CN116843831B - 一种农产品仓储保鲜库孪生数据管理方法及系统 - Google Patents
一种农产品仓储保鲜库孪生数据管理方法及系统 Download PDFInfo
- Publication number
- CN116843831B CN116843831B CN202310737394.8A CN202310737394A CN116843831B CN 116843831 B CN116843831 B CN 116843831B CN 202310737394 A CN202310737394 A CN 202310737394A CN 116843831 B CN116843831 B CN 116843831B
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- twin
- scene
- warehouse
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013523 data management Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 10
- 238000007726 management method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 16
- 238000010276 construction Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 7
- 238000012800 visualization Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000005057 refrigeration Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Graphics (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种农产品仓储保鲜库孪生数据管理方法及系统,涉及智慧农业管理技术领域。所述方法包括:获取目标农产品仓储保鲜库的多源传感器信息;所述多源传感器信息包括物理场景和环境信息;所述物理场景包括影像数据和点云数据;所述环境信息包括空气成分、温度和湿度;对所述多源传感器信息进行特征处理和信息融合,得到孪生数据;利用所述孪生数据构建孪生立体库场景;所述孪生立体库场景用于对所述目标农产品仓储保鲜库进行可视化监测和展示。本发明能够提高农产品的保鲜贮藏效果和质量。
Description
技术领域
本发明涉及智慧农业管理技术领域,特别是涉及一种农产品仓储保鲜库孪生数据管理方法及系统。
背景技术
近年来,随着物联网技术和信息化的高速发展,仓库管理系统研究方向不断向数字化、信息化、智能化发展。班贺等人针对基于RFID技术的仓储管理系统进行了总体研究与设计,并且与仓储自动化设备控制系统集成,实现仓储作业调度控制的自动化。自动化立体仓库和现代分拣系统的广泛应用,让先进的仓库物流技术使得更多的企业进入到自动化物流系统领域。仓库运作过程正在改变,应用现代仓库技术如射频识别技术、语音拣选技术、光拣选技术以及自动存储和检索系统,配合自动化设备如堆垛机、水平/垂直转盘以及自动导向车辆,减少了大量人工参与操作。但与此同时,自动化设备增加了更多的数据处理量。仓库管理者现在需要更多地处理信息,而不是货物的实际移动。
仓储保鲜作为农产品物流中至关重要的一环,近年来其信息化建设、数字化转型工作初步成型。但是,根据现场考察及调研,在仓库系统建设方面仍存在加工信息不透明、生产信息碎片化、信息交互严重滞后、人工效率不升反降等问题,当前数字化转型工作与农产品高质量发展目标存在较大差距,主要表现在:1)无支撑智能应用系统:开发的软件设计落后,导致各软件系统独立运行,形成信息孤岛,数据反复人工录入,工作量大幅增长;2)基础数据散乱:数字技术和仓库管理创新严重分离,未形成双轮驱动;3)缺乏智能技术:仓储环境和批次保存环境不稳定、不确定,需要对数据进行智能化读取、预测和智能决策分析。
因此,现有冷库的智能化程度不高,且监控的数据利用率有限,难以保障农产品的保鲜贮藏效果和质量。
发明内容
本发明的目的是提供一种农产品仓储保鲜库孪生数据管理方法及系统,能够提高农产品的保鲜贮藏效果和质量。
为实现上述目的,本发明提供了如下方案:
一种农产品仓储保鲜库孪生数据管理方法,包括:
获取目标农产品仓储保鲜库的多源传感器信息;所述多源传感器信息包括物理场景和环境信息;所述物理场景包括影像数据和点云数据;所述环境信息包括空气成分、温度和湿度;
对所述多源传感器信息进行特征处理和信息融合,得到孪生数据;
利用所述孪生数据构建孪生立体库场景;所述孪生立体库场景用于对所述目标农产品仓储保鲜库进行可视化监测和展示。
可选地,还包括:
利用机器学习和统计分析方法,对所述孪生立体库场景中的数据进行关联对照分析,得到环境综合评估结果。
可选地,所述获取目标农产品仓储保鲜库的多源传感器信息,具体包括:
利用相机对所述目标农产品仓储保鲜库进行拍摄,得到影像数据;
利用激光雷达对所述目标农产品仓储保鲜库进行扫描,得到点云数据;
将所述影像数据和所述点云数据确定为所述物理场景;
利用环境检测传感器对所述目标农产品仓储保鲜库进行检测,得到所述环境信息。
可选地,所述对所述多源传感器信息进行特征处理和信息融合,得到孪生数据,具体包括:
对所述物理场景进行点云预处理和纹理重建,得到场景特征模型;
将所述场景特征模型和所述环境信息进行信息融合,得到孪生数据。
可选地,所述对所述物理场景进行点云预处理和纹理重建,得到场景特征模型,具体包括:
对所述点云数据进行预处理及建模,得到点云数据三维模型;
利用所述影像数据对所述点云数据三维模型的物体表面纹理进行重建,得到场景特征模型。
可选地,所述对所述点云数据进行预处理及建模,得到点云数据三维模型,具体包括:
对所述点云数据进行去噪处理,得到去噪数据;所述去噪处理包括有序点云去噪和无序点云去噪;所述有序点云去噪包括中值滤波、均值滤波和高斯滤波;所述无序点云去噪包括拉普拉斯去噪和最小阈值去噪;
对所述去噪数据依次进行拼接、分割和配准,得到预处理数据;
利用邻域点的法向量估计方法,根据法矢信息对所述预处理数据的边缘轮廓进行提取,得到边缘轮廓特征;
利用RANSAC算法和轮廓提取算法对所述预处理数据进行多面片特征和多线段的拟合提取,得到物体轮廓特征;
利用所述边缘轮廓特征和所述物体轮廓特征构建点云数据三维模型。
可选地,所述利用所述影像数据对所述点云数据三维模型的物体表面纹理进行重建,得到场景特征模型,具体包括:
利用霍夫变换和透视投影,对所述影像数据进行畸变处理,得到纹理信息,并构建所述影像数据和所述点云数据三维模型的坐标转换关系;
选取所述影像数据和所述点云数据三维模型的同名边缘信息进行提取,并构建数学转换模型;
利用所述数学转换模型,将所述纹理信息与所述点云数据三维模型进行融合,对物体表面纹理重建,得到场景特征模型。
本发明还提供了一种农产品仓储保鲜库孪生数据管理系统,包括:
数据采集模块,用于获取目标农产品仓储保鲜库的多源传感器信息;所述多源传感器信息包括物理场景和环境信息;所述物理场景包括影像数据和点云数据;所述环境信息包括空气成分、温度和湿度;
数据处理模块,用于对所述多源传感器信息进行特征处理和信息融合,得到孪生数据;
场景映射模块,用于利用所述孪生数据构建孪生立体库场景;所述孪生立体库场景用于对所述目标农产品仓储保鲜库进行可视化监测和展示。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种农产品仓储保鲜库孪生数据管理方法及系统,所述方法包括对目标农产品仓储保鲜库的多源传感器信息进行特征处理和信息融合,并利用得到的孪生数据构建孪生立体库场景,能够实现将目标农产品仓储保鲜库的现场场景映射到模型中,便于使用人员对保鲜库内的各数据进行可视化监控及查看,以及便于使用人员基于各数据对保鲜库进行综合评估,提高农产品的保鲜贮藏效果和质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明农产品仓储保鲜库孪生数据管理方法的流程示意图;
图2为本实施例中总体结构示意图;
图3为本实施例中点云数据去噪对比图;其中,(a)为点云数据去噪前示意图,(b)为点云数据去噪后示意图;
图4为本实施例中点云配准结果对比图;其中,(a)为粗配准细节示意图,(b)为精配准细节示意图;
图5为本实施例中RASAC算法融合前后对比图;其中,(a)为RASAC算法融合前示意图,(b)为RASAC算法融合后示意图;
图6为本实施例中特征分析与数据融合的模型构建流程示意图;
图7为本发明农产品仓储保鲜库孪生数据管理系统的结构框图。
具体实施方式
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,所描述的实施例仅仅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。
本发明的目的是提供一种农产品仓储保鲜库孪生数据管理方法及系统,能够提高农产品的保鲜贮藏效果和质量。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种农产品仓储保鲜库孪生数据管理方法,包括:
步骤100:获取目标农产品仓储保鲜库的多源传感器信息;所述多源传感器信息包括物理场景和环境信息;所述物理场景包括影像数据和点云数据;所述环境信息包括空气成分、温度和湿度。
步骤200:对所述多源传感器信息进行特征处理和信息融合,得到孪生数据。
步骤300:利用所述孪生数据构建孪生立体库场景;所述孪生立体库场景用于对所述目标农产品仓储保鲜库进行可视化监测和展示。
此外,还包括:利用机器学习和统计分析方法,对所述孪生立体库场景中的数据进行关联对照分析,得到环境综合评估结果。
作为步骤100的一种具体实施方式,包括:
利用相机对所述目标农产品仓储保鲜库进行拍摄,得到影像数据;利用激光雷达对所述目标农产品仓储保鲜库进行扫描,得到点云数据;将所述影像数据和所述点云数据确定为所述物理场景;利用环境检测传感器对所述目标农产品仓储保鲜库进行检测,得到所述环境信息。
作为步骤200的一种具体实施方式,包括:
步骤210:对所述物理场景进行点云预处理和纹理重建,得到场景特征模型。
步骤220:将所述场景特征模型和所述环境信息进行信息融合,得到孪生数据。
其中,步骤210包括如下步骤:
步骤211:对所述点云数据进行预处理及建模,得到点云数据三维模型;具体包括:
对所述点云数据进行去噪处理,得到去噪数据;所述去噪处理包括有序点云去噪和无序点云去噪;所述有序点云去噪包括中值滤波、均值滤波和高斯滤波;所述无序点云去噪包括拉普拉斯去噪和最小阈值去噪;对所述去噪数据依次进行拼接、分割和配准,得到预处理数据;利用邻域点的法向量估计方法,根据法矢信息对所述预处理数据的边缘轮廓进行提取,得到边缘轮廓特征;利用RANSAC算法和轮廓提取算法对所述预处理数据进行多面片特征和多线段的拟合提取,得到物体轮廓特征;利用所述边缘轮廓特征和所述物体轮廓特征构建点云数据三维模型。
步骤212:利用所述影像数据对所述点云数据三维模型的物体表面纹理进行重建,得到场景特征模型。具体包括:
利用霍夫变换和透视投影,对所述影像数据进行畸变处理,得到纹理信息,并构建所述影像数据和所述点云数据三维模型的坐标转换关系;选取所述影像数据和所述点云数据三维模型的同名边缘信息进行提取,并构建数学转换模型;利用所述数学转换模型,将所述纹理信息与所述点云数据三维模型进行融合,对物体表面纹理重建,得到场景特征模型。
基于上述技术方案,提供如下实施例。
为能够自动完成农产品仓库内的货物孪生数据建模与态势评估,首先,根据库内农产品视频图像检测、分类、分析及算法特征仓搭建,以视觉图像、各类温度、湿度及空气成分信息进行检测与分析,构建整个环境的状态分析。其次,在图像处理中,利用激光点云数据预处理、去噪与分割、提取特征信息,获得精细准确的点云数据,基于点云数据,同时加以相机获得的丰富纹理信息,进行仓库内三维重建和深度重建,可以得到精细化的三维模型。最后,农产品态势感知与特征挖掘及农产品异常检测模型构建与环境评估,在特征挖掘中,注重灵敏性、稳健性及相关性的研究,先后开展特征提取、特征分析、及多源信息融合,综合反映实时场景,并结合模型演化,进而得到可靠的评估结果。
根据农业生产发展、农产品仓储保鲜冷链设施建设实施意见及建设的技术方案等文件要求,结合实际冷库情况,鉴于当前人工智能技术与项目组实施经验,以多源数据融合、关联与可视化为研究出发点,深入研究库内温度、湿度、空气成分及农产品视频图像信息的相互作用,构建农产品图像算法特征仓,监测与评估环境模型及农产品品质模型,完成建模与评估总体任务。
制定的技术方案如下:
1.实现多源数据获取,特征提取与分析,再到算法特征仓及监测环境的可视化显示。
2.构建多源信息的算法特征仓与数据融合模型,进行特征稳健性、灵敏性及关联性分析与处理,完成特征分析与模型构建。
3.开展农产品态势感知与特征挖掘,农产品异常检测模型构建与环境评估等内容的研究。
4.完成库内多源信息融合的环境态势感知与环境评估模型搭建及农产品质量分析。
5.农产品仓储保鲜库环境态势评估与预警技术从多源数据获取,特征提取与分析,再到算法特征仓及监测环境的可视化显示流程,涉及各类信息的综合处理。
因此,本实施例通过激光雷达与相机的数据跨源融合,将相机的广视域与精准的激光扫描技术进行优势互补,以影像、激光点云等不同数据源为研究对象,用激光点云数据弥补影像数据在库内立面区域的缺失。建立仓储保鲜库及设施的物理场景和环境信息(监控、检测数据)到数字孪生场景的映射,对物理场景和环境信息要素进行采集,转换为供计算机存储、处理、分析与应用的数据。
然后,在数字孪生场景中通过环境信息虚实映射对物理场景和环境信息进行建模与表达,进而完成环境态势评估与实时预警。总体技术方案从农产品仓储保鲜库物理场景三维模型构建,农产品仓储保鲜库环境信息特征融合与表达,农产品仓储保鲜库环境态势评估与预警技术等部分进行研究。通过构建孪生的仓储保鲜库,通过感知采集到的数据,对“物理资产”进行动态监测和即时描述,具有物理对象上采集测量的数据,提高分析价值,使用测量或推导的数据来提示出现特定状态或行为最可能的原因,揭示物理资产--仓储保鲜库内各类要素之间的复杂关系,甚至预测“物理资产”可能的未来状态,为辅助“物理资产”管理者决策提供有力数据支撑。
总体结构图如图2所示,立足于仓储保鲜库内数据分析,准确感知农产品仓储保鲜库态势并实时预警。通过总体任务的技术攻关,构建仓储保鲜库三维可视化系统,多源特征数据融合与环境评估。
其中,构建仓储保鲜库三维可视化系统,具体包括:
(1).倾斜摄影
激光点云数据可以直接描述物体的形态,但缺少纹理信息的表达,二维图像可以清晰的表达物体表面的纹理信息,却不能直接表达物体三维空间形态。利用霍夫变换与透视投影相结合的方法对无人机影像进行畸变处理。建立激光点云三维模型与无人机影像各自坐标系及其转换关系,选取同名边缘信息进行提取,建立数学转换模型,并对模型进行解析,实现无人机影像中物体表面纹理信息与点云数据三维模型相结合,完成物体表面纹理的重建工作。
(2)点云数据预处理
1)点云数据去噪,主要涉及有序点云去噪(中值滤波、均值滤波及高斯滤波),无序点云去噪(拉普拉斯、最小阈值去噪等)。图3所示对比分析可知去噪前存在大量噪声点,去噪后基本已经消除噪声点。由此可看出上述点云去噪算法具有很大的实用性。
2)点云数据拼接:同名点拼接法,相邻两站点云数据扫描时,都会有一定范围的重合,通常会在物体表面提取一些特征点,且采用重合区域内部的同名点点云(选取的三对点云同名点应不在一条直线上的位置),用这样的同名点进行点云配准。
3)点云数据分割:因为采集到的点云数据量十分庞大,而且,进行处理时,也是多站点云拼接在一起来进行重建模型。所以用软件建立三维模型有一定的困难,不容易处理,故对点云数据进行数据分割,使点云数据变成易建模和易操作的小块点云数据,再对小块点云进行逐一处理。数据分割不仅可以方便和简化操作,同时,对一些细节部分,把它分割出来进行处理,不会损失细节信息,可以提高建模的精度,更真实、全面的展现物体的信息。
4)点云配准:针对以往使用较多的常规配准算法在跨源点云配准中效果不佳的情况下,以PCA降维的方法对建筑的整体点云数据进行全局配准,为提高粗配准效果再次进心型心匹配,由于跨源点云数据重叠率较低,经典ICP算法无法满足要求,故使用TrICP(Trimmed Iterative Closest Point)算法对重叠度低的多源点云完成精配准,使用TrICP算法有着明显的效果。如图4所示,TrICP算法可以明显改善初始配准的结果,纠正了局部错位现象。
5)点云数据特征提取:基于邻域点的法向量估计方法,根据法矢信息对点云的边缘轮廓进行提取并分析了轮廓特点,然后使用RANSAC算法和轮廓提取算法对物体的多源点云进行多面片特征和多线段的拟合提取。如图5所示,RANSAC算法能够获取多直线模型,最后将模型内点向模型进行投影,从而得到更加美观的线结构。
(3)多维点云数据建模
通过Sketchup软件手动绘制或自动提取的线特征或平面,经过推/拉等手段生成建筑体块,然后在对基础体块进行精细化雕刻,最后贴上纹理,完成建模。
最后,进行多源特征数据融合与环境评估。
通过融入图像、温度、湿度、空气成分等多源信息对库内农产品所处环境进行综合评估,基于数据间关联与影响分析,采用可视化方式展示。对采集到的多项数据进行智能化的分析与展示,挖掘数据内在的关联,形象直观地展示在不同时期,不同因素对环境的影响。采用机器学习与统计分析方法对各数据间的关联性进行分析,并结合大数据信息对历史数据进行对照分析,建立数据模型评估方法。利用可视化技术,形象直观展示各数据间关系及与图像的信息综合分析。利用数据的分析与展示效果,进行环境综合评估,提高监管效能,辅助决策。特征分析与数据融合的模型构建如图6所示。
本实施例,具有如下有益效果:
第一,精准三维重建。
本系统以影像、激光点云等不同数据源为研究对象,用激光点云数据弥补影像数据在立面区域的缺失,同时相机可以获得清晰的纹理信息,能够填补激光扫描仪的视野盲区,建立精细的农产品仓库内的各类物品的三维模型。本方案对于三维点云信息的处理提供了多种可行的算法支撑,使得数据更加精准可靠。
第二,关联性强。
开发冷库内多源数据分析与可视化系统,利用可视化技术,形象直观地展示各数据间的关系及与图像信息的综合分析。通过融入图像、温度、湿度、空气成分等多源信息对库内农产品所处环境进行综合评估。
第三,功能强大。
基于数据间关联与影响分析,建立农产品种类的区分与品质异常进行检测分析,构建多源数据模型,采用可视化展示。
第四,应用范围广。
本实施例提出农产品仓储保鲜库的数字孪生关键技术研究,并实现基于数字孪生技术库内环境态势感知与预警。可以进一步扩展到其他类似的环境中进行监测与展示。
如图7所示,本发明还提供了一种农产品仓储保鲜库孪生数据管理系统,包括:
数据采集模块,用于获取目标农产品仓储保鲜库的多源传感器信息;所述多源传感器信息包括物理场景和环境信息;所述物理场景包括影像数据和点云数据;所述环境信息包括空气成分、温度和湿度;
数据处理模块,用于对所述多源传感器信息进行特征处理和信息融合,得到孪生数据;
场景映射模块,用于利用所述孪生数据构建孪生立体库场景;所述孪生立体库场景用于对所述目标农产品仓储保鲜库进行可视化监测和展示。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种农产品仓储保鲜库孪生数据管理方法,其特征在于,包括:
获取目标农产品仓储保鲜库的多源传感器信息;所述多源传感器信息包括物理场景和环境信息;所述物理场景包括影像数据和点云数据;所述环境信息包括空气成分、温度和湿度;
对所述多源传感器信息进行特征处理和信息融合,得到孪生数据;
利用所述孪生数据构建孪生立体库场景;所述孪生立体库场景用于对所述目标农产品仓储保鲜库进行可视化监测和展示;
其中,所述对所述多源传感器信息进行特征处理和信息融合,得到孪生数据,具体包括:
对所述物理场景进行点云预处理和纹理重建,得到场景特征模型;
将所述场景特征模型和所述环境信息进行信息融合,得到孪生数据;
所述对所述物理场景进行点云预处理和纹理重建,得到场景特征模型,具体包括:
对所述点云数据进行预处理及建模,得到点云数据三维模型;
利用所述影像数据对所述点云数据三维模型的物体表面纹理进行重建,得到场景特征模型;
所述对所述点云数据进行预处理及建模,得到点云数据三维模型,具体包括:
对所述点云数据进行去噪处理,得到去噪数据;所述去噪处理包括有序点云去噪和无序点云去噪;所述有序点云去噪包括中值滤波、均值滤波和高斯滤波;所述无序点云去噪包括拉普拉斯去噪和最小阈值去噪;
对所述去噪数据依次进行拼接、分割和配准,得到预处理数据;
利用邻域点的法向量估计方法,根据法矢信息对所述预处理数据的边缘轮廓进行提取,得到边缘轮廓特征;
利用RANSAC算法和轮廓提取算法对所述预处理数据进行多面片特征和多线段的拟合提取,得到物体轮廓特征;
利用所述边缘轮廓特征和所述物体轮廓特征构建点云数据三维模型;
所述利用所述影像数据对所述点云数据三维模型的物体表面纹理进行重建,得到场景特征模型,具体包括:
利用霍夫变换和透视投影,对所述影像数据进行畸变处理,得到纹理信息,并构建所述影像数据和所述点云数据三维模型的坐标转换关系;
选取所述影像数据和所述点云数据三维模型的同名边缘信息进行提取,并构建数学转换模型;
利用所述数学转换模型,将所述纹理信息与所述点云数据三维模型进行融合,对物体表面纹理重建,得到场景特征模型。
2.根据权利要求1所述的农产品仓储保鲜库孪生数据管理方法,其特征在于,还包括:
利用机器学习和统计分析方法,对所述孪生立体库场景中的数据进行关联对照分析,得到环境综合评估结果。
3.根据权利要求1所述的农产品仓储保鲜库孪生数据管理方法,其特征在于,所述获取目标农产品仓储保鲜库的多源传感器信息,具体包括:
利用相机对所述目标农产品仓储保鲜库进行拍摄,得到影像数据;
利用激光雷达对所述目标农产品仓储保鲜库进行扫描,得到点云数据;
将所述影像数据和所述点云数据确定为所述物理场景;
利用环境检测传感器对所述目标农产品仓储保鲜库进行检测,得到所述环境信息。
4.一种农产品仓储保鲜库孪生数据管理系统,应用于权利要求1-3中任一项所述的农产品仓储保鲜库孪生数据管理方法,其特征在于,包括:
数据采集模块,用于获取目标农产品仓储保鲜库的多源传感器信息;所述多源传感器信息包括物理场景和环境信息;所述物理场景包括影像数据和点云数据;所述环境信息包括空气成分、温度和湿度;
数据处理模块,用于对所述多源传感器信息进行特征处理和信息融合,得到孪生数据;
场景映射模块,用于利用所述孪生数据构建孪生立体库场景;所述孪生立体库场景用于对所述目标农产品仓储保鲜库进行可视化监测和展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737394.8A CN116843831B (zh) | 2023-06-20 | 2023-06-20 | 一种农产品仓储保鲜库孪生数据管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737394.8A CN116843831B (zh) | 2023-06-20 | 2023-06-20 | 一种农产品仓储保鲜库孪生数据管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843831A CN116843831A (zh) | 2023-10-03 |
CN116843831B true CN116843831B (zh) | 2024-03-15 |
Family
ID=88162701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310737394.8A Active CN116843831B (zh) | 2023-06-20 | 2023-06-20 | 一种农产品仓储保鲜库孪生数据管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843831B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077867A (zh) * | 2019-12-25 | 2020-04-28 | 北京航空航天大学 | 基于数字孪生的航空发动机装配质量动态仿真方法和装置 |
CN111882653A (zh) * | 2020-06-11 | 2020-11-03 | 广州万维创新科技有限公司 | 一种基于多传感器多层次的室内场景数字孪生方法 |
CN112306464A (zh) * | 2020-10-14 | 2021-02-02 | 中国科学院沈阳自动化研究所 | 利用数字孪生体实现工业场景下信息物理融合方法和系统 |
CN112428272A (zh) * | 2020-11-16 | 2021-03-02 | 同济大学 | 一种面向数字孪生的机器人-环境动态交互渲染系统和方法 |
CN112818446A (zh) * | 2021-01-26 | 2021-05-18 | 西安交通大学 | 一种智能车间数字孪生系统的构建方法 |
CN113593039A (zh) * | 2021-08-05 | 2021-11-02 | 广东鸿威国际会展集团有限公司 | 基于数字孪生技术的企业数字化展示方法及系统 |
CN114328672A (zh) * | 2021-12-31 | 2022-04-12 | 无锡恺易物联网科技发展有限公司 | 一种基于数字孪生的数字农田场景映射同步装置及方法 |
CN115060271A (zh) * | 2022-06-29 | 2022-09-16 | 北自所(北京)科技发展股份有限公司 | 一种基于增强现实的物流装备导航方法以及交互维护系统 |
CN115220411A (zh) * | 2022-07-29 | 2022-10-21 | 广域铭岛数字科技有限公司 | 基于数字孪生的产线管理方法、系统、设备及介质 |
CN116071559A (zh) * | 2022-11-18 | 2023-05-05 | 西北工业大学 | 一种基于多维感知数据的数字孪生体自动化构建方法 |
CN116229019A (zh) * | 2023-02-28 | 2023-06-06 | 山东浪潮科学研究院有限公司 | 面向数字孪生的大场景融合三维重建方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
-
2023
- 2023-06-20 CN CN202310737394.8A patent/CN116843831B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077867A (zh) * | 2019-12-25 | 2020-04-28 | 北京航空航天大学 | 基于数字孪生的航空发动机装配质量动态仿真方法和装置 |
CN111882653A (zh) * | 2020-06-11 | 2020-11-03 | 广州万维创新科技有限公司 | 一种基于多传感器多层次的室内场景数字孪生方法 |
CN112306464A (zh) * | 2020-10-14 | 2021-02-02 | 中国科学院沈阳自动化研究所 | 利用数字孪生体实现工业场景下信息物理融合方法和系统 |
CN112428272A (zh) * | 2020-11-16 | 2021-03-02 | 同济大学 | 一种面向数字孪生的机器人-环境动态交互渲染系统和方法 |
CN112818446A (zh) * | 2021-01-26 | 2021-05-18 | 西安交通大学 | 一种智能车间数字孪生系统的构建方法 |
CN113593039A (zh) * | 2021-08-05 | 2021-11-02 | 广东鸿威国际会展集团有限公司 | 基于数字孪生技术的企业数字化展示方法及系统 |
CN114328672A (zh) * | 2021-12-31 | 2022-04-12 | 无锡恺易物联网科技发展有限公司 | 一种基于数字孪生的数字农田场景映射同步装置及方法 |
CN115060271A (zh) * | 2022-06-29 | 2022-09-16 | 北自所(北京)科技发展股份有限公司 | 一种基于增强现实的物流装备导航方法以及交互维护系统 |
CN115220411A (zh) * | 2022-07-29 | 2022-10-21 | 广域铭岛数字科技有限公司 | 基于数字孪生的产线管理方法、系统、设备及介质 |
CN116071559A (zh) * | 2022-11-18 | 2023-05-05 | 西北工业大学 | 一种基于多维感知数据的数字孪生体自动化构建方法 |
CN116229019A (zh) * | 2023-02-28 | 2023-06-06 | 山东浪潮科学研究院有限公司 | 面向数字孪生的大场景融合三维重建方法及系统 |
Non-Patent Citations (4)
Title |
---|
Digital twin-driven joint optimisation of packing and storage assignment in large-scale automated high-rise warehouse product-service system;jiewu leng et al.;《International Journal of Computer Integrated Manufacturing》;第32卷(第7-8期);第4-15页 * |
Warehouse Drone: Indoor Positioning and Product Counter with Virtual Fiducial Markers;Murat Ekici et al.;《Drones》;第7卷(第1期);第5-19页 * |
基于数字孪生技术的粮库仓储智能化服务的分析和建议;宿颖等;《粮食与食品工业》;第29卷(第6期);第46-47页 * |
高原特色农产品供应链的数字孪生系统结构研究;冉文学等;《供应链管理》;第3卷(第8期);第43-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116843831A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du et al. | Pavement distress detection and classification based on YOLO network | |
Nguyen et al. | 3D point cloud segmentation: A survey | |
EP3340106B1 (en) | Method and system for assigning particular classes of interest within measurement data | |
Xu et al. | Voxel-based segmentation of 3D point clouds from construction sites using a probabilistic connectivity model | |
Son et al. | 3D structural component recognition and modeling method using color and 3D data for construction progress monitoring | |
Zhou et al. | Automated residential building detection from airborne LiDAR data with deep neural networks | |
Xu et al. | Segmentation of building roofs from airborne LiDAR point clouds using robust voxel-based region growing | |
Li et al. | An overlapping-free leaf segmentation method for plant point clouds | |
Czerniawski et al. | Automated removal of planar clutter from 3D point clouds for improving industrial object recognition | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及系统 | |
CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN117011477B (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
Wang et al. | Automated joint 3D reconstruction and visual inspection for buildings using computer vision and transfer learning | |
CN117274756A (zh) | 基于多维特征配准的二维图像与点云的融合方法及装置 | |
Salem et al. | Assessment of methods for industrial indoor object recognition | |
Mohammadi et al. | 2D/3D information fusion for building extraction from high-resolution satellite stereo images using kernel graph cuts | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
Stjepandić et al. | Object recognition methods in a built environment | |
CN110688512A (zh) | 基于ptgan区域差距与深度神经网络的行人图像搜索算法 | |
Martens et al. | VOX2BIM+-A Fast and Robust Approach for Automated Indoor Point Cloud Segmentation and Building Model Generation | |
CN116843831B (zh) | 一种农产品仓储保鲜库孪生数据管理方法及系统 | |
CN117146841A (zh) | 一种基于激光雷达和双目视觉结合的语义地图构建方法 | |
Guo et al. | Digital transformation for intelligent road condition assessment | |
Feng et al. | Automated extraction of building instances from dual-channel airborne LiDAR point clouds | |
WO2022251905A1 (en) | Method and system for surface deformation detection |
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 |