CN113486741A - 一种料场料堆点云台阶识别方法 - Google Patents
一种料场料堆点云台阶识别方法 Download PDFInfo
- Publication number
- CN113486741A CN113486741A CN202110697509.6A CN202110697509A CN113486741A CN 113486741 A CN113486741 A CN 113486741A CN 202110697509 A CN202110697509 A CN 202110697509A CN 113486741 A CN113486741 A CN 113486741A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- points
- edge
- curved surface
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种料场料堆点云台阶识别方法,包括以下步骤:S1、基于Z轴对点云进行带通滤波,根据实际料堆高度保留数值在一定范围的点,去除此范围之外的异常点;S2、对点云进行统计滤波,进一步去除点云中的噪声点;S3、对点云进行边缘提取,属于边缘的点组成边缘点云,其它非边缘点认为处于曲面内部组成曲面点云;S4、对边缘点云和曲面点云分别进行处理,然后将处理后的点云合并成一个点云;S5、对合并后的点云进行分割,得到包括台阶和非台阶的多个子点云,且只保留点数量大于一定值的子点云;S6、对子点云进行统计,沿Z轴方向计算点数量分布直方图,符合条件的识别为台阶。本发明能有效提升了区域增长分割算法对料堆点云的分割效果。
Description
技术领域
本发明涉及三维点云分割识别技术领域,尤其涉及一种料场料堆点云台阶识别方法。
背景技术
随着智能化技术的发展,基于激光雷达的三维点云建模与处理算法逐渐应用到工业领域的各个方面,其中,在料场智能化管理方面正处于初步发展阶段,市场上相关产品也十分有限。
对料堆点云的分割是实际应用中无法避开的重要问题,是自动取料系统的核心技术,只有对料堆点云进行了准确的分割和识别,系统才能更高效、更智能地完成自动化任务。
然而,现有技术多以固定公式划分料堆作为代替手段,即系统根据料堆高度和相关公式进行计算,然后根据计算出的段数将料堆分为数层,然后再驱使取料机从指定层进行取料。这样的方法虽然可以取到料,但效率不一定高,也不一定符合工艺需求,因为实际料场中的大部分料堆点云都不是规则的圆锥、圆台状,料面也不一定是平整或光滑,因此会形成很多台阶。
台阶是指取料机对料堆取料后形成的不规则曲面,在实际操作中,由于人工操作堆取料机或推机进行堆取料干预,料堆台阶会变得千差万别,存在大量凹陷、突起、不同曲率的局部曲面,难以通过简单的平面拟合识别出来。因此,需要更为复杂的分割算法。
区域增长分割算法是较为流行的三维点云分割算法,可根据点云中点特征的不同,将点云划分为多个连续的子点云。此算法对多平面或具有尖锐边缘的曲面可以达到较好的分割效果,但料场中的料堆点云的边缘并不十分尖锐,甚至十分圆滑,而且料堆平面存在空洞、凹陷和大量噪声点,因此直接进行区域增长分割效果较差。
发明内容
本发明旨在进一步提升现有自动堆取料系统的效率和智能化水平,解决现有系统按固定公式对料堆分层未充分考虑实际料堆形状、现有区域增长分割算法对料堆分割效果不理想等问题,提供一种料场料堆点云台阶识别方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种料场料堆点云台阶识别方法,该方法包括以下步骤:
S1、输入料场料堆点云数据,基于Z轴对点云进行带通滤波,根据实际料堆高度保留数值在一定范围的点,去除此范围之外的异常点;
S2、对点云进行统计滤波,即对每个点的空间邻域内的邻居点进行均值与标准差计算,进一步去除点云中的噪声点;
S3、对点云进行边缘提取,属于边缘的点组成边缘点云,其它非边缘点认为处于曲面内部组成曲面点云;
S4、对边缘点云和曲面点云分别进行处理,使边缘更清晰,曲面更平滑,以提升点云分割的效果,然后将处理后的点云合并成一个点云;
S5、对合并后的点云进行分割,得到包括台阶和非台阶的多个子点云,且只保留点数量大于一定值的子点云;
S6、对子点云进行统计,沿Z轴方向计算点数量分布直方图,符合条件的识别为台阶。
进一步地,本发明的所述步骤S3中边缘提取的具体算法为:
遍历点云中的点,假设点P空间邻域内的邻居点组成集合N,计算点P的差分值D,公式为:
式中,ZP为P点的Z坐标,n为集合N的大小,ZNi为N中第i个点的Z坐标;
若D大于零则点P为边缘点,否则为曲面点。
进一步地,本发明的所述步骤S4中对曲面点云进行处理的算法具体为:
首先对曲面点云进行体素滤波,一方面使点云更加平滑,另一方面去除点云中的某些空洞;
然后对滤波后的曲面点云进行上采样,目的是增加点数量,提升分割效果,采用移动最小二乘法作为上采样算法。
进一步地,本发明的所述步骤S3中对边缘点云进行处理的算法具体为:
首先对上采样后的曲面点云进行边缘提取构成点云C,采用步骤S3中的边缘提取算法;再将C投影到XOY平面,称为投影点云;
然后遍历边缘点云,假设点云中一点P,将P投影到XOY平面得到P1,然后统计P1一定范围内投影点云中点的数量,如果数量小于阈值,则从边缘点云中去除P点。
进一步地,本发明的所述步骤S5中对点云进行分割的算法具体为:
将处理后的边缘点云和曲面点云进行合并,并对此合并点云进行处理,计算每个点的法向量,然后利用法向量进行区域增长分割。
进一步地,本发明的所述步骤S6中识别台阶的算法具体为:
对子点云中各点沿Z轴进行统计,计算每个Z值对应的点数量及占总点数的百分比,构成分布直方图,当直方图中连续存在多个百分比大于阈值时,则该子点云为台阶点云,如果子点云是普通斜料面时,其分布直方图为均匀分布。
本发明产生的有益效果是:本发明的料场料堆点云台阶识别方法,通过滤波、边缘提取等算法进行预处理,通过将边缘点和曲面点分别进行处理,既保留了原有点云中尖锐的边缘,又使得原有点云中的曲面更加稠密和平滑,有效提升了区域增长分割算法对料堆点云的分割效果。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例的总流程示意图;
图2为本发明实施例的料场现场料堆图;
图3为本发明实施例涉及的区域增长算法分割效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例的料场料堆点云台阶识别方法,包括以下步骤:
S1、由于现场环境恶劣,空气中布满大量灰尘,会对激光雷达存在很大干扰,因此扫描到的数据可能会包含大量异常点,首先基于Z轴对点云进行带通滤波,根据实际料堆高度保留数值在一定范围的点,如0到20m,然后去除此范围之外的异常点。
S2、对点云进行统计滤波,即计算每个点与其空间邻域内的各个邻居点的距离,并进行均值与标准差计算,去除距离值大于均值一个标准差的点,以进一步去除点云中的噪声点。
S3、对点云进行边缘提取,属于边缘的点组层边缘点云,其它非边缘点认为处于曲面内部组成曲面点云。具体方法为:
遍历点云中的点,假设点P空间邻域内的邻居点组成集合N,计算点P的差分值D,公式为
式中,ZP为P点的Z坐标,n为集合N的大小,ZNi为N中第i个点的Z坐标。
若D大于零则点P为边缘点,否则为曲面点。
S4、对边缘点云和曲面点云分别进行处理,使边缘更清晰,曲面更平滑,以提升点云分割的效果,然后将处理后的点云合并成一个点云。
其中,曲面点云处理算法具体为:
首先对曲面点云进行体素滤波,一方面使点云更加平滑,另一方面可以去除点云中的某些空洞;
然后对滤波后的曲面点云进行上采样,目的是增加点数量,提升分割效果,采用移动最小二乘法作为上采样算法。
边缘点云处理算法具体为:
首先对上采样后的曲面点云进行边缘提取构成点云C1,算法与S3中描述一样,但是参数有所调整,再将C1投影到XOY平面,称为投影点云。
然后遍历边缘点云,假设点云中一点P11,将P11投影到XOY平面得到P12,然后统计P12一定范围内投影点云中点的数量,如果数量小于阈值,则从边缘点云中去除P11点。
S5、对合并后的点云进行分割,得到包括台阶和非台阶的多个子点云,且只保留点数量大于一定值的子点云。这是因为有效的台阶或平面的点的数量是较大的,最少在200以上,去除点数量在某个值以下的小点云可以减少后续计算量。
S6、对子点云进行统计,沿Z轴方向计算点数量分布直方图,符合条件的识别为台阶。具体为:
对子点云中各点沿Z轴进行统计,计算每个Z值对应的点数量及占总点数的百分比,构成分布直方图,当直方图中连续存在多个百分比大于阈值时,则该子点云为台阶点云,如果子点云是普通斜料面时,其分布直方图就会很均匀,通常情况下,台阶点云中平面部分上的点所占比例大于3%(仅代表本实施例实验)。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种料场料堆点云台阶识别方法,其特征在于,该方法包括以下步骤:
S1、输入料场料堆点云数据,基于Z轴对点云进行带通滤波,根据实际料堆高度保留数值在一定范围的点,去除此范围之外的异常点;
S2、对点云进行统计滤波,即对每个点的空间邻域内的邻居点进行均值与标准差计算,进一步去除点云中的噪声点;
S3、对点云进行边缘提取,属于边缘的点组成边缘点云,其它非边缘点认为处于曲面内部组成曲面点云;
S4、对边缘点云和曲面点云分别进行处理,使边缘更清晰,曲面更平滑,以提升点云分割的效果,然后将处理后的点云合并成一个点云;
S5、对合并后的点云进行分割,得到包括台阶和非台阶的多个子点云,且只保留点数量大于一定值的子点云;
S6、对子点云进行统计,沿Z轴方向计算点数量分布直方图,符合条件的识别为台阶。
3.根据权利要求1所述的料场料堆点云台阶识别方法,其特征在于,所述步骤S4中对曲面点云进行处理的算法具体为:
首先对曲面点云进行体素滤波,一方面使点云更加平滑,另一方面去除点云中的某些空洞;
然后对滤波后的曲面点云进行上采样,目的是增加点数量,提升分割效果,采用移动最小二乘法作为上采样算法。
4.根据权利要求2所述的料场料堆点云台阶识别方法,其特征在于,所述步骤S3中对边缘点云进行处理的算法具体为:
首先对上采样后的曲面点云进行边缘提取构成点云C,采用步骤S3中的边缘提取算法;再将C投影到XOY平面,称为投影点云;
然后遍历边缘点云,假设点云中一点P,将P投影到XOY平面得到P1,然后统计P1一定范围内投影点云中点的数量,如果数量小于阈值,则从边缘点云中去除P点。
5.根据权利要求1所述的料场料堆点云台阶识别方法,其特征在于,所述步骤S5中对点云进行分割的算法具体为:
将处理后的边缘点云和曲面点云进行合并,并对此合并点云进行处理,计算每个点的法向量,然后利用法向量进行区域增长分割。
6.根据权利要求1所述的料场料堆点云台阶识别方法,其特征在于,所述步骤S6中识别台阶的算法具体为:
对子点云中各点沿Z轴进行统计,计算每个Z值对应的点数量及占总点数的百分比,构成分布直方图,当直方图中连续存在多个百分比大于阈值时,则该子点云为台阶点云,如果子点云是普通斜料面时,其分布直方图为均匀分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697509.6A CN113486741B (zh) | 2021-06-23 | 2021-06-23 | 一种料场料堆点云台阶识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697509.6A CN113486741B (zh) | 2021-06-23 | 2021-06-23 | 一种料场料堆点云台阶识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486741A true CN113486741A (zh) | 2021-10-08 |
CN113486741B CN113486741B (zh) | 2022-10-11 |
Family
ID=77937640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697509.6A Active CN113486741B (zh) | 2021-06-23 | 2021-06-23 | 一种料场料堆点云台阶识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486741B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113941919A (zh) * | 2021-10-12 | 2022-01-18 | 慧诚自动化技术(宁波)有限公司 | 用于钢管焊缝自动打磨系统的数据处理及控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150063683A1 (en) * | 2013-08-28 | 2015-03-05 | Autodesk, Inc. | Building datum extraction from laser scanning data |
US20180150714A1 (en) * | 2015-06-18 | 2018-05-31 | Peking University Shenzhen Graduate School | A method and a device for extracting local features of a three-dimensional point cloud |
US20190279420A1 (en) * | 2018-01-19 | 2019-09-12 | Sofdesk Inc. | Automated roof surface measurement from combined aerial lidar data and imagery |
US20200158874A1 (en) * | 2018-11-19 | 2020-05-21 | Dalong Li | Traffic recognition and adaptive ground removal based on lidar point cloud statistics |
US20200207356A1 (en) * | 2018-12-26 | 2020-07-02 | Uatc, Llc | Automated Bump and/or Depression Detection in a Roadway |
CN111429504A (zh) * | 2020-03-02 | 2020-07-17 | 武汉大学 | 基于三维点云的物料堆自动提取和体积测量方法及系统 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
CN111986308A (zh) * | 2020-07-14 | 2020-11-24 | 武汉数字化设计与制造创新中心有限公司 | 基于点云法线与曲率变化双约束曲面误差显著点识别方法 |
CN112378349A (zh) * | 2020-09-28 | 2021-02-19 | 湖南海森格诺信息技术有限公司 | 基于双目结构光的匣钵平整度检测装置及其检测方法 |
CN112489025A (zh) * | 2020-12-07 | 2021-03-12 | 南京钢铁股份有限公司 | 一种连铸坯表面凹坑缺陷识别方法 |
CN112614172A (zh) * | 2020-12-25 | 2021-04-06 | 广州中设机器人智能装备股份有限公司 | 基于三维视觉的平面和/或曲面划分方法以及系统 |
-
2021
- 2021-06-23 CN CN202110697509.6A patent/CN113486741B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150063683A1 (en) * | 2013-08-28 | 2015-03-05 | Autodesk, Inc. | Building datum extraction from laser scanning data |
US20180150714A1 (en) * | 2015-06-18 | 2018-05-31 | Peking University Shenzhen Graduate School | A method and a device for extracting local features of a three-dimensional point cloud |
US20190279420A1 (en) * | 2018-01-19 | 2019-09-12 | Sofdesk Inc. | Automated roof surface measurement from combined aerial lidar data and imagery |
US20200158874A1 (en) * | 2018-11-19 | 2020-05-21 | Dalong Li | Traffic recognition and adaptive ground removal based on lidar point cloud statistics |
US20200207356A1 (en) * | 2018-12-26 | 2020-07-02 | Uatc, Llc | Automated Bump and/or Depression Detection in a Roadway |
CN111429504A (zh) * | 2020-03-02 | 2020-07-17 | 武汉大学 | 基于三维点云的物料堆自动提取和体积测量方法及系统 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
CN111986308A (zh) * | 2020-07-14 | 2020-11-24 | 武汉数字化设计与制造创新中心有限公司 | 基于点云法线与曲率变化双约束曲面误差显著点识别方法 |
CN112378349A (zh) * | 2020-09-28 | 2021-02-19 | 湖南海森格诺信息技术有限公司 | 基于双目结构光的匣钵平整度检测装置及其检测方法 |
CN112489025A (zh) * | 2020-12-07 | 2021-03-12 | 南京钢铁股份有限公司 | 一种连铸坯表面凹坑缺陷识别方法 |
CN112614172A (zh) * | 2020-12-25 | 2021-04-06 | 广州中设机器人智能装备股份有限公司 | 基于三维视觉的平面和/或曲面划分方法以及系统 |
Non-Patent Citations (4)
Title |
---|
ANH-VU VO ETC.: "Octree-based region growing for point cloud segmentation", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
万松等: "基于法向量和曲率的三维边缘检测方法", 《计算机与数字工程》 * |
刘波: "数字化煤场的料堆三维重建算法研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
王?等: "方向自适应的星载光子计数激光测高植被冠层高度估算", 《红外与毫米波学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113941919A (zh) * | 2021-10-12 | 2022-01-18 | 慧诚自动化技术(宁波)有限公司 | 用于钢管焊缝自动打磨系统的数据处理及控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113486741B (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、系统及设备 | |
CN109541997B (zh) | 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法 | |
CN107369161B (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
CN108961271A (zh) | 一种彩色3d点云超体素凹凸分割算法 | |
CN110363861B (zh) | 基于激光雷达点云的田地作物三维重构方法 | |
CN107123164A (zh) | 保持锐利特征的三维重建方法及系统 | |
CN114943736A (zh) | 一种汽车散热翅片生产质量检测方法及系统 | |
CN113486741B (zh) | 一种料场料堆点云台阶识别方法 | |
CN112561985B (zh) | 一种基于双目视觉的绿篱苗木修剪对中方法 | |
CN115222625A (zh) | 一种基于多尺度噪声的激光雷达点云去噪方法 | |
CN114972377A (zh) | 基于移动最小二乘法与超体素的3d点云分割方法和装置 | |
CN112669462B (zh) | 一种适用于扫描点云的模型处理方法及系统 | |
CN106951860A (zh) | 一种基于点云的三维数据智能识别方法 | |
CN110349094A (zh) | 基于统计离群和自适应双边混合滤波的3d点云去噪方法 | |
CN109146817A (zh) | 一种非迭代单一物体散乱点云数据的噪声处理方法 | |
CN111553886B (zh) | 一种沥青混合料ct图像中颗粒的自适应识别方法 | |
CN110288706B (zh) | 一种小曲率不规则点云曲面的拟合方法 | |
CN115578314A (zh) | 基于连续边缘提取的眼镜框识别及抓取上料方法 | |
CN107122782A (zh) | 一种均衡的半密集立体匹配方法 | |
CN110264481B (zh) | 一种箱体类点云分割方法与装置 | |
CN116051841A (zh) | 基于车载LiDAR点云的路边地上物多阶段聚类分割算法 | |
CN106611418A (zh) | 一种图像分割算法 | |
CN111598901B (zh) | 基于深度图像的牙科修复制品的加工进度的估算方法 | |
CN114240960A (zh) | 最上层工件的提取方法、装置、设备、介质及产品 | |
Jin et al. | Filtering processing of LIDAR point cloud data |
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 |