CN116403208B - 基于激光雷达点云的滚轮罐耳运行状态检测方法及装置 - Google Patents
基于激光雷达点云的滚轮罐耳运行状态检测方法及装置 Download PDFInfo
- Publication number
- CN116403208B CN116403208B CN202310663977.0A CN202310663977A CN116403208B CN 116403208 B CN116403208 B CN 116403208B CN 202310663977 A CN202310663977 A CN 202310663977A CN 116403208 B CN116403208 B CN 116403208B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- cloud data
- roller cage
- laser radar
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005299 abrasion Methods 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 15
- 210000005069 ears Anatomy 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000003245 coal Substances 0.000 description 3
- 229920002635 polyurethane Polymers 0.000 description 3
- 239000004814 polyurethane Substances 0.000 description 3
- 229920003225 polyurethane elastomer Polymers 0.000 description 3
- 230000035784 germination Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Abstract
本发明属于滚轮罐耳检测技术领域,公开了一种基于激光雷达点云的滚轮罐耳运行状态检测方法及装置,通过将激光雷达扫描技术引入立井提升系统滚轮罐耳的动态监测中,克服了传统机器视觉检测鲁棒性差、可靠性低的缺点,在现场复杂环境的影响下,每组激光雷达能够同时对两个滚轮罐耳进行检测,提高了工作效率。通过本发明方法能够对采集到的激光雷达点云数据,依次进行基于密度的点云粗滤波、点云边缘提取、基于剔除共线点云的精滤波、基于提取分界点算法的点云聚类与分割以及圆拟合,最后计算滚轮罐耳的磨损量,并判断滚轮罐耳的运行状态。本发明可高效、精确、无损的获取滚轮罐耳的二维信息,保证立井提升系统安全运行。
Description
技术领域
本发明涉及滚轮罐耳检测技术领域,特别涉及一种基于激光雷达点云的滚轮罐耳运行状态检测方法及装置。
背景技术
在煤炭开采过程中,煤矿立井提升系统主要承担着煤炭、设备和人员等运输任务,起着连接矿井与地面的作用。滚轮罐耳是立井提升系统中提升容器的导向装置,在系统中起到导向、缓冲、稳定的作用。在箕斗提升过程中,滚轮罐耳的聚氨酯胶轮受挤压产生变形加剧胶轮与罐道间的摩擦,滚轮罐耳与罐道的摩擦会导致罐耳不断磨损和发热,聚氨酯轮可能会在运行过程中损毁。在提升过程中罐耳可能会产生位移,罐耳与罐道之间的空隙距离变小,会导致罐耳与罐道之间产生硬摩擦和撞击,成为提升系统事故发生的重大隐患。滚轮罐耳出现严重故障会引起滚轮卡死,导致容器被卡井筒中,发生卡罐事故。如果此时提升机没有紧急制动,会引发坠罐事故。因此,如何能够实时监测罐耳的运行状态,对异常情况采取紧急停车或其他控制方式,杜绝提升系统事故的发生成为了一个亟待解决的问题。
目前,罐耳的检测有两种方式,一是传统的人工巡检法,其智能化程度不高,不能及时在故障与异常的萌发阶段实现监测且预测性不强,并且受井筒内特殊的工作环境、检测水平、检修时间等诸多因素的影响,无法保证及时发现潜在问题。二是采用计算机视觉方法,其具有视场大,易于安装等特点,但是由于图像质量易受光照和环境影响,因而系统鲁棒性较差,可靠性较低,可见,采用人工巡检和机器视觉检测罐耳的效率较低,且所需的成本较高。
发明内容
本发明的目的在于提出一种基于激光雷达点云的滚轮罐耳运行状态检测方法,通过对采集到的滚轮罐耳的激光雷达点云数据进行处理,可高效、精确、无损的获取滚轮罐耳的二维信息,从而为立井提升系统安全运行提供可靠的数据支撑。
本发明为了实现上述目的,采用如下技术方案:
基于激光雷达点云的滚轮罐耳运行状态检测方法,包括如下步骤:
步骤1. 对获取的激光雷达点云数据进行粗滤波处理;
基于密度算法的粗滤波方式对激光雷达采点云数据进行处理,剔除掉不符合条件的点,经过粗滤波处理后得到同时包含两个滚轮罐耳的点云以及罐道点云数据;
步骤2. 对粗滤波处理后的罐耳点云数据进行边缘提取;
对粗滤波处理后的点云数据进行基于alpha shapes算法的边缘提取,经过边缘提取处理后得到两个滚轮罐耳边缘的点云数据以及一个罐道边缘的点云数据;
步骤3. 对边缘提取后的点云数据进行精滤波处理;
对边缘提取后的点云数据进行基于剔除共线点云的精滤波,将罐道边缘的点云滤除掉,只保留滚轮罐耳边缘的点云,得到包含两个圆形滚轮罐耳边缘的点云数据;
步骤4. 对精滤波处理后的点云数据进行聚类分割;
对精滤波处理后的两个滚轮罐耳边缘的点云数据提出一种基于提取分界点的点云聚类分割算法,将扫描得到两个罐耳边缘的点云数据分割为两个独立的滚轮罐耳点云数据;
步骤5. 对聚类分割后的点云数据进行圆拟合;
对经过聚类分割后的点云数据进行基于RANSAC算法的圆拟合,进而得到对应滚轮罐耳点云数据的拟合圆,同时得到所述拟合圆的圆心坐标以及半径;
步骤6. 计算滚轮罐耳的磨损量,判断滚轮罐耳的运行状态;
计算滚轮罐耳初始的实际直径与拟合圆直径之间的差值,该差值即滚轮罐耳的磨损量,将该滚轮罐耳的磨损量与预设磨损量阈值进行比较,判断滚轮罐耳的运行状态。
此外,本发明还提出了一种基于激光雷达点云的滚轮罐耳运行状态检测装置,该装置通过将激光雷达引入滚轮罐耳的状态检测中,使用激光雷达扫描滚轮罐耳,能够快速、准确地获取多个滚轮罐耳的激光点云数据,同时配合上面述及的基于激光雷达点云的滚轮罐耳运行状态检测方法,对滚轮罐耳进行实时动态监测,从而保障立井提升系统的安全运行。
本发明为了实现上述目的,采用如下技术方案:
基于激光雷达点云的滚轮罐耳运行状态检测装置,包括激光雷达单元以及计算机设备;所述激光雷达单元有三组,且在立井中沿同一高度布设;
定义三组激光雷达单元分别为第一、第二、第三激光雷达单元;
其中,第一激光雷达单元与第二激光雷达单元沿第一方向对称安装在立井的一组相对侧壁上;第三激光雷达单元沿第二方向安装在立井的一个侧壁上;
第一方向与第二方向为相互垂直的两个方向;
定义位于提升容器上部/下部的两组滚轮罐耳分别为第一组滚轮罐耳以及第二组滚轮罐耳;其中,每组滚轮罐耳中滚轮罐耳的数量为三个;
第一激光雷达单元的扫描范围同时覆盖第一组滚轮罐耳中位置靠外的两个滚轮罐耳,第二激光雷达单元的扫描范围同时覆盖第二组滚轮罐耳中位置靠外的两个滚轮罐耳;
第三激光雷达单元的扫描范围同时覆盖第一组、第二组滚轮罐耳中靠内侧的滚轮罐耳;
所述计算机设备包括存储器和一个或多个处理器;
在存储器中存储有可执行代码,当处理器执行可执行代码时,用于实现上面所述的基于激光雷达点云的滚轮罐耳运行状态检测方法的步骤。
本发明具有如下优点:
如上所述,本发明述及了一种基于激光雷达点云的滚轮罐耳运行状态检测方法及装置。该装置通过将激光雷达扫描技术引入到立井提升系统中滚轮罐耳的动态监测中,智能化程度高,能够及时在故障的萌发阶段发现潜在的问题。本发明克服了传统机器视觉检测鲁棒性差、可靠性低的缺点,在现场复杂环境的影响下,每组激光雷达能够同时对多个滚轮罐耳进行检测,提高了工作效率。另外,通过本发明所提方法,能够对采集到的激光雷达点云数据,依次进行基于密度的点云粗滤波、基于alpha shapes算法的点云边缘提取、基于剔除共线点云精滤波、基于提取分界点算法的点云聚类与分割以及基于RANSAC算法的圆的拟合,最后计算滚轮罐耳的磨损量,通过与所设阈值比较判断滚轮罐耳的运行状态。本发明可高效、精确、无损的获取滚轮罐耳的二维信息,为立井提升系统安全运行提供可靠的数据支撑。
附图说明
图1为本发明实施例1中基于激光雷达点云的滚轮罐耳运行状态检测方法的流程示意图。
图2为本发明实施例1中滚轮罐耳点云的粗滤波流程图。
图3本发明实施例1中滚轮罐耳点云的边缘提取流程图。
图4为本发明实施例1中滚轮罐耳点云的精滤波流程图。
图5为本发明实施例1中滚轮罐耳点云的聚类分割流程图。
图6为本发明实施例1中滚轮罐耳点云的圆拟合流程图。
图7为本发明实施例1中滚轮罐耳点云的圆拟合结果示意图。
图8为本发明实施例2中基于激光雷达点云的滚轮罐耳运行状态检测装置的安装示意图。
图9为本发明实施例2中激光雷达单元的布置示意图。
图10为本发明实施例2中基于激光雷达点云的滚轮罐耳运行状态检测装置的流程框图。
图11为滚轮罐耳的示意图。
图12为Alpha shapes轮廓点判断示意图。
其中,1-第一激光雷达单元,2-第二激光雷达单元,3-第三激光雷达单元,4-第一组滚轮罐耳,41-滚轮罐耳a,42-滚轮罐耳b,43-滚轮罐耳c,5-第二组滚轮罐耳,51-滚轮罐耳d、52-滚轮罐耳e,53-滚轮罐耳f,6-罐道,7-激光雷达,8-激光雷达控制器,9-计算机设备,10-聚氨酯胶轮,11-滚轮,12-弹簧,13-支架,14-底座。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
实施例1
本实施例1述及了一种基于激光雷达点云的滚轮罐耳运行状态检测方法,该方法通过对采集到的滚轮罐耳的激光雷达点云数据进行处理,可高效、精确、无损的获取滚轮罐耳的二维信息,从而为立井提升系统安全运行提供可靠的数据支撑。
该基于激光雷达点云的滚轮罐耳运行状态检测方法的大致思路如下:
本发明在对激光雷达扫描到的滚轮罐耳数据进行滤波时,首先提出了一种采用基于密度的粗滤波方式,将一些孤立点与局部异常点等密度较小的点云数据滤除,其次为了更精确地提取出罐耳的点云数据,本发明对粗滤波后的点云数据进行基于alpha shapes算法的点云边缘提取,目的是为了提取出罐耳的边缘数据,再采用基于剔除共线点云精滤波算法将罐道边缘点云滤除,只保留罐耳边缘点云,再次采用基于提取分界点算法的点云聚类与分割算法将两个罐耳的点云数据分割,最后对提取出的罐耳边缘点云数据进行基于RANSAC算法的圆拟合,计算磨损量,进而判断罐耳的运行状态。
如图1所示,基于激光雷达点云的滚轮罐耳运行状态检测方法,包括如下步骤:
步骤1. 对获取的激光雷达点云数据进行粗滤波处理。
由于现场工作环境复杂,采用激光雷达对一组滚轮罐耳进行扫描时会扫描到罐道、罐耳的底座、灰尘以及其它一些物体等,所以需要对激光雷达扫描到的点云数据进行去噪处理。
使用激光雷达进行扫描时,不同物体上的点云疏密程度因目标的大小、位置不同而不同。
基于密度算法的粗滤波方式对激光雷达采点云数据进行处理,剔除掉不符合条件的点,经过粗滤波处理后得到同时包含两个滚轮罐耳的点云以及罐道点云数据。
如图2所示,该步骤1具体为:
首先对激光雷达点云数据中孤立点与局部异常点基于密度算法的滤波方式滤除掉;
分别以激光雷达点云数据中每个点为圆心,以R为半径,划定每个点的搜索区域,计算每个搜索区域内点的个数,若当前搜索区域内点的个数大于所设置阈值M,则保留当前点,否则滤除;
例如,以图2中第F个点为例,判断以第F点为圆心R为半径的搜索区域内点数是否大于所设置阈值M,若是则保留第F个点,否则将第F个点滤除。
经过点云粗滤波处理后的点云数据中包含两个滚轮罐耳的点云以及罐道的点云数据。
步骤2. 对粗滤波处理后的罐耳点云数据进行边缘提取。
对粗滤波处理后的点云数据进行基于alpha shapes算法的边缘提取,经过边缘提取处理后得到两个滚轮罐耳边缘的点云数据以及一个罐道边缘的点云数据。
本发明通过对步骤2完成的点云数据进行边缘提取,将两个罐耳的边缘点云与罐道的边缘点云进行提取,为下一步提取罐耳点云数据的精滤波做准备。
如图3所示,该步骤2具体为:
对于任意形状的平面点云,若一个半径为a的滚动圆,绕点云进行滚动,若滚动圆半径a足够小时,则点云中每一点均为边界点;若适当增大到一定程度,其只在边界点上进行滚动,其滚动的轨迹为点云边界。
步骤2.1. 对于点云数据中任一待判断点T,其坐标为(x,y),设定滚动圆的半径a,基于KD-Tree算法搜索距离点T小于2a的所有点,并将这些点记作点集N。
步骤2.2. 任选点集N中一点P,点P坐标为(xp,yp)。计算以半径a、交点为点T与点P的两个圆的圆心O1(xo1,yo1)以及圆心O2(xo2,yo2),其示意图如图12所示。
(1)
式中,,/>。
步骤2.3. 在点集N中计算除P点之外的其他点到两个圆心O1、O2的距离,若该点到圆心O1(xo1,yo1)或圆心O2(xo2,yo2)的距离均大于a,则记点T为边界点。
步骤2.4. 若点集N中计算除P点之外的其他点到圆心O1(xo1,yo1)或圆心O2(xo2,yo2)的距离若存在小于a的点,则遍历点集N中其它点作为点P,重新计算圆心O1、O2坐标。
重复步骤2.2与步骤2.3,若存在一点满足步骤2.3的条件,则表明T点为边界点,终止该点的判断,判断下一点;若N中不存在满足步骤2.3条件的点,则表明T为非边界点。
经过该步骤处理后得到两个滚轮罐耳边缘的点云数据以及一个罐道边缘的点云数据。
步骤3. 对边缘提取后的点云数据进行精滤波处理。
对边缘提取后的点云数据进行基于剔除共线点云的精滤波,将罐道边缘的点云滤除掉,只保留滚轮罐耳边缘的点云,得到包含两个圆形滚轮罐耳边缘的点云数据。
具体的,采用剔除共线点云的算法对点云数据进行共线性检测,对所有的点云数据进行分类,将分类类别为共线的点云滤除掉,使得点云数据中只剩下滚轮罐耳边缘圆形的点云数据。如图4所示,该步骤3具体为:
在实际中滚轮罐耳形状如图11所示,图11中标记10表示聚氨酯胶轮,标记11表示滚轮,标记12表示弹簧,标记13表示支架,标记14表示底座。
经过边缘提取后罐耳的点云呈现圆形,而罐道的点云边缘呈现矩形。
依据于此,在进行进一步滤波时采用共线点云检测的算法,检测出罐道边缘的4条共线点云并将其滤除掉,使得点云数据中只剩下罐耳边缘圆形的点云数据。过程如下:
任取边缘提取后的点云数据中两点A:(xA,yA)和B:(xB,yB),过点A、B做直线L;将点云数据中满足到直线L的距离小于设定阈值ε的计入集合Q中;
若集合Q中点云数量大于数量阈值δ个,则称这些点为共线点;
遍历点云数据中所有点,将所有的共线点的标签记为1,非共线点的标签记作0;将标签为1的点全部去除,从而滤除罐道边缘点云,只保留罐耳边缘的圆形点云数据。
步骤4. 对精滤波处理后的点云数据进行聚类分割。
对精滤波处理后的两个滚轮罐耳边缘的点云数据提出一种基于提取分界点的点云聚类分割算法,将扫描得到两个罐耳边缘的点云数据分割为两个独立的滚轮罐耳点云数据。
如图5所示,该步骤4具体为:
由于一个激光雷达同时扫描两个滚轮罐耳,故在对点云进行拟合之前先对两个罐耳的点云数据先进行聚类与分割处理,即将步骤3得到的两个罐耳点云分割。具体步骤如下:
对精滤波后的两个罐耳点云数据采用基于提取分界点聚类分割算法,搜索点云数据的横坐标的最大值xmax与最小值xmin的两点C:(xmax,yc)与D:(xmin,yd)。
根据两点C和D的横坐标做直线w,在点云数据中找到距离直线w最近的点。
以该最近的点为分界点,分界点的左侧为一个罐耳的点云数据,分界点的右侧为另一个罐耳的点云数据,依据于此完成点云数据的聚类与分割。
取C:(xmax,yc)与D:(xmin,yd)的横坐标构造直线方程为:
w=( xmin+ xmax)/2 (2)
遍历点云数据中每个点到直线w的距离di:
di=|xi-w| (3)
式中,xi表示点云中所有点的横坐标,i=1,2,3……;
提取满足点到直线w距离值di最小的点(xm,ym),以该点作为分界点进行聚类分割:
(4)
将类别1与类别2进行分割,得到两个罐耳点云数据。
步骤5. 对聚类分割后的点云数据进行圆拟合。
经过步骤4处理后的若干个点云数据均是提取到的罐耳边缘的圆形点云数据,由于滚轮罐耳在运行中聚氨酯轮会受到挤压摩擦,直观上看罐耳的直径在聚氨酯轮不断磨损下也不断的变小。依据于此,对这些数据分别进行基于RANSAC算法的圆的拟合,能更精确地得到运行中滚轮罐耳的圆心坐标与半径,通过计算的直径与初始直径的差值计算罐耳的磨损状态。
如图6所示,该步骤5具体为:
步骤5.1. 基于步骤4提取出的点云数据拟合圆,因为3点就能确定一个圆形的平面,故随机取点云中的3点(x1,y1), (x2,y2), (x3,y3)进行圆方程的拟合。
圆的方程为:(x- x0)2+(y- y0)2=r2 (5)
步骤5.2. 代入随机取得的3点(x1,y1), (x2,y2), (x3,y3),得到下述公式(6):
(6)
解出拟合圆的参数x0、y0、r;
;
其中,(x0,y0)为拟合圆的圆心,r为拟合圆的半径;将参数x0、y0、r代入到公式(5)中即能够唯一确定一个圆。
步骤5.3. 根据求出的圆的模型进行数据点的评估;
根据上述步骤所确定的圆模型,计算点云数据中其他点到圆周的距离。设定阈值μ,若点到圆周的距离小于μ则记作内点,否则记作外点。
遍历点云数据中任意三点,通过多次的迭代,找到内点个数最多的拟合圆模型,确定圆的最终参数x0、y0以及r,进而输出最优的拟合圆。
步骤6. 计算滚轮罐耳的磨损量,判断滚轮罐耳的运行状态;
计算滚轮罐耳初始的实际直径与拟合圆直径之间的差值,该差值即滚轮罐耳的磨损量,将该滚轮罐耳的磨损量与预设磨损量阈值进行比较,判断滚轮罐耳的运行状态。
该步骤6具体为:
基于RANSAC算法拟合圆得到罐耳的直径,计算罐耳实际直径与拟合圆直径的差值,该差值即为罐耳的磨损量,磨损量的计算公式如下:L=H-d (7)
式中,H为罐耳初始实际的直径,d为激光雷达测量罐耳的直径,d=2r,L为磨损量。
根据所设阈值σ1和δ1判断罐耳磨损情况:
(8)
式中,|L|为磨损量的绝对值,σ1为第一预设磨损量阈值,δ1为第二预设磨损量阈值。
本发明实施例通过所提滚轮罐耳运行状态检测步骤,便于根据罐耳磨损情况输出其运行状态,并对其异常运行状态进行报警,从而确保立井提升系统安全可靠运行。
实施例2
如图8所示,本实施例2述及了一种基于激光雷达点云的滚轮罐耳运行状态检测装置,该装置包括激光雷达单元以及计算机设备。
如图9所示,激光雷达单元有三组,且在立井中沿同一高度布设。定义三组激光雷达单元分别为第一激光雷达单元1、第二激光雷达单元2、第三激光雷达单元3。
激光雷达单元的安装遵循以下三个原则:
1. 将激光雷达装在靠近井口的位置,保证该位置箕斗运行速度较慢,保证采用3个激光雷达采集到所有的滚轮罐耳;
2. 保证激光雷达正对着滚轮罐耳,能够使激光雷达采集到更好的点云数据;
3. 保证激光雷达与激光雷达控制器牢固地安装在附近的墙上,使其与滚轮罐耳的安装距离在2米左右,设置激光雷达的扫描角度,使一个激光雷达能够一次同时采集到两个罐耳的点云数据。
基于以上安装原则,第一激光雷达单元1与第二激光雷达单元2沿第一方向对称安装在立井的一组相对侧壁上;第三激光雷达单元沿第二方向安装在立井的一个侧壁上。
第一方向与第二方向为相互垂直的两个方向。在图9中,该第一方向例如为左右方向,即在立井的左侧壁和右侧壁上分别设置第一激光雷达单元1、第二激光雷达单元2。
该第二方向则为前后方向,即在立井的前侧壁或后侧壁上设置第三激光雷达单元3。
当然,以上仅仅为示例性的,其目的是为了更好的说明本发明,当然,该方向与实际中的方向可能相同,也可能不相同,不作为对本发明的限制。
提升容器的上部以及下部均设置两组滚轮罐耳。
定义位于提升容器上部/下部的两组滚轮罐耳分别为第一组滚轮罐耳4(如图9中示出的位于左侧的滚轮罐耳)以及第二组滚轮罐耳5(如图9中示出的位于右侧的滚轮罐耳)。
其中,每组滚轮罐耳中滚轮罐耳的数量为三个。
如图9示出了每组滚轮罐耳与各自对应的罐道6的安装示意。由图9不难看出,同一组滚轮罐耳中,有两个滚轮罐耳外置靠外侧,有一个滚轮罐耳位置靠内侧。
第一激光雷达单元1的扫描范围同时覆盖第一组滚轮罐耳4中位置靠外的两个滚轮罐耳,例如图9中示出的滚轮罐耳a 41和滚轮罐耳b 42。
第二激光雷达单元2的扫描范围同时覆盖第二组滚轮罐耳中位置靠外的两个滚轮罐耳,例如图9中示出的滚轮罐耳d 51和滚轮罐耳e 52。
第三激光雷达单元3的扫描范围同时覆盖第一组、第二组滚轮罐耳中靠内侧的滚轮罐耳,例如图9中示出的滚轮罐耳c 43和滚轮罐耳f 53。
由上述内容以及图9不难看出,每组激光雷达单元能够同时采集两个滚轮罐耳的点云数据,因而大大提高了工作效率,节约了成本。
每组激光雷达单元均包括一个激光雷达7以及一个激光雷达控制器8。其中,激光雷达控制器8用于控制激光雷达7,并实现与计算机设备之间的通信。
激光雷达控制器8例如可以通过线缆与计算机设备相连,当然也可以通过无线方式。
计算机设备9,用来接收激光雷达控制器8上传的原始点云数据,并对原始点云数据解析,然后完成点云数据的预处理,最后根据滚轮罐耳的磨损量判断滚轮罐耳的运行状态。
计算机设备包括存储器和一个或多个处理器。
在存储器中存储有可执行代码,当处理器执行可执行代码时,用于实现上述实施例1中所述的基于激光雷达点云的滚轮罐耳运行状态检测方法的步骤。
如图10所示,基于激光雷达点云的滚轮罐耳运行状态检测装置的工作过程如下:
步骤1. 首先,三组激光雷达单元分别采集对应滚轮罐耳的原始点云数据,并将采集到的原始点云数据传输给计算机设备。
步骤2. 计算机设备在接收到原始点云数据后,通过基于激光雷达点云的滚轮罐耳运行状态检测方法,对原始点云数据进行处理,得到罐耳的磨损量。
并根据该罐耳的磨损量判断滚轮罐耳的运行状态,确保立井提升系统安全运行。
当然,以上说明仅仅为本发明的较佳实施例,本发明并不限于列举上述实施例,应当说明的是,任何熟悉本领域的技术人员在本说明书的教导下,所做出的所有等同替代、明显变形形式,均落在本说明书的实质范围之内,理应受到本发明的保护。
Claims (8)
1.基于激光雷达点云的滚轮罐耳运行状态检测方法,其特征在于,
包括如下步骤:
步骤1. 对获取的激光雷达点云数据进行粗滤波处理;
基于密度算法的粗滤波方式对激光雷达采集的点云数据进行处理,剔除掉不符合条件的点,经过粗滤波处理后得到同时包含两个滚轮罐耳的点云以及罐道点云数据;
首先对激光雷达点云数据中孤立点与局部异常点基于密度算法的滤波方式滤除掉;
分别以激光雷达点云数据中每个点为圆心,以R为半径,划定每个点的搜索区域,计算每个搜索区域内点的个数;若当前搜索区域内点的个数大于所设置阈值M,则保留当前点,否则滤除当前点;
经过点云粗滤波处理后的点云数据中包含两个滚轮罐耳的点云以及罐道的点云数据;
步骤2. 对粗滤波处理后的罐耳点云数据进行边缘提取;
对粗滤波处理后的点云数据进行基于alpha shapes算法的边缘提取,经过边缘提取处理后得到两个滚轮罐耳边缘的点云数据以及一个罐道边缘的点云数据;
步骤3. 对边缘提取后的点云数据进行精滤波处理;
对边缘提取后的点云数据进行基于剔除共线点云的精滤波,将罐道边缘的点云滤除掉,只保留滚轮罐耳边缘的点云,经过处理得到包含两个圆形滚轮罐耳边缘的点云数据;
步骤4. 对精滤波处理后的点云数据进行聚类分割;
基于提取分界点的点云聚类分割算法,对精滤波处理后的两个滚轮罐耳边缘的点云数据进行处理,将扫描得到两个罐耳边缘的点云数据分割为两个独立的滚轮罐耳点云数据;
步骤5. 对聚类分割后的点云数据进行圆拟合;
对经过聚类分割后的点云数据进行基于RANSAC算法的圆拟合,进而得到对应滚轮罐耳点云数据的拟合圆,同时得到所述拟合圆的圆心坐标以及半径;
步骤6. 计算滚轮罐耳的磨损量,判断滚轮罐耳的运行状态;
计算滚轮罐耳初始的实际直径与拟合圆直径之间的差值,该差值即滚轮罐耳的磨损量,将该滚轮罐耳的磨损量与预设磨损量阈值进行比较,判断滚轮罐耳的运行状态。
2.根据权利要求1所述的基于激光雷达点云的滚轮罐耳运行状态检测方法,其特征在于,
所述步骤2具体为:
对于任意形状的平面点云,定义一个半径为a的滚动圆,绕点云进行滚动;
步骤2.1. 对于点云数据中任一待判断点T,其坐标为(x,y),设定滚动圆的半径a,基于KD-Tree算法搜索距离点T小于2a的所有点,并将这些点记作点集N;
步骤2.2. 任选点集N中一点P,点P坐标为(xp,yp);
计算以半径a、交点为点T与点P的两个圆的圆心O1(xo1,yo1)以及圆心O2(xo2,yo2),其圆心O1(xo1,yo1)以及圆心O2(xo2,yo2)计算公式为:
(1)
式中:
;
;
步骤2.3. 在点集N中计算除P点之外的其他点到两个圆 心O1、O2的距离,若该点到圆心O1(xo1,yo1)或圆心O2(xo2,yo2)的距离均大于a,则记点T为边界点;
步骤2.4. 若点集N中计算除P点之外的其他点到圆心O1(xo1,yo1)或圆心O2(xo2,yo2)的距离存在有小于a的点,则遍历点集N中其它点作为点P,重新计算圆心O1与O2的坐标;
重复步骤2.2与步骤2.3,若存在一点满足步骤2.3的条件,则表明点T为边界点,终止该点的判断,判断下一点;若N中不存在满足步骤2.3条件的点,则表明点T为非边界点;
经过该步骤处理后得到两个滚轮罐耳边缘的点云数据以及一个罐道边缘的点云数据。
3.根据权利要求1所述的基于激光雷达点云的滚轮罐耳运行状态检测方法,其特征在于,
所述步骤3具体为:
采用剔除共线点云的算法对点云数据进行共线性检测,对所有的点云数据进行分类,将分类类别为共线的点云滤除掉,使得点云数据中只剩下滚轮罐耳边缘圆形的点云数据。
4.根据权利要求3所述的基于激光雷达点云的滚轮罐耳运行状态检测方法,其特征在于,
所述步骤3的具体过程如下:
任取边缘提取后的点云数据中两点A:(xA,yA)和B:(xB,yB),过点A、B做直线L;将点云数据中满足到直线L的距离小于设定阈值ε的计入集合Q中;
若集合Q中点云的数量大于数量阈值δ个,则将集合Q中的点定义为共线点;
遍历点云数据中所有点,将所有的共线点的标签记为1,非共线点的标签记作0;将标签为1的点全部去除,从而滤除罐道边缘点云,只保留罐耳边缘的圆形点云数据。
5.根据权利要求1所述的基于激光雷达点云的滚轮罐耳运行状态检测方法,其特征在于,
所述步骤4具体为:
由于一个激光雷达同时扫描两个滚轮罐耳,故在对点云进行拟合之前先对两个罐耳的点云数据先进行聚类与分割处理,即将步骤3得到的两个罐耳点云分割,具体步骤如下:
对精滤波后的两个罐耳点云数据采用基于提取分界点聚类分割算法,搜索点云数据的横坐标的最大值xmax与最小值xmin的两点C:(xmax,yc)与D:(xmin,yd);
根据点C和点D的横坐标做直线w,在点云数据中找到距离直线w最近的点;
取点C:(xmax,yc)与D:(xmin,yd)的横坐标构造直线方程为:
w=( xmin+ xmax)/2 (2)
遍历点云数据中每个点到直线w的距离di:
di=|xi-w| (3)
式中,xi表示点云中所有点的横坐标,i=1,2,3……;
提取满足点到直线w距离值di最小的点(xm,ym),以该点作为分界点进行聚类分割:
(4)
将类别1与类别2进行分割,将分别得到两个罐耳点云数据。
6.根据权利要求1所述的基于激光雷达点云的滚轮罐耳运行状态检测方法,其特征在于,
所述步骤5具体为:
步骤5.1. 基于步骤4提取出的点云数据拟合圆,因为3点就能确定一个圆形的平面,故随机取点云中的3点(x1,y1), (x2,y2), (x3,y3)进行圆方程的拟合;
圆的方程为:(x- x0)2+(y- y0)2=r2 (5)
步骤5.2. 代入随机取得的3点(x1,y1), (x2,y2), (x3,y3),得到下述公式(6):
(6)
解出拟合圆的参数x0、y0、r;
;
其中,(x0,y0)为拟合圆的圆心,r为拟合圆的半径;将参数x0、y0、r代入到公式(5)中即能够唯一确定一个圆;
步骤5.3. 根据求出的圆的模型进行数据点的评估;
根据上述步骤所确定的圆模型,计算点云数据中其他点到圆周的距离;设定阈值μ,若点到圆周的距离小于μ则记作内点,否则记作外点;
遍历点云数据中任意三点,通过多次的迭代,找到内点个数最多的拟合圆模型,将该拟合圆模型确定圆的最终参数x0、y0以及r,输出最优的拟合圆。
7.根据权利要求6所述的基于激光雷达点云的滚轮罐耳运行状态检测方法,其特征在于,
所述步骤6具体为:
基于RANSAC算法拟合圆得到罐耳的直径,计算罐耳实际直径与拟合圆直径的差值,该差值即为罐耳的磨损量,磨损量的计算公式如下:L=H-d (7)
式中,H为罐耳初始实际的直径,d为激光雷达测量罐耳的直径,d=2r,L为磨损量;
根据所设阈值σ1和δ1判断罐耳磨损情况:
(8)
式中,|L|为磨损量的绝对值,σ1为第一预设磨损量阈值,δ1为第二预设磨损量阈值。
8.基于激光雷达点云的滚轮罐耳运行状态检测装置,包括激光雷达单元以及计算机设备;其特征在于,所述激光雷达单元有三组,且在立井中沿同一高度布设;
定义三组激光雷达单元分别为第一、第二、第三激光雷达单元;
第一激光雷达单元与第二激光雷达单元沿第一方向对称安装在立井的一组相对侧壁上;第三激光雷达单元沿第二方向安装在立井的一个侧壁上;
其中,第一方向与第二方向为相互垂直的两个方向;
提升容器的上部以及下部分别设置两组滚轮罐耳,定义提升容器上部/下部的两组滚轮罐耳分别为第一组滚轮罐耳、以及第二组滚轮罐耳;
每组滚轮罐耳中滚轮罐耳的数量为三个;
第一激光雷达单元的扫描范围同时覆盖第一组滚轮罐耳中位置靠外的两个滚轮罐耳,第二激光雷达单元的扫描范围同时覆盖第二组滚轮罐耳中位置靠外的两个滚轮罐耳;
第三激光雷达单元的扫描范围同时覆盖第一组、第二组滚轮罐耳中靠内侧的滚轮罐耳;
所述计算机设备包括存储器和一个或多个处理器;
在存储器中存储有可执行代码,当处理器执行可执行代码时,用于实现上述权利要求1至7任一项所述的基于激光雷达点云的滚轮罐耳运行状态检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663977.0A CN116403208B (zh) | 2023-06-07 | 2023-06-07 | 基于激光雷达点云的滚轮罐耳运行状态检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663977.0A CN116403208B (zh) | 2023-06-07 | 2023-06-07 | 基于激光雷达点云的滚轮罐耳运行状态检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116403208A CN116403208A (zh) | 2023-07-07 |
CN116403208B true CN116403208B (zh) | 2023-08-22 |
Family
ID=87018341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310663977.0A Active CN116403208B (zh) | 2023-06-07 | 2023-06-07 | 基于激光雷达点云的滚轮罐耳运行状态检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116403208B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110030951A (zh) * | 2019-05-14 | 2019-07-19 | 武汉大学 | 一种基于三维激光扫描技术的引水竖井缺陷检测方法 |
CN112734662A (zh) * | 2020-12-30 | 2021-04-30 | 北京航空航天大学 | 一种针对锥齿轮磨损的机器视觉检测方法及系统 |
CN113655498A (zh) * | 2021-08-10 | 2021-11-16 | 合肥工业大学 | 一种基于激光雷达的赛道中锥桶信息的提取方法及系统 |
CN114387288A (zh) * | 2022-01-17 | 2022-04-22 | 滁州学院 | 基于车载激光雷达点云数据的单立木三维信息提取方法 |
CN114663433A (zh) * | 2022-05-25 | 2022-06-24 | 山东科技大学 | 滚轮罐耳运行状态检测方法、装置、计算机设备及介质 |
CN115096202A (zh) * | 2022-08-26 | 2022-09-23 | 苏州华智诚精工科技有限公司 | 一种圆柱面待测体形变缺陷的检测方法 |
CN115235375A (zh) * | 2022-07-18 | 2022-10-25 | 南京邮电大学 | 盖板类工件的多圆特征参数测量方法、检测方法和装置 |
CN115393343A (zh) * | 2022-09-20 | 2022-11-25 | 煤炭科学研究总院有限公司 | 基于视频分析的矿井罐耳故障检测方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101667290B (zh) * | 2008-09-05 | 2012-12-19 | 鸿富锦精密工业(深圳)有限公司 | 特征元素拟合方法及其计算机系统 |
EP3457357B1 (en) * | 2017-09-13 | 2021-07-07 | Tata Consultancy Services Limited | Methods and systems for surface fitting based change detection in 3d point-cloud |
SE542477C2 (en) * | 2018-05-31 | 2020-05-19 | Metso Sweden Ab | System and method for analyzing a surface that is subject to wear |
CN109489580B (zh) * | 2018-12-10 | 2021-09-24 | 华东理工大学 | 一种航空发动机叶片表面加工的在机点云检测及补偿方法 |
CN109764812B (zh) * | 2019-03-11 | 2020-07-28 | 舟山市质量技术监督检测研究院 | 一种基于激光点云分析的油罐测量方法及系统 |
US11138719B2 (en) * | 2019-12-19 | 2021-10-05 | The Boeing Company | Three-dimensional inspection of a workpiece for conformance to a specification |
-
2023
- 2023-06-07 CN CN202310663977.0A patent/CN116403208B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110030951A (zh) * | 2019-05-14 | 2019-07-19 | 武汉大学 | 一种基于三维激光扫描技术的引水竖井缺陷检测方法 |
CN112734662A (zh) * | 2020-12-30 | 2021-04-30 | 北京航空航天大学 | 一种针对锥齿轮磨损的机器视觉检测方法及系统 |
CN113655498A (zh) * | 2021-08-10 | 2021-11-16 | 合肥工业大学 | 一种基于激光雷达的赛道中锥桶信息的提取方法及系统 |
CN114387288A (zh) * | 2022-01-17 | 2022-04-22 | 滁州学院 | 基于车载激光雷达点云数据的单立木三维信息提取方法 |
CN114663433A (zh) * | 2022-05-25 | 2022-06-24 | 山东科技大学 | 滚轮罐耳运行状态检测方法、装置、计算机设备及介质 |
CN115235375A (zh) * | 2022-07-18 | 2022-10-25 | 南京邮电大学 | 盖板类工件的多圆特征参数测量方法、检测方法和装置 |
CN115096202A (zh) * | 2022-08-26 | 2022-09-23 | 苏州华智诚精工科技有限公司 | 一种圆柱面待测体形变缺陷的检测方法 |
CN115393343A (zh) * | 2022-09-20 | 2022-11-25 | 煤炭科学研究总院有限公司 | 基于视频分析的矿井罐耳故障检测方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于二维激光扫描技术的罐道结构参数检测系统研究;吴丰;中国优秀硕士学位论文全文数据库 基础科学辑;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116403208A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108230344B (zh) | 一种隧道渗漏水病害自动识别方法 | |
CN106052575B (zh) | 基于列车高速运行中的受电弓碳滑板磨耗在线检测方法 | |
CN116703907B (zh) | 一种基于机器视觉的汽车铸件表面缺陷检测方法 | |
CN107967681B (zh) | 一种基于机器视觉的电梯补偿链冲伤缺陷检测方法 | |
CN107368786B (zh) | 一种基于机器视觉的乘客越过扶手带检测方法 | |
CN102706291B (zh) | 一种道路曲率半径自动测量方法 | |
CN112099494B (zh) | 一种面向全地形车及其自动检测楼梯与攀爬方法 | |
US9953411B2 (en) | Method for processing a digital image of the surface of a tyre in order to detect an anomaly | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN112197715B (zh) | 一种基于图像识别的电梯制动轮与闸瓦间隙检测方法 | |
CN114820612B (zh) | 基于机器视觉的轧辊表面缺陷检测方法及系统 | |
CN114049316A (zh) | 一种基于金属光泽区域的钢丝绳缺陷检测方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
EP4221997A1 (en) | System of tread depth estimation and method thereof | |
CN112241574A (zh) | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 | |
CN116403208B (zh) | 基于激光雷达点云的滚轮罐耳运行状态检测方法及装置 | |
CN116030289A (zh) | 基于激光雷达的铁路危情监测方法 | |
CN111127381B (zh) | 一种受电弓滑板不平行检测方法 | |
CN107341455A (zh) | 一种对夜间机场跑道路面上外来物的区域多特征的检测方法及检测装置 | |
CN114663433B (zh) | 滚轮罐耳运行状态检测方法、装置、计算机设备及介质 | |
CN111062912A (zh) | 一种轮胎断面关键目标的特征提取与检测定位方法 | |
Cooke | A fast automatic ellipse detector | |
CN115291240A (zh) | 矿区场景内卸载点后方挡墙感知识别的检测方法及系统 | |
CN112907574B (zh) | 一种飞行器的降落点寻找方法、装置、系统及存储介质 | |
CN113074655B (zh) | 一种动态图像车轮不圆度监测方法 |
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 |