CN116148809B - 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统 - Google Patents

基于激光雷达扫描定位的粮车扦样点自动生成方法及系统 Download PDF

Info

Publication number
CN116148809B
CN116148809B CN202310350447.0A CN202310350447A CN116148809B CN 116148809 B CN116148809 B CN 116148809B CN 202310350447 A CN202310350447 A CN 202310350447A CN 116148809 B CN116148809 B CN 116148809B
Authority
CN
China
Prior art keywords
grain
sampling
point
point cloud
carriage
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
Application number
CN202310350447.0A
Other languages
English (en)
Other versions
CN116148809A (zh
Inventor
赵国川
马浩然
李月
李浩杰
荣云
李凌威
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.)
China Grain Storage Chengdu Storage Research Institute Co ltd
Original Assignee
China Grain Storage Chengdu Storage Research Institute 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 China Grain Storage Chengdu Storage Research Institute Co ltd filed Critical China Grain Storage Chengdu Storage Research Institute Co ltd
Priority to CN202310350447.0A priority Critical patent/CN116148809B/zh
Publication of CN116148809A publication Critical patent/CN116148809A/zh
Application granted granted Critical
Publication of CN116148809B publication Critical patent/CN116148809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/02—Devices for withdrawing samples
    • G01N1/10—Devices for withdrawing samples in the liquid or fluent state
    • 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
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Hydrology & Water Resources (AREA)
  • Electromagnetism (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明涉及粮车扦样领域，具体涉及一种基于激光雷达扫描定位的粮车扦样点自动生成方法及系统，极大地提高了扦样点生成的随机性。方案包括：通过激光雷达对粮车进行扫描定位，获取粮车后栏板与侧栏板的点云数据；对点云数据进行预处理，将处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位粮车车厢3个顶点坐标；根据已定位的3个顶点坐标计算得到第4个顶点的坐标，最后根据四个顶点坐标输出粮车车厢4个角点坐标，根据所述角点坐标与粮车车厢结构随机生成扦样点。本发明适用于粮车扦样。

Description

基于激光雷达扫描定位的粮车扦样点自动生成方法及系统
技术领域
本发明涉及粮车扦样领域，具体涉及一种基于激光雷达扫描定位的粮车扦样点自动生成方法及系统。
背景技术
扦样又称取样或抽样,是指从大量的种子中,随机取得一个数量适合、有代表性的供检样品。其目的就是从一大批牧草种子中取得一个数量适合于供检验用的样品,并且这一样品能够准确地代表该批被检验种子的成分。
在粮食行业内，入粮环节大多使用人工扦样，人工扦样自动化程度低、效率低、易出现徇私舞弊情况等缺点。
针对人工扦样存在的缺点，现有技术如CN111766602A公开的一种用于粮食采样的智能扦样机系统，包括：取样装置、车辆探测装置和控制装置；所述车辆探测装置，用于探测设定
区域内车辆的位置和形状；所述控制装置，用于根据接收的车辆的位置和形状信息生成采样点，并基于所述采样点控制取样装置对车辆上的粮食进行取样；所述取样装置，用于根据接收的来自所述控制装置的指令取样。实现对粮食的自动取样。提高效率，并节约了人工成本。
具体的，取样装置，包括承载能滑移的横梁的立柱、摆动的扦样采样摆臂和扦样采样机。通过横梁上的扦样采样摆臂电机带动扦样采样机滑移到采样的横梁位置，然后通过扦样采样摆臂的摆动将扦样采样插进入车辆车框的谷物堆进行对谷物采样。采样过程不需要人工来操作，所有以上由控制器的程序自动完成，根据车辆探测部分的激光雷达检测到的车辆车框位置信息转化为取样装置运动坐标信号运动配合完成。
但上述方案存在以下缺点，第一、通用性较差，只能适用于散装的谷物等，若是包装后的粮食，则不能适用；第二、通过扦样采样摆臂的摆动将扦样采样插进入车辆车框的谷物堆进行对谷物采样，虽然实现了自动化，不需要人工操作，但其扦样点随机性较差，也容易出现徇私舞弊的情况；第三、上述方案的激光雷达仪安装在立柱的横梁上，位于车厢上方，对车辆进行扫描，反馈位置信息。其安装位置高，维护调试不变，并且误差大。
发明内容
本发明的目的是提供一种基于激光雷达扫描定位的粮车扦样点自动生成方法及系统，实现了对各种粮车的自动扦样，通用性强，并且还极大地提高了扦样点生成的随机性。
本发明采取如下技术方案实现上述目的，基于激光雷达扫描定位的粮车扦样点自动生成方法，所述激光雷达分别安装在扦样区域同一侧的前方与后方，所述方法包括：
通过激光雷达对粮车进行扫描定位，获取粮车后栏板与侧栏板的点云数据；
对点云数据进行预处理，所述预处理包括扦样区域筛选与点云强度筛选；
通过预处理后的点云数据提取粮车的角点坐标，具体包括：将处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，完成粮车车厢点云的提取重构，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位粮车车厢3个顶点坐标；根据已定位的3个顶点坐标计算得到第4个顶点的坐标，最后根据四个顶点坐标输出粮车车厢4个角点坐标，角点坐标与对应的顶点坐标距离随机且小于设置的阈值距离；
根据所述角点坐标与粮车车厢结构随机生成扦样点。
进一步的是，根据所述角点坐标与粮车车厢结构随机生成扦样点具体包括：
粮车车厢4个角点中随机选取至少一个角点作为扦样点；
粮车栏板边缘随机选择至少一个扦样点，该扦样点与粮车栏板边缘距离随机且小于设置的阈值距离；
粮车车厢中心点随机选取至少一个扦样点；
沿粮车车厢长边将车厢划分为至少两个区域，每个区域随机选取至少一个扦样点；
所有扦样点满足相邻扦样点距离大于动态阈值，动态阈值根据粮车的尺寸信息自动动态设定。
通过上述方案能够提高扦样点的随机性。
进一步的是，所述扦样区域筛选与点云强度筛选具体包括：
设置激光雷达的坐标系为O，扦样区域的坐标系为O'，坐标系旋转矩阵为R，t，激光雷达坐标系下的点为pi，扦样区域坐标系下的点为pi'，则：pi'=R×pi+t，pi'×i=pi×i，若pi'∈Ax,y,z,i，则保留pi'，Ax,y,z,i表示扦样区域与点云强度筛选区间，i表示激光反射强度。
进一步的是，所述预处理还包括离群点去除与体素滤波，所述离群点去除具体包括：对整个输入迭代一次，对于每个点进行半径R邻域搜索，如果邻域点的个数低于某一阈值，则该点将被视为噪声点并被移除。
进一步的是，所述体素滤波具体包括：使用体素化网格方法实现下采样，即减少点的数量，减少点云数据，并同时保存点云的形状特征。
基于激光雷达扫描定位的粮车扦样点自动生成系统，用于实现上述所述的基于激光雷达扫描定位的粮车扦样点自动生成方法，所述系统包括：
扫描模块，用于通过激光雷达对粮车进行扫描定位，获取粮车后栏板与侧栏板的点云数据；
预处理模块，用于对点云数据进行预处理，所述预处理包括扦样区域筛选与点云强度筛选；
角点坐标提取模块，用于通过预处理后的点云数据提取粮车的角点坐标，具体包括：将处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，完成粮车车厢点云的提取重构，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位粮车车厢3个顶点坐标；根据已定位的3个顶点坐标计算得到第4个顶点的坐标，最后根据四个顶点坐标输出粮车车厢4个角点坐标，角点坐标与对应的顶点坐标距离随机且小于设置的阈值距离；
扦样点生成模块，根据所述角点坐标与粮车车厢结构随机生成扦样点。
进一步的是，所述扦样点生成模块具体用于，粮车车厢4个角点中随机选取至少一个角点作为扦样点；
粮车栏板边缘随机选择至少一个扦样点，该扦样点与粮车栏板边缘距离随机且小于设置的阈值距离；
粮车车厢中心点随机选取至少一个扦样点；
沿粮车车厢长边将车厢划分为至少两个区域，每个区域随机选取至少一个扦样点；
所有扦样点满足相邻扦样点距离大于动态阈值，动态阈值根据粮车的尺寸信息自动动态设定。
进一步的是，所述扦样区域筛选与点云强度筛选具体包括：设置激光雷达的坐标系为O，扦样区域的坐标系为O'，坐标系旋转矩阵为R，t，激光雷达坐标系下的点为pi，扦样区域坐标系下的点为pi'，则：pi'=R×pi+t，pi'×i=pi×i，若pi'∈Ax,y,z,i，则保留pi'，Ax,y,z,i表示扦样区域与点云强度筛选区间，i表示激光反射强度。
进一步的是，所述预处理模块还用于离群点去除与体素滤波，所述离群点去除具体包括：对整个输入迭代一次，对于每个点进行半径R邻域搜索，如果邻域点的个数低于某一阈值，则该点将被视为噪声点并被移除。
进一步的是，所述体素滤波具体包括：使用体素化网格方法实现下采样，即减少点的数量，减少点云数据，并同时保存点云的形状特征。
本发明的有益效果为：
本发明采用两个激光雷达，分别安装在扦样区域同一侧的前方与后方，安装高度低，便于调试与维护；通过两个激光雷达采集粮车后栏板与侧栏板的点云数据，排除了粮车顶面复杂干扰，以及去除了扫描盲区；通过点云数据得到粮车车厢的4个角点坐标，最后根据所述角点坐标与粮车车厢结构随机生成扦样点。这样实现了对各种粮车扦样点的自动生成，通用性强，并且还极大地提高了扦样点生成的随机性。
附图说明
图1 为本发明实施例提供的激光雷达安装位置示意图；
图2为本发明实施例提供的点云数据处理的流程图；
图3为本发明实施例提供的角点提取流程图；
图4为本发明实施例提供的扦样点随机生成示意图。
附图中，101为第一固态激光雷达,102为第二固态激光雷达，201为粮车车厢，202为粮车车头。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有做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。
本发明提供一种基于激光雷达扫描定位的粮车扦样点自动生成方法，所述激光雷达分别安装在扦样区域同一侧的前方与后方，所述方法包括：
通过激光雷达对粮车进行扫描定位，获取粮车后栏板与侧栏板的点云数据；
对点云数据进行预处理，所述预处理包括扦样区域筛选与点云强度筛选；
通过预处理后的点云数据提取粮车的角点坐标，具体包括：将处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，完成粮车车厢点云的提取重构，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位粮车车厢3个顶点坐标；根据已定位的3个顶点坐标计算得到第4个顶点的坐标，最后根据四个顶点坐标输出粮车车厢4个角点坐标，角点坐标与对应的顶点坐标距离随机且小于设置的阈值距离；
根据所述角点坐标与粮车车厢结构随机生成扦样点。
在本发明的一种实施例中，根据所述角点坐标与粮车车厢结构随机生成扦样点具体包括：
粮车车厢4个角点中随机选取至少一个角点作为扦样点；
粮车栏板边缘随机选择至少一个扦样点，该扦样点与粮车栏板边缘距离随机且小于设置的阈值距离；
粮车车厢中心点随机选取至少一个扦样点；
沿粮车车厢长边将车厢划分为至少两个区域，每个区域随机选取至少一个扦样点；
所有扦样点满足相邻扦样点距离大于动态阈值，动态阈值根据粮车的尺寸信息自动动态设定。
通过上述方案能够提高扦样点的随机性。
由于整个扦样区域为扦样机器人的作业区域，无法将激光雷达安装至粮车上方，只能将雷达安装于侧后方或者侧前方。基于固态激光雷达70°的视场角，加上克服粮堆和包装粮的遮挡，固态激光雷达安装高度需要12米以上，这样安装存在安装代价大、维护成本高、安全隐患大等问题。
粮车顶面存在遮挡、包装粮凸出、篷布遮挡等复杂情况，但运粮车厢的底盘是相对稳定的。因此，本发明在扦样区域天轨侧的前方和后方各安装一台固态激光雷达。固态激光雷达安装在立柱支架上，通过开关电源将220V交流电源转换为12V直流电源，驱动固态激光雷达工作，立柱高度1.5米；软件部分以VMware为载体，部署在上位机物理机上，系统版本为ubuntu20.04，软件平台为ROS（Robot Operating System，机器人操作系统）、PCL（PointCloud Library，点云库）和Eigen（Eigen是一个高层次的C ++库，有效支持线性代数，矩阵和矢量运算，数值分析及其相关的算法）。通过网线将扦样区域的点云数据传回计算服务器。
固态激光雷达的安装位置如图1所示，第一固态激光雷达101与第二固态激光雷达102分别安装在扦样区域右侧的前方与后方，获取粮车后栏板与侧栏板的点云数据，排除粮车顶面复杂干扰，同时利用双雷达去除扫描盲区，保证粮车可在扦样区域内随意停放。
在点云数据的处理中，由于粉尘、电磁干扰等诸多因素，原始点云数据存在较多的离群点和噪点，不利于后续货厢角点提取。因此，本发明采用区域和强度筛选、离群点去除、体素滤波等一系列点云预处理手段后，减少噪声干扰，明显提高了点云的质量。
具体的，本发明点云数据预处理过程如图2所示，具体包括：
对原始点云数据进行扦样区域筛选与点云强度筛选，扦样区域筛选与点云强度筛选具体包括：
设置激光雷达的坐标系为O，扦样区域的坐标系为O'，坐标系旋转矩阵为R，t，激光雷达坐标系下的点为pi，扦样区域坐标系下的点为pi'，则：pi'=R×pi+t，pi'×i=pi×i，若pi'∈Ax,y,z,i，则保留pi'，Ax,y,z,i表示扦样区域与点云强度筛选区间，i表示激光反射强度。
对筛选后的点云数据进行离群点去除与体素滤波，离群点去除具体包括：对整个输入迭代一次，对于每个点进行半径R邻域搜索，如果邻域点的个数低于某一阈值，则该点将被视为噪声点并被移除。
体素滤波具体包括：使用体素化网格方法实现下采样，即减少点的数量，减少点云数据，并同时保存点云的形状特征。在提高配准，曲面重建，形状识别等算法速度中非常实用，PCL实现的VoxelGrid类通过输入的点云数据创建一个三维体素栅格，容纳后每个体素内用体素中所有点的重心来近似显示体素中其他点，这样该体素内所有点都用一个重心点最终表示，对于所有体素处理后得到的过滤后的点云，这种方法比用体素中心逼近的方法更慢，但是对于采样点对应曲面的表示更为准确。
点云数据处理完成后，进行角点提取。角点提取流程如图3所示，首先将预处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，完成粮车车厢点云的提取重构，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位车厢左后方、右后方、右前方3个顶点坐标；根据已定位的3个顶点推算第4个点的坐标，最后输出货厢4个角点坐标。
得到车厢的4个角点坐标后，然后进行扦样点的随机生成，如图4所示。
具体的，粮车车厢201的4个角点中随机选取2个角点作为扦样点，例如扦样点①、⑩，该扦样点与对应角点距离随机且小于50cm，4条栏板边缘随机选择2个扦样点，例如扦样点⑥、⑧，与栏板边缘距离随机且小于50cm；货箱中心点选取1个扦样点，例如扦样点⑤；沿长边将货厢分为3个区域，中间区域随机选择1个扦样点，例如扦样点④，左右区域各选择2个扦样点，例如左边区域的扦样点⑦、⑨，右边区域的扦样点②、③；所有扦样点满足相邻扦样点距离大于动态阈值，动态阈值根据粮车的尺寸信息自动动态设定。
本发明还提供一种基于激光雷达扫描定位的粮车扦样点自动生成系统，用于实现上述所述的基于激光雷达扫描定位的粮车扦样点自动生成方法，所述系统包括：
扫描模块，用于通过激光雷达对粮车进行扫描定位，获取粮车后栏板与侧栏板的点云数据；
预处理模块，用于对点云数据进行预处理，所述预处理包括扦样区域筛选与点云强度筛选；
角点坐标提取模块，用于通过预处理后的点云数据提取粮车的角点坐标，具体包括：将处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，完成粮车车厢点云的提取重构，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位粮车车厢3个顶点坐标；根据已定位的3个顶点坐标计算得到第4个顶点的坐标，最后根据四个顶点坐标输出粮车车厢4个角点坐标，角点坐标与对应的顶点坐标距离随机且小于设置的阈值距离；
扦样点生成模块，根据所述角点坐标与粮车车厢结构随机生成扦样点。
在本发明的一种实施例中，所述扦样点生成模块具体用于，粮车车厢4个角点中随机选取至少一个角点作为扦样点；
粮车栏板边缘随机选择至少一个扦样点，该扦样点与粮车栏板边缘距离随机且小于设置的阈值距离；
粮车车厢中心点随机选取至少一个扦样点；
沿粮车车厢长边将车厢划分为至少两个区域，每个区域随机选取至少一个扦样点；
所有扦样点满足相邻扦样点距离大于动态阈值，动态阈值根据粮车的尺寸信息自动动态设定。
在本发明的一种实施例中，所述扦样区域筛选与点云强度筛选具体包括：设置激光雷达的坐标系为O，扦样区域的坐标系为O'，坐标系旋转矩阵为R，t，激光雷达坐标系下的点为pi，扦样区域坐标系下的点为pi'，则：pi'=R×pi+t，pi'×i=pi×i，若pi'∈Ax,y,z,i，则保留pi'，Ax,y,z,i表示扦样区域与点云强度筛选区间，i表示激光反射强度。
在本发明的一种实施例中，所述预处理模块还用于离群点去除与体素滤波，所述离群点去除具体包括：对整个输入迭代一次，对于每个点进行半径R邻域搜索，如果邻域点的个数低于某一阈值，则该点将被视为噪声点并被移除。
在本发明的一种实施例中，所述体素滤波具体包括：使用体素化网格方法实现下采样，即减少点的数量，减少点云数据，并同时保存点云的形状特征。
本发明激光扫描模块安装方便，安装高度低、重量小，便于调试与维护，通用性强；扫描精度高，能完整定位运粮货车车厢，给出4个角点坐标，误差低；扫描速度快，10秒即可完成扫描和扦样点计算；与扦样机器人之间的标定流程简单快捷，仅需扦样机器人移动5个点，即可完成标定，无需其他设备参数。
综上所述，本发明实现了对各种粮车的自动扦样，通用性强，并且还极大地提高了扦样点生成的随机性。

Claims (10)

1.基于激光雷达扫描定位的粮车扦样点自动生成方法，所述激光雷达分别安装在扦样区域同一侧的前方与后方，其特征在于，所述基于激光雷达扫描定位的粮车扦样点自动生成方法包括：
通过激光雷达对粮车进行扫描定位，获取粮车后栏板与侧栏板的点云数据；
对点云数据进行预处理，所述预处理包括扦样区域筛选与点云强度筛选；
通过预处理后的点云数据提取粮车的角点坐标，具体包括：将处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，完成粮车车厢点云的提取重构，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位粮车车厢3个顶点坐标；根据已定位的3个顶点坐标计算得到第4个顶点的坐标，最后根据四个顶点坐标输出粮车车厢4个角点坐标，角点坐标与对应的顶点坐标距离随机且小于设置的阈值距离；
根据所述角点坐标与粮车车厢结构随机生成扦样点。
2.根据权利要求1所述的基于激光雷达扫描定位的粮车扦样点自动生成方法，其特征在于，根据所述角点坐标与粮车车厢结构随机生成扦样点具体包括：
粮车车厢4个角点中随机选取至少一个角点作为扦样点；
粮车栏板边缘随机选择至少一个扦样点，该扦样点与粮车栏板边缘距离随机且小于设置的阈值距离；
粮车车厢中心点随机选取至少一个扦样点；
沿粮车车厢长边将车厢划分为至少两个区域，每个区域随机选取至少一个扦样点；
所有扦样点满足相邻扦样点距离大于动态阈值，动态阈值根据粮车的尺寸信息自动动态设定。
3.根据权利要求1所述的基于激光雷达扫描定位的粮车扦样点自动生成方法，其特征在于，所述扦样区域筛选与点云强度筛选具体包括：
设置激光雷达的坐标系为O，扦样区域的坐标系为O'，坐标系旋转矩阵为R，t，激光雷达坐标系下的点为pi，扦样区域坐标系下的点为pi'，则：pi'=R×pi+t，pi'×i=pi×i，若pi'∈Ax,y,z,i，则保留pi'，Ax,y,z,i表示扦样区域与点云强度筛选区间，i表示激光反射强度。
4.根据权利要求1所述的基于激光雷达扫描定位的粮车扦样点自动生成方法，其特征在于，所述预处理还包括离群点去除与体素滤波，所述离群点去除具体包括：对整个输入迭代一次，对于每个点进行半径R邻域搜索，如果邻域点的个数低于某一阈值，则该点将被视为噪声点并被移除。
5.根据权利要求4所述的基于激光雷达扫描定位的粮车扦样点自动生成方法，其特征在于，所述体素滤波具体包括：使用体素化网格方法实现下采样，即减少点的数量，减少点云数据，并同时保存点云的形状特征。
6.基于激光雷达扫描定位的粮车扦样点自动生成系统，用于实现如权利要求1-5任意一项所述的基于激光雷达扫描定位的粮车扦样点自动生成方法，其特征在于，包括：
扫描模块，用于通过激光雷达对粮车进行扫描定位，获取粮车后栏板与侧栏板的点云数据；
预处理模块，用于对点云数据进行预处理，所述预处理包括扦样区域筛选与点云强度筛选；
角点坐标提取模块，用于通过预处理后的点云数据提取粮车的角点坐标，具体包括：将处理后的点云数据进行粗网格化，通过粮车后栏板与侧栏板的边界条件进行查询，从粮车车厢最低平面向上融合堆砌点云网格，完成粮车车厢点云的提取重构，然后在粗网格提取的粮车车厢点云基础上精细化网格，并通过精细化网格边缘搜索条件，定位粮车车厢3个顶点坐标；根据已定位的3个顶点坐标计算得到第4个顶点的坐标，最后根据四个顶点坐标输出粮车车厢4个角点坐标，角点坐标与对应的顶点坐标距离随机且小于设置的阈值距离；
扦样点生成模块，根据所述角点坐标与粮车车厢结构随机生成扦样点。
7.根据权利要求6所述的基于激光雷达扫描定位的粮车扦样点自动生成系统，其特征在于，所述扦样点生成模块具体用于，粮车车厢4个角点中随机选取至少一个角点作为扦样点；
粮车栏板边缘随机选择至少一个扦样点，该扦样点与粮车栏板边缘距离随机且小于设置的阈值距离；
粮车车厢中心点随机选取至少一个扦样点；
沿粮车车厢长边将车厢划分为至少两个区域，每个区域随机选取至少一个扦样点；
所有扦样点满足相邻扦样点距离大于动态阈值，动态阈值根据粮车的尺寸信息自动动态设定。
8.根据权利要求6所述的基于激光雷达扫描定位的粮车扦样点自动生成系统，其特征在于，所述扦样区域筛选与点云强度筛选具体包括：设置激光雷达的坐标系为O，扦样区域的坐标系为O'，坐标系旋转矩阵为R，t，激光雷达坐标系下的点为pi，扦样区域坐标系下的点为pi'，则：pi'=R×pi+t，pi'×i=pi×i，若pi'∈Ax,y,z,i，则保留pi'，Ax,y,z,i表示扦样区域与点云强度筛选区间，i表示激光反射强度。
9.根据权利要求6所述的基于激光雷达扫描定位的粮车扦样点自动生成系统，其特征在于，所述预处理模块还用于离群点去除与体素滤波，所述离群点去除具体包括：对整个输入迭代一次，对于每个点进行半径R邻域搜索，如果邻域点的个数低于某一阈值，则该点将被视为噪声点并被移除。
10.根据权利要求9所述的基于激光雷达扫描定位的粮车扦样点自动生成系统，其特征在于，所述体素滤波具体包括：使用体素化网格方法实现下采样，即减少点的数量，减少点云数据，并同时保存点云的形状特征。
CN202310350447.0A 2023-04-04 2023-04-04 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统 Active CN116148809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310350447.0A CN116148809B (zh) 2023-04-04 2023-04-04 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310350447.0A CN116148809B (zh) 2023-04-04 2023-04-04 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统

Publications (2)

Publication Number Publication Date
CN116148809A CN116148809A (zh) 2023-05-23
CN116148809B true CN116148809B (zh) 2023-06-20

Family

ID=86362027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310350447.0A Active CN116148809B (zh) 2023-04-04 2023-04-04 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统

Country Status (1)

Country Link
CN (1) CN116148809B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020637A (zh) * 2012-11-22 2013-04-03 北京航空航天大学 一种基于K-plane算法的建筑物顶面点云数据分割方法
CN107976668A (zh) * 2016-10-21 2018-05-01 法乐第(北京)网络科技有限公司 一种确定相机与激光雷达之间的外参数的方法
CN108871489A (zh) * 2018-06-11 2018-11-23 安徽聚力粮机科技股份有限公司 一种粮食储存仓库容测量方法
CN208547507U (zh) * 2018-06-21 2019-02-26 中储粮成都储藏研究院有限公司 一种粮食定量扦样器
CA3071695A1 (en) * 2017-09-12 2019-03-21 Intelligent Agricultural Solutions Llc Grain handling system and method
CN109827797A (zh) * 2019-01-25 2019-05-31 安徽农业大学 散装粮车待扦样范围自动识别装置及其坐标建立方法
CN110031824A (zh) * 2019-04-12 2019-07-19 杭州飞步科技有限公司 激光雷达联合标定方法及装置
CN110221603A (zh) * 2019-05-13 2019-09-10 浙江大学 一种基于激光雷达多帧点云融合的远距离障碍物检测方法
CN110309977A (zh) * 2019-07-09 2019-10-08 河南工业大学 一种粮堆扦样高度随机布局方法及圆仓粮堆扦样方法
CN112304670A (zh) * 2020-11-25 2021-02-02 美骏智能装备(北京)有限公司 扦样机扦样范围确定装置及方法
CN113139607A (zh) * 2021-04-27 2021-07-20 苏州挚途科技有限公司 障碍物检测方法和装置
CN113807601A (zh) * 2021-09-29 2021-12-17 河南工业大学 一种高效智能式粮库物流转运系统及方法
CN114067140A (zh) * 2021-11-15 2022-02-18 安徽云龙粮机有限公司 一种用于粮食扦样机的自动控制系统
CN114089377A (zh) * 2021-10-21 2022-02-25 江苏大学 一种基于激光雷达的点云处理和物体识别系统及方法
CN114119940A (zh) * 2021-12-07 2022-03-01 成都信息工程大学 基于ransac和角点提取的障碍物点云凸包分割方法
CN114180458A (zh) * 2021-11-04 2022-03-15 三一海洋重工有限公司 集装箱吊装设备、吊装控制方法、计算机设备和存储介质
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
CN115359021A (zh) * 2022-08-29 2022-11-18 上海大学 一种基于激光雷达和相机信息融合的目标定位检测方法
CN115372989A (zh) * 2022-08-19 2022-11-22 中国人民解放军陆军工程大学 基于激光雷达的越野自动小车长距离实时定位系统及方法
CN115493656A (zh) * 2022-11-09 2022-12-20 中粮信息科技有限公司 一种粮食存储监管方法和系统
CN115684510A (zh) * 2023-01-04 2023-02-03 中储粮成都储藏研究院有限公司 一种粮食智能扦样检验方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11567207B2 (en) * 2019-08-16 2023-01-31 Oregon State University Apparatus and method for efficient point cloud feature extraction and segmentation framework

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103020637A (zh) * 2012-11-22 2013-04-03 北京航空航天大学 一种基于K-plane算法的建筑物顶面点云数据分割方法
CN107976668A (zh) * 2016-10-21 2018-05-01 法乐第(北京)网络科技有限公司 一种确定相机与激光雷达之间的外参数的方法
CA3071695A1 (en) * 2017-09-12 2019-03-21 Intelligent Agricultural Solutions Llc Grain handling system and method
CN108871489A (zh) * 2018-06-11 2018-11-23 安徽聚力粮机科技股份有限公司 一种粮食储存仓库容测量方法
CN208547507U (zh) * 2018-06-21 2019-02-26 中储粮成都储藏研究院有限公司 一种粮食定量扦样器
CN109827797A (zh) * 2019-01-25 2019-05-31 安徽农业大学 散装粮车待扦样范围自动识别装置及其坐标建立方法
CN110031824A (zh) * 2019-04-12 2019-07-19 杭州飞步科技有限公司 激光雷达联合标定方法及装置
CN110221603A (zh) * 2019-05-13 2019-09-10 浙江大学 一种基于激光雷达多帧点云融合的远距离障碍物检测方法
CN110309977A (zh) * 2019-07-09 2019-10-08 河南工业大学 一种粮堆扦样高度随机布局方法及圆仓粮堆扦样方法
CN112304670A (zh) * 2020-11-25 2021-02-02 美骏智能装备(北京)有限公司 扦样机扦样范围确定装置及方法
CN113139607A (zh) * 2021-04-27 2021-07-20 苏州挚途科技有限公司 障碍物检测方法和装置
CN113807601A (zh) * 2021-09-29 2021-12-17 河南工业大学 一种高效智能式粮库物流转运系统及方法
CN114089377A (zh) * 2021-10-21 2022-02-25 江苏大学 一种基于激光雷达的点云处理和物体识别系统及方法
CN114180458A (zh) * 2021-11-04 2022-03-15 三一海洋重工有限公司 集装箱吊装设备、吊装控制方法、计算机设备和存储介质
CN114067140A (zh) * 2021-11-15 2022-02-18 安徽云龙粮机有限公司 一种用于粮食扦样机的自动控制系统
CN114119940A (zh) * 2021-12-07 2022-03-01 成都信息工程大学 基于ransac和角点提取的障碍物点云凸包分割方法
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
CN115372989A (zh) * 2022-08-19 2022-11-22 中国人民解放军陆军工程大学 基于激光雷达的越野自动小车长距离实时定位系统及方法
CN115359021A (zh) * 2022-08-29 2022-11-18 上海大学 一种基于激光雷达和相机信息融合的目标定位检测方法
CN115493656A (zh) * 2022-11-09 2022-12-20 中粮信息科技有限公司 一种粮食存储监管方法和系统
CN115684510A (zh) * 2023-01-04 2023-02-03 中储粮成都储藏研究院有限公司 一种粮食智能扦样检验方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Simple building reconstruction from LIDAR point cloud;Wan, WG;《2008 INTERNATIONAL CONFERENCE ON AUDIO, LANGUAGE AND IMAGE PROCESSING》;全文 *
基于平面特征的箱型钢结构点云角点自动提取;王国利;王晏民;郭明;;工程勘察(第10期);全文 *
基于建筑物激光点云边缘线自动提取提高DSM精度;苗松;王建军;李云龙;范媛媛;;激光与光电子学进展(第01期);全文 *
多视激光点云数据融合与三维建模方法研究;宋永存;;测绘通报(第05期);全文 *
智能汽车激光雷达和相机数据融合系统标定;许小徐;黄影平;胡兴;;光学仪器(第06期);全文 *

Also Published As

Publication number Publication date
CN116148809A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
JP5822255B2 (ja) 対象物識別装置及びプログラム
CN112897345B (zh) 集装箱卡车与起重机的对位方法及相关设备
CN108828621A (zh) 基于三维激光雷达的障碍检测和路面分割算法
CN102073846B (zh) 基于航拍图像的交通信息获取方法
CN107314741A (zh) 货物体积测量方法
WO2021196938A1 (zh) 一种自动化集装箱装卸装置及方法
CN112731440A (zh) 高速铁路边坡形变检测方法及装置
CN102980512A (zh) 一种固定式自动体积测量系统及其测量方法
CN111241969A (zh) 目标检测方法、装置及相应模型训练方法、装置
CN111704035B (zh) 一种基于机器视觉的集装箱装卸集卡自动定位装置及方法
KR20210063841A (ko) 3d 포인트 클라우드의 클러스터링 방법 및 이를 수행하는 장치
CN107796373A (zh) 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法
CN116148809B (zh) 基于激光雷达扫描定位的粮车扦样点自动生成方法及系统
CN111857168A (zh) 无人机定位方法、装置与无人机停放姿态调整方法、装置
CN113945219B (zh) 动态地图生成方法、系统、可读存储介质及终端设备
CN116263320A (zh) 车辆测量方法、装置、系统及存储介质
CN116429145B (zh) 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统
CN116934832A (zh) 基于现场参照物的三维点云的实时标定方法
EP3279702A2 (en) Autonomously mobile backscatter detection apparatus and method, and positioning method for the apparatus
CN116520351A (zh) 一种列车状态监测方法、系统、存储介质及终端
CN111723793A (zh) 一种实时刚性接触网定位点识别方法
CN111275753A (zh) 车厢内沙石体积的测量方法
CA3154485A1 (en) Payload measurement system and method
CN115330630A (zh) 面向矿区自动驾驶数据集搭建的点云数据增强方法及装置
CN115015962A (zh) 基于岸桥的碰撞检测方法、系统、设备及存储介质

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