CN116449393B - 一种针对大中型料堆多传感器测量方法和系统 - Google Patents
一种针对大中型料堆多传感器测量方法和系统 Download PDFInfo
- Publication number
- CN116449393B CN116449393B CN202310706924.2A CN202310706924A CN116449393B CN 116449393 B CN116449393 B CN 116449393B CN 202310706924 A CN202310706924 A CN 202310706924A CN 116449393 B CN116449393 B CN 116449393B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- cloud data
- posture
- target
- 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
- 238000000691 measurement method Methods 0.000 title claims description 9
- 239000000463 material Substances 0.000 claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 54
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 239000013077 target material Substances 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000036544 posture Effects 0.000 claims description 102
- 230000008569 process Effects 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 230000001131 transforming effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请提供一种针对大中型料堆多传感器测量方法和系统，通过图像采集装置、多线激光雷达和IMU多种传感器组成的测量仪对料堆数据进行测量，该方法包括获取料堆测量仪采集的料堆测量数据；基于每次转动的图像数据，确定图像采集装置位置姿态数据，以确定激光雷达位置姿态数据，进一步确定激光雷达采集的点云数据的位置姿态数据；对点云数据进行融合，从融合后的点云数据中分割出料堆表面的点云数据；并对料堆表面的点云数据进行测量，确定目标料堆的体积。本申请通过对料堆测量仪采集的点云数据和图像数据结合处理，以及自适应ICP算法，能够提高点云数据融合精度，进一步提高料堆体积测算的准确性。
Description
技术领域
本申请涉及料堆体积测量领域，具体而言，涉及一种针对大中型料堆多传感器测量方法和系统。
背景技术
室内的大中型料场中，料堆容易产生自身遮挡，料堆之间容易产生互相遮挡；通过悬吊式料堆测量仪采集的数据容易因遮挡产生空洞，导致料堆表面残缺，直接影响料堆体积测算的精度。
发明内容
本申请实施例的目的在于提供一种针对大中型料堆多传感器测量方法和系统，用以解决了现有技术存在的上述问题，可提高室内料堆体积测算的精度。
第一方面，提供了一种针对大中型料堆多传感器测量方法，该方法可以包括：
获取料堆测量仪采集的料堆测量数据，所述料堆测量数据为运动在预设回环型轨道上的料堆测量仪中转动预设次数的激光雷达和图像采集装置采集的；所述料堆测量数据包括所述预设回环型轨道上各站点的点云数据和相应图像数据；
基于每次转动对应的图像数据，确定图像采集装置位置姿态数据，根据图像采集装置位置姿态数据，确定激光雷达位置姿态数据，以确定激光雷达采集的点云数据的位置姿态数据；
对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；
对获取的所述全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定所述目标料堆的体积。
在一种可能的实现中，所述方法还包括：采用自适应ICP算法，对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；
所述自适应ICP算法，包括：自适应ICP算法输入值和自适应ICP算法目标函数；
对确定位置姿态数据对应的点云数据进行点云类型分割，得到异构数据；所述点云类型包括线段点云、平面点云和散列点云；
所述自适应ICP算法输入值为所述异构数据；
所述自适应ICP算法目标函数为：
其中，R为旋转矩阵，为平移向量；
为全部目标点云，/>为目标点云中三维空间点的数目；/>为目标点云中的线段点云集合；/>为目标点云中线段点云的数目；/>为目标点云中的平面点云集合；/>为目标点云中平面点云的数目；/>为目标点云中散列点云的集合；/>为目标点云中的任一线段点云；/>为目标点云中的任一平面点云；/>为目标点云中的任一点；/>为与/>对应的源点云中的线段点云；/>为与/>对应的源点云中的平面点云；/>为与/>对应的源点云中的点云；记/>，/>，/>，/>，/>，/>，/>；/>为源点云中的线段点云集合；/>为源点云中的平面点云集合；/>为源点云中的散列点云集合；
线段点云，/>为任一线段方向向量，/>为线段的起点；
平面点云，/>为任一平面点云/>的法向量，/>为平面点云的质心；
为构成目标点云中任一平面点云的方差；
为构成目标点云中任一线段点云对应的圆柱的半径；
为不同质量的线段点云对误差项的贡献；/>为不同质量的平面点云对误差项的贡献；
是先验参数，为散列点云构成误差项的权重；/>为线段点云构成误差项的权重，；/>为平面点云构成误差项的权重，/>。
在一种可能的实现中，所述方法还包括：
所述异构数据包括各站点异构数据和单一站点异构数据；
针对任一站点，确定位置姿态数据对应的点云数据进行点云类型分割，确定所述单一站点异构数据；
基于所述单一站点异构数据，采用所述自适应ICP算法，对所述站点的点云数据进行点云融合，得到所述站点对应的单一站点融合点云数据；
采用边界检测算法，确定各站点间的位置姿态关系，以确定各站点的所述单一站点融合点云数据的位置姿态数据；
确定位置姿态数据对应的单一站点融合点云数据进行点云类型分割，确定所述各站点异构数据；
基于所述各站点异构数据，采用自适应ICP算法，对所述各站点的单一站点融合点云数据进行点云融合，得到全部站点融合点云数据。
在一种可能的实现中，采用边界检测算法，确定各站点间的位置姿态关系，以确定所述单一站点融合点云数据的位置姿态数据，包括：
采用点云边界检测算法，对各站点的点云数据进行检测，得到边界点云数据；
基于所述边界点云数据，确定各站点间的位置姿态；
采用所述自适应ICP算法，对所述各站点的站点位置姿态进行测算，得到各站点间的初始位置姿态关系；
采用位姿图优化算法，对所述各站点间的初始位置姿态关系进行二次测算，得到各站点间的位置姿态关系。
在一种可能的实现中，对获取的所述全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定所述目标料堆的体积，包括：
对所述全部站点融合点云数据进行提取，获取到目标料堆的表面点云数据；
对目标料堆的表面点云数据对应的三维曲面进行三角剖分，得到每个曲面对应的三角形信息；所述三角形信息包括各顶点的位置；
基于每个曲面对应的三角形和相应三角形的目标顶点到地面对应的点云平面的投影，构建每个三角形对应的斜截三棱柱；目标顶点是三角形远离地面点云数据的顶点；
对各所述斜截三棱柱的体积进行求和，得到所述目标料堆的体积。
在一种可能的实现中，将平面点云数据的方差小于预设方差的平面点云数据作为所述异构数据中的平面点云数据。
在一种可能的实现中，将线段点云数据的拟合精度大于预设拟合精度的线段点云数据作为所述异构数据中的线段点云数据。
在一种可能的实现中，所述预设回环型轨道为8字型轨道，所述预设回环型轨道上各站点是沿着所述预设回环型轨道的走向，按照预设间隔设置的。
第二方面，提供了一种针对大中型料堆多传感器测量系统，所述系统包括：料堆测量仪、预设回环型轨道和服务器；
所述预设回环型轨道设置于堆放料堆的室内顶部，所述料堆测量仪安装在所述预设回环型轨道上，所述料堆测量仪和所述服务器通信连接；
所述料堆测量仪包括两个激光雷达和图像采集装置；
所述料堆测量仪，用于接收所述服务器下发的工作指令，在预设回环型轨道上运动；在运动过程中，基于接收所述服务器下发的转动指令，控制两个激光雷达和所述图像采集装置在预设回环型轨道中各站点上转动预设次数，针对每次转动，采集图像数据和点云数据；
将采集的所述图像数据和所述点云数据发送至所述服务器，以执行第一方面中任一所述的方法步骤。
在一种可能的实现中，所述料堆测量仪还包括旋转轴；
所述旋转轴为具有两个端面的柱形旋转轴，其侧面包括凸起位置和非凸起位置；
两个激光雷达中的第一激光雷达设置于所述旋转轴的一个端面上；两个激光雷达中的第二激光雷达设置于所述旋转轴的侧面的所述凸起位置上；所述图像采集装置设置于所述旋转轴侧面的非凸起位置上；
所述旋转轴，用于带动两个激光雷达和图像采集装置在所述旋转轴上旋转。
本申请提供一种针对大中型料堆多传感器测量方法和系统，通过图像采集装置、多线激光雷达和IMU多种传感器组成的测量仪对料堆数据进行测量，该方法包括获取料堆测量仪采集的料堆测量数据，料堆测量数据为运动在预设回环型轨道上的料堆测量仪中转动预设次数的激光雷达和图像采集装置采集的；料堆测量数据包括预设回环型轨道上各站点的点云数据和相应图像数据；基于每次转动对应的图像数据，确定图像采集装置位置姿态数据，根据图像采集装置位置姿态数据，确定激光雷达位置姿态数据，以确定激光雷达采集的点云数据的位置姿态数据；对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；对获取的全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定目标料堆的体积。本申请通过对料堆测量仪采集的点云数据和图像数据结合处理，以及自适应ICP算法，能够提高点云数据融合精度，进一步提高料堆体积测算的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种应用于大中型料堆多传感器测量方法的系统架构图；
图2为本申请实施例提供的预设回环型轨道的安装位置示意图；
图3为本申请实施例提供的预设回环型轨道的结构示意图；
图4为本申请实施例提供的料堆测量仪的结构示意图；
图5为本申请实施例提供的料堆测量仪的两个激光雷达的视场示意图；
图6为本申请实施例提供的一种针对大中型料堆多传感器测量方法的流程示意图；
图7为本申请实施例提供的回环型位姿图的示意图；
图8为本申请实施例提供的一种针对大中型料堆多传感器测量装置结构示意图；
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，并不是全部的实施例。基于本申请实施例，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，都属于本申请保护的范围。
为了方便理解，下面对本申请实施例中涉及的名词进行解释：
点云融合，是指使两幅点云通过两幅点云中的几何变换关系使得变换后的源点云和目标点云的重合度尽可能高，得到一副点云。
本申请实施例提供的一种针对大中型料堆多传感器测量方法可以应用在图1所示的系统架构中，如图1所示，该系统可以包括：服务器、料堆测量仪和预设回环型轨道。
料堆测量仪与服务器可以通过有线或无线的通信方式进行直接或间接的连接，本申请在此不做限定。该服务器可以是物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN），以及大数据和人工智能平台等基础云计算服务的云服务器。
预设回环型轨道可以如图2所示，其设置于堆放料堆的室内顶部；料堆测量仪安装在预设回环型轨道上。
预设回环型轨道可以为8字型轨道和H字形轨道等，本申请在此不做限定；预设回环型轨道上可以沿着该轨道的走向，按照预设间隔设置预设数量的站点，以用于对料堆进行料堆测量数据的采集，如图3所示在8字型轨道上设置station0至station6的7个站点。
需要说明是，本申请中的预设回环型轨道解决采集料堆测量数据过程中料堆自身遮挡和料堆之间互相遮挡的问题，使采集的料堆测量数据更加完整，更具有代表性。其具体分析过程如下：
由于，圆锥的体积公式为或/>，假设料堆为理想的圆锥，高5h，底面半径为5r，则顶部高为h的圆锥体积/>占整个料堆体积的0.8%。底部圆台体积/>，占整个料堆圆锥体积的48.8%。可见，料堆体积测算精度主要由底部曲面的精度影响，所以提高采集料堆底部点云的密度，对料堆体积测算更加的重要。
进一步的，料堆的坡面点云的密度由激光雷达距离料堆坡面的距离和激光雷达xoy平面与坡面夹角决定的，激光雷达与料堆坡面的距离越近，料堆坡面点云的密度越大，距离固定时，当激光雷达xoy平面与料堆坡面垂直时为最优角度。通过8字型轨道设计，并根据料堆的堆积角，选择最佳的料堆测量仪安装位置和角度，大大降低了料堆表面由于遮挡产生的空洞，同时使得料堆底部曲面的点云相对更加密集，进一步提升料堆体积测算的精度。
料堆测量仪，用于接收服务器下发的工作指令，在预设回环型轨道上运动；在运动过程中，基于接收服务器下发的采集指令，采集图像数据和点云数据。
进一步的，如图4所示的料堆测量仪可以包括第一激光雷达E、第二激光雷达F、图像采集装置和旋转轴；
旋转轴为具有两个端面的柱形旋转轴，其侧面包括凸起位置和非凸起位置；
两个激光雷达中的第一激光雷达E设置于旋转轴的一个端面；两个激光雷达中的第二激光雷达F设置于旋转轴的侧面的凸起位置上；图像采集装置设置于旋转轴侧面的非凸起位置上。
该方式中凸起位置的设定可以避免第一激光雷达E和第二激光雷F采集料堆测量数据过程中产生的相互遮挡。
旋转轴，用于带动第一激光雷达E、第二激光雷达F和图像采集装置在旋转轴上旋转。
图像采集装置，用于采集料堆的图像数据。
第一激光雷达E和第二激光雷达F分别用于采集堆放料堆的室内点云数据。
如图5所示，第一激光雷达E与第二激光雷达F垂直设置。其中，第二激光雷达F绕旋转轴转动过程中视场发生变换；由于第一激光雷达E的转轴与旋转轴重合，所以第二激光雷达F的转动是围绕着第一激光雷达E进行旋转的，第一激光雷达E的视场不发生变化。
两个互相垂直的激光雷达搭配一个照射室内图像的广角图像采集装置，提升点云配准的鲁棒性和精度。
在一些实施例中，料堆测量仪中还可以设置IMU传感器，IMU传感器与图像采集装置相连，用于检测图像采集装置的位置姿态。需要说明的是，位置姿态也可以表述为位姿。
料堆测量仪可以包括单站转动模式和单站固定无转动模式两种方式采集料堆测量数据。
若第二激光雷达的垂直视场角在每个站点都能覆盖料堆的坡面，则使用单站固定无转动模式采集料堆测量数据。
若第二激光雷达的垂直视场角在每个站点无法覆盖料堆的坡面，则使用单站转动模式采集料堆测量数据。
在执行本申请的料堆体积的测量方法之前，需要对料堆测量仪的两个激光雷达、图像采集装置和IMU传感器进行参数标定，以获取两个激光雷达、图像采集装置和IMU传感器的相对位置姿态关系，参数包括内参数和外参数。其中，由于IMU的内参数主要由零偏、尺度误差和封装误差造成，所以可以通过allan方差进行标定；IMU与图像采集装置的外参数可以通过kalibr等工具进行标定；IMU仅用来辅助图像采集装置进行位置姿态的估计，不进行IMU与两个激光雷达相对位置关系的标定；图像采集装置内参数的可以通过张正友标定法进行标定；两个激光雷达和图像采集装置外参数通过标定版的方法进行标定。
第一激光雷达坐标系、第二激光雷达坐标系、图像采集装置坐标系和IMU坐标系之间的变换关系如下：
为图像采集装置坐标系到IMU坐标系的变换；/>为图像采集坐标系装置到第二激光雷达的坐标系的变换；/>为第一激光雷达坐标系到第二激光雷达坐标系的变换；为IMU坐标系到世界坐标系的变换；将IMU坐标系作为料堆测量仪的坐标系。
为世界坐标系下任一点的坐标，该坐标的齐次形式可以表示为/>；为图像采集装置坐标系下任一点的坐标，该坐标的齐次形式可以表示为/>；/>为第二激光雷达坐标系下任一点的坐标，该坐标的齐次形式可以表示为/>；/>为第一激光雷达坐标系下任一点的坐标，该坐标的齐次形式可以表示为/>；/>为IMU坐标系下任一点的坐标，该坐标的齐次形式可以表示为/>。
针对两个激光雷达坐标系、图像采集装置坐标系的参数标定完成后，可得到公式（1）至（4）中的各个变换矩阵；其中，T表示两个坐标系之间的刚体转换关系，由旋转矩阵R和平移向量/>组成。/>的齐次形式/>。
第一激光雷达坐标系、第二激光雷达坐标系、图像采集装置坐标系分别与世界坐标系之间的转换关系如下：
其中，O为世界坐标系原点、B为IMU坐标系原点、C为图像采集装置坐标系的原点、F为第二激光雷达坐标系原点、E为第一激光雷达坐标系原点；为世界坐标系原点到IMU坐标系原点的向量；/>为世界坐标系原点到图像采集装置坐标系原点的向量；/>为世界坐标系原点到第一激光雷达坐标系原点的向量；/>为世界坐标系原点到第二激光雷达坐标系原点的向量。
为向量/>在世界坐标系下的坐标；/>为向量/>在IMU坐标系的坐标；/>为向量/>在IMU坐标系下的坐标；/>为向量/>在IMU坐标系的坐标。
为IMU坐标系到世界坐标系的旋转矩阵；/>为图像采集装置坐标系到IMU坐标系的旋转矩阵；/>为第二激光雷达坐标系到IMU坐标系的旋转矩阵；/>为第一激光雷达坐标系到IMU坐标系的旋转矩阵；λ为尺度因子。
现有技术中，使用ICP（Iterative Closest Point）算法，也就是最近点迭代算法对点云数据进行融合，但在点云数据融合过程中，融合效率低，准确性低，导致料堆体积测算精度低。本申请提供一种针对大中型料堆多传感器测量方法，以解决点云数据融合过程中，融合效率低，准确性低，导致料堆体积测算精度低的问题。
以下结合说明书附图对本申请的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本申请，并不用于限定本申请，并且在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
图6为本申请实施例提供的一种针对大中型料堆多传感器测量方法的流程示意图。如图6所示，该方法可以包括：
步骤S610、获取料堆测量仪采集的料堆测量数据。
料堆测量数据可以包括预设回环型轨道上各站点转动预设次数的点云数据和相应图像数据。
具体的，料堆测量仪根据服务器下发的工作指令，在预设回环型轨道上运动。
在运动过程中，基于接收服务器下发的转动指令，控制两个激光雷达和图像采集装置在预设回环型轨道中各站点上采用单站转动模式采集料堆测量数据。
图像采集装置和第二激光雷达在预设回环型轨道中各站点上转动预设次数，针对每次旋转对应的预设旋转角度，采集图像数据和点云数据。
例如，第二激光雷达在每个站点上通过旋转轴每次转动30°，转动4次以及复位后采集的5次的点云数据。
每次旋转对应的预设旋转角度，采集点云数据，能够构成一个位置姿态的视觉回环，基于位置姿态图的回环，对位置姿态节点进行非线性优化，消除多次运动过程中的累积误差，如图7所示的转动4次（X0到X1、X1到X2、X2到X3、X3到X4进行4次的旋转和平移变换）以及复位（X4到X0），在（X0、X1、X2、X3、X4）5个位置上采集的5次点云数据，其中T0、T1、T2、T3和T4分别表示第二激光雷达从X0到X1、X1到X2、X2到X3、X3到X4、X4到X0的各位置姿态之间相对变换矩阵。
基于视觉并结合激光雷达的回环检测，可以提高回环检测准确率和召回率。
步骤S620、基于每次转动对应的图像数据，确定图像采集装置位置姿态数据，根据图像采集装置位置姿态数据，确定激光雷达位置姿态数据，以确定激光雷达采集的点云数据的位置姿态数据。
具体的，采用直线检测算法，根据每次转动对应的图像数据，对图像数据中的直线进行检测，得到各图像数据中的直线数据。
采用随机一致性检验消隐点估计算法，根据图像数据中的直线数据，对消隐点进行检验，得到消隐点。
采用消隐点的姿态估计算法，根据消隐点数据，得到图像采集装置初始位置姿态数据。
根据IMU传感器检测到的图像采集装置的转动姿态数据和图像采集装置初始位置姿态数据，进一步确定图像采集装置位置姿态数据。
根据料堆测量仪的图像采集装置和激光雷达的参数标定以及图像采集装置位置姿态数据，确定激光雷达位置姿态数据。
根据激光雷达位置姿态数据，进一步的确定激光雷达采集的点云数据的位置姿态数据。
在一些实施例中，根据料堆测量仪的图像采集装置位置姿态数据，能够进一步的确定料堆测量仪位置姿态数据。
步骤S630、对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据。
为了更准确的得到全部站点融合点云数据，采用自适应ICP算法，对确定位置姿态数据对应的点云数据进行融合。
自适应ICP算法，包括：自适应ICP算法输入值和自适应ICP算法目标函数。
对确定位置姿态数据对应的点云数据进行点云类型分割，得到异构数据；点云类型包括线段点云、平面点云和散列点云。
自适应ICP算法输入值为异构数据。
具体的，首先，将异构数据对应的位置姿态数据作为自适应ICP算法的初始值进行迭代优化，得到两幅点云图像中的最近的线段点云数据或平面点云数据或散列点云数据。
其次，采用自适应ICP算法，对得到的两幅点云图像中的最近的线段点云数据或平面点云数据或散列点云数据，拟合出变换矩阵；根据变换矩阵对应的两幅点云图像的全部点云数据进行融合。
自适应ICP算法目标函数为：
其中，R为旋转矩阵，为平移向量；
为全部目标点云，/>为目标点云中三维空间点的数目；/>为目标点云中的线段点云集合；/>为目标点云中线段点云的数目；/>为目标点云中的平面点云集合；为目标点云中平面点云的数目；/>为目标点云中散列点云的集合；/>为目标点云中的任一线段点云；/>为目标点云中的任一平面点云；/>为目标点云中的任一点；/>为与/>对应的源点云中的线段点云；/>为与/>对应的源点云中的平面点云；/>为与/>对应的源点云中的点云；记/>，/>，/>，/>，/>，/>，/>；/>为源点云中的线段点云集合；/>为源点云中的平面点云集合；/>为源点云中的散列点云集合；
线段点云，/>为任一线段方向向量，/>为线段的起点。
平面点云，/>为任一平面点云/>的法向量，/>为平面点云的质心。
为构成目标点云中任一平面点云的方差，平面点云方差能够反映出平面点云拟合的质量。
为构成目标点云中任一线段点云对应圆柱的半径，即圆柱拟合直线，能够反映出线段的拟合精度。
为不同质量的线段点云对误差项的贡献；/>为不同质量的平面点云对误差项的贡献。
α是先验参数，为散列点云构成误差项的权重；β为线段点云构成误差项的权重，；/>为平面点云构成误差项的权重，/>。
在一些实施例中，为了提高位置姿态估计的精度，对确定位置姿态数据对应的点云数据进行点云类型分割，确定异构数据，具体包括采用随机一致性检方法，对采集的点云数据进行处理，将点云数据划分为线段点云、平面点云和散列点云。其中，根据平面的法向量和平面点云的质心确定平面点云；根据线段点云的方向向量和线段点云的质心确定线段点云。将获取的点云数据中的平面点云数据的方差与预设方差进行比对，选取点云数据中的平面点云数据的方差小于预设方差的平面点云作为异构数据中的平面点云数据；将获取的各线段点云的拟合精度与预设拟合精度进行比对，选取点云数据中线段点云数据的拟合精度大于预设拟合精度的线段点云作为异构数据中的线段点云。该方式中对于筛选出的线段点云和平面点云，能够减少位置姿态估计算法中的数据量，以减少计算量，从而提高计算效率。该方式中由于平面点云和线段点云具有良好的结构化姿态，在自适应ICP算法中的位置姿态估计应该得到更高的权重，料堆其他部分的点云数据在自适应ICP算法中的位置姿态估计应该减小权重，以能够提高位置姿态估计的精度。
对于步骤S630，具体的：异构数据包括各站点异构数据和单一站点异构数据。
针对任一站点，确定位置姿态数据对应的点云数据进行点云类型分割，确定单一站点异构数据。单一站点异构数据是对单一站点上采集的点云数据进行点云类型分割后构成的。
基于单一站点异构数据，采用自适应ICP算法，对站点的点云数据进行点云融合，得到站点对应的单一站点融合点云数据。
采用边界检测算法，确定各站点间的位置姿态关系，以确定各站点的单一站点融合点云数据的位置姿态数据。
确定位置姿态数据对应的单一站点融合点云数据进行点云类型分割，确定各站点异构数据。
基于各站点异构数据，采用自适应ICP算法，对各站点的单一站点融合点云数据进行点云融合，得到全部站点融合点云数据。
在一些实施例中，边界检测算法中包括了多种算法，可以为点云边界检测算法、MADGWICK算法、自适应ICP算法和位姿图优化算法中的一个或多个算法组合对各站点间的位置姿态关系进行确定。
具体可以包括：
采用点云边界检测算法，对各站点的点云数据进行检测，得到边界点云数据。
基于边界点云数据，确定各站点的站点位置姿态。
确定各站点的站点位置姿态之后，基于IMU数据，还可以采用MADGWICK算法，对各站点的站点位置姿态进行估算，得到预测站点位置姿态，将预测站点位置姿态与站点位置姿态进行对比，进一步确定各站点的站点位置姿态；该方式中MADGWICK算法能够消除矩形翻转过程中产生的歧义，也就是说，采用MADGWICK算法来消除边界检测算法估算出位置姿态的歧义。
采用自适应ICP算法，对各站点的站点位置姿态进行测算，得到各站点间的初始位置姿态关系。
采用位姿图优化算法，对各站点间的初始位置姿态关系进行二次测算，得到各站点间的位置姿态关系。
该方式中基于8字型轨道中的各站点对应的图像数据也构成了回环型位姿图，能够更好的消除在测算过程中的累积误差。
步骤S640、对获取的全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定目标料堆的体积。
具体的，对全部站点融合点云数据进行降噪处理，去除遮挡的点云数据，提取料堆点云数据，获取到目标料堆的表面点云数据。
将目标料堆的表面点云数据进行体素化处理，体素化可以理解为将物体的几何形式转换成最接近该物体的体素表示形式。
对目标料堆的表面点云数据对应的三维曲面进行三角剖分，得到每个曲面对应的三角形信息；三角形信息包括各顶点的位置，三角形三条边对应的点云位置。
基于每个曲面对应的三角形和相应三角形的目标顶点到地面对应的点云平面的投影，构建每个三角形对应的斜截三棱柱；其中，三角形有两个顶点与地面点云数据重合，另一个顶点远离地面，目标顶点是三角形远离地面点云数据的顶点；其中，三角形的目标顶点到地面对应的点云平面的投影可以理解为三角形的目标顶点垂直投射到地面对应的点云平面上对应的位置；可见，由三角形以及该三角形的目标顶点和该目标顶点到地面对应的点云平面的投影构成了该三角形对应的斜截三棱柱。
对各斜截三棱柱的体积进行求和，得到目标料堆的体积。
本申请提供针对大中型料堆多传感器测量方法和系统，通过图像采集装置、多线激光雷达和IMU多种传感器组成的测量仪对料堆数据进行测量，该方法包括获取料堆测量仪采集的料堆测量数据，料堆测量数据为运动在预设回环型轨道上的料堆测量仪中转动预设次数的激光雷达和图像采集装置采集的；料堆测量数据包括预设回环型轨道上各站点的点云数据和相应图像数据；基于每次转动对应的图像数据，确定图像采集装置位置姿态数据，根据图像采集装置位置姿态数据，确定激光雷达位置姿态数据，以确定激光雷达采集的点云数据的位置姿态数据；对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；对获取的全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定目标料堆的体积。本申请通过对料堆测量仪采集的点云数据和图像数据结合处理，以及自适应ICP算法，能够提高点云数据融合精度，进一步提高料堆体积测算的准确性。
与上述方法对应的，本申请实施例还提供一种针对大中型料堆多传感器测量装置结构示意图，如图8所示，该装置包括：
获取单元810，用于获取料堆测量仪采集的料堆测量数据，料堆测量数据为运动在预设回环型轨道上的料堆测量仪中转动预设次数的激光雷达和图像采集装置采集的；料堆测量数据包括预设回环型轨道上各站点的点云数据和相应图像数据；
确定单元820，用于每次转动对应的图像数据，确定图像采集装置位置姿态数据，根据图像采集装置位置姿态数据，确定激光雷达位置姿态数据，以确定激光雷达采集的点云数据的位置姿态数据；
融合单元830，用于对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；
测算单元840，用于对获取的全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定目标料堆的体积。
本申请上述实施例提供的一种针对大中型料堆多传感器测量装置的各功能单元的功能，可以通过上述各方法步骤来实现，因此，本申请实施例提供的一种针对大中型料堆多传感器测量装置中的各个单元的具体工作过程和有益效果，在此不复赘述。
本申请实施例还提供了一种电子设备，如图9所示，包括处理器910、通信接口920、存储器930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。
存储器930，用于存放计算机程序；
处理器910，用于执行存储器930上所存放的程序时，实现如下步骤：
获取料堆测量仪采集的料堆测量数据，料堆测量数据为运动在预设回环型轨道上的料堆测量仪中转动预设次数的激光雷达和图像采集装置采集的；料堆测量数据包括预设回环型轨道上各站点的点云数据和相应图像数据；
基于每次转动对应的图像数据，确定图像采集装置位置姿态数据，根据图像采集装置位置姿态数据，确定激光雷达位置姿态数据，以确定激光雷达采集的点云数据的位置姿态数据；
对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；
对获取的全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定目标料堆的体积。
上述提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于上述实施例中电子设备的各器件解决问题的实施方式以及有益效果可以参见图6所示的实施例中的各步骤来实现，因此，本申请实施例提供的电子设备的具体工作过程和有益效果，在此不复赘述。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的一种针对大中型料堆多传感器测量方法。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的一种针对大中型料堆多传感器测量方法。
本领域内的技术人员应明白，本申请实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本申请实施例中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，本申请实施例中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。
本申请实施例中是参照根据本申请实施例中实施例的方法、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。
尽管已描述了本申请实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例中范围的所有变更和修改。
显然，本领域的技术人员可以对本申请实施例中实施例进行各种改动和变型而不脱离本申请实施例中实施例的精神和范围。这样，倘若本申请实施例中实施例的这些修改和变型属于本申请实施例中权利要求及其等同技术的范围之内，则本申请实施例中也意图包含这些改动和变型在内。
Claims (10)
1.一种针对大中型料堆多传感器测量方法，其特征在于，所述方法包括：
获取料堆测量仪采集的料堆测量数据，所述料堆测量数据为运动在预设回环型轨道上的料堆测量仪中转动预设次数的激光雷达和图像采集装置采集的；所述料堆测量数据包括所述预设回环型轨道上各站点的点云数据和相应图像数据；
基于每次转动对应的图像数据，确定图像采集装置位置姿态数据，根据图像采集装置位置姿态数据，确定激光雷达位置姿态数据，以确定激光雷达采集的点云数据的位置姿态数据；
对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；
对获取的所述全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定所述目标料堆的体积；
其中，所述方法还包括：
对确定位置姿态数据对应的点云数据进行点云类型分割，得到异构数据；所述点云类型包括线段点云、平面点云和散列点云；
对所述异构数据中的线段点云、平面点云和散列点云进行融合，得到所述全部站点融合点云数据。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：采用自适应ICP算法，对确定位置姿态数据对应的点云数据进行融合，得到全部站点融合点云数据；
所述自适应ICP算法，包括：自适应ICP算法输入值和自适应ICP算法目标函数；
所述自适应ICP算法输入值为所述异构数据；
所述自适应ICP算法目标函数为：
其中，R为旋转矩阵，为平移向量；
为全部目标点云，/>为目标点云中三维空间点的数目；/>为目标点云中的线段点云集合；/>为目标点云中线段点云的数目；/>为目标点云中的平面点云集合；/>为目标点云中平面点云的数目；/>为目标点云中散列点云的集合；/>为目标点云中的任一线段点云；/>为目标点云中的任一平面点云；/>为目标点云中的任一点；/>为与/>对应的源点云中的线段点云；/>为与/>对应的源点云中的平面点云；/>为与/>对应的源点云中的点云；记/>，/>，/>，/>，/>，/>，/>；/>为源点云中的线段点云集合；/>为源点云中的平面点云集合；/>为源点云中的散列点云集合；
线段点云，/>为任一线段方向向量，/>为线段的起点；
平面点云，/>为任一平面点云/>的法向量，/>为平面点云的质心；
为构成目标点云中任一平面点云的方差；
为构成目标点云中任一线段点云对应的圆柱的半径；
为不同质量的线段点云对误差项的贡献；/>为不同质量的平面点云对误差项的贡献；
α是先验参数，为散列点云构成误差项的权重；β为线段点云构成误差项的权重，；/>为平面点云构成误差项的权重，/>。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
所述异构数据包括各站点异构数据和单一站点异构数据；
针对任一站点，确定位置姿态数据对应的点云数据进行点云类型分割，确定所述单一站点异构数据；
基于所述单一站点异构数据，采用所述自适应ICP算法，对所述站点的点云数据进行点云融合，得到所述站点对应的单一站点融合点云数据；
采用边界检测算法，确定各站点间的站点位置姿态关系，以确定各站点的所述单一站点融合点云数据的位置姿态数据；
确定位置姿态数据对应的单一站点融合点云数据进行点云类型分割，确定所述各站点异构数据；
基于所述各站点异构数据，采用自适应ICP算法，对所述各站点的单一站点融合点云数据进行点云融合，得到全部站点融合点云数据。
4.如权利要求3所述的方法，其特征在于，采用边界检测算法，确定各站点间的位置姿态关系，以确定所述单一站点融合点云数据的位置姿态数据，包括：
采用点云边界检测算法，对各站点的点云数据进行检测，得到边界点云数据；
基于所述边界点云数据，确定各站点间的站点位置姿态；
采用所述自适应ICP算法，对所述各站点的站点位置姿态进行测算，得到各站点间的初始位置姿态关系；
采用位姿图优化算法，对所述各站点间的初始位置姿态关系进行二次测算，得到各站点间的位置姿态关系。
5.如权利要求1所述的方法，其特征在于，对获取的所述全部站点融合点云数据中目标料堆的表面点云数据进行测量，确定所述目标料堆的体积，包括：
对所述全部站点融合点云数据进行提取，获取到目标料堆的表面点云数据；
对目标料堆的表面点云数据对应的三维曲面进行三角剖分，得到每个曲面对应的三角形信息；所述三角形信息包括各顶点的位置；
基于每个曲面对应的三角形和相应三角形的目标顶点到地面对应的点云平面的投影，构建每个三角形对应的斜截三棱柱；目标顶点是三角形远离地面点云数据的顶点；
对各所述斜截三棱柱的体积进行求和，得到所述目标料堆的体积。
6.如权利要求2所述的方法，其特征在于，将平面点云数据的方差小于预设方差的平面点云数据作为所述异构数据中的平面点云数据。
7.如权利要求2所述的方法，其特征在于，将线段点云数据的拟合精度大于预设拟合精度的线段点云数据作为所述异构数据中的线段点云数据。
8.如权利要求1所述的方法，其特征在于，所述预设回环型轨道为8字型轨道，所述预设回环型轨道上各站点是沿着所述预设回环型轨道的走向，按照预设间隔设置的。
9.一种针对大中型料堆多传感器测量系统，其特征在于，所述系统包括：料堆测量仪、预设回环型轨道和服务器；
所述预设回环型轨道设置于堆放料堆的室内顶部，所述料堆测量仪安装在所述预设回环型轨道上，所述料堆测量仪和所述服务器通信连接；
所述料堆测量仪包括两个激光雷达和图像采集装置；
所述料堆测量仪，用于接收所述服务器下发的工作指令，在预设回环型轨道上运动；在运动过程中，基于接收所述服务器下发的转动指令，控制两个激光雷达和所述图像采集装置在预设回环型轨道中各站点上转动预设次数，针对每次转动，采集图像数据和点云数据；
将采集的所述图像数据和所述点云数据发送至所述服务器，以执行权利要求1-8任一项所述方法的步骤。
10.如权利要求9所述的系统，其特征在于，所述料堆测量仪还包括旋转轴；
所述旋转轴为具有两个端面的柱形旋转轴，其侧面包括凸起位置和非凸起位置；
两个激光雷达中的第一激光雷达设置于所述旋转轴的一个端面上；两个激光雷达中的第二激光雷达设置于所述旋转轴的侧面的所述凸起位置上；所述图像采集装置设置于所述旋转轴侧面的非凸起位置上；
所述旋转轴，用于带动两个激光雷达和图像采集装置在所述旋转轴上旋转。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706924.2A CN116449393B (zh) | 2023-06-15 | 2023-06-15 | 一种针对大中型料堆多传感器测量方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310706924.2A CN116449393B (zh) | 2023-06-15 | 2023-06-15 | 一种针对大中型料堆多传感器测量方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116449393A CN116449393A (zh) | 2023-07-18 |
| CN116449393B true CN116449393B (zh) | 2023-09-22 |
Family
ID=87135954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310706924.2A Active CN116449393B (zh) | 2023-06-15 | 2023-06-15 | 一种针对大中型料堆多传感器测量方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449393B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110118973A (zh) * | 2019-05-27 | 2019-08-13 | 杭州亚美利嘉科技有限公司 | 仓库智能感知识别方法、装置及电子设备 |
| CN110929669A (zh) * | 2019-11-29 | 2020-03-27 | 北京百度网讯科技有限公司 | 数据标注方法及装置 |
| CN111340797A (zh) * | 2020-03-10 | 2020-06-26 | 山东大学 | 一种激光雷达与双目相机数据融合检测方法及系统 |
| CN111627072A (zh) * | 2020-04-30 | 2020-09-04 | 贝壳技术有限公司 | 一种对多传感器进行标定的方法、装置和存储介质 |
| CN113281777A (zh) * | 2021-04-07 | 2021-08-20 | 深圳市异方科技有限公司 | 一种货物体积动态测量方法及其测量装置 |
| CN114419130A (zh) * | 2021-12-22 | 2022-04-29 | 中国水利水电第七工程局有限公司 | 一种基于图像特征和三维点云技术的散料体积测量方法 |
| CN114862921A (zh) * | 2022-04-13 | 2022-08-05 | 成都飞机工业（集团）有限责任公司 | 一种基于自适应阈值icp算法的点云配准方法 |
| CN115018902A (zh) * | 2022-06-10 | 2022-09-06 | 北京瓦特曼智能科技有限公司 | 用于确定媒堆库存的方法及处理器 |
| CN115063461A (zh) * | 2022-06-28 | 2022-09-16 | 杭州海康威视数字技术股份有限公司 | 一种误差消除方法、装置及电子设备 |
| CN115063458A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 一种基于三维激光点云的料堆体积计算方法 |
| CN115482354A (zh) * | 2022-09-19 | 2022-12-16 | 国晟航科(苏州)智能科技有限公司 | 全自动大型料堆测量方法 |
| CN115790604A (zh) * | 2022-12-09 | 2023-03-14 | 安徽海螺中南智能机器人有限责任公司 | 基于多传感器融合机器人拆垛方法及系统 |
| CN115908539A (zh) * | 2022-11-15 | 2023-04-04 | 南京航空航天大学 | 一种目标体积自动测量方法和装置、存储介质 |
| CN116125489A (zh) * | 2022-12-30 | 2023-05-16 | 安徽集萃智造机器人科技有限公司 | 一种室内物体三维检测方法、计算机设备及存储介质 |
-
2023
- 2023-06-15 CN CN202310706924.2A patent/CN116449393B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110118973A (zh) * | 2019-05-27 | 2019-08-13 | 杭州亚美利嘉科技有限公司 | 仓库智能感知识别方法、装置及电子设备 |
| CN110929669A (zh) * | 2019-11-29 | 2020-03-27 | 北京百度网讯科技有限公司 | 数据标注方法及装置 |
| CN111340797A (zh) * | 2020-03-10 | 2020-06-26 | 山东大学 | 一种激光雷达与双目相机数据融合检测方法及系统 |
| CN111627072A (zh) * | 2020-04-30 | 2020-09-04 | 贝壳技术有限公司 | 一种对多传感器进行标定的方法、装置和存储介质 |
| CN113281777A (zh) * | 2021-04-07 | 2021-08-20 | 深圳市异方科技有限公司 | 一种货物体积动态测量方法及其测量装置 |
| CN114419130A (zh) * | 2021-12-22 | 2022-04-29 | 中国水利水电第七工程局有限公司 | 一种基于图像特征和三维点云技术的散料体积测量方法 |
| CN114862921A (zh) * | 2022-04-13 | 2022-08-05 | 成都飞机工业（集团）有限责任公司 | 一种基于自适应阈值icp算法的点云配准方法 |
| CN115018902A (zh) * | 2022-06-10 | 2022-09-06 | 北京瓦特曼智能科技有限公司 | 用于确定媒堆库存的方法及处理器 |
| CN115063461A (zh) * | 2022-06-28 | 2022-09-16 | 杭州海康威视数字技术股份有限公司 | 一种误差消除方法、装置及电子设备 |
| CN115063458A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 一种基于三维激光点云的料堆体积计算方法 |
| CN115482354A (zh) * | 2022-09-19 | 2022-12-16 | 国晟航科(苏州)智能科技有限公司 | 全自动大型料堆测量方法 |
| CN115908539A (zh) * | 2022-11-15 | 2023-04-04 | 南京航空航天大学 | 一种目标体积自动测量方法和装置、存储介质 |
| CN115790604A (zh) * | 2022-12-09 | 2023-03-14 | 安徽海螺中南智能机器人有限责任公司 | 基于多传感器融合机器人拆垛方法及系统 |
| CN116125489A (zh) * | 2022-12-30 | 2023-05-16 | 安徽集萃智造机器人科技有限公司 | 一种室内物体三维检测方法、计算机设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| REGISTRATION OF FIXED-AND-MOBILE- BASED TERRESTRIAL LASER DATA SETS WITH DSM;Taha Ridene and Franc¸ois Goulette;IEEE;全文 * |
| 尤宝 ; 梁晓辉 ; .泵体水力模具逆向工程技术研究.制造业自动化.2018,(第09期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116449393A (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109961468B (zh) | 基于双目视觉的体积测量方法、装置及存储介质 | |
| EP2416113B1 (en) | Position and orientation measurement apparatus and position and orientation measurement method | |
| JP5759161B2 (ja) | 物体認識装置、物体認識方法、学習装置、学習方法、プログラム、および情報処理システム | |
| CN111627072B (zh) | 一种对多传感器进行标定的方法、装置和存储介质 | |
| CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
| KR101926953B1 (ko) | 4카메라 그룹 평면 어레이의 특징점의 매칭 방법 및 그에 기초한 측정 방법 | |
| CN112270719B (zh) | 相机标定方法、装置及系统 | |
| CN113256729B (zh) | 激光雷达与相机的外参标定方法、装置、设备及存储介质 | |
| WO2020132924A1 (zh) | 机器人传感器的外参标定方法、装置、机器人及存储介质 | |
| CN104715469A (zh) | 一种数据处理方法及电子设备 | |
| WO2022222291A1 (zh) | 光轴检测系统的光轴标定方法、装置、终端、系统和介质 | |
| CN111179351B (zh) | 一种参数标定方法及其装置、处理设备 | |
| CN111915675A (zh) | 基于粒子漂移的粒子滤波点云定位方法及其装置和系统 | |
| CN110825079A (zh) | 一种地图构建方法及装置 | |
| CN115511878A (zh) | 一种边坡地表位移监测方法、装置、介质及设备 | |
| US20220148153A1 (en) | System and method for extracting and measuring shapes of objects having curved surfaces with a vision system | |
| WO2017131547A1 (en) | A method and apparatus for single camera optical measurements | |
| CN116449393B (zh) | 一种针对大中型料堆多传感器测量方法和系统 | |
| CN110322518B (zh) | 立体匹配算法的评价方法、评价系统及测试设备 | |
| CN111735443B (zh) | 一种基于赋值矩阵的密集目标航迹关联方法 | |
| JP5544942B2 (ja) | 物体情報検出システム、情報検出方法、及びプログラム | |
| CN112734712B (zh) | 一种船舶振动设备健康状态的成像检测方法及系统 | |
| Ni et al. | Research on target 3D reconstruction and measurement technology based on binocular vision and lidar | |
| CN114814798A (zh) | 一种外参标定方法及系统 | |
| CN113702928A (zh) | 一种路口雷达标定方法和设备 |
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 |