CN116274893A - 检测钢包内衬侵蚀量的方法、处理器、装置及存储介质 - Google Patents

Abstract

本申请涉及工业检测领域，具体涉及一种检测钢包内衬侵蚀量的方法、处理器、装置及存储介质。包括：采集钢包内衬的三维点云，以建立钢包内衬的当前三维点云模型；确定在历史三维点云模型的模型坐标系下，当前三维点云模型转换得到的目标三维点云模型，其中，目标三维点云模型包括多个目标点；确定历史三维点云模型中与每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对；针对任意一组目标匹配点对，确定历史点与钢包内衬的中轴线之间的历史距离以及目标点与钢包内衬的中轴线之间的目标距离；将历史距离与目标距离之间的差值确定为钢包内衬在目标点处的侵蚀量。通过三维建模对钢包内衬的侵蚀量进行精准确定。

Description

检测钢包内衬侵蚀量的方法、处理器、装置及存储介质

技术领域

本申请涉及工业检测领域，具体地，涉及一种检测钢包内衬侵蚀量的方法、处理器、装置及存储介质。

背景技术

钢包作为炼钢工序和浇铸工序之间的中间容器，钢包内衬的质量好坏会直接对钢水质量以及后续浇铸工序的浇铸质量，因此需要经常对钢包内衬的质量进行检测。

目前针对钢包的检测方式大多为按照工艺计算钢包的包龄，并结合浇铸产品的质量判断钢包内衬质量是否存在缺陷，有些情况下也是靠肉眼观察钢包内衬是否存在缺陷。以上检测方法都需要依赖工作人员的检测经验，并且检测难度大、效率慢。

发明内容

本申请实施例的目的是提供一种可以脱离人工对钢包内衬的侵蚀量进行检测的检测钢包内衬侵蚀量的方法、处理器、装置及存储介质。

为了实现上述目的，本申请实施例提供一种检测钢包内衬侵蚀量的方法，方法包括：

采集钢包内衬的三维点云，以建立钢包内衬的当前三维点云模型；

确定在历史三维点云模型的模型坐标系下，当前三维点云模型转换得到的目标三维点云模型，其中，目标三维点云模型包括多个目标点；

确定历史三维点云模型中与每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对；

针对任意一组目标匹配点对，确定历史点与钢包内衬的中轴线之间的历史距离以及目标点与钢包内衬的中轴线之间的目标距离；

将历史距离与目标距离之间的差值确定为钢包内衬在目标点处的侵蚀量。

在本申请实施例中，确定在历史三维点云模型的模型坐标系下，当前三维点云模型转换得到的目标三维点云模型包括：获取钢包内衬的当前图像；将当前图像与历史图像进行图像配准，以获得初始配准矩阵；确定当前图像中的多个当前特征点，并确定历史图像中与每个当前特征点匹配的历史特征点；针对任意一个当前特征点，将当前特征点和与当前特征点对应的历史特征点确定为一组特征点对；获取每组特征点对之间的误差距离；通过优化算法调整初始配准矩阵，以调节全部特征点对的误差距离总和；在误差距离总和小于预设阈值的情况下，将调整后的初始配准矩阵确定为目标配准矩阵；通过目标配准矩阵将当前三维点云模型转换至位于历史三维点云模型的模型坐标下的目标三维点云模型。

在本申请实施例中，确定当前图像中的多个当前特征点，并确定历史图像中与每个当前特征点匹配的历史特征点包括：对当前图像进行特征提取，以确定当前图像中的多个当前特征点；对历史图像进行特征提取，以确定历史图像中的多个历史特征点；针对任意一个当前特征点，确定当前特征点与任意一个历史特征点之间的特征距离；将特征距离最近的历史特征点确定为与当前特征点匹配的历史特征点。

在本申请实施例中，方法还包括：获取钢包内衬的当前图像；通过栅格化算法按照第一预设高度和第一预设角度将当前图像进行切分，以得到当前二维平面图像，其中，二维平面图像包括预设数量的栅格；针对每个栅格，获取栅格中包括的三维点云，并通过点云特征对栅格中的三维点云进行过滤，其中点云特征包括点云连续性、点云梯度以及点云反射强度中的至少一种；获取过滤后的栅格中的三维点云中每个点的点高度和点角度；将过滤后的栅格中的三维点云中点高度符合第二预设高度且点角度符合第二预设角度的点作为目标点。

在本申请实施例中，确定历史三维点云模型中与每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对包括：通过栅格化算法按照第一预设高度和第一预设角度将历史图像进行切分，以得到历史二维平面图像；针对每个目标点，将历史二维平面图像中与目标点的点高度和点角度相同的点作为与目标点匹配的历史点。

在本申请实施例中，方法还包括：在将历史距离与目标距离之间的差值确定为钢包内衬在目标点处的侵蚀量后，获取每个栅格内包括的每个目标点的侵蚀量；针对每个栅格，通过插值计算法计算栅格内的每个目标点的侵蚀量以确定栅格内的侵蚀量。

在本申请实施例中，采集钢包内衬的三维点云，以建立钢包内衬的当前三维点云模型包括：通过激光雷达采集钢包内衬的多帧三维点云；通过IMU算法对多帧三维点云进行转化，以将钢包内衬的全部三维点云转换至IMU坐标系；根据钢包内衬的三维点云位于IMU坐标系上的坐标建立钢包内衬的当前三维点云模型。

本申请第二方面提供了一种处理器，被配置成执行上述任意一项的检测钢包内衬侵蚀量的方法。

本申请第三方面提供了一种检测钢包内衬侵蚀量的装置，包括上述的处理器。

本申请第四方面提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述中任意一项的检测钢包内衬侵蚀量的方法。

通过上述技术方案，通过对钢包内衬进行三维建模，并将最新的三维点云模型和历史的三维点云模型进行配准，从而可以通过钢包内衬的中轴线与历史三维点云模型的点云之间的距离、钢包内衬的中轴线与最新三维点云模型的点云之间的距离，之间的差值确定钢包内衬的侵蚀量。通过建立钢包内衬的三维点云模型，将历史三维点云模型与当前三维点云模型进行配准并进行对比以快速准确的检测钢包内衬的侵蚀情况，不再需要人工通过产品来判断钢包的侵蚀。

本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：

图1示意性示出了根据本申请实施例的检测钢包内衬侵蚀量的方法的流程示意图；

图2示意性示出了根据本申请实施例的计算机设备的内部结构图。

具体实施方式

以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请，并不用于限制本申请。

需要说明，若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本申请实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。

如图1示意性示出了根据本申请实施例的检测钢包内衬侵蚀量的方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种检测钢包内衬侵蚀量的方法，包括以下步骤：

步骤101，采集钢包内衬的三维点云，以建立钢包内衬的当前三维点云模型；

步骤102，确定在历史三维点云模型的模型坐标系下，当前三维点云模型转换得到的目标三维点云模型，其中，目标三维点云模型包括多个目标点；

步骤103，确定历史三维点云模型中与每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对；

步骤104，针对任意一组目标匹配点对，确定历史点与钢包内衬的中轴线之间的历史距离以及目标点与钢包内衬的中轴线之间的目标距离；

步骤105，将历史距离与目标距离之间的差值确定为钢包内衬在目标点处的侵蚀量。

处理器可以获取通过激光雷达采集的钢包内衬的三维点云，并根据三维点云建立钢包内衬的当前三维点云模型。处理器可以获取钢包内衬的历史三维点云模型，并确定历史三维点云模型的模型坐标系，处理器可以将当前三维点云模型和历史三维点云模型进行配准，并将当前三维点云模型转换至与历史三维点云模型的模型坐标系下，处理器可以确定在历史三维点云模型的模型坐标系下当前三维点云模型转换得到的目标三维点云模型。其中，目标三维点云模型可以包括多个目标点。

由于当前三维点云模型已经和历史三维点云模型进行了配准，并且当前三维点云模型和历史三维点云模型都处于相同的模型坐标系上(转换在模型坐标系上的当前三维点云模型即为目标三维点云模型)，因此，处理器可以确定历史三维点云模型中与目标三维点云模型中每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对。处理器针对任意一组目标匹配点对，可以确定该目标匹配点对中的历史点与钢包内衬的中轴线之间的历史距离，和该目标匹配点对中的目标点与钢包内衬的中轴线之间的目标距离。处理器可以确定历史距离与目标距离之间的差值，并将差值确定为钢包内衬在目标点处的侵蚀量。

通过对钢包内衬进行三维建模，并将最新的三维点云模型和历史的三维点云模型进行配准，从而可以通过钢包内衬的中轴线与历史三维点云模型的点云之间的距离和钢包内衬的中轴线，与最新三维点云模型的点云之间的距离之间的差值确定钢包内衬的侵蚀量。

在一个实施例中，采集钢包内衬的三维点云，以建立钢包内衬的当前三维点云模型包括：通过激光雷达采集钢包内衬的多帧三维点云；通过IMU算法对多帧三维点云进行转化，以将钢包内衬的全部三维点云转换至IMU坐标系；根据钢包内衬的三维点云位于IMU坐标系上的坐标建立钢包内衬的当前三维点云模型。

处理器可以通过激光雷达采集钢包内衬的多帧三维点云，由于采集的多帧三维点云的位姿可能不一致，因此处理器在获取到每帧三维点云后可以通过IMU算法对多帧三维点云进行转化，以将钢包内衬的全部三维点云转换至IMU坐标系，统一采集到的三维点云的位姿，从而根据钢包内衬的三维点云位于IMU坐标系上的坐标建立钢包内衬的当前三维点云模型。

在一个实施例中，确定在历史三维点云模型的模型坐标系下，当前三维点云模型转换得到的目标三维点云模型包括：获取钢包内衬的当前图像；将当前图像与历史图像进行图像配准，以获得初始配准矩阵；确定当前图像中的多个当前特征点，并确定历史图像中与每个当前特征点匹配的历史特征点；针对任意一个当前特征点，将当前特征点和与当前特征点对应的历史特征点确定为一组特征点对；获取每组特征点对之间的误差距离；通过优化算法调整初始配准矩阵，以调节全部特征点对的误差距离总和；在误差距离总和小于预设阈值的情况下，将调整后的初始配准矩阵确定为目标配准矩阵；通过目标配准矩阵将当前三维点云模型转换至位于历史三维点云模型的模型坐标下的目标三维点云模型。

处理器在将当前三维点云模型转换至历史三维点云模型的模型坐标系下时，处理器可以先获取钢包内衬的当前图像和历史图像，将钢包内衬的当前图像和历史图像进行图像配准，从而获得初始配准矩阵。处理器可以确定当前图像中的多个当前特征点，并确定历史图像中与每个当前特征点匹配的历史特征点。针对任意一个当前特征点，处理器可以将该当前特征点和与该当前特征点对应的历史特征点确定为一组特征点对。处理器可以获取每组特征点对之间的误差距离，通过优化算法对初始配准矩阵进行调整，通过调整初始配准矩阵来调节所有特征点对之间的误差距离之和。当全部特征点对之间的误差距离之和小于处理器设置的预设阈值的情况下，处理器可以确定此时调整后的初始配准矩阵。处理器可以将调整后的初始配准矩阵确定为目标配准矩阵。通过目标配准矩阵将当前三维点云模型转换至历史三维点云模型的模型坐标下，从而得到目标三维点云模型。

在一个实施例中，确定当前图像中的多个当前特征点，并确定历史图像中与每个当前特征点匹配的历史特征点包括：对当前图像进行特征提取，以确定当前图像中的多个当前特征点；对历史图像进行特征提取，以确定历史图像中的多个历史特征点；针对任意一个当前特征点，确定当前特征点与任意一个历史特征点之间的特征距离；将特征距离最近的历史特征点确定为与当前特征点匹配的历史特征点。

处理器在获得钢包内衬的当前图像后，可以对当前图像进行特征提取，以确定当前图像中的多个当前特征点，同时，处理器可以对钢包内衬的历史图像进行特征提取，以确定历史图像中的多个历史特征点。针对任意一个当前特征点，处理器可以确定该当前特征点与任意一个历史特征点之间的特征距离，并将特征距离最近的历史特征点确定为与该当前特征点匹配的历史特征点。例如，假设当前图像上有A1、A2、A3三个当前特征点，历史图像上有B1、B2、B3三个历史特征点，处理器针对A1，可以确定A1分别与B1、B2、B3之间的特征距离，假设A1与B1之间的特征距离最短，则与当前特征点A1匹配的历史特征点是B1。

在一个实施例中，方法还包括：获取钢包内衬的当前图像；通过栅格化算法按照第一预设高度和第一预设角度将当前图像进行切分，以得到当前二维平面图像，其中，二维平面图像包括预设数量的栅格；针对每个栅格，获取栅格中包括的三维点云，并通过点云特征对栅格中的三维点云进行过滤，其中点云特征包括点云连续性、点云梯度以及点云反射强度中的至少一种；获取过滤后的栅格中的三维点云中每个点的点高度和点角度；将过滤后的栅格中的三维点云中点高度符合第二预设高度且点角度符合第二预设角度的点作为目标点。

处理器在获取钢包内衬的当前图像后，可以通过栅格化算法按照第一预设高度和第一预设角度将钢包内衬的当前图像进行切分，从而得到钢包内衬的当前图像的二维平面图像，其中，二维平面图像包括预设数量的栅格。例如，假设处理器将第一预设高度设置为200mm，将第一预设角度设置为10°，也就是说，处理器将钢包内衬的当前图像按照每隔200mm的高度和每隔10°的角度进行切分，从而将当前图像划分出预设数量的栅格，以此得到包含有预设数量的二维平面图像。

处理器在获得当前二维平面图像后，针对二维平面图像中的每个栅格，可以获取栅格中的包括的三位点云，并按照点云特征对栅格中的三位点云进行过滤，其中，点云特征可以包括点云连续性、点云梯度以及点云反射强度中的至少一种，处理器可以根据上述的点云特征对栅格中的三维点云进行过滤。对于过滤后的栅格中的三维点云，处理器可以获取每个三维点的点高度和点角度。并将过滤后的栅格中的三维点云中点高度符合处理器设置的第二预设高度且点角度符合预设点角度的三维点作为目标点。

在一个实施例中，确定历史三维点云模型中与每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对包括：通过栅格化算法按照第一预设高度和第一预设角度将历史图像进行切分，以得到历史二维平面图像；针对每个目标点，将历史二维平面图像中与目标点的点高度和点角度相同的点作为与目标点匹配的历史点。

处理器在确定了当前二维平面图像中每个栅格中的目标点后，处理器可以确定历史三维点云模型中与每个目标点匹配的历史点。处理器可以通过栅格化算法按照处理器设置的第一预设高度和第一预设角度对历史图像也进行切分，以得到历史二维平面图像，由于进行切分的高度和角度都是相同的，因此历史二维平面图像包含的栅格与当前二维平面图像包含的栅格数量相同且对应。处理器针对当前二维平面图像中每个栅格中的每个目标点都可以在历史二维平面图像中找到与目标点的点高度和点角度相同的点作为与目标点匹配的历史点。处理器可以先从历史二维平面图像中找到与目标点所在栅格对应的栅格，再根据点高度和点角度确定具体对应的历史点。处理器可以将目标点以及与目标点匹配的历史点生成一组目标匹配点对。

在一个实施例中，方法还包括：在将历史距离与目标距离之间的差值确定为钢包内衬在目标点处的侵蚀量后，获取每个栅格内包括的每个目标点的侵蚀量；针对每个栅格，通过插值计算法计算栅格内的每个目标点的侵蚀量以确定栅格内的侵蚀量。

针对每个目标点处理器在确定了与目标点匹配的历史点后，可以确定每一组目标匹配点对中目标点与钢包内衬的中轴线之间的目标距离和历史点与钢包内衬的中轴线之间的历史距离，并根据历史距离与目标距离之间差值确定该目标点处的侵蚀量。处理器可以获取当前二维平面图像中的每个栅格中的每个目标点的侵蚀量，针对每个栅格，处理器可以通过插值计算法计算栅格内的每个目标点的侵蚀量，从而可以确定整个钢包内衬的每个栅格内的侵蚀量。

在一个实施例中，提供了一种处理器被配置成执行上述中任意一项的检测钢包内衬侵蚀量的方法。

在一个实施例中，提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述任意一项的检测钢包内衬侵蚀量的方法。

在上述技术方案中，采集钢包内衬的当前图像和三维点云并建立钢包内衬的当前三维点云模型，将当前图像与历史图像进行配准，以得到配准矩阵，再通过调整配准矩阵将当前三维点云模型和历史三维点云模型进行配准，从而可以将当前三维点云模型转换至与历史三维点云模型一致的坐标系中。通过将三维点云模型的配准，可以更加精准的比较同一个三维点的历史数据和当前数据。处理器可以将钢包内衬的当前图像进行栅格化，并从当前图像中挑选目标点，并从已经配准后的历史图像中找到对应的历史点，通过分别确定两点与中轴线的距离，通过二者的差值可以精准的确定钢包内衬从历史图像所对应的时间到当前图像所对应的时间，这之间钢包内衬出现的侵蚀量为多少。通过建立钢包内衬的三维点云模型，将历史三维点云模型与当前三维点云模型进行配准并进行对比以快速准确的检测钢包内衬的侵蚀情况，不再需要人工通过产品来判断钢包的侵蚀。

在一个实施例中，提供了一种检测钢包内衬侵蚀量的装置，包括如上述的处理器。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现检测钢包内衬侵蚀量的方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

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服务器，其内部结构图可以如图2所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储图像采集设备采集的钢包内衬的图像和以及三维点云数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种检测钢包内衬侵蚀量的方法。

图1为一个实施例中检测钢包内衬侵蚀量的方法的流程示意图。应该理解的是，虽然图1的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，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子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，这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。

本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：采集钢包内衬的三维点云，以建立钢包内衬的当前三维点云模型；确定在历史三维点云模型的模型坐标系下，当前三维点云模型转换得到的目标三维点云模型，其中，目标三维点云模型包括多个目标点；确定历史三维点云模型中与每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对；针对任意一组目标匹配点对，确定历史点与钢包内衬的中轴线之间的历史距离以及目标点与钢包内衬的中轴线之间的目标距离；将历史距离与目标距离之间的差值确定为钢包内衬在目标点处的侵蚀量。

在一个实施例中，确定在历史三维点云模型的模型坐标系下，当前三维点云模型转换得到的目标三维点云模型包括：获取钢包内衬的当前图像；将当前图像与历史图像进行图像配准，以获得初始配准矩阵；确定当前图像中的多个当前特征点，并确定历史图像中与每个当前特征点匹配的历史特征点；针对任意一个当前特征点，将当前特征点和与当前特征点对应的历史特征点确定为一组特征点对；获取每组特征点对之间的误差距离；通过优化算法调整初始配准矩阵，以调节全部特征点对的误差距离总和；在误差距离总和小于预设阈值的情况下，将调整后的初始配准矩阵确定为目标配准矩阵；通过目标配准矩阵将当前三维点云模型转换至位于历史三维点云模型的模型坐标下的目标三维点云模型。

在一个实施例中，确定当前图像中的多个当前特征点，并确定历史图像中与每个当前特征点匹配的历史特征点包括：对当前图像进行特征提取，以确定当前图像中的多个当前特征点；对历史图像进行特征提取，以确定历史图像中的多个历史特征点；针对任意一个当前特征点，确定当前特征点与任意一个历史特征点之间的特征距离；将特征距离最近的历史特征点确定为与当前特征点匹配的历史特征点。

在一个实施例中，方法还包括：获取钢包内衬的当前图像；通过栅格化算法按照第一预设高度和第一预设角度将当前图像进行切分，以得到当前二维平面图像，其中，二维平面图像包括预设数量的栅格；针对每个栅格，获取栅格中包括的三维点云，并通过点云特征对栅格中的三维点云进行过滤，其中点云特征包括点云连续性、点云梯度以及点云反射强度中的至少一种；获取过滤后的栅格中的三维点云中每个点的点高度和点角度；将过滤后的栅格中的三维点云中点高度符合第二预设高度且点角度符合第二预设角度的点作为目标点。

在一个实施例中，确定历史三维点云模型中与每个目标点匹配的历史点，并将历史点以及与历史点匹配的目标点生成一组目标匹配点对包括：通过栅格化算法按照第一预设高度和第一预设角度将历史图像进行切分，以得到历史二维平面图像；针对每个目标点，将历史二维平面图像中与目标点的点高度和点角度相同的点作为与目标点匹配的历史点。

在一个实施例中，方法还包括：在将历史距离与目标距离之间的差值确定为钢包内衬在目标点处的侵蚀量后，获取每个栅格内包括的每个目标点的侵蚀量；针对每个栅格，通过插值计算法计算栅格内的每个目标点的侵蚀量以确定栅格内的侵蚀量。

在一个实施例中，采集钢包内衬的三维点云，以建立钢包内衬的当前三维点云模型包括：通过激光雷达采集钢包内衬的多帧三维点云；通过IMU算法对多帧三维点云进行转化，以将钢包内衬的全部三维点云转换至IMU坐标系；根据钢包内衬的三维点云位于IMU坐标系上的坐标建立钢包内衬的当前三维点云模型。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种检测钢包内衬侵蚀量的方法，其特征在于，所述方法包括：

采集所述钢包内衬的三维点云，以建立所述钢包内衬的当前三维点云模型；

确定在历史三维点云模型的模型坐标系下，所述当前三维点云模型转换得到的目标三维点云模型，其中，所述目标三维点云模型包括多个目标点；

确定所述历史三维点云模型中与每个目标点匹配的历史点，并将所述历史点以及与所述历史点匹配的目标点生成一组目标匹配点对；

针对任意一组目标匹配点对，确定所述历史点与所述钢包内衬的中轴线之间的历史距离以及所述目标点与所述钢包内衬的中轴线之间的目标距离；

将所述历史距离与所述目标距离之间的差值确定为所述钢包内衬在所述目标点处的侵蚀量。

2.根据权利要求1所述的检测钢包内衬侵蚀量的方法，其特征在于，所述确定在历史三维点云模型的模型坐标系下，所述当前三维点云模型转换得到的目标三维点云模型包括：

获取所述钢包内衬的当前图像；

将所述当前图像与历史图像进行图像配准，以获得初始配准矩阵；

确定所述当前图像中的多个当前特征点，并确定所述历史图像中与每个当前特征点匹配的历史特征点；

针对任意一个当前特征点，将所述当前特征点和与所述当前特征点对应的历史特征点确定为一组特征点对；

获取每组特征点对之间的误差距离；

通过优化算法调整所述初始配准矩阵，以调节全部特征点对的误差距离总和；

在所述误差距离总和小于预设阈值的情况下，将调整后的初始配准矩阵确定为目标配准矩阵；

通过所述目标配准矩阵将所述当前三维点云模型转换至位于所述历史三维点云模型的模型坐标下的目标三维点云模型。

3.根据权利要求2所述的检测钢包内衬侵蚀量的方法，其特征在于，所述确定所述当前图像中的多个当前特征点，并确定所述历史图像中与每个当前特征点匹配的历史特征点包括：

对所述当前图像进行特征提取，以确定所述当前图像中的多个当前特征点；

对所述历史图像进行特征提取，以确定所述历史图像中的多个历史特征点；

针对任意一个当前特征点，确定所述当前特征点与任意一个历史特征点之间的特征距离；

将所述特征距离最近的历史特征点确定为与所述当前特征点匹配的历史特征点。

4.根据权利要求1所述的检测钢包内衬侵蚀量的方法，其特征在于，所述方法还包括：

获取所述钢包内衬的当前图像；

通过栅格化算法按照第一预设高度和第一预设角度将所述当前图像进行切分，以得到当前二维平面图像，其中，二维平面图像包括预设数量的栅格；

针对每个栅格，获取所述栅格中包括的三维点云，并通过点云特征对所述栅格中的三维点云进行过滤，其中所述点云特征包括点云连续性、点云梯度以及点云反射强度中的至少一种；

获取过滤后的栅格中的三维点云中每个点的点高度和点角度；

将过滤后的栅格中的三维点云中点高度符合第二预设高度且点角度符合第二预设角度的点作为目标点。

5.根据权利要求4所述的检测钢包内衬侵蚀量的方法，其特征在于，确定所述历史三维点云模型中与每个目标点匹配的历史点包括：

通过所述栅格化算法按照所述第一预设高度和所述第一预设角度将所述历史图像进行切分，以得到历史二维平面图像；

针对每个目标点，将所述历史二维平面图像中与所述目标点的点高度和点角度相同的点作为与所述目标点匹配的历史点。

6.根据权利要求4所述的检测钢包内衬侵蚀量的方法，其特征在于，所述方法还包括：

在将所述历史距离与所述目标距离之间的差值确定为所述钢包内衬在所述目标点处的侵蚀量后，获取每个栅格内包括的每个目标点的侵蚀量；

针对每个栅格，通过插值计算法计算所述栅格内的每个目标点的侵蚀量以确定所述栅格内的侵蚀量。

7.根据权利要求1所述的检测钢包内衬侵蚀量的方法，其特征在于，所述采集所述钢包内衬的三维点云，以建立所述钢包内衬的当前三维点云模型包括：

通过激光雷达采集所述钢包内衬的多帧三维点云；

通过IMU算法对多帧三维点云进行转化，以将所述钢包内衬的全部三维点云转换至IMU坐标系；

根据所述钢包内衬的三维点云位于所述IMU坐标系上的坐标建立所述钢包内衬的当前三维点云模型。

8.一种处理器，其特征在于，所述处理器被配置成执行根据权利要求1至7中任意一项所述的检测钢包内衬侵蚀量的方法。

9.一种检测钢包内衬侵蚀量的装置，其特征在于，包括如权利要求8所述的处理器。

10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任意一项所述的检测钢包内衬侵蚀量的方法。

Images