CN117011362A - 货物体积的计算方法、容积率的动态计算方法 - Google Patents

Abstract

本发明公开了一种货物体积的计算方法、容积率的动态计算方法。其中货物体积的计算方法，包括：步骤1，创建三维矩阵，根据装载物内部空间的尺寸将所述装载物的内部空间分割成与三维矩阵元素数量对应的分割块；步骤2，获取所述装载物内部空间中当前的货物的存储情况的点云数据；步骤3，根据所述点云数据的三维坐标值计算每个分割块的填充状态，并根据填充状态对所述三维矩阵的元素进行赋值；步骤4，对所述装载物内部空间的各内面的边缘进行处理，消除分割块的填充误差；步骤5，基于分割块的填充情况计算货物当前的体积；上述步骤1和步骤2的顺序可置换。本发明可以准确、实时计算不规则货物的体积，为货物仓储和物流提供有力的依据。

Description

货物体积的计算方法、容积率的动态计算方法

技术领域

本发明涉及仓储、物流的技术领域，尤其涉及一种货物体积的计算方法、容积率的动态计算方法。

背景技术

近年来，随着智慧物流的发展，通过智能软硬件、物联网、大数据等智慧化技术手段，逐渐实现物流各环节精细化、动态化、可视化管理，提高了物流系统智能化分析决策和自动化操作执行能力，提升了物流运作效率。

在物流的各个环节，都需要计算货物体积，以及仓储、运输的容积率。

以运输过程中的货车的体积的计算为例。现有技术中对货车的车厢内的货物体积和车厢装载率的计算方法中，有的采用激光笔进行测量，或采用工业相机或者摄像头进行测量，通过采集空车厢与载货车厢的彩色图像、深度图像，再基于色差阈值计算的图像比对，或解析图像来生点云数据，通过点云数据来计算车厢货物体积和装载率。点云数据简称PCD(Point Cloud Data)，点云数据是指在一个三维坐标系中的一组向量的集合。这些向量通常以X，Y，Z三维坐标的形式表示，一般主要代表一个物体的外表面几何形状，除此之外点云数据还可以附带RGB信息，即每个坐标点的颜色信息，或者是其他的信息。

但是货物在车厢内的存储、堆叠情况并非完全规整的，即堆叠后的货物整体是一个不规则形状，而基于激光笔测量估算只能适用于车厢里货物均为平整规则的方体，需要大小货物的堆放排列很整齐规整，但实际物流场景却天差地别，各种不规则的货物堆放层次不齐，误差很大。而不论是基于图像的色差阈值比对，或者图像解析识别来计算装载率，对厢体边界(如车厢底面、侧面等)和货物边界识别的要求较高，另外，即便是同一摄像头和配置参数，拍摄多张照片时，如果厢体环境亮度变化差异较大，对色差阈值比对的影响很大。特别对于在途状态，此时为车厢门关闭的黑暗状态，红外摄像头的成像往往是黑白的，会进一步增加该方案的识别和对比难度，而造成的量方和装载率值误差较大。

发明内容

为了解决现有技术中货物体积的计算误差较大的技术问题，本发明提出了一种货物体积的计算方法、容积率的动态计算方法。

本发明提出的货物体积的计算方法，包括：

步骤1，创建三维矩阵，根据装载物内部空间的尺寸将所述装载物的内部空间分割成与三维矩阵元素数量对应的分割块；

步骤2，获取所述装载物内部空间中当前的货物的存储情况的点云数据；

步骤3，根据所述点云数据的三维坐标值计算每个分割块的填充状态，并根据填充状态对所述三维矩阵的元素进行赋值；

步骤4，对所述装载物内部空间的各内面的边缘进行处理，消除分割块的填充误差；

步骤5，基于分割块的填充情况计算货物当前的体积；

上述步骤1和步骤2的顺序可置换。

进一步，在步骤2中，通过雷达组件或3D摄像机组件或iTOF组件获取点云数据。

进一步，所述雷达组件包括一个雷达，以及驱动雷达转动的云台，所述雷达组件安装在所述装载物上可扫描货物的存储情况的一角。

进一步，当通过雷达组件获取点云数据时，先通过所述雷达组件获取点阵数据，通过三角转换将点阵数据转换成三维坐标值；

所述三维坐标值的X值采用公式dis*cos(vertical_angle)*sin(horizon_angle)计算得到；

所述三维坐标值的Y值采用公式dis*cos(vertical_angle)*cos(horizon_angle)计算得到；

所述三维坐标值的Z值采用公式dis*sin(vertical_angle)计算得到；

所述dis为点云数据中雷达与对应扫描点之间的距离，所述vertical_angle为雷达与对应扫描点之间的连线与XY平面之间的夹角，所述horizon_angle为雷达与对应扫描点之间的连线在XY平面上的垂直投影与Y轴之间的夹角。

进一步，步骤3具体包括：

根据所述三维坐标值计算得到当前堆叠的货物的边缘对应的分割块；

将对应的分割块置为被填充状态；

按照货物在所述装载物内部空间的堆叠方向的相反方向，将货物的边缘以及对应内面之间的分割块置为被填充状态，其余的分割块置为未填充状态。

进一步，根据公式Pi＝X*i/length，Pj＝Y*j/width，Pk＝Z*k/height计算得到当前堆叠的货物的边缘对应的分割块的各维度序号，Pi、Pj、Pk分别为三维矩阵每一维对应的序号，i、j、k分别为Pi、Pj、Pk的最大值，X、Y、Z分别为所述三维坐标值对应的X值、Y值和Z值，length为所述装载物内部空间的长度，width为所述装载物内部空间的宽度，Height为所述装载物内部空间的高度。

进一步，步骤4中，判断垂直于每一个内面的每一列分割块中距离对应内面最近的M个分割块的填充状态，若距离对应内面最近的第一个分割块为被填充状态，且该第一个分割块之后的第2个至第M个分割块均为未填充状态，则将该第一个分割块也置为未填充状态。

进一步，所述M的取值范围为[3,5]。

进一步，所述步骤5中，确定填充状态为被填充状态的所述分割块的数量，根据公式V＝N*(length/i)*(width/j)*(height/k)计算所述货物的体积，N为填充状态为被填充状态的所述分割块的数量，length为所述装载物内部空间的长度，width为所述装载物内部空间的宽度，Height为所述装载物内部空间的高度，i、j、k分别为分割块各个维度的序号最大值。

本发明提出的容积率的动态计算方法，采用上述技术方案所述的货物体积的计算方法动态计算货物量方，根据货物量方计算装载体的内部空间的容积率。

本发明通过装载体空载时所测量得到的装载体内部空间的尺寸，基于一定的比例对内部空间进行分割，将内部空间分割为多个分割块，并进行数学建模抽象成三维矩阵，基于测量得到的货物表面所占据的分割块，将其进行填充，并基于阴影原则，对扫描不到的分割块进行填充，最终得到准确的不规则的堆叠货物的体积。以载货车厢为例，本发明基于激光雷达，不用考虑实际场景的光线等问题，对载货车厢内的扫描得到点阵数据，根据点阵数据中雷达与物体的距离和角度，进行三角换算生成基于X,Y,Z轴坐标系的三维PCD，结合空车厢时使用雷达测距得到的车厢体长(length)、宽(width)、高(height)，进行基于一定比例的厢体分割，将载货厢体的三维PCD，进行数学建模并抽象成一个三维矩阵，三维矩阵里的每一个元素均为一个小的方体，根据三维PCD的X、Y、Z数值，确定方体是否进行填充，结合边缘处理技术和阴影填充，最后根据填充的方体个数，乘以单个方体的体积，算出厢体里货物的体积，而填充立方体的占比即为货物的装载率(容积率)。

附图说明

下面结合实施例和附图对本发明进行详细说明，其中：

图1是本发明的主要流程图；

图2是本发明的一实施例的点阵数据与三维坐标值的示意图；

图3是本发明的一实施例的结构框图；

图4是本发明的一实施例的详细流程图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

由此，本说明书中所指出的一个特征将用于说明本发明的一个实施方式的其中一个特征，而不是暗示本发明的每个实施方式必须具有所说明的特征。此外，应当注意的是本说明书描述了许多特征。尽管某些特征可以组合在一起以示出可能的系统设计，但是这些特征也可用于其他的未明确说明的组合。由此，除非另有说明，所说明的组合并非旨在限制。

本发明在装载物内部还未装入货物时，测量得到装载物内部空间的长(length)、宽(width)、高(height)，进行基于一定比例的进行分割，将装载体的内部空间划分为多个立方体块，即分割块，并进行数学建模抽象成一个三维矩阵，三维矩阵里的每一个元素均为一个小的分割块，然后在实际测量装载物内部空间货物存储的情况时，根据所得到的三维PCD的X、Y、Z数值，结合边缘处理技术和阴影填充，确定对应的分割块是否进行填充，最后根据填充的分割块的个数，乘以单个分割块的体积，算出装载物内部空间的货物的体积，而填充立方体的占比即为货物的装载率，即容积率。

如图1所示，在一个实施例中，本发明的货物体积的计算方法主要包括以下步骤。

步骤1，创建三维矩阵，根据装载物内部空间的尺寸将装载物的内部空间分割成与三维矩阵元素数量对应的分割块，分割块的具体大小本领域内技术人员可以根据实际货物大小进行调整。分割块越大，则误差会相对较大，分割块越小，则误差越小，但是算法的复杂度也会增加，并且精度的提升与分割块的大小也不是呈比例的关系，因而可以多次迭代去查找较为合适的分割块大小。

步骤2，获取装载物内部空间中当前的货物的存储情况的点云数据；

步骤3，根据点云数据的三维坐标值计算每个分割块的填充状态，并根据填充状态对所述三维矩阵的元素进行赋值；本发明达到其目的主要是利用点云数据当中的三维坐标值。

步骤4，对装载物内部空间的各内面的边缘进行处理，消除分割块的填充误差；

步骤5，基于分割块的填充情况计算货物当前的体积；

其中，上述步骤1和步骤2的顺序可置换，即可以先执行步骤1再执行步骤2，也可以先执行步骤2，再执行步骤1。

在上述步骤2中，可以通过雷达组件来获取点云数据，或者是通过3D摄像机组件、iTOF组件等来获取点云数据。以雷达组件为例，当使用雷达组件时，雷达组件检测得到的数据并非直接的点云数据，而是点阵数据，可以对点阵数据进行转换，从而得到点云数据。

在上述步骤3中，需要先根据三维坐标值计算得到当前堆叠的货物的边缘对应的分割块，将对应的分割块置为被填充状态。也可以理解为，堆叠的货物所形成的规则或不规则的方体的表面所在的分割块需要先被确定，将表面所在的分割块置为被填充状态。然后根据阴影规则，即按照货物在装载物内部空间的堆叠方向的相反方向，将货物的边缘以及对应内面之间的分割块置为被填充状态，其余的分割块置为未填充状态。例如，货物的堆叠方向是从下到上进行堆叠的，即从装载物的内底面开始朝向内顶面的方向堆叠的。同时，货物的堆叠方向是从内到外进行堆叠的，即从装载物的内里侧面朝向内外侧面的方向堆叠的，内外侧面可以理解为具有门或者进口的一侧面，内里侧面则是与内外侧面相对的侧面。假设以列举的这种方向进行堆叠，则在确定了堆叠的货物的表面所在的分割块之后，就可以将这部分分割块与内里侧面之间的分割块，以及与内底面之间的分割块也置为填充状态。

在一个实施例i中，根据公式Pi＝X*i/length，Pj＝Y*j/width，Pk＝Z*k/height可以计算得到当前堆叠的货物的边缘对应的分割块的各维度序号，Pi、Pj、Pk分别为三维矩阵每一维对应的序号，j、j、k分别为Pi、Pj、Pk的最大值，X、Y、Z分别为所述三维坐标值对应的X值、Y值和Z值，length为所述装载物内部空间的长度，width为所述装载物内部空间的宽度，Height为所述装载物内部空间的高度。

在上述步骤4中，需要判断垂直于每一个内面的每一列分割块中距离对应内面最近的M个分割块的填充状态，若距离对应内面最近的第一个分割块为被填充状态，且该第一个分割块之后的第2个至第M个分割块均为未填充状态，则将该第一个分割块也置为未填充状态。

在一个具体实施例中，M的取值范围为[3,5]。M的取值范围不宜过大，过大较容易造成误差，但是具体M的取值也可以根据实际情况进行调整。

上述步骤5中，确定填充状态为被填充状态的分割块的数量，然后根据公式V＝N*(length/i)*(width/j)*(height/k)就可以计算堆叠的货物的体积，N为填充状态为被填充状态的所述分割块的数量，length为装载物内部空间的长度，width为装载物内部空间的宽度，Height为装载物内部空间的高度，i、j、k分别为分割块各个维度的序号最大值。例如，装载物内部空间的长度length为15米，三维矩阵的维度i为150，则在长度方向上，三维矩阵将装载物的内部空间划分成了10份，每一份的长度为0.1米，即10厘米。

在一个较优实施例中，通过雷达组件来获取点云数据时，雷达组件可以包括一个雷达，以及驱动雷达转动的云台，雷达组件安装在所述装载物上可扫描货物的存储情况的一角。例如，雷达组件仅设置一个雷达以及一个用于转动该雷达的云台，当雷达安装在货车上时，可是安装在货车具有车门的一侧面的左上角或右上角处。

如图2所示，当通过雷达组件获取点云数据时，先通过雷达组件获取点阵数据，再进行三角转换将点阵数据转换成三维坐标值。图2中A点为雷达组件安装的位置，B点为雷达组件的一个具体扫描点的示例位置。

三维坐标值的X值采用公式dis*cos(vertical_angle)*sin(horizon_angle)计算得到；

三维坐标值的Y值采用公式dis*cos(vertical_angle)*cos(horizon_angle)计算得到；

三维坐标值的Z值采用公式dis*sin(vertical_angle)计算得到；

其中，dis为点云数据中雷达与对应扫描点之间的距离，vertical_angle为雷达与对应扫描点之间的连线与XY平面之间的夹角，horizon_angle为雷达与对应扫描点之间的连线在XY平面上的垂直投影与Y轴之间的夹角。

本发明的容积率的动态计算方法，采用了上述技术方案中的货物体积的计算方法来试试获取货物的量方，即获取货物的体积，然后根据货物量方计算装载体的内部空间的容积率。

本发明所指的装载物包括但不限于货车车厢、仓库、集装箱等等。

如图3、图4所示，以货车车厢作为装载物为例，对本发明进行详细的说明。

主控板1提供多组物理接口连接外围设备和模组，为激光雷达2、云台3和4G/GPS模组4提供电源输入，在进行车厢扫描时，向激光雷达2发送控制命令(如启动扫描、停止扫描等)，并通过WLAN从激光雷达2接收点阵数据，通过运算得到三维PCD，根据这些PCD，在该主控板采用本发明的方法进行货物体积计算；向云台3发送控制命令，启动和停止云台的旋转、设置云台的转速，并从云台3获取状态，如角度、转速等。

激光雷达2，由主控板1供电，在主控板1的控制下，可以发射904nm的不可见光线，内置电机，可以完成点和面的扫描，根据光反射原理结合TOF计算点的角度和距离，这些数据最终会提供给主控板1来完成货物体积的计算，即量方运算。

云台3，内置电机，通过物理连接可以搭载激光雷达2，由主控板1供电，在主控板1的控制下进行特定速度的匀速旋转，使激光雷达2可以完成整个三维空间的扫描。

在主控板1中计算出的载货体积和容积率(装载率)会通过该4G/GPS模组4上传到云服务器，最终呈现在Web端，方便车队或者快递、物流公司的决策人员快速获得车辆的载货情况，装载率等，以优化线路运筹和车辆调度等。

通过主控板来控制雷达和云台，主控板发送扫描命令控制云台和雷达对车厢的内部空间进行扫描，为防止货物碰撞雷达组件，可将雷达组件置于车厢尾面的左顶角或者右顶角，扫描覆盖车厢内除尾面外的五个面，完整的车厢内部空间为一个长方体，有六个面，为方面理解，本发明将货车靠近车头的那个内面称为车厢里侧面，尾部车门的内面称为车厢尾面，其余四个面分别称为内顶面，内底面，内左侧面和内右侧面。可以将本发明的货物的体积计算方法和容积率的动态计算方法应用在装货和卸货过程中，对整个车厢载货体积和装载率进行动态的监控和数据同步，这个时候车门往往是开着的，即便云台可以实现360°转动，可以支持所有面的扫描，但是车厢尾面通常没有扫描的意义，因此在该实施例中，扫描车厢内部空间除了车厢尾面的另外五个面。

雷达扫描后，主控通过WLAN从雷达得到所有扫描点的距离(dis)和角度(angle)信息，以雷达所在的位置为原点，车长方向的轴为三维空间的X轴，车宽方向的轴为Y轴，车高方向的轴为Z轴，根据三角函数运算，这些扫描点在三维坐标系的X,Y,Z值分别为如下所示。

x＝dis*cos(vertical_angle)*sin(horizon_angle)；

y＝dis*cos(vertical_angle)*cos(horizon_angle)；

z＝dis*sin(vertical_angle)；

其中，horizon_angle是由angle计算出的水平角度，vertical_angle是由angle计算出的垂直角度。angle为雷达扫描后输出的原始角度，单线雷达工作时，内部有一个电机在旋转，射出线性激光，每条线相对于0°(由厂商定义的一个初始位置)的偏移就是angle。

初始化一个三维矩阵Block[i][j][k]，其中，i，j,k的取值，可以根据车长、车宽、车高(在空车时亦可以通过雷达扫描算出)来确定，例如对于一辆15米长，3米宽，和3米高的货车，可以取i，j，k分别为150,30,30，这样三维矩阵Block的每一个元素对应了一个10cm*10cm*10cm的分割块，该三维矩阵相当于对整个车厢体进行了分割，这样完成了车厢和三维点云到三维矩阵的数学建模。每一个元素对应的分割块除了是正方体，还可以是长方体，实际上长方体的分割块可以看作是多个正方体的分割块的组合。

三维矩阵的元素，即分割块，有被填充状态和未填充状态这两种状态，其中被填充状态的分割块对应的三维矩阵赋值为1，未填充状态的分割块对应的三维矩阵的元素为空，或为0。先将所有的分割块置为空。然后对PCD的所有点(points)的X,Y,Z值，根据如下公式，对相应的分割块进行填充，即置为1。

Pi＝X*i/length；

Pj＝Y*j/width；

Pk＝Z*k/height；

其中，length，width，和height分别为车长，车宽，和车高值，单位为米，得到Pi，Pj和Pk后，将Block[Pi][Pj][Pk]置为1，即填充状态。

考虑到车厢内面的不规整，例如部分物流车型内部为凹槽型平面，以及云台的旋转不是严格意义上的匀速，会造成上述步骤中得到的X值,Y值和Z值存在细微的偏差，这会导致计算分割块的填充状态时也存在一些误差，因此一些本应为空的分割块，被设置为了被填充状态。所以，需要对这些分割块进行过滤，即边缘处理，对车厢体五个面(六面中除车厢尾面)的边缘处理思路基本一致。即，如果距离平面(五个面当中的任意一个面)的第1个分割块为填充，距离该相同平面的第2～N个分割块为空，则将第一个分割块置为空，N不宜过大，在一个实施例中，也可以取2-3左右。

上述处理过程可以通过两个迭代来实现，第一个迭代依次处理五个内面，直到第五个内面处理完毕，例如第一个迭代的第一轮处理五个内面的车厢里侧面，第二轮处理五个内面的内左侧面，等等。第二个迭代依次处理与当前内面垂直的每一列分割块，例如第二个迭代的第一轮可以处理车厢里侧面第一行第一列的第一个分割块至第4个分割块。判断它们是否满足，第一个分割块为被填充状态，第2至第4个分割块为未填充状态，如果满足则可以将第一个分割块置为空。

上述实施例的雷达具体可以为激光雷达，由于激光雷达是基于光反射的原理，车厢内被货物遮挡的部分，不会被扫描到，例如满载货物时，除去外层货物的表面，车厢内部几乎不会被扫描到，因此内部不能被扫描到的部分空的分割块需要基于一定的规则，进行填充。鉴于车厢的货物的堆叠时从内向外堆叠，从下到上堆叠。填充时，则由外向内进行填充，由上至下填充。例如离里侧面远的分割块为填充，则离里侧面近的分割块也置为填充。离内底面远的分割块为填充，则离底面近的分割块也置为填充。

在完成上述所有步骤以后，可以简单的统计出在总数为i*j*k个分割块中，被填充的分割块为多少，假如这个数值是N，那么载货体积为V＝N*(length/i)*(width/j)*(height/k)；其中，length，width，和height分别为车长，车宽，和车高值，单位为米，得到的载货体积单位为m³。

接着，对容积率(装载率)进行计算，车厢完整的体积为length*width*height，因此结合计算前面得到的载货体积，装载率为Rate＝V/(length*width*height)*100％，或Rate＝N/(i*j*k)*100％。

在载货货车的场景下，本发明所提供的技术方案适用于现有的绝大部分载货货车、集装箱、仓库等仓储空间(小于50米车长)，都可以深度精确的感知装载体内的货物摆放情况，即便在黑暗的场景下，也可以实现体积和装载率的精确计算。这些计算出的装载率等信息，可以为物流车队等的运营调度提供准确有效且实时的支撑，实现高效的运载效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种货物体积的计算方法，其特征在于，包括：

步骤1，创建三维矩阵，根据装载物内部空间的尺寸将所述装载物的内部空间分割成与三维矩阵元素数量对应的分割块；

步骤2，获取所述装载物内部空间中当前的货物的存储情况的点云数据；

步骤3，根据所述点云数据的三维坐标值计算每个分割块的填充状态，并根据填充状态对所述三维矩阵的元素进行赋值；

步骤4，对所述装载物内部空间的各内面的边缘进行处理，消除分割块的填充误差；

步骤5，基于分割块的填充情况计算货物当前的体积；

所述步骤1和步骤2的顺序可置换。

2.如权利要求1所述的货物体积的计算方法，其特征在于，所述步骤2中，通过雷达组件或3D摄像机组件或iTOF组件获取点云数据。

3.如权利要求2所述的货物体积的计算方法，其特征在于，所述雷达组件包括一个雷达，以及驱动雷达转动的云台，所述雷达组件安装在所述装载物上可扫描货物的存储情况的一角。

4.如权利要求3所述的货物体积的计算方法，其特征在于，当通过雷达组件获取点云数据时，先通过所述雷达组件获取点阵数据，通过三角转换将点阵数据转换成三维坐标值；所述三维坐标值的X值采用公式dis*cos(vertical_angle)*sin(horizon_angle)计算得到；

所述三维坐标值的Y值采用公式dis*cos(vertical_angle)*cos(horizon_angle)计算得到；

所述三维坐标值的Z值采用公式dis*sin(vertical_angle)计算得到；

所述dis为点云数据中雷达与对应扫描点之间的距离，所述vertical_angle为雷达与对应扫描点之间的连线与XY平面之间的夹角，所述horizon_angle为雷达与对应扫描点之间的连线在XY平面上的垂直投影与Y轴之间的夹角。

5.如权利要求1所述的货物体积的计算方法，其特征在于，所述步骤3具体包括：

根据所述三维坐标值计算得到当前堆叠的货物的边缘对应的分割块；

将对应的分割块置为被填充状态；

按照货物在所述装载物内部空间的堆叠方向的相反方向，将货物的边缘以及对应内面之间的分割块置为被填充状态，其余的分割块置为未填充状态。

6.如权利要求4所述的货物体积的计算方法，其特征在于，根据公式Pi＝X*i/

length，Pj＝Y*j/width，Pk＝Z*k/height计算得到当前堆叠的货物的边缘对应的分割块的各维度序号，Pi、Pj、Pk分别为三维矩阵每一维对应的序号，i、j、k分别为Pi、Pj、Pk的最大值，X、Y、Z分别为所述三维坐标值对应的X值、Y值和Z

值，length为所述装载物内部空间的长度，width为所述装载物内部空间的宽度，

Height为所述装载物内部空间的高度。

7.如权利要求1所述的货物体积的计算方法，其特征在于，所述步骤4中，判断垂直于每一个内面的每一列分割块中距离对应内面最近的M个分割块的填充状态，若距离对应内面最近的第一个分割块为被填充状态，且该第一个分割块之后的第2个至第M个分割块均为未填充状态，则将该第一个分割块也置为未填充状态。

8.如权利要求6所述的货物体积的计算方法，其特征在于，所述M的取值范围为[3,5]。

9.如权利要求1所述的货物体积的计算方法，其特征在于，所述步骤5中，确定填充状态为被填充状态的所述分割块的数量，根据公式V＝N*(length/i)*(width/j)*

(height/k)计算所述货物的体积，N为填充状态为被填充状态的所述分割块的数量，

length为所述装载物内部空间的长度，width为所述装载物内部空间的宽度，Height为所述装载物内部空间的高度，i、j、k分别为分割块各个维度的序号最大值。

10.一种容积率的动态计算方法，其特征在于，采用如权利要求1至9任意一项所述的货物体积的计算方法动态计算货物量方，根据货物量方计算装载体的内部空间的容积率。