CN115856923A - 矿卡卸料用时的测量方法、装置、设备及存储介质 - Google Patents

Abstract

本申请涉及一种矿卡卸料用时的测量方法、装置、设备及存储介质，其中方法包括：基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；通过对原始点云信息进行滤波处理，得到滤波后点云集；从滤波后点云集中识别出车辆的点云信息，得到车辆点云集；基于车辆点云集中的点云数据，创建车厢坐标系；基于车厢坐标系，创建车厢底面网格面，并计算车厢底面网格面中每一网格面的矿料体积；累积每一网格面的矿料体积，得到车厢矿料体积，并基于车厢矿料体积，计算矿卡卸料用时。本发明提高了矿卡卸料用时的测量精准度，进而提高矿卡卸料的效率。

Description

矿卡卸料用时的测量方法、装置、设备及存储介质

技术领域

本申请涉及无人驾驶技术领域，尤其涉及一种矿卡卸料用时的测量方法、装置、设备及存储介质。

背景技术

随着5G+工业互联网、人工AI等技术的普及，我国采掘业也迎来了飞速发展时代，无人驾驶市场进入快速发展阶段。诸多企业在矿卡自动驾驶上的布局已初见成效，能够实现按照预定轨迹和目的地往返进行装载和卸载矿料。但与此同时，要想真正实现全运输链的闭环无人化作业，还需要解决的问题包括实现无人化的矿料装载和卸载。其中无人化的矿卡卸料在实现中，除自身车辆的优异的控制算法和逻辑外，也依赖外部检测设备对于卸料过程中对卸载矿料的体积进行实时监测，并对相关卸料时间进行预测从而更好的优化车队栈列式有序卸料和效率优化，实现全栈式无人值守平台助力实现矿区无人作业闭环。

当前，矿车卸料状态最主要的鉴别方式仍然是以人工判别为主，或者采用摄像头进行进行卸料车厢进行监控，并通过相关人员进行人为的视觉信号查看判断当前是否卸料完成，及货箱内是否存在有剩余货料。然而这种方式工作量较大，并且工作效率较低，所以现亟需一种能够提高矿卡卸料用时测量精准度，以提高矿卡卸料的效率。

发明内容

本申请实施例的目的在于提出一种矿卡卸料用时的测量方法、装置、设备及存储介质，以提高矿卡卸料用时的测量精准度，进而提高矿卡卸料的效率。

为了解决上述技术问题，本申请实施例提供一种矿卡卸料用时的测量方法，包括：

基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；

通过对所述原始点云信息进行滤波处理，得到滤波后点云集；

从所述滤波后点云集中识别出车辆的点云信息，得到车辆点云集；

基于所述车辆点云集中的点云数据，创建车厢坐标系；

基于所述车厢坐标系，创建车厢底面网格面，并计算所述车厢底面网格面中每一网格面的矿料体积；

累积每一所述网格面的矿料体积，得到车厢矿料体积，并基于所述车厢矿料体积，计算矿卡卸料用时。

为了解决上述技术问题，本申请实施例提供一种矿卡卸料用时的测量装置，包括：

原始点云信息获取单元，用于基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；

原始点云信息滤波单元，用于通过对所述原始点云信息进行滤波处理，得到滤波后点云集；

车辆点云集识别单元，用于从所述滤波后点云集中识别出车辆的点云信息，得到车辆点云集；

车厢坐标系创建单元，用于基于所述车辆点云集中的点云数据，创建车厢坐标系；

矿料体积计算单元，用于基于所述车厢坐标系，创建车厢底面网格面，并计算所述车厢底面网格面中每一网格面的矿料体积；

矿卡卸料用时预测单元，用于累积每一所述网格面的矿料体积，得到车厢矿料体积，并基于所述车厢矿料体积，计算矿卡卸料用时。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种计算机设备，包括，一个或多个处理器；存储器，用于存储一个或多个程序，使得一个或多个处理器实现上述任意一项所述的矿卡卸料用时的测量方法。

为解决上述技术问题，本发明采用的一个技术方案是：一种计算机可读存储介质，所述计算机可读存储介质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任意一项所述的矿卡卸料用时的测量方法。

本发明实施例提供了一种矿卡卸料用时的测量方法、装置、设备及存储介质。其中，方法包括：基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；通过对原始点云信息进行滤波处理，得到滤波后点云集；从滤波后点云集中识别出车辆的点云信息，得到车辆点云集；基于车辆点云集中的点云数据，创建车厢坐标系；基于车厢坐标系，创建车厢底面网格面，并计算车厢底面网格面中每一网格面的矿料体积；累积每一网格面的矿料体积，得到车厢矿料体积，并基于车厢矿料体积，计算矿卡卸料用时。本发明实施例采用激光传感器解决无人化作业的需求，且在精度和准确性上比人工更精准，同时能够精准算出矿料体积和预测矿卡卸料用时，从而提高矿卡卸料用时的测量精准度，进而提高矿卡卸料的效率。

附图说明

为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的矿卡卸料用时的测量方法流程的一实现流程图；

图2是本申请实施例提供的激光雷达安装位置示意图；

图3是本申请实施例提供的矿卡卸料用时的测量方法中子流程的一实现流程图；

图4是本申请实施例提供的矿卡卸料用时的测量方法中子流程的又一实现流程图；

图5是本申请实施例提供的矿卡卸料用时的测量方法中子流程的又一实现流程图；

图6是本申请实施例提供的矿卡卸料用时的测量方法中子流程的又一实现流程图；

图7是本申请实施例提供的矿卡卸料用时的测量方法中子流程的又一实现流程图；

图8是本申请实施例提供的车厢升起示意图；

图9是本申请实施例提供的矿卡卸料用时的测量方法中子流程的又一实现流程图；

图10是本申请实施例提供的车厢底面网格面示意图；

图11是本申请实施例提供的占据网格体积测量法示意图；

图12是本申请实施例提供的矿卡卸料用时的测量装置示意图；

图13是本申请实施例提供的计算机设备的示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

下面结合附图和实施方式对本发明进行详细说明。

需要说明的是，本申请实施例所提供的矿卡卸料用时的测量方法一般由服务器执行，相应地，矿卡卸料用时的测量装置一般配置于服务器中。

请参阅图1和图2，图1示出了矿卡卸料用时的测量方法的一种具体实施方式，图2是本申请实施例提供的激光雷达安装位置示意图。

需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限，该方法包括如下步骤：

S1：基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息。

具体地，激光雷达又称三维激光扫描仪，是一种可以进行三维物体扫描从而得到物体的尺寸和方位的系统。其工作原理就是通过不断向周围目标发射探测信号(激光束)，并接收返回的信号（目标回波）来计算和描述被测量物理的有关信息，如目标距离、方位、高度、姿态、形状等参数，以达到动态3D扫描的目的。摄像头则是通过光线传感器感知物体的二维图像信息。

如图2所示，在车辆卸料点的车厢上方安装半固态式激光雷达，其等效线束为700线，即每一帧点云有700行点云点，在视场角30度范围内。安装好之后，激光雷达的点云能覆盖车辆车厢升起和平放时范围，这样保证了激光雷达能完整的采集到车辆车厢内所有位置的点云信息，并对激光雷达进行外参校准，使得激光雷达z轴垂直地面安装。当激光雷达搜集到采集的点云数据后将进行车厢内剩余矿料的检测，同时会进行卸料用时的估计，并根据实时的卸料情况更新剩余的卸料时间。

在本申请实施例中，在激光雷达安装完成后，当矿卡卸料区域存在车辆后，通过激光雷达扫描矿卡卸料区域，从而获取矿卡卸料区域的点云信息，得到原始点云信息。

S2：通过对原始点云信息进行滤波处理，得到滤波后点云集。

具体地，在获取原始点云信息时，由于设备精度、操作者经验等因素带来的影响，以及电磁波的衍射特性、被测物体表面性质变化和数据拼接配准操作过程的影响，原始采集的点云数据往往包含大量散列点、孤立点，原始点云信息中会不可避免地包含一些噪声。在点云处理流程中，滤波处理通常作为预处理的第一步，对后续流程的影响较大。

请参阅图3，图3示出了步骤S2的一种具体实施方式，详叙如下：

S21：遍历中的每一点云数据，判断每一点云数据在指定维度上的取值是否在预设值域内。

S22：删除在指定维度上的取值不在值域内的点云数据，得到直通滤波后点云集。

S23：采用体素滤波的方式，对直通滤波后点云集进行滤波处理，得到滤波后点云集。

具体地，在本申请实施例中，分别采用直通滤波和体素滤波的方式，对原始点云信息进行滤波处理，得到滤波后点云集。采用直通滤波的方式过滤掉原始点云信息中明显不在卸料区域的点云数据；其方法为：设置在采集到的点云(x,y,z)属于卸料区有效点云，直通滤波则按照指定维度方向上取值不再给定值域内的点进行滤波。直通滤波的实现原理为：首先，指定一个维度以及该维度下的值域；然后，遍历原始点云信息中的每一个点云数据，判断该点云数据在指定维度上的取值是否在值域内，删除取值不在值域内的点云数据；最后，遍历结束，留下的点云数据即构成直通滤波后点云集。直通滤波器简单高效，适用于消除背景等操作。

在一具体的实施例中，若原始点云信息表示为不含反射强度等信息的点云集A，点云中任意一点a（x,y,z）属于点云集A。任意点a（x,y,z）进行直通滤波的算法为：当x_min<x<x_max，y_min<y<y_max，z_min<z<z_max, 则a点属于直通滤波后点云集B，否则被清除，不放入点云集B。经过直通滤波后点云集为B，点云中任意一点b（x,y,z）属于点云集B。

请参阅图4，图4示出了步骤S23的一种具体实施方式，详叙如下：

S231：创建三维体素栅格。

S232：获取三维体素栅格中每一体素格内的直通滤波后点云集，作为待处理点云集。

S233：计算每一待处理点云集的平均坐标值，得到每一体素格内的点云质心。

S234：删除点云质心外的点云数据，得到滤波后点云集。

具体地，体素滤波是一种常用的对点云进行降采样的方法。点云处理中经常用到的一个概念是体素（Voxel）。在本申请实施例中，用经过直通滤波后点云数据创建一个三维体素栅格，然后在每个体素格内，用体素中所有点的重心（即在小体素内所有点的坐标平均值）来近似显示体素中的其他点，这样该体素内所有点就用一个重心点最终表示，以此得到一个更稀疏更平滑且更少噪点的点云。

在一具体实施例中，在直通滤波后点云集B中的任意点b（x,y,z）进行体素滤波的算法为：首先依据降采样大小设定体素大小，若设定体素边长大小为m，则点云集空间被划分为m*m*m的体素格；在体素格内有，设有n个点云，将这n个点的坐标值进行求平均，得到在这一体素内的点云质心，将质心保留，去除体素内其他点，得到滤波后点云集。

S3：从滤波后点云集中识别出车辆的点云信息，得到车辆点云集。

具体地，本申请实施例主要从滤波后点云集中判别车辆的位置和识别车厢位置，从而得到车辆点云集。

请参阅图5，图5示出了步骤S3的一种具体实施方式，详叙如下：

S31：从滤波后点云集中筛选出预设高度的点云数据，得到初始车辆点云集。

S32：通过对初始车辆点云集中的点云数据进行聚类处理，得到聚类点云数据。

S33：基于聚类点云数据，确定车辆的点云边界，得到车辆点云集。

具体地，在本申请实施例中，利用车辆点云明显高于地面点云识别出车辆位置。由于矿卡的车外轮廓与地面形成较大的高度差，将高度大于预设高度的点云数据保留下来，再根据点云数据的外轮廓尺寸大小与车辆进行匹配，将点云簇大小与车辆外轮廓相同大小的点云块保留下来其余都进行删除，此时得到的点云数据就是车辆和车厢的点云数据，该点云数据则是进行卸料剩余体积估计和卸料时间估计的有效点云。

在一具体实施例中，将滤波后点云集中的点云数据进行车辆分割与识别，根据点云性质，车辆较地面高，离激光雷达更近，因此扫描到车辆的点云较地面点云坐标z值更小，依据此，进行点云地面分割，分割方法上也采用直通滤波，将高于地面设置预设高度r的点云数据保留，低于预设高度r的点云数据舍去。需要说明的是，预设高度根据实际情况进行设定，此处不作限定。在一具体实施例中，预设高度为轮胎高的0.5倍。

进一步地，采用Kmeans聚类算法，对初始车辆点云集中的点云数据进行聚类处理。其聚类的核心思想为：空间中k个点为中心进行聚类，对最靠近他们的对象归类。逐次计算各簇中心的值为新的中心值，迭代更新，直至簇中心位置不再改变或者达到最大迭代次数。其过程为：1.选择k个类的初始中心；2.n次迭代中，对任意一个样本，求其到k个中心的距离，将该样本归到距离最短的中心所在的类/簇；3.均值等方法更新该类的中心值；4.所有的k个聚类中心，如果利用（2）（3）的迭代法更新后，聚类中心的位置保持不变，则迭代结束；否则，则继续迭代。

请参阅图6，图6示出了步骤S33的一种具体实施方式，详叙如下：

S331：将聚类点云数据中的点云数据进行平面投影和进行主成分分析，得到车辆的长边信息和短边信息。

S332：根据车辆的长边信息和短边信息，将聚类点云数据中的点云数据进行旋转对齐，并获取旋转对齐后的聚类点云数据中的边界值。

S333：获取车辆的长度和宽度，并将边界值与车辆的长度和宽度进行对比，得到对比值。

S334：基于预设的容忍误差值和误差比例以及对比值，对旋转对齐后的聚类点云数据进行筛选，得到车辆点云集。

具体地，当得到聚类点云数据后，滤波后点云集中的点云数据将形成自己的点云小集合，也即形成聚类点云数据，其分别对于车辆的点云和其他物体，本申请实施例将继续进行车辆点云搜索。本申请中利用聚类后的聚类点云数据的大小进行车辆识别，设车辆长宽高分别为（l,w,h），将聚类的小集合中点云进行（x,y）平面投影，进行PCA主成分分析方法得出聚类物体的朝向，即车辆的长边和短边，之后对此点云进行旋转将长边对齐x轴短边对齐y轴。然后根据旋转后的点云集的（x，y）最大值和最小值之差求得点云集的边界值，也就是点云集合的长边和短边值，并根据此与车辆长宽进行比对，设置容忍误差值R0和误差比例Rs，当|Rs(x,y)-(l,w)|<R0时判定此时点云集合为车辆，从而得到车辆点云集，此时的车辆点云集主要包括车辆车厢的点云集。

S4：基于车辆点云集中的点云数据，创建车厢坐标系。

具体地，上述步骤已经得到的有效点云包括车厢点云，可以看到在车辆结构上处于保护乘员驾驶舱和引擎设备，所有矿卡车辆都会有车顶保护的强化板，硬度高，不易变形且与车厢是一体式设计，因此在做车厢位置识别时是非常可靠的标定板，通过车顶的强化保护板的点云数据就可以得出此时的车身姿态，以及此时车厢的举升角度。

请参阅图7和图8，图7示出了步骤S4的一种具体实施方式，图8是本申请实施例提供的车厢升起示意图，详叙如下：

S41：将车辆点云集中的点云数据进行迭代处理，其中，每次迭代处理均选取三个点云数据确定一平面方程，并将车辆点云集中的所有点云数据依次代入平面方程中。

S42：在每一平面方程中，统计落在预设距离阈值内的点云数量，并依据点云数量，确定目标平面方程，且在目标平面方程中，筛选落在预设距离阈值内的点云数据，得到保护板点云集。

S43：根据保护板点云集，创建车厢坐标系。

具体地，当完成车辆识别点云后，根据保护板的性质，可以利用算法将保护板的坐标平面进行RANSAC平面拟合，得到平面保护板的平面函数。在车辆点云集D上进行多次迭代，每次迭代选取三个点确定一个平面方程Ax+By+Cz+D=0，将所有点云数据依次带入该平面方程中，根据预设距离阈值做判定，若在预设距离阈值范围内，则认为属于该平面的内点，否则为外点，遍历所有点后统计内点个数；在迭代次数内内点数量最多的平面方程即为保护板方程，该保护板方程下的内点就是保护板点云集E。

进一步地，依据车辆结构可以得知车厢底的平面与保护板的平面是存在固定角度关系，根据坐标轴转换可以得到车厢底平面坐标系，并依据之前车辆的外廓尺寸直接定位车厢尺寸，依据此尺寸将车厢点云集分割处理得到车厢货物点云集F，也即可以转换成车厢坐标系。至此，车厢载货点云集和其坐标系都已完全确认。请参阅图8，在之后在车辆升车厢过程中，车厢绕车厢升降转轴旋转，车厢和保护板同时升起，根据探测到的保护板点云的角度实时计算此时的车厢升起高度α，并通过升起的α，同步计算此时激光雷达探测到的车厢点云尺寸的变化。依据此关系对车厢升起时车厢点云集长度进行调整，实时车长为l*cosα且车厢坐标系变化角度与保护板变化角度一致，均为α。

S5：基于车厢坐标系，创建车厢底面网格面，并计算车厢底面网格面中每一网格面的矿料体积。

具体地，本申请实施例根据车厢坐标系，创建车厢底面网格面；然后再计算车厢底面网格面中每一网格面的矿料体积，从而可以获知车辆中的全部矿料体积。

请参阅图9至图11，图9示出了步骤S5的一种具体实施方式，图10是本申请实施例提供的车厢底面网格面示意图，图11是本申请实施例提供的占据网格体积测量法示意图，详叙如下：

S51：基于车厢坐标系，创建车厢底面网格面，并根据预设精度，生成车厢底面网格面的网格大小。

S52：遍历车厢底面网格面中每一网格面，统计每一网格面中坐标范围内存在点云数据，得到点云统计数量。

S53：若点云统计数量大于预设阈值，则对货物状态进行标记，得到货物标记结果，并对货物标记结果，获取网格面中的货物高度。

S54：基于货物高度和网格大小，计算车厢底面网格面中每一网格面的矿料体积。

具体地，在设置好车厢底面网格面后对点云数据进行占据网格处理，如果在网格内有点云数据存在，则将此网格进行有障碍物填充，并对栅格内所有点云的在车厢坐标系内的高度值y_t进行求取平均值，来表示此网格内货料存量的高度信息，并依此计算此网格内的货物存量体积。当网格内货料存量体积小于依据精度需要设定的某一设定阈值r_t时认定此时此网格内不存在货物，体积计为0。当把所有网格内的货物存量体积加总一起时，则记为车厢货物总剩余体积，当车厢内货料存量总体积小于依据精度需要设定的某一设定阈值r_t时认定此时此车厢内不存在货物，体积计为0。

在一具体实施例中，从设定的网格内车厢尺寸内的左下第一个网格开始进行遍历，当在网格坐标范围内有点云坐标落入其中，且数量不少于设定阈值数量r_n，则将此网格是否存在货物状态记为1，否则记为否，并将网格内所有点云都找到，并求其在车厢坐标系下的平均值，将所有点云的平均值进行加总，则得到此时网格内的货料的高度h_t，跟据体积Va=s*s*ht，计算得到网格的货料体积，其中，s为网格大小。且当网格内货料存量体积小于依据精度需要设定的某一设定阈值r_t时认定此时此网格内不存在货物，体积计0。

需要说明的是，预设精度、预设阈值根据实际情况进行设定，此处不作限定。

S6：累积每一网格面的矿料体积，得到车厢矿料体积，并基于车厢矿料体积，计算矿卡卸料用时。

具体地，当循环遍历直到遍历完所有网格后，对所有网格的体积进行加总计算，此时得到的体积为车厢货料的总体积V。当车厢内货料存量体积小于依据精度需要设定的设定阈值r_z时认定此时此车厢内不存在货物，体积计为0。

具体地，当得到车厢矿料体积后，建立一张与剩余体积相对应的体积-卸料时间的插值表，并通过对比插值表与车厢矿料体积，从而计算出矿卡卸料用时。

在一具体实施例中，卸料用时估计采用统计学方法，建立一张与剩余体积相对应的体积-卸料时间的插值表，进行统计样本不低于500辆次车卸料的样本统计，之后根据统计的样本值进行查表进行时间估计。

本实施例中，基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；通过对原始点云信息进行滤波处理，得到滤波后点云集；从滤波后点云集中识别出车辆的点云信息，得到车辆点云集；基于车辆点云集中的点云数据，创建车厢坐标系；基于车厢坐标系，创建车厢底面网格面，并计算车厢底面网格面中每一网格面的矿料体积；累积每一网格面的矿料体积，得到车厢矿料体积，并基于车厢矿料体积，计算矿卡卸料用时。本发明实施例采用激光传感器解决无人化作业的需求，且在精度和准确性上比人工更精准，同时能够精准算出矿料体积和预测矿卡卸料用时，从而提高矿卡卸料用时的测量精准度，进而提高矿卡卸料的效率。

请参考图12，作为对上述图1所示方法的实现，本申请提供了一种矿卡卸料用时的测量装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图12所示，本实施例的矿卡卸料用时的测量装置包括：原始点云信息获取单元71、原始点云信息滤波单元72、车辆点云集识别单元73、车厢坐标系创建单元74、矿料体积计算单元75及矿卡卸料用时预测单元76，其中：

原始点云信息获取单元71，用于基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；

原始点云信息滤波单元72，用于通过对原始点云信息进行滤波处理，得到滤波后点云集；

车辆点云集识别单元73，用于从滤波后点云集中识别出车辆的点云信息，得到车辆点云集；

车厢坐标系创建单元74，用于基于车辆点云集中的点云数据，创建车厢坐标系；

矿料体积计算单元75，用于基于车厢坐标系，创建车厢底面网格面，并计算车厢底面网格面中每一网格面的矿料体积；

矿卡卸料用时预测单元76，用于累积每一网格面的矿料体积，得到车厢矿料体积，并基于车厢矿料体积，计算矿卡卸料用时。

进一步地，原始点云信息滤波单元72包括：

点云数据遍历单元，用于遍历原始点云信息中的每一点云数据，判断每一点云数据在指定维度上的取值是否在预设值域内；

点云数据删除单元，用于删除在指定维度上的取值不在值域内的点云数据，得到直通滤波后点云集；

滤波处理单元，用于采用体素滤波的方式，对直通滤波后点云集进行滤波处理，得到滤波后点云集。

进一步地，滤波处理单元包括：

三维体素栅格创建单元，用于创建三维体素栅格；

待处理点云集生成单元，用于获取三维体素栅格中每一体素格内的直通滤波后点云集，作为待处理点云集；

平均坐标值计算单元，用于计算每一待处理点云集的平均坐标值，得到每一体素格内的点云质心；

滤波后点云集生成单元，用于删除点云质心外的点云数据，得到滤波后点云集。

进一步地，车辆点云集识别单元73包括：

初始车辆点云集生成单元，用于从滤波后点云集中筛选出预设高度的点云数据，得到初始车辆点云集；

聚类处理单元，用于通过对初始车辆点云集中的点云数据进行聚类处理，得到聚类点云数据；

点云边界确定单元，用于基于聚类点云数据，确定车辆的点云边界，得到车辆点云集。

进一步地，点云边界确定单元包括：

主成分分析单元，用于将聚类点云数据中的点云数据进行平面投影和进行主成分分析，得到车辆的长边信息和短边信息；

边界值获取单元，用于根据车辆的长边信息和短边信息，将聚类点云数据中的点云数据进行旋转对齐，并获取旋转对齐后的聚类点云数据中的边界值；

对比值生成单元，用于获取车辆的长度和宽度，并将边界值与车辆的长度和宽度进行对比，得到对比值；

点云数据筛选单元，用于基于预设的容忍误差值和误差比例以及对比值，对旋转对齐后的聚类点云数据进行筛选，得到车辆点云集。

进一步地，车厢坐标系创建单元74包括：

迭代处理单元，用于将车辆点云集中的点云数据进行迭代处理，其中，每次迭代处理均选取三个点云数据确定一平面方程，并将车辆点云集中的所有点云数据依次代入平面方程中；

保护板点云集生成单元，用于在每一平面方程中，统计落在预设距离阈值内的点云数量，并依据点云数量，确定目标平面方程，且在目标平面方程中，筛选落在预设距离阈值内的点云数据，得到保护板点云集；

坐标系创建单元，用于根据保护板点云集，创建车厢坐标系。

进一步地，矿料体积计算单元75包括：

车厢底面网格面创建单元，用于基于车厢坐标系，创建车厢底面网格面，并根据预设精度，生成车厢底面网格面的网格大小；

点云统计数量统计单元，用于遍历车厢底面网格面中每一网格面，统计每一网格面中坐标范围内存在点云数据，得到点云统计数量；

货物高度获取单元，用于若点云统计数量大于预设阈值，则对货物状态进行标记，得到货物标记结果，并对货物标记结果，获取网格面中的货物高度；

矿料计算单元，用于基于货物高度和网格大小，计算车厢底面网格面中每一网格面的矿料体积。

本实施例中，基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；通过对原始点云信息进行滤波处理，得到滤波后点云集；从滤波后点云集中识别出车辆的点云信息，得到车辆点云集；基于车辆点云集中的点云数据，创建车厢坐标系；基于车厢坐标系，创建车厢底面网格面，并计算车厢底面网格面中每一网格面的矿料体积；累积每一网格面的矿料体积，得到车厢矿料体积，并基于车厢矿料体积，计算矿卡卸料用时。本发明实施例采用激光传感器解决无人化作业的需求，且在精度和准确性上比人工更精准，同时能够精准算出矿料体积和预测矿卡卸料用时，从而提高矿卡卸料用时的测量精准度，进而提高矿卡卸料的效率。

为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图13，图13为本实施例计算机设备基本结构框图。

计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是，图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器 (Digital Signal Processor，DSP)、嵌入式设备等。

计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

存储器81至少包括一种类型的可读存储介质，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、随机访问存储器（RAM）、静态随机访问存储器（SRAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、可编程只读存储器（PROM）、磁性存储器、磁盘、光盘等。在一些实施例中，存储器81可以是计算机设备8的内部存储单元，例如该计算机设备8的硬盘或内存。在另一些实施例中，存储器81也可以是计算机设备8的外部存储设备，例如该计算机设备8上配备的插接式硬盘，智能存储卡（SmartMedia Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。当然，存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中，存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件，例如矿卡卸料用时的测量方法的程序代码等。此外，存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器82在一些实施例中可以是中央处理器（Central Processing Unit，CPU）、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制计算机设备8的总体操作。本实施例中，处理器82用于运行存储器81中存储的程序代码或者处理数据，例如运行上述矿卡卸料用时的测量方法的程序代码，以实现矿卡卸料用时的测量方法的各种实施例。

网络接口83可包括无线网络接口或有线网络接口，该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。

本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序可被至少一个处理器执行，以使至少一个处理器执行如上述的一种矿卡卸料用时的测量方法的步骤。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本申请各个实施例的方法。

显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种矿卡卸料用时的测量方法，其特征在于，包括：

基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；

通过对所述原始点云信息进行滤波处理，得到滤波后点云集；

从所述滤波后点云集中识别出车辆的点云信息，得到车辆点云集；

基于所述车辆点云集中的点云数据，创建车厢坐标系；

基于所述车厢坐标系，创建车厢底面网格面，并计算所述车厢底面网格面中每一网格面的矿料体积；

累积每一所述网格面的矿料体积，得到车厢矿料体积，并基于所述车厢矿料体积，计算矿卡卸料用时。

2.根据权利要求1所述的矿卡卸料用时的测量方法，其特征在于，所述通过对所述原始点云信息进行滤波处理，得到滤波后点云集，包括：

遍历所述原始点云信息中的每一点云数据，判断每一所述点云数据在指定维度上的取值是否在预设值域内；

删除在指定维度上的取值不在所述值域内的点云数据，得到直通滤波后点云集；

采用体素滤波的方式，对所述直通滤波后点云集进行滤波处理，得到所述滤波后点云集。

3.根据权利要求2所述的矿卡卸料用时的测量方法，其特征在于，所述采用体素滤波的方式，对所述直通滤波后点云集进行滤波处理，得到所述滤波后点云集，包括：

创建三维体素栅格；

获取所述三维体素栅格中每一体素格内的所述直通滤波后点云集，作为待处理点云集；

计算每一所述待处理点云集的平均坐标值，得到每一体素格内的点云质心；

删除所述点云质心外的点云数据，得到所述滤波后点云集。

4.根据权利要求1所述的矿卡卸料用时的测量方法，其特征在于，所述从所述滤波后点云集中识别出车辆的点云信息，得到车辆点云集，包括：

从所述滤波后点云集中筛选出预设高度的点云数据，得到初始车辆点云集；

通过对所述初始车辆点云集中的点云数据进行聚类处理，得到聚类点云数据；

基于所述聚类点云数据，确定车辆的点云边界，得到所述车辆点云集。

5.根据权利要求4所述的矿卡卸料用时的测量方法，其特征在于，所述基于所述聚类点云数据，确定车辆的点云边界，得到所述车辆点云集，包括：

将所述聚类点云数据中的点云数据进行平面投影和进行主成分分析，得到车辆的长边信息和短边信息；

根据所述车辆的长边信息和短边信息，将所述聚类点云数据中的点云数据进行旋转对齐，并获取旋转对齐后的所述聚类点云数据中的边界值；

获取车辆的长度和宽度，并将所述边界值与所述车辆的长度和宽度进行对比，得到对比值；

基于预设的容忍误差值和误差比例以及所述对比值，对旋转对齐后的所述聚类点云数据进行筛选，得到所述车辆点云集。

6.根据权利要求1所述的矿卡卸料用时的测量方法，其特征在于，所述基于所述车辆点云集中的点云数据，创建车厢坐标系，包括：

将所述车辆点云集中的点云数据进行迭代处理，其中，每次迭代处理均选取三个点云数据确定一平面方程，并将所述车辆点云集中的所有点云数据依次代入所述平面方程中；

在每一所述平面方程中，统计落在预设距离阈值内的点云数量，并依据所述点云数量，确定目标平面方程，且在所述目标平面方程中，筛选落在所述预设距离阈值内的点云数据，得到保护板点云集；

根据所述保护板点云集，创建所述车厢坐标系。

7.根据权利要求1至6任一项所述的矿卡卸料用时的测量方法，其特征在于，所述基于所述车厢坐标系，创建车厢底面网格面，并计算所述车厢底面网格面中每一网格面的矿料体积，包括：

基于所述车厢坐标系，创建所述车厢底面网格面，并根据预设精度，生成所述车厢底面网格面的网格大小；

遍历所述车厢底面网格面中每一网格面，统计每一所述网格面中坐标范围内存在点云数据，得到点云统计数量；

若所述点云统计数量大于预设阈值，则对货物状态进行标记，得到货物标记结果，并对所述货物标记结果，获取所述网格面中的货物高度；

基于所述货物高度和所述网格大小，计算所述车厢底面网格面中每一网格面的矿料体积。

8.一种矿卡卸料用时的测量装置，其特征在于，包括：

原始点云信息获取单元，用于基于激光雷达，获取矿卡卸料区域的点云信息，得到原始点云信息；

原始点云信息滤波单元，用于通过对所述原始点云信息进行滤波处理，得到滤波后点云集；

车辆点云集识别单元，用于从所述滤波后点云集中识别出车辆的点云信息，得到车辆点云集；

车厢坐标系创建单元，用于基于所述车辆点云集中的点云数据，创建车厢坐标系；

矿料体积计算单元，用于基于所述车厢坐标系，创建车厢底面网格面，并计算所述车厢底面网格面中每一网格面的矿料体积；

矿卡卸料用时预测单元，用于累积每一所述网格面的矿料体积，得到车厢矿料体积，并基于所述车厢矿料体积，计算矿卡卸料用时。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的矿卡卸料用时的测量方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质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如权利要求1至7中任一项所述的矿卡卸料用时的测量方法。

Images