CN115375875A - 基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质 - Google Patents

基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质 Download PDF

Info

Publication number
CN115375875A
CN115375875A CN202210903130.0A CN202210903130A CN115375875A CN 115375875 A CN115375875 A CN 115375875A CN 202210903130 A CN202210903130 A CN 202210903130A CN 115375875 A CN115375875 A CN 115375875A
Authority
CN
China
Prior art keywords
point
grain
dimensional
points
point cloud
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.)
Pending
Application number
CN202210903130.0A
Other languages
English (en)
Inventor
杨东
吴建华
石天玉
李倩倩
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.)
Academy of National Food and Strategic Reserves Administration
Original Assignee
Academy of National Food and Strategic Reserves Administration
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 Academy of National Food and Strategic Reserves Administration filed Critical Academy of National Food and Strategic Reserves Administration
Priority to CN202210903130.0A priority Critical patent/CN115375875A/zh
Publication of CN115375875A publication Critical patent/CN115375875A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明的一个实施例公开了基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质，所述方法包括：S1：获取当前粮仓内粮堆表面形貌的三维点云数据；S2：对所述三维点云数据进行预处理；S3：根据所述预处理后的三维点云数据重构粮堆表层三维曲面模型；S4：根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征，计算平粮中心点位置、平粮范围和平粮深度。本发明使平粮作业智能高效，降低了人力成本，提高了工作效率。

Description

基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质
技术领域
本发明涉及粮食仓储中图像识别方法领域。更具体地，涉及一种基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质。
背景技术
随着我国粮食产量的逐年增收，粮食储备规模已达到完好仓容超过6.5亿吨，仓储条件总体达到世界较先进水平。粮食作为国家的一种战略物资，其安全问题的重要性毋庸畳疑。粮食储备是在发生大规模灾害时人们生存和发展的保障，也是国家稳定市场粮食价格的重要方法，关系到国家安全和社会稳定。
粮食入仓时由于入粮点分布有限，粮堆积高参差不齐，堆积部位易导致发热，威胁储粮安全，给粮情监控带来极大不便。因此平整粮面是粮食丰收到正常储备管理过程的最后一道工序，在进粮结束后，要及时平整粮面，便于顶部的通风及粮情检查，也是粮仓规范化管理的要求。传统的平粮方法多为人工平粮，存在耗费人力大，粮库入粮时间相对集中导致平粮不及时易发生热量集中，人员仓内平粮作业时存在粮堆埋人的安全隐患等问题。而要实现自动平粮，势必需要对粮堆表面凹凸形貌特征足够了解，才能更高效得完成平粮作业。
发明内容
有鉴于此，本发明的第一个实施例提供一种基于三维形貌的粮堆凹凸形状特征识别方法，包括：
S1：获取当前粮仓内粮堆表面形貌的三维点云数据；
S2：对所述三维点云数据进行预处理；
S3：根据所述预处理后的三维点云数据重构粮堆表层三维曲面模型；
S4：根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征，计算平粮中心点位置、平粮范围和平粮深度。
在一个具体实施例中，所述S2包括：
S21：在所述三维点云数据中选取一个点作为球心，并统计球体内所包含的点的个数，当球体内的点的个数少于预设的阈值n时，则认为是离群点将被剔除，否则为非离群点保留；
S22：对所述三维点云数据划分为三维体素栅格，并将每个栅格内所有点用距离重心最近的点进行表示；
S23：对所述三维点云数据进行平滑处理和漏洞修复；
S24：对所述三维点云数据进行位置配准。
在一个具体实施例中，所述S24包括：
S241：在所述三维点云数据P中取子集
Figure BDA0003771643100000021
计算目标点云Q中对应点
Figure BDA0003771643100000022
∈Q，以使得
Figure BDA0003771643100000023
最小；
S242：当误差函数
Figure BDA0003771643100000024
最小时，计算此时(R,T)的值，其中R为3×3的旋转矩阵，Q为平移矩阵；
S243：计算变换源点云位置：Pk+1＝{RkPi k+Tk,Pi k∈P}，并计算变换后点云位置误差：
Figure BDA0003771643100000025
S244：如果上式值不小于预设的误差阈值，返回S241并更新源点云位置迭代直至满足要求或者迭代次数达到要求。
在一个具体实施例中，所述S3包括：
S31：将所述三维点云数据中的每个点投影到二维坐标平面内，并进行变换得到三维点在平面上的投影；
S32：在坐标平面内选中一个点Pi(xi,yi,zi)，搜索与其距离最近的两个点Pi+1、Pi+2，形成种子三角形ΔPiPi+1Pi+2，然后对三角形的三个边分别搜索到边两个顶点距离和最近的第三个点，形成新的三角形，其中，i表示三维坐标内第i个点；xi表示该坐标点的横坐标；yi表示该坐标点的纵坐标；zi表示该坐标点所对应的深度信息；
S33：将获取到的点映射回空间，重复S32，根据平面内三维点的拓扑连接关系获得一个三角网格曲面模型。
在一个具体实施例中，所述S4包括：
S41：根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征；
S42：根据所述粮堆表面凹凸形态特征提取凸型区域的顶点作为平粮中心点；
S43：根据所述平粮中心点位置计算平粮范围和平粮深度。
在一个具体实施例中，所述S41包括：
S411：根据所述重构后的粮堆表层三维曲面模型，计算其三角网格中每个点的高斯曲率以及平均曲率，并根据曲率的正负性进行标记每个点所属的特征类型，其中，每个点的高斯曲率为：
Figure BDA0003771643100000031
其中，θj为边Pi+jPi与PiPi+j的夹角；Si＝∑jSj为点Pi所属的所有三角形网格的混合面积；
每个点的平均曲率为：
Figure BDA0003771643100000032
其中，αi+j和βi+j分别为与点Pi所组成的三角形的两个点对应的内角，Ni为点Pi的法矢；
S412：任意选取一个未被访问的点，根据所标记的特征类型进行区域划分，所有具有凹型特征或凸型特征的连续点所邻接的所有三角形划分为一个新的区域，标记为凹区域或者凸区域，每次划分区域后更新边界，并将已访问的点设置为“已访问”；
S413：若所有的点都被访问，则搜索结束，否则转向步骤S411，直至所有点都被访问。
在一个具体实施例中，所述S42包括：
S421：将各个凸区域利用等高线划分为面状高程分带图；
S422：判断每个所述面状高程分带图中内封闭等高面的个数，若不为零，则舍弃，若为零，则为独立自封闭等高面；
S423：提取每个所述独立自封闭等高面内的高程极大值点Mi(xi，yi，zi)。
在一个具体实施例中，所述S43包括：
在装粮线上进行标靶设置，并获取装粮线上靶点三维信息Qj(xj，yj，zj)，计算得到所述平粮范围以及装粮线的深度信息H＝zj，那么所述平粮深度ΔHi为：
ΔHi＝zi-H
本发明的第二个实施例提供一种计算机设备，包括处理器及存储在存储有计算机程序的存储器，其特征在于，所述处理器执行所述程序时实现如第一个实施例所述的方法。
本发明的第三个实施例提供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，该程序被处理器执行时实现如第一个实施例所述的方法。
本发明的有益效果如下：
本发明提供了一种基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质，通过获取当前粮仓内粮堆表面形貌的三维点云数据，对所述三维点云数据进行预处理，根据所述预处理后的三维点云数据重构粮堆表层三维曲面模型，根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征，计算平粮中心点位置、平粮范围和平粮深度，从而使平粮作业智能高效，降低了人力成本，提高了工作效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述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示出根据本发明一个实施例的基于三维形貌的粮堆凹凸形状特征识别方法流程图；
图2示出根据本发明一个实施例的激光雷达获取三维点云数据的纵向平面结构示意图；
图3示出根据本发明一个实施例的三维三角网格模型示意图；
图4示出本发明的另一个实施例的计算机设备的结构示意图。
具体实施方式
为使本发明的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
如图1所示，本发明的一个实施例提供了一种基于三维形貌的粮堆凹凸形状特征识别方法，包括：
S1：获取当前粮仓内粮堆表面形貌的三维点云数据；
为便于采集设备在粮仓多个角度能采集到粮仓内的点云数据，在一个具体示例中，如图2所示，可以通过激光雷达等3D点云采集设备获取当前粮仓内粮堆表面形貌的三维点云数据，所述采集设备可安装于一移动设备上，如在仓顶沿宽度位置铺设滑轨，从一端移动匀速移动至另一端，随着移动设备的移动持续采集点云数据。
在另一个示例中，还可以通过带电动转轴的激光雷达对粮仓进行扫描得到当前粮仓内粮面的激光雷达扫描数据。该激光雷达可以选用360°线性激光雷达。通过电动转轴可以调整激光雷达的俯仰角以获取对应的扫描数据。示例性地，在获取扫描数据时，电动转轴可以带动激光雷达以垂直于粮仓底面的方向作为起始扫描角度，然后按照预设步进角速度逐渐调整扫描方向，从而获取当前粮仓内粮堆表面形貌的三维点云数据。
可以理解的是，根据激光雷达获取数据的位置不同，上述三维点云数据可以为单帧点云图像数据，也可以是连续多帧点云图像数据，在此不做限定，
S2：对所述三维点云数据进行预处理；
在一个具体实施例中，所述S2进一步包括：
S21：在所述三维点云数据中选取一个点作为球心，并统计球体内所包含的点的个数，当球体内的点的个数少于预设的阈值n时，则认为是离群点将被剔除，否则为非离群点保留；
在本实施例中，通过在所述三维点云数据中选取一个点作为球心，并统计球体内所包含的点的个数，当球体内的点的个数少于预设的阈值n时，即该点没有近邻点或者近邻点个数较少，该点则认为是离群点将被剔除，反之为非离群点保留。例如将预设的阈值n设置为1，当空间球体内的点的个数少于1个时，即为没有近邻点的点，将被剔除，否则为非离群点保留。
S22：对所述三维点云数据划分为三维体素栅格，将每个栅格内所有点用距离重心最近的点进行表示；
在本实施例中，可以采用PCL点云库提供的体素栅格法，其中VoxelGrid类将输入的点云数据划分为三维体素栅格，然后将每个栅格内所有点用它们的距离重心最近的点来表示，这样就达到了数据精简的效果，而且通过调整栅格的大小还可以调整滤波的效果，例如设置两种栅格大小分别为leaf＝0.01和leaf＝0.02，并将点云数据存储于Cloud_filtered点云指针内，从而在保持点云形状特征的前提下降低点云的密集程度，减少点的数量，可以有效提高后期配准、曲面重建和凹凸形状识特征识别等环节的速度。
S23：对所述三维点云数据进行平滑处理和漏洞修复；
在本实施例中，考虑到采集设备本身存在一定误差以及外界环境和测量方式产生的误差，使得点云数据在重建后表面不平滑或存在漏洞，需要在不进行重新扫描的前提下，通过对数据进行平滑重采样的方式来进行平滑处理和漏洞修补。
本发明的一个实施例中，采用移动最小二乘法能通过给定的离散点来近似估计其中的未知点，然后连接这些离散点来获取整个曲面。它不仅保证了原始样本不变，而且用相对少量的空洞边缘的样本就能填补空洞。因此，在点云数据曲面重建前，利用移动最小二乘法数据作为平滑处理及漏洞修复技术进行预处理，进一步增强曲面重建的效果。
S24：对所述三维点云数据进行位置配准。
由于单次扫描很难获取完整的点云数据，这种情况下通常需要在多个站位分别对场景进行扫描，因此在一个具体实施例中，所述S24进一步包括：
S241：在所述三维点云数据P中取子集
Figure BDA0003771643100000061
计算目标点云Q中对应点
Figure BDA0003771643100000062
以使得
Figure BDA0003771643100000063
最小；
S242：当误差函数
Figure BDA0003771643100000064
最小时，计算此时(R,T)的值，其中R为3×3的旋转矩阵，Q为平移矩阵；
S243：计算变换源点云位置：Pk+1＝{RkPi k+Tk,Pi k∈P}，并计算变换后点云位置误差：
Figure BDA0003771643100000065
S244：如果上式值不小于预设的误差阈值，返回S241并更新源点云位置迭代直至满足要求或者迭代次数达到要求。
在本实施例中，可以设置位置误差阈值为1e-5，迭代次数为300次，当位置误差阈值达到1e-5停止迭代，或者迭代次数达到300时停止迭代，从而把三维点云数据拼接起来以获取完整场景数据。
S3：根据所述预处理后的三维点云数据重构粮堆表层三维曲面模型；
在一个具体实施例中，所述S3进一步包括：
S31：将所述三维点云数据中的每个点投影到二维坐标平面内，并进行变换得到三维点在平面上的投影；
S32：在坐标平面内选中一个点Pi(xi,yi,zi)，搜索与其距离最近的两个点Pi+1、Pi+2，形成种子三角形ΔPiPi+1Pi+2，然后对三角形的三个边分别搜索到边两个顶点距离和最近的第三个点，形成新的三角形，其中，i表示三维坐标内第i个点；xi表示该坐标点的横坐标；yi表示该坐标点的纵坐标；zi表示该坐标点所对应的深度信息，即该坐标点下的粮面深度；
S33：将获取到的点映射回空间，重复S32，根据平面内三维点的拓扑连接关系获得一个三角网格曲面模型。
S4：根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征，计算平粮中心点位置、平粮范围和平粮深度。
考虑到目前在粮仓中的研究主要是测绘、体积测量，对于粮堆表面凹凸形貌特征提取的相关方法较少，为便于后期平粮阶段了解粮堆情况的基本特征，在一个具体实施例中，所述S4进一步包括：
S41：根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征；
所述S41包括：
S411：根据所述重构后的粮堆表层三维曲面模型，计算其三角网格中每个点的高斯曲率以及平均曲率，并根据曲率的正负性进行标记每个点所属的特征类型，其中，每个点的高斯曲率为：
Figure BDA0003771643100000071
其中，θj为边Pi+jPi与PiPi+j的夹角；Si＝∑jSj为点Pi所属的所有三角形网格的混合面积；
每个点的平均曲率为：
Figure BDA0003771643100000072
其中，αi+j和βi+j分别为与点Pi所组成的三角形的两个点对应的内角，Ni为点Pi的法矢；
S412：任意选取一个未被访问的点，根据所标记的特征类型进行区域划分，所有具有凹型特征或凸型特征的连续点所邻接的所有三角形划分为一个新的区域，标记为凹区域或者凸区域，每次划分区域后更新边界，并将已访问的点设置为“已访问”；
S413：若所有的点都被访问，则搜索结束，否则转向步骤S411，直至所有点都被访问。
在本实施例中，考虑到曲率是分析和描述曲面特征的最直观方法，曲率和平均曲率可以反映局部曲面的性质，高斯曲率等于主曲率的乘积，可以反映曲面的弯曲程度，其符号可以确定曲面上的点是椭圆点、抛物点或者是双曲点；平均曲率是法曲率的平均值，可以反映曲面的凹凸性。所以根据所计算出的高斯曲率和平均曲率的正负性，就可以识别出曲面的凹凸形状特征。
在一个具体实施例中，如图3所示，在三维三角网格模型内，设以Pi为顶点，与其邻接点为Pi+j，则点P的高斯曲率和平均曲率分别为：
Figure BDA0003771643100000073
Figure BDA0003771643100000074
其中，θj为边Pi+jPi与PiPi+j的夹角；Si＝∑jSj为点Pi所属的所有三角形网格的混合面积，αi+j和βi+j分别为与点Pi所组成的三角形的两个点对应的内角，Ni为点Pi的法矢；
根据曲率的正负性，可将曲面上的区域分为4种特征类型：
(1)KG＞0，KH＞0，反映三维曲面上当前点所包含局部区域的凹特征；
(2)KG＞0，KH＜0，反映三维曲面上当前点所包含局部区域的凸特征；
(3)KG＜0，反映三维曲面上的双曲点区域特征；
(4)KG＝0，反映三维曲面上的抛物点区域特征。
根据上述方法，可通过区域生长算法，将三维曲面模型分为凹凸特征不同的区域。
S42：根据所述粮堆表面凹凸形态特征提取凸型区域的顶点作为平粮中心点；
在一个具体实施例中，所述S42包括：
S421：将各个凸区域利用等高线划分为面状高程分带图；
S422：判断每个所述面状高程分带图中内封闭等高面的个数，若不为零，则舍弃，若为零，则为独立自封闭等高面；
S423：提取每个所述独立自封闭等高面内的高程极大值点Mi(xi，yi，zi)。
在本实施例中，根据粮堆的形态特征，将粮堆顶点认为是在某一设定阈值下的凸型区域分析范围内比周围点都高的特殊点，粮堆顶点存在的区域只能是那些独立自封闭高程带内，该高程带外轮廓线所形成的封闭多边形区域内不再包含任何高程分带，几何形态上粮堆顶点是竖直高度最高的点，通过利用等高线提取各个凸区域中的独立自封闭等高面，并提取每个所述独立自封闭等高面内的高程极大值点Mi(xi，yi，zi)。
S43：根据所述平粮中心点位置计算平粮范围和平粮深度。
在一个具体实施例中，所述S43包括：
在装粮线上进行标靶设置，并获取装粮线上靶点三维信息Qj(xj，yj，zj)，计算得到所述平粮范围以及装粮线的深度信息H＝zj，那么所述平粮深度ΔHi为：
ΔHi＝zi-H
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现，在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
如图4所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图4中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于三维形貌的粮堆凹凸形状特征识别方法。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种基于三维形貌的粮堆凹凸形状特征识别方法，其特征在于，包括：
S1：获取当前粮仓内粮堆表面形貌的三维点云数据；
S2：对所述三维点云数据进行预处理；
S3：根据所述预处理后的三维点云数据重构粮堆表层三维曲面模型；
S4：根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征，计算平粮中心点位置、平粮范围和平粮深度。
2.根据权利要求1所述方法，其特征在于，所述S2包括：
S21：在所述三维点云数据中选取一个点作为球心，并统计球体内所包含的点的个数，当球体内的点的个数少于预设的阈值n时，则认为是离群点将被剔除，否则为非离群点保留；
S22：对所述三维点云数据划分为三维体素栅格，并将每个栅格内所有点用距离重心最近的点进行表示；
S23：对所述三维点云数据进行平滑处理和漏洞修复；
S24：对所述三维点云数据进行位置配准。
3.根据权利要求1所述方法，其特征在于，所述S24包括：
S241：在所述三维点云数据P中取子集
Figure FDA0003771643090000011
计算目标点云Q中对应点
Figure FDA0003771643090000012
以使得
Figure FDA0003771643090000013
最小；
S242：当误差函数
Figure FDA0003771643090000014
最小时，计算此时(R,T)的值，其中R为3×3的旋转矩阵，Q为平移矩阵；
S243：计算变换源点云位置：Pk+1＝{RkPi k+Tk,Pi k∈P}，并计算变换后点云位置误差：
Figure FDA0003771643090000015
S244：如果上式值不小于预设的误差阈值，返回S241并更新源点云位置迭代直至满足要求或者迭代次数达到要求。
4.根据权利要求1所述方法，其特征在于，所述S3包括：
S31：将所述三维点云数据中的每个点投影到二维坐标平面内，并进行变换得到三维点在平面上的投影；
S32：在坐标平面内选中一个点Pi(xi,yi,zi)，搜索与其距离最近的两个点Pi+1、Pi+2，形成种子三角形ΔPiPi+1Pi+2，然后对三角形的三个边分别搜索到边两个顶点距离和最近的第三个点，形成新的三角形，其中，i表示三维坐标内第i个点，xi表示该坐标点的横坐标；yi表示该坐标点的纵坐标；zi表示该坐标点所对应的深度信息；
S33：将获取到的点映射回空间，重复S32，根据平面内三维点的拓扑连接关系获得一个三角网格曲面模型。
5.根据权利要求4所述方法，其特征在于，所述S4包括：
S41：根据所述粮堆表层三维曲面模型提取粮堆表面凹凸形态特征；
S42：根据所述粮堆表面凹凸形态特征提取凸型区域的顶点作为平粮中心点；
S43：根据所述平粮中心点位置计算平粮范围和平粮深度。
6.根据权利要求5所述方法，其特征在于，所述S41包括：
S411：根据所述重构后的粮堆表层三维曲面模型，计算其三角网格中每个点的高斯曲率以及平均曲率，并根据曲率的正负性进行标记每个点所属的特征类型，其中，每个点的高斯曲率为：
Figure FDA0003771643090000021
其中，θj为边Pi+jPi与PiPi+j的夹角；Si＝∑jSj为点Pi所属的所有三角形网格的混合面积；
每个点的平均曲率为：
Figure FDA0003771643090000022
其中，αi+j和βi+j分别为与点Pi所组成的三角形的两个点对应的内角，Ni为点Pi的法矢；
S412：任意选取一个未被访问的点，根据所标记的特征类型进行区域划分，所有具有凹型特征或凸型特征的连续点所邻接的所有三角形划分为一个新的区域，标记为凹区域或者凸区域，每次划分区域后更新边界，并将已访问的点设置为“已访问”；
S413：若所有的点都被访问，则搜索结束，否则转向步骤S411，直至所有点都被访问。
7.根据权利要求6所述方法，其特征在于，所述S42包括：
S421：将各个凸区域利用等高线划分为面状高程分带图；
S422：判断每个所述面状高程分带图中内封闭等高面的个数，若不为零，则舍弃，若为零，则为独立自封闭等高面；
S423：提取每个所述独立自封闭等高面内的高程极大值点Mi(xi，yi，zi)。
8.根据权利要求5所述方法，其特征在于，所述S43包括：
在装粮线上进行标靶设置，并获取装粮线上靶点三维信息Qj(xj，yj，zj)，计算得到所述平粮范围以及装粮线的深度信息H＝zj，那么所述平粮深度ΔHi为：
ΔHi＝zi-H。
9.一种计算机设备，包括处理器及存储在存储有计算机程序的存储器，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一项所述的方法。
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，该程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
CN202210903130.0A 2022-07-29 2022-07-29 基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质 Pending CN115375875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210903130.0A CN115375875A (zh) 2022-07-29 2022-07-29 基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210903130.0A CN115375875A (zh) 2022-07-29 2022-07-29 基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质

Publications (1)

Publication Number Publication Date
CN115375875A true CN115375875A (zh) 2022-11-22

Family

ID=84063274

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210903130.0A Pending CN115375875A (zh) 2022-07-29 2022-07-29 基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质

Country Status (1)

Country Link
CN (1) CN115375875A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116755088A (zh) * 2023-08-09 2023-09-15 中国科学院空天信息创新研究院 一种基于雷达的粮仓深度与异物的探测与成像方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116755088A (zh) * 2023-08-09 2023-09-15 中国科学院空天信息创新研究院 一种基于雷达的粮仓深度与异物的探测与成像方法
CN116755088B (zh) * 2023-08-09 2023-11-17 中国科学院空天信息创新研究院 一种基于雷达的粮仓深度与异物的探测与成像方法

Similar Documents

Publication Publication Date Title
Zhang et al. Online structure analysis for real-time indoor scene reconstruction
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
CN113781667B (zh) 三维结构简化重建方法、装置、计算机设备和存储介质
Wand et al. Processing and interactive editing of huge point clouds from 3D scanners
US20050168460A1 (en) Three-dimensional digital library system
Widyaningrum et al. Building outline extraction from ALS point clouds using medial axis transform descriptors
CN110009671B (zh) 一种场景理解的网格曲面重建系统
CN109685080A (zh) 基于霍夫变换与区域生长的多尺度平面提取方法
CN104616349A (zh) 基于局部曲面变化因子的散乱点云数据精简处理方法
CN113012063B (zh) 一种动态点云修复方法、装置及计算机设备
CN102138161A (zh) 长轴后期增强心脏mri的分割
CN111784840A (zh) 基于矢量数据自动分割lod层级三维数据单体化方法及系统
CN116563493A (zh) 基于三维重建的模型训练方法、三维重建方法及装置
CN115375875A (zh) 基于三维形貌的粮堆凹凸形状特征识别方法、设备及介质
CN112581511B (zh) 基于近似直立扫描点云快速配准的三维重建方法及系统
Van Lankveld et al. Identifying rectangles in laser range data for urban scene reconstruction
Elkhrachy Feature extraction of laser scan data based on geometric properties
CN111489386B (zh) 点云特征点提取方法、装置、存储介质、设备及系统
WO2020049112A1 (en) Generating a spatial model of an indoor structure
Sahebdivani et al. Deep learning based classification of color point cloud for 3D reconstruction of interior elements of buildings
CN115131459A (zh) 平面布置图重建方法及装置
CN115186347A (zh) 户型平面图与倾斜模型相结合的建筑物CityGML建模方法
Li et al. Automated methods for indoor point cloud preprocessing: Coordinate frame reorientation and building exterior removal
CN113763563A (zh) 一种基于平面识别的三维点云几何网格结构生成方法
Li et al. Multi-resolution representation of digital terrain models with terrain features preservation

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