被货物遮挡区域的非点云像素点,根据临近点云像素点的灰度值进行灰度值填充处理;对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间。主控设备可以为工控机、电脑或微处理器等。
在一个实施例中,如图2所示,提供了一种基于三维激光的车厢可装载空间检测方法,以该方法应用于图1中的主控设备为例进行说明,包括以下步骤:
S202,获取激光雷达采集的车厢内部三维点云。
具体地,激光雷达安装在车厢内靠近门的一侧。在货物装载过程中,利用激光雷达采集车厢内部的三维点云。在具体的场景中,可对激光雷达设置采集频率,如每隔设定时间间隔采集,以对车厢可装载空间进行检测。还可以为在装载完本次货物之后,触发激光雷达采集,以对车厢可装载空间进行检测。还可以由车厢管理人员根据需要通过终端,向主控设备发送采集指令,由主控设备向激光雷达发送采集指令,激光雷达响应采集指令进行采集。激光雷达将采集的车厢内部三维点云发送至主控设备。
S204,获取激光雷达的姿态角。
其中,激光雷达的姿态角,是指激光雷达相对参照物的安装角度,包括但不限于翻滚角、俯仰角和偏航角。激光雷达的姿态角可根据车厢内部三维点云确定。在实际应用中,由于激光雷达位置基本固定,激光雷达的姿态角,只需要计算一次,后续可以使用第一次的姿态角,进行点云转换。激光雷达姿态角的标定,理想实现场景为车厢空载,即在车厢空载的情况下进行标定确定激光雷达的姿态角。激光雷达的标定还可以实时性地对每一次检测都进行校准,这样校准的点云会更加精确,即每次装载货物前对采集空载的车厢内部三维点云进行标定,确定激光雷达的姿态角。
本申请中以激光雷达为原点建立检测系统坐标系。设定的检测系统坐标系如图3和图4所示。图3为车厢正视图,图4为车厢三维图,其中坐标系原点O为激光雷达原点,X轴平行于集装箱长边,Y轴平行于集装箱短边,Z轴平行于集装箱的高。
一个实施例中,姿态角包括翻滚角、俯仰角和偏航角。如图5所示,获取激光雷达的姿态角的步骤包括:
S502,获取在标定状态激光雷达采集的车厢内部标定三维点云。
其中,可以将车厢空载状态时采集车厢内部三维点云进行激光雷达标定的作业作为标定状态。为确保姿态角数据的准确性,还可以定时进行标定,如将每周首次使用车厢前在车厢空载状态进行标定,也可以每次使用车厢前在车厢空载状态进行标定。
S504,根据激光雷达距离车厢底部的安装高度,从车厢内部标定三维点云中确定车厢底部厢壁点云。
车厢底部厢壁点云,是指车厢厢体底壁部分的点云。车厢底部厢壁点云可通过激光雷达安装位置确定。具体地,已知激光雷达距离车厢底部平面的垂直距离为a,则取车厢内部标定三维点云中z坐标值小于-a的点云,作为车厢底部厢壁点云。
S506,计算车厢底部厢壁点云的平面法向量。
法向量,是空间解析几何的一个概念,垂直于平面的直线所表示的向量为该平面的法向量。
计算法向量的方法,首先计算车厢底部厢壁点云的协方差矩阵,然后对协方差矩阵进行奇异值分解,奇异值分解得到的奇异向量描述了点云数据的三个主要方向,垂直于平面的法向量代表了方差最小的方向,方差最小代表了奇异值最小,所以最后选取奇异值最小的向量作为平面的法向量。
S508,根据车厢底部厢壁点云的平面法向量,计算激光雷达的翻滚角和俯仰角。
其中,俯仰角为激光雷达坐标系X轴与水平面的夹角,翻滚角为激光雷达坐标系Y轴与激光雷达铅垂面的夹角。
具体地,计算翻滚角和俯仰角的公式为:
T1=(a1,b1,c1)
其中,T1为地面的法向量,α为翻滚角,β为俯仰角。
S510,根据激光雷达距离车厢底部的安装高度以及激光雷达相对于侧壁的距离,从车厢内部标定三维点云中确定车厢侧壁点云。
车厢侧壁点云是指车厢厢体侧壁部分的点云,侧壁可以为左侧壁或右侧壁中的任一种。车厢侧壁点云可通过激光雷达安装位置确定。具体地,根据激光雷达距离车厢底部的安装高度以及激光雷达相对于侧壁的距离确定车厢侧壁点云。
例如,以左侧壁为参照为例,已知激光雷达距离车厢底部的安装高度为a,去除z坐标范围为[0,-a)的点云,作为一次过滤后的点云(即除去车厢底部厢壁后的剩余点云)。由于车厢左侧面与激光雷达的距离为已知距离b1,在一次过滤后的点云基础上,同时为了避免远处噪音点的干扰,取与激光雷达y坐标范围为[b1,b1+Δb)的点云作为车厢侧面点云,其中,Δb为距离阈值,1>Δb>0。
S512,计算车厢侧壁点云的平面法向量。
车厢侧壁点云的平面法向量的计算方法与步骤S706相同,此处不再赘述。
S514,根据车厢侧壁点云的平面法向量,计算激光雷达的偏航角。
其中,偏航角为激光雷达坐标系Z轴与车厢侧面的夹角。
具体地,计算偏航角的计算公式为:
T2=(a2,b2,c2)
其中,T2为车厢侧壁点云的平面法向量,γ为偏航角。
本实施例中,通过平面法向量的方法,计算激光雷达的翻滚角、俯仰角和偏航角。通过车厢底部厢壁点云与车厢侧面点云的处理,获取到精确的激光雷达安装姿态角。
在步骤S204之后,还包括:
S206,根据姿态角,对车厢内部三维点云进行转换。
如前面所提到的,姿态角包括了翻滚角、俯仰角和偏航角,其中,翻滚角和俯仰角根据车厢底部厢壁点云的平面法向量得到,偏航角根据车厢侧壁点云的平面法向量得到。因此,本实施例中,将车厢内部三维点云转换至检测系统坐标系,转换后车厢底壁点云与检测系统坐标系的XOY平面平行,转换后车厢侧壁点云与检测系统坐标系的XOZ平行。
具体地,根据姿态角,对车厢内部三维点云进行转换的步骤,包括:根据激光雷达的翻滚角和俯仰角,对车厢内部三维点云进行转换;根据激光雷达的偏航角,对转换后车厢内部三维点云进行转换。
根据翻滚角和俯仰角进行点云转换,为了将车厢内部三维点云中的底部厢壁点云转换至检测系统坐标系与XOY平面平行。具体地,根据激光雷达的俯仰角,将车厢内部三维点云绕激光雷达坐标系的X轴旋转,根据激光雷达的翻滚角,将车厢内部三维点云绕激光雷达坐标系的Y轴旋转,转换后车厢底部厢壁点云与检测系统坐标系的XOY平面平行。如下所示:
pg=Ry·Rx·pc
其中,Rx和Ry为绕x轴与绕y轴的旋转矩阵,pg为转换后与检测系统坐标系XOY平面平行的车厢底部厢壁点云,pc为原始车厢内部三维点云。
根据偏航角进行点云转换,是为了将车厢侧面点云转换至检测系统坐标系与XOZ平面平行。具体地,根据激光雷达的偏航角,将转换后与车厢底部厢壁平行的点云绕激光雷达坐标系的Z轴旋转,转换后车厢内部三维点云中的车厢侧壁点云与检测系统坐标系的XOZ平面平行。如下所示:
p=Rz·pg
其中,Rz为绕z轴的旋转矩阵,pg为转换后底部厢壁与检测系统坐标系的XOY平面平行的点云,p为转换后车厢侧面与检测系统坐标系的XOZ平面平行的点云。
S208,滤除转换后车厢内部三维点云中的厢体点云,得到内部货物表面点云。
由于激光雷达安装在车厢内部,因此,采集的车厢内部三维点云包括了厢体点云以及车厢内的货物点云。其中,厢体点云指的是厢体部分的点云数据,货物点云是指车厢内的货物的点云数据。
具体地,滤除转换后车厢内部三维点云中的厢体点云,得到内部货物表面点云,包括:根据激光雷达与车厢各厢体部分的距离,确定转换后车厢内部三维点云中非厢体点云范围;根据非厢体点云范围,得到内部货物表面点云。
图6和图7为激光雷达的一种安装示意图,以激光雷达为参照,激光雷达安装在靠近车门的右侧。在其它的实施例中,激光雷达可设置在靠近车门的任一处,如位于中门中间,靠近车门左侧等。在实际应用中,考虑到货物装载的影响,通常将激光雷达安装在车厢顶部,以避免货物装载过程中碰撞到激光雷达造成损害。其中,图6为车厢正视图,图7为车厢俯视图。如图6和图7所示,激光雷达安装在车厢顶部靠近车门的一侧,以车门作为后方,根据激光雷达的扫描方向,车厢内部三维点云包括了左侧、前侧、右侧、顶侧以及底侧的三维点云。则内部货物表面点云为三维内部三维点云中滤除了车厢左侧、右侧、顶部、以及底部厢体部分的点云。其中,O表示激光雷达的安装位置,根据激光雷达的安装位置,可通过测量的方式预先获得激光雷达相对于车厢各厢体部分的距离,或者可以通过计算与平面的距离得到更为精确的距离值。如图6和图7所示,a为激光雷达距离车厢底部平面的垂直距离,b1为车厢左侧面与激光雷达的距离,b2为车厢右侧面与激光雷达的距离,b3为车厢顶部与激光雷达的距离,b4为车厢前侧与激光雷达的距离,b5为车厢后侧与激光雷达的距离。
根据激光雷达与车厢各厢体部分的距离,确定转换后车厢内部(即非厢体)点云取值范围。具体地,根据激光雷达与车厢各厢体部分的距离,确定转换到检测系统坐标系下的车厢内部点云取值范围。激光雷达安装位置距离车厢左侧厢壁的垂直距离为b1,距离右侧厢壁的垂直距离为b2,则车厢内部(即非厢体)点云在Y轴方向上的取值为范围(-b2,b1);激光雷达安装位置距离车厢顶部厢壁的垂直距离为b3,距离底部厢壁的垂直距离为a,则车厢内部(即非厢体)点云在Z轴方向上的取值为(-a,b3);激光雷达安装位置距离车厢后侧壁的垂直距离为b4,激光雷达安装位置距离车厢前侧壁的垂直距离为b5,则车厢内部(即非厢体)点云在X轴方向上的取值为(-b5,b4)。车厢内部(即非厢体)点云取值范围即内部货物点云,在本实施例中,车厢内部(即非厢体)点云在X轴、Y轴和Z轴上的取值即为内部货物表面点云。
一个实施例中,车厢内部正常装货后,对激光雷达采集的车厢内部三维点云滤除厢体点云,得到的内部货物表面点云如图8所示。本实施例中根据安装姿态角以及激光雷达与集装箱间的位置关系,准确分割出车厢内部货物点云。
S210,将内部货物表面点云投影为二维灰度图像,其中,二维灰度图像中各点云像素点的灰度值与对应点云的高度值呈正相关。
具体地,对于车厢的内部货物表面三维点云,以像素点表示,得到二维图像。同时,根据点云在Z方向的高度值确定二维图像中对应点云像素点的灰度值,使点云像素点的灰度值与点云的高度值呈正相关,即点云的高度值越大,其对应的点像点的灰度值也越大;点云的高度值越小,其对应的点像点的灰度值也越小。从而,点云像素点的灰度值能够表示该点云的高度,即该点云对应货物的高度。这样,在一个二维图像中,记载了通过三维点云获得的货物的坐标信息和高度信息。
具体地,将内部货物表面点云投影为二维灰度图像的步骤,包括:根据内部货物表面点云的横坐标和纵坐标,将内部货物表面点云投影为二维图像;根据内部货物表面点云的高度值,确定二维图像中各点云像素点的灰度值,得到内部货物表面点云对应的二维灰度图像。
具体地,对于内部货物表面点云的每一个三维点云,根据内部货物表面点云的横坐标和纵坐标、以及转换后车厢内部三维点云的横坐标最小值和纵坐标最小值,计算内部货物表面点云的二维坐标,根据内部货物表面点云的二维坐标,将点云转换为像素点,得到二维图像。可以以下公式计算其二维图像的坐标。
ui=[(xi-xmin)/ur]
vi=[(yi-ymin)/vr]
其中,ui和vi为第i个点投影到二维图像的行坐标和列坐标,xi和yi为第i个点的X轴坐标和Y轴坐标,xmin和ymin为转换后车厢内部三维点云pr在X轴和Y轴的最小值,ur和vr为点云投影到二维图像上的精度,可根据需求设置,代表了二维图像上每一个像素点之间的距离,为经验值。
具体地,根据点云的相对高度与标准灰度值对应的高度值确定点云的灰度值。其中,点云的相对高度指点该点云的高度值与最小高度的差值。最小高度为转换后车厢内部三维点云中的最小高度值,通常为车厢底部厢壁的高度值。点云的相对高度表示该货物表面点云相对于车厢底部的相对高度。标准灰度值对应的高度值是指二维图像上每一个灰度值之间的高度距离,即每个灰度值所代表的高度。点云的相对高度与标准灰度值对应的高度值的比值,即为该点云的灰度值。具体地,对于从云转换的像素,将灰度值公式如下:
G=[(zi-zmin)/Gresolution]
其中,zi为第i个点云的Z轴坐标,即高度值,zmin为转换后车厢内部三维点云pr在Z轴的最小值,Gresolution为标准灰度值对应的高度值,是点云投影到二维图像上的精度,可根据需求设置,代表了二维图像上每一个灰度值之间的高度距离。对图8所示的内部货物表面点云投影得到的二维灰度图像如图9所示。
S212,对二维灰度图像中被货物遮挡区域的非点云像素点,根据临近点云像素点的灰度值进行灰度值填充处理。
由于二维灰度图像是对货物表面点云转换得到的,因此,通常只有被扫描到的车厢区域才有对应的点云像素点表示。而在实际应用中,被货物遮挡的区域由于被货物遮挡并不能够被扫描到,但根据常规思维逻辑,车厢内的货物摆放是规整的,摆放顺序是由前往后的,则被货物遮挡的区域应当堆满了货物。但由于未被扫描到,在二维图像中以非点云像素点表示(即不是从点云转换的像素点),在二维灰度图像中无法记载这部分被货物遮挡区域的高度值信息,在后续对二维图像检测时,仅能基于具有灰度值的点云像素点确定已堆放货物的高度。然而,若忽略这部分区域,得到的车厢剩余装载空间将与实际不符,从而影响装载空间检测精度。
灰度值填充,是为了将激光雷达无法直接扫描的区域,根据人们的常规思维逻辑,对其进行想象、扩充,给被货物遮挡区域的非点云像素点进行灰度值填充。
常规思维逻辑,指的是车厢内的货物摆放是规整的,摆放顺序是由前往后的,则被货物遮挡区域是指当激光雷达的激光束射到物体A后反射回,物体A的后方激光雷达无法获取到点云的地方,可以认为有摆放货物,即为被货物遮挡区域。被货物遮挡区域的高度值理论上应当于遮挡物体A高度值相当,故而,可根据临近像素点的灰度值进行填充处理。
具体地,对二维灰度图像中被货物遮挡区域的非点云像素点根据临近点云像素点的灰度值进行灰度值填充处理,包括:按序遍历二维灰度图像中的各像素点,当遍历的当前像素点为灰度值为零的非点云像素点时,按照设定方向遍历预设数量的像素点;若遍历的预设数量的像素点中存在灰度值为不为零的点云像素点,则根据该点云像素点的灰度值对当前像素点进行灰度值填充。若遍历的预设数量的像素点存在多个灰度值为不为零的点云像素点,则根据多个点云像素点中的最大灰度值对当前像素点进行灰度值填充。
由于被遮挡区域通常为远离激光雷达的一侧,因此,遍历的方向可根据激光雷达的安装位置,从远离激光雷达的一侧向靠近激光雷达的一侧开始遍历,以提高灰度值填充的准确度和效率。本实施例中,可从上往下进行遍历,对每一行的像素点,从右往左进行遍历。
由于二维灰度图像是从三维的内部货物表面点云转换而来的,摒除了车厢厢体点云(包括车厢底部厢壁点云),因而,二维灰度图像中具有灰度值信息的像素点为点云像素点,不具有灰度值信息(即高度)的像素点为非点云像素点。
若遍历到灰度值为零的像素点,即表示该点为非点云像素,不具有高度值信息。从远离激光雷达的一侧向靠近激光雷达的一侧遍历一定数据的像素点,若存在灰度值不为零的点云像素点,则将该点云像素点的值赋值给当前像素点,使其具有高度信息。若存在多个灰度值不为零的点云像素点,则为其中的最大灰度值赋值给当前像素点。通过该方法,使二维灰度图像中被货物遮挡区域的非点云像素点具有高度值信息,以提高装载空间检测精度。
例如,首先对图像进行从上往下的行遍历,顺序为从右往左,设定可容忍的误差像素值e;然后当第i点的灰度值为0时,遍历向左数e个像素格子,若在这e个像素格子内存在灰度值不为0的点j,那么将点j的灰度值赋值给点i;若存在不止一个点的灰度值不为0,那么将灰度值中数值最大的赋值给点i,从而实现对二维灰度图像中被货物遮挡区域的非点云像素点进行灰度值填充处理。
在一个实施例中,对于灰度值填充处理后的图像,还进一步的进行图像后处理,以提高二维灰度图像质量。具体地,图像后处理方法,首先对图像进行中值滤波和双边滤波后处理操作,中值滤波是为了保护边缘信息,双边滤波是为了保边去噪;然后进行形态学膨胀操作。由于激光传感器的扫描方式,有些临近点之间的距离会大于图像的像素距离,导致图像出现孔洞,如果增大像素精度,又会降低图像的分辨率,在图像上进行膨胀操作能有效的减少孔洞。图像后处理方法,不仅限于形态学膨胀。也可以对图像进行形态学闭运算,以填充黑洞区域,然后进行形态学开运算,以增强边缘信息,过滤离散的干扰像素点。对图9所示的二维灰度图像进行填充和后处理后得到的图像如图10所示。
S214,对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间。
如前面提及的,二维灰度图像中的灰度值是根据点云的高度值确定,表示了点云的高度信息。因此,可通过各像素点的灰度值确定未被货物占据空间高度。具体地,将各像素点的灰度值与最高点的灰度值进行比较,二者的灰度差值即表示未被货物占据空间的高度的灰度值。其中,最高点为转换后车厢内部三维点云中Z值的最大值的点云,通常为车厢顶部。
具体地,对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间,包括:获取转换后车厢内部三维点云中最高点的灰度值;确定各像素点与最高点的灰度差值,得到各像素点对应未被货物占据空间高度的灰度值;根据所述未被货物占据空间高度的灰度值与预设标准灰度对应的体积值,得到各像素点对应的未被货物占据体积;累加各像素点对应的未被货物占据体积,得到车厢可装载空间。
具体地,车厢可装载空间的方法,对图像中的每一个像素点进行遍历,然后计算每一个像素点代表的未被货物占用的体积,累加后即为整个车厢的车厢可装载空间。
获取所述转换后车厢内部三维点云中最高点的灰度值。车厢内部三维点云最高点通常为车厢顶部点云,将车厢内部三维点云最高点的高度值与标准灰度值对应的高度值进行比较,得到最高点的灰度值。标准灰度值对应的高度值表示一个灰度值对应的高度值。
最高点的高度值与像素点对应的高度值之差,表示该像素点对应货物高度与最高点存在高度差,该货物之上还存在未被货物占用的可用空间,故而,通过最高点的高度值与像素点对应的高度值之差,即可得到该像素点对应未被货物占据空间高度。
各像素点与最高点的灰度差值,即是最高点的高度值与像素点对应的高度值之差/标准灰度值对应的高度值,表示未被货物占据空间高度的灰度值。其中,
HV=Gmax-Gi
其中,H v为第i点与最高点间的灰度差值,表示未被货物占据空间高度的灰度值,Gmax为最高点的灰度值,Gi为第i点的灰度值。Gmax=Zmax/Gresolution,zmax为点云pr在Z轴的最大值,即最高点的高度值,Gresolution为标准灰度值对应的高度值,通常为一个灰度值对应的高度值,为预设经验值,通常为车厢高度有关。
根据未被货物占据空间高度的灰度值与预设标准灰度值的体积值,得到各像素点对应的未被货物占据体积:
v=Hv*vh
其中,vh=Gresolution*ur*vr,表示预设标准灰度值的体积值,为像素点灰度值为1时代表的体积值,v为第i点的未被货物占据体积。
累加各像素点对应的未被货物占据体积,得到车厢可装载空间:
V=∑v
其中,V为车厢可装载空间,是各像素点表示的未被货物占据体积之和。
上述的基于三维激光的车厢可装载空间检测方法,对于激光雷达采集的车厢内部三维点云,滤除厢体点云,准确分割出车厢内部货物点云,进而将车厢内部货物点云转换为二维灰度图像,利用二维灰度图像记载货物点云的高度信息,并将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从图像处理角度,根据各像素点的灰度值确定未被货物占据空间高度,对车厢可装载空间进行检测。由于利用激光雷达采集三维数据,数据源精度高,将三维点云雷投影为二维灰度图像后,对于将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从而提高车厢可装载空间检测的精度。
本申请的基于三维激光的车厢可装载空间检测方法,可广泛应用在需要测量车厢内部剩余容积的场景,适用于标准尺寸集装箱(各尺寸均可,20ft、40ft和45ft)、汽车车厢、火车车厢。
应该理解的是,虽然上述各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种基于三维激光的车厢可装载空间检测装置,包括:
点云获取模块1101,用于获取激光雷达采集的车厢内部三维点云。
姿态角获取模块1102,用于获取所述激光雷达的姿态角。
转换模块1103,用于根据所述姿态角,对所述车厢内部三维点云进行转换。
分割模块1104,用于滤除转换后车厢内部三维点云中的厢体点云,得到内部货物表面点云。
投影模块1105,用于将内部货物表面点云投影为二维灰度图像,其中,二维灰度图像中各点云像素点的灰度值与对应点云的高度值呈正相关。
填充模块1106,用于对二维灰度图像中被货物遮挡区域的非点云像素点根据临近点云像素点的灰度值进行灰度值填充处理。
检测模块1107,用于对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间。
上述的基于三维激光的车厢可装载空间检测装置,对于激光雷达采集的车厢内部三维点云,滤除厢体点云,准确分割出车厢内部货物点云,进而将车厢内部货物点云转换为二维灰度图像,利用二维灰度图像记载货物点云的高度信息,并将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从图像处理角度,根据各像素点的灰度值确定未被货物占据空间高度,对车厢可装载空间进行检测。由于利用激光雷达采集三维数据,数据源精度高,将三维点云雷投影为二维灰度图像后,对于将被货物遮挡区域利用临近像素点的灰度值进行填充,使二维灰度图像反应实际货物装载情况,从而提高车厢可装载空间检测的精度。
在其中一个实施例中,投影模块包括:
图像转换模块,用于根据内部货物表面点云的横坐标和纵坐标,将内部货物表面点云投影为二维图像。
灰度值处理模块,用于根据内部货物表面点云的高度值,确定二维图像中各点云像素点的灰度值,得到内部货物表面点云对应的二维灰度图像。
在另一个实施例中,灰度值填充模块,用于按序遍历二维灰度图像中的各像素点,当遍历的当前像素点为灰度值为零的非点云像素点时,按照设定方向遍历预设数量的像素点,若遍历的预设数量的像素点中存在灰度值为不为零的点云像素点,则根据该点云像素点的灰度值对当前像素点进行灰度值填充,若遍历的预设数量的像素点中存在多个灰度值为不为零的点云像素点,则根据多个点云像素点中的最大灰度值对当前像素点进行灰度值填充。
在另一个实施例中,分割模块,用于根据激光雷达与车厢各厢体部分的距离,确定转换后车厢内部三维点云中非厢体点云范围;根据非厢体点云范围,得到内部货物表面点云。
在另一个实施例中,图像转换模块,用于根据内部货物表面点云的横坐标和纵坐标、以及转换后车厢内部三维点云的横坐标最小值和纵坐标最小值,计算内部货物表面点云的二维坐标;根据内部货物表面点云的二维坐标,将点云转换为像素点,得到二维图像。
在另一个实施例中,检测模块,用于获取转换后车厢内部三维点云中最高点的灰度值;确定各像素点与最高点的灰度差值,得到各像素点对应未被货物占据空间高度的灰度值;根据未被货物占据空间高度的灰度值与预设标准灰度对应的体积值,得到各像素点对应的未被货物占据体积;累加各像素点对应的未被货物占据体积,得到车厢可装载空间。
关于基于三维激光的车厢可装载空间检测装置的具体限定可以参见上文中对于基于三维激光的车厢可装载空间检测方法的限定,在此不再赘述。上述基于三维激光的车厢可装载空间检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器通信接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于三维激光的车厢可装载空间检测方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各实施例方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各实施例方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于三维激光的车厢可装载空间检测方法,其特征在于,所述方法包括:
在货物装载过程中,获取激光雷达采集的车厢内部三维点云;所述激光雷达安装在车厢内靠近门的一侧;
获取在标定状态所述激光雷达采集的车厢内部标定三维点云;
根据所述激光雷达距离车厢底部的安装高度,从所述车厢内部标定三维点云中确定车厢底部厢壁点云,并计算所述车厢底部厢壁点云的协方差矩阵;
对所述协方差矩阵进行奇异值分解后,确定奇异值最小的向量为所述车厢底部厢壁点云的平面法向量;
根据所述车厢底部厢壁点云的平面法向量,计算所述激光雷达的翻滚角和俯仰角;
根据所述激光雷达距离所述车厢底部的安装高度以及所述激光雷达相对于侧壁的距离,从所述车厢内部标定三维点云中确定车厢侧壁点云,并计算所述车厢侧壁点云的平面法向量;
根据所述车厢侧壁点云的平面法向量,计算所述激光雷达的偏航角;
根据所述翻滚角和所述俯仰角,对所述车厢内部三维点云进行转换;
根据所述偏航角,对转换后所述车厢内部三维点云进行转换;
滤除转换后所述车厢内部三维点云中的厢体点云,得到内部货物表面点云;
根据所述内部货物表面点云的横坐标和纵坐标、以及转换后车厢内部三维点云的横坐标最小值和纵坐标最小值,计算所述内部货物表面点云的二维坐标;
根据所述内部货物表面点云的二维坐标,将点云转换为像素点,得到二维图像;
根据所述内部货物表面点云的高度值,确定所述二维图像中各点云像素点的灰度值,得到所述内部货物表面点云对应的二维灰度图像;
对所述二维灰度图像中被货物遮挡区域的非点云像素点,根据临近点云像素点的灰度值进行灰度值填充处理;
对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间。
2.根据权利要求1所述的方法,其特征在于,对所述二维灰度图像中被货物遮挡区域的非点云像素点,根据临近点云像素点的灰度值进行灰度值填充处理,包括:
按序遍历所述二维灰度图像中的各像素点,当遍历的当前像素点为灰度值为零的非点云像素点时,按照设定方向遍历预设数量的像素点;
若遍历的预设数量的像素点中存在灰度值为不为零的点云像素点,则根据该点云像素点的灰度值对所述当前像素点进行灰度值填充。
3.根据权利要求2所述的方法,其特征在于,若遍历的预设数量的像素点中存在多个灰度值为不为零的点云像素点,则根据多个点云像素点中的最大灰度值对所述当前像素点进行灰度值填充。
4.根据权利要求1所述的方法,其特征在于,所述滤除转换后所述车厢内部三维点云中的厢体点云,得到内部货物表面点云,包括:
根据激光雷达与车厢各厢体部分的距离,确定转换后所述车厢内部三维点云中非厢体点云范围;
根据所述非厢体点云范围,得到内部货物表面点云。
5.根据权利要求4所述的方法,其特征在于,所述根据激光雷达与车厢各厢体部分的距离,确定转换后所述车厢内部三维点云中非厢体点云范围,包括:
根据所述激光雷达与车厢各厢体部分的距离,确定转换后所述车厢内部三维点云转换到所述激光雷达对应的检测系统坐标系下的非厢体点云在X轴方向上的取值、在Y轴方向上的取值以及在Z轴方向上的取值;
其中,所述非厢体点云在X轴方向上的取值为(-b5,b4),所述非厢体点云在Y轴方向上的取值为(-b2,b1),所述非厢体点云在Z轴方向上的取值为(-a,b3);所述a为所述激光雷达距离车厢底部平面的垂直距离,所述b1为车厢左侧面与所述激光雷达的距离,所述b2为车厢右侧面与所述激光雷达的距离,所述b3为车厢顶部与所述激光雷达的距离,所述b4为车厢前侧与所述激光雷达的距离,所述b5为车厢后侧与所述激光雷达的距离。
6.根据权利要求1所述的方法,其特征在于,所述对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间,包括:
获取转换后所述车厢内部三维点云中最高点的灰度值;
确定各像素点与最高点的灰度差值,得到各像素点对应未被货物占据空间高度的灰度值;
根据所述未被货物占据空间高度的灰度值与预设标准灰度对应的体积值,得到各像素点对应的未被货物占据体积;
累加各像素点对应的未被货物占据体积,得到车厢可装载空间。
7.根据权利要求6所述的方法,其特征在于,所述各像素点与最高点的灰度差值为所述最高点的高度值与像素点对应的高度值之差/标准灰度值对应的高度值。
8.一种基于三维激光的车厢可装载空间检测装置,包括:
点云获取模块,用于在货物装载过程中,获取激光雷达采集的车厢内部三维点云;所述激光雷达安装在车厢内靠近门的一侧;
姿态角获取模块,用于获取在标定状态所述激光雷达采集的车厢内部标定三维点云;根据所述激光雷达距离车厢底部的安装高度,从所述车厢内部标定三维点云中确定车厢底部厢壁点云,并计算所述车厢底部厢壁点云的协方差矩阵;对所述协方差矩阵进行奇异值分解后,确定奇异值最小的向量为所述车厢底部厢壁点云的平面法向量;根据所述车厢底部厢壁点云的平面法向量,计算所述激光雷达的翻滚角和俯仰角;根据所述激光雷达距离所述车厢底部的安装高度以及所述激光雷达相对于侧壁的距离,从所述车厢内部标定三维点云中确定车厢侧壁点云,并计算所述车厢侧壁点云的平面法向量;根据所述车厢侧壁点云的平面法向量,计算所述激光雷达的偏航角;
转换模块,用于根据所述翻滚角和所述俯仰角,对所述车厢内部三维点云进行转换;根据所述偏航角,对转换后所述车厢内部三维点云进行转换;
分割模块,用于滤除转换后车厢内部三维点云中的厢体点云,得到内部货物表面点云;
投影模块,用于根据所述内部货物表面点云的横坐标和纵坐标、以及转换后车厢内部三维点云的横坐标最小值和纵坐标最小值,计算所述内部货物表面点云的二维坐标;根据所述内部货物表面点云的二维坐标,将点云转换为像素点,得到二维图像;根据所述内部货物表面点云的高度值,确定所述二维图像中各点云像素点的灰度值,得到所述内部货物表面点云对应的二维灰度图像;
填充模块,用于对所述二维灰度图像中被货物遮挡区域的非点云像素点,根据临近点云像素点的灰度值进行灰度值填充处理;
检测模块,用于对处理后的二维灰度图像,根据各像素点的灰度值确定未被货物占据空间高度,得到车厢可装载空间。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236021.9A CN113469871B (zh) | 2020-03-30 | 2020-03-30 | 基于三维激光的车厢可装载空间检测方法和装置 |
PCT/CN2021/084109 WO2021197345A1 (zh) | 2020-03-30 | 2021-03-30 | 一种基于激光雷达的封闭空间内剩余体积的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010236021.9A CN113469871B (zh) | 2020-03-30 | 2020-03-30 | 基于三维激光的车厢可装载空间检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113469871A CN113469871A (zh) | 2021-10-01 |
CN113469871B true CN113469871B (zh) | 2023-07-14 |
Family
ID=77865931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010236021.9A Active CN113469871B (zh) | 2020-03-30 | 2020-03-30 | 基于三维激光的车厢可装载空间检测方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113469871B (zh) |
WO (1) | WO2021197345A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842323B (zh) * | 2022-07-04 | 2022-09-13 | 山东西曼克技术有限公司 | 基于分类识别的智能机器人分拣优化方法 |
CN115294105B (zh) * | 2022-09-28 | 2023-04-07 | 南京理工大学 | 一种多层多道焊接余高预测方法 |
CN115631329B (zh) * | 2022-12-08 | 2023-04-28 | 杭州明度智能科技有限公司 | 一种用于开放式车厢的装载控制方法、系统和存储介质 |
CN115862001A (zh) * | 2023-03-02 | 2023-03-28 | 青岛慧拓智能机器有限公司 | 一种基于体积计量的露天矿山车厢残留物检测方法及系统 |
CN116307985B (zh) * | 2023-03-06 | 2024-01-26 | 北京中天北方建设有限公司 | 建筑材料节能运输方法、计算机设备与介质 |
CN116843742B (zh) * | 2023-03-13 | 2024-02-02 | 武汉理工大学 | 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及系统 |
CN116681748B (zh) * | 2023-06-13 | 2023-12-15 | 上海频准激光科技有限公司 | 一种激光器稳频组件的匹配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696663A (zh) * | 2019-02-21 | 2019-04-30 | 北京大学 | 一种车载三维激光雷达标定方法和系统 |
CN110488308A (zh) * | 2019-07-05 | 2019-11-22 | 北京国泰新能科技发展有限公司 | 一种车厢定位检测方法和装置 |
CN110837080A (zh) * | 2019-10-28 | 2020-02-25 | 武汉海云空间信息技术有限公司 | 激光雷达移动测量系统的快速标定方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106017320B (zh) * | 2016-05-30 | 2018-06-12 | 燕山大学 | 一种基于图像处理的散杂货堆体积测量方法及实现所述方法的系统 |
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 |
AU2018247343A1 (en) * | 2017-10-16 | 2019-05-02 | Flex Ltd. | Method and system for tracking and optimizing cargo utilization and volume measurement and imaging sensing using lidars and video cameras |
CN207600384U (zh) * | 2017-11-24 | 2018-07-10 | 深古安地智能科技(武汉)有限公司 | 一种基于线激光的集装箱容积占用率测算系统 |
US10692236B2 (en) * | 2017-12-22 | 2020-06-23 | Symbol Technologies, Llc | Container use estimation |
US10697757B2 (en) * | 2017-12-22 | 2020-06-30 | Symbol Technologies, Llc | Container auto-dimensioning |
CN109029254B (zh) * | 2018-07-03 | 2020-06-16 | 秦皇岛燕大燕软信息系统有限公司 | 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 |
CN109146952B (zh) * | 2018-09-06 | 2020-11-20 | 北京京东尚科信息技术有限公司 | 估计车厢空闲体积的方法、装置及计算机可读存储介质 |
CN110411530A (zh) * | 2019-03-21 | 2019-11-05 | 重庆大学 | 一种货箱剩余体积的智能识别方法 |
CN109916302B (zh) * | 2019-03-27 | 2020-11-20 | 青岛小鸟看看科技有限公司 | 一种载货箱体的体积测量方法和系统 |
CN109916301B (zh) * | 2019-03-27 | 2021-03-16 | 青岛小鸟看看科技有限公司 | 一种体积测量方法和深度相机模组 |
CN110057292B (zh) * | 2019-05-27 | 2021-05-18 | 杭州亚美利嘉科技有限公司 | 车厢装载率的确定方法和装置 |
-
2020
- 2020-03-30 CN CN202010236021.9A patent/CN113469871B/zh active Active
-
2021
- 2021-03-30 WO PCT/CN2021/084109 patent/WO2021197345A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696663A (zh) * | 2019-02-21 | 2019-04-30 | 北京大学 | 一种车载三维激光雷达标定方法和系统 |
CN110488308A (zh) * | 2019-07-05 | 2019-11-22 | 北京国泰新能科技发展有限公司 | 一种车厢定位检测方法和装置 |
CN110837080A (zh) * | 2019-10-28 | 2020-02-25 | 武汉海云空间信息技术有限公司 | 激光雷达移动测量系统的快速标定方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2021197345A1 (zh) | 2021-10-07 |
CN113469871A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469871B (zh) | 基于三维激光的车厢可装载空间检测方法和装置 | |
CN110057292B (zh) | 车厢装载率的确定方法和装置 | |
US20190197195A1 (en) | Container loading/unloading time estimation | |
AU2018388705B2 (en) | Systems and methods for determining commercial trailer fullness | |
US10692236B2 (en) | Container use estimation | |
CN113376654B (zh) | 基于三维激光的集卡防砸检测方法、装置和计算机设备 | |
CN111492404B (zh) | 计算商用拖车装载中的包裹壁密度 | |
WO2021179983A1 (zh) | 基于三维激光的集卡防吊起检测方法、装置和计算机设备 | |
US11430104B2 (en) | Three-dimensional (3D) imaging systems and methods for detecting and dimensioning a vehicle storage area | |
US10697757B2 (en) | Container auto-dimensioning | |
CN112578406B (zh) | 一种车辆环境信息感知方法及装置 | |
CN110816522B (zh) | 车辆姿态的控制方法、设备及计算机可读存储介质 | |
CN112432596B (zh) | 空间测量方法、装置、电子设备及计算机存储介质 | |
CN113554689A (zh) | 车厢载货体积的测量方法及装置、设备、存储介质 | |
US11009604B1 (en) | Methods for detecting if a time of flight (ToF) sensor is looking into a container | |
CN115631329B (zh) | 一种用于开放式车厢的装载控制方法、系统和存储介质 | |
CN117011362A (zh) | 货物体积的计算方法、容积率的动态计算方法 | |
US11763439B2 (en) | Systems and methods for assessing trailer utilization | |
CN114022537A (zh) | 一种用于动态称重区域车辆装载率和偏载率分析方法 | |
CN113129354A (zh) | 车辆车厢剩余容积的测量方法及测量系统 | |
CN117581274A (zh) | 用于监控货舱的方法 | |
US20240112402A1 (en) | Systems and methods for assessing trailer utilization | |
CN113933817A (zh) | 车厢点云姿态的校正方法及装置 | |
CN114200415A (zh) | 车厢点云姿态自动校正方法及装置 | |
CN115862001A (zh) | 一种基于体积计量的露天矿山车厢残留物检测方法及系统 |
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 |