CN117314903B - 一种大宗商品室内仓储激光雷达3d点云数据处理方法 - Google Patents
一种大宗商品室内仓储激光雷达3d点云数据处理方法 Download PDFInfo
- Publication number
- CN117314903B CN117314903B CN202311596962.3A CN202311596962A CN117314903B CN 117314903 B CN117314903 B CN 117314903B CN 202311596962 A CN202311596962 A CN 202311596962A CN 117314903 B CN117314903 B CN 117314903B
- Authority
- CN
- China
- Prior art keywords
- straight line
- point cloud
- cloud data
- convex hull
- calculating
- 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
- 238000003672 processing method Methods 0.000 title description 7
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000003708 edge detection Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 abstract description 2
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F17/00—Methods or apparatus for determining the capacity of containers or cavities, or the volume of solid bodies
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Fluid Mechanics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种大宗商品室内仓储激光雷达3D点云数据处理方法,该处理方法对于立柱等物体遮挡导致点云数据残缺、不连续情况,能够以低复杂度、非侵入、无监督的方式实现点云数据的高准确度处理,以保障仓储货物检测的精准性;有效地发挥数据的统计特征,不需要准备大量不同场景的样本数据,无需打标签,解决了真实场景可能不具备训练数据集的问题,降低实操成本。
Description
技术领域
本发明涉及点云数据处理技术领域,具体涉及一种大宗商品室内仓储激光雷达3D点云数据处理方法。
背景技术
大宗商品仓储监管和体积测量是供应链场景中的重要技术。煤炭、粮食等大宗商品通常采用堆放存储,具有场地大、测量难的特点,激光雷达可以对仓库现场进行扫描,生成3D点云数据,通过对点云数据的处理,去掉墙体、立柱、顶棚等数据,分离出货物数据,为实现货物体积测量提供支撑。
现有技术对墙面和顶棚数据的处理主要通过聚类获取平面、设置标靶配准、有监督机器学习方法等。在实际场景中,由于遮挡等因素,墙面和顶棚的点云数据可能出现残缺、不连续情况,通过聚类方式会得到大量不规则的小平面,需要对小平面进行大量后续处理工作,增加了系统复杂度,且准确度难以保障。
通过在仓库设置标靶可以显著提高数据处理的便捷性和准确性,但此方法属于侵入式,对仓库环境有一定要求,增加了运维成本。有监督机器学习方法需要准备大量不同环境的样本数据,并进行人工标注工作,前期准备工作较多。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种大宗商品室内仓储激光雷达3D点云数据处理方法,对于立柱等物体遮挡导致点云数据残缺、不连续情况,能够以低复杂度、非侵入、无监督的方式实现点云数据的高准确度处理,以保障仓储货物检测的精准性。
本发明的目的通过以下技术方案来实现:
本发明提供了一种大宗商品室内仓储激光雷达3D点云数据处理方法,包括以下步骤:
S1、通过雷达扫描获取3D点云数据集;
S2、将3D点云数据集去噪并转换为二维水平平面图;
S3、对二维水平平面图进行灰度化、平滑处理和边缘检测;
S4、对经过步骤S3处理后的二维水平平面图,使用霍夫变换检测图像中所有的直线,获得直线集合;
S5、计算步骤S4中获得的直线集合的凸包;
S6、根据步骤S4中获得直线集合和步骤S5中获得的凸包,计算该直线集合中各直线与最近凸包边之间的距离;
S7、根据步骤S6获得的距离,过滤掉与最近凸包边距离过大的直线,获得有效直线集合;
S8、将步骤S5中获得的凸包和步骤S7中的获得的有效直线集合合并,形成新的数据集;
S9、使用DBSCAN聚类算法对步骤S8获得的数据集进行聚类,将所得到的结果按类簇的大小将进行倒序排列,取前N个数据,获得外墙所在直线;
S10、根据步骤S1获得的3D点云数据集和步骤S9得到的结果,设定墙体厚度参数,去掉3D点云数据集中的墙体数据,得到新的数据集;
S11、计算步骤S2获取的二维水平平面图的凸包及其中心,随机选取某顶点为起始,将平面等分为8-16份,计算分割边与凸包的交点,获取经过该交点且与分割边垂直的直线,及该直线所在的与水平面的垂面;
S12、将步骤S10中得到的数据集投影至步骤S11获得的各个等分平面上,获得多个平面图;
S13、检测各平面图中的直线并过滤;
S14、根据步骤S13的结果,筛选出与水平面夹角为85º-90º的直线,选取其中直线数量最多的数据集;
S15、还原直线在原3D空间中的坐标;
S16、以步骤S14中得到的直线为中心,设定直径阈值得到立柱的范围表达,去掉所有在立柱范围内的数据点;
S17、若货物不触顶时,计算顶棚和地面分割的超平面,去掉该平面以上的数据点,从而实现货物体积测量。
可选或优选地,在获取3D点云数据集时,使用半径滤波算法去除显著离群点。
可选或优选地,在计算直线到凸包边的距离时,取该距离为直线两端点到凸包边的投影距离的均值。
可选或优选地,在计算平面点的凸包时,将平面点数据按照横坐标升序排序,横坐标相同的点依据纵坐标升序排序;排序完毕后,采用Graham 算法从P0、P1扫描所有点得到下凸包,再从 Pn-1、Pn-2扫描所有点得到上凸包,二者结合即为整个凸包。
可选或优选地,在步骤S3进行边缘检测时,采用Canny边缘检测算法,具体步骤包括:使用sobel 算子,计算出每个点的梯度大小和梯度方向;使用非极大值抑制,消除边缘检测带来的杂散效应;应用双阈值,来确定真实和潜在的边缘;通过抑制弱边缘来完成最终的边缘检测。
可选或优选地,
基于上述技术方案,可产生如下技术效果:
本发明提供的一种大宗商品室内仓储激光雷达3D点云数据处理方法,适用于立柱等物体遮挡导致点云数据残缺、不连续情况。本发明能有效地发挥数据的统计特征,不需要准备大量不同场景的样本数据,无需打标签,解决了真实场景可能不具备训练数据集的问题,降低实操成本。本方案根据大宗货物仓储场景巧妙实施处理流程,可解决直接使用聚类方式获取平面可能导致在特殊场景下结果不稳定或无效的问题,具有较强的鲁棒性。
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,下面将对实施例或现有技术描述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的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1 为本发明的工作流程示意图;
图2 为原始3D点云数据集效果示意图;
图3 为二维点云图片效果示意图;
图4为初始边缘检测效果示意图;
图5为处理后边缘检测效果示意图;
图6为霍夫直线及其凸包示意图;
图7为墙体检测效果示意图;
图8为最终处理结果示意图。
具体实施方式
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。
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,所描述的实施例仅是本发明的一部分实施例,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作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。
实施例1
如图1所示:
本发明提供了一种大宗商品室内仓储激光雷达3D点云数据处理方法,包括以下步骤:
S1、通过雷达扫描获取3D点云数据集,如图2所示为原始的3D点云数据集效果,使用半径滤波算法去除显著离群点,具体地,本实施例中设置半径参数为2,邻域内最少点数为5。
S2、将3D点云数据集去噪并转换为如图3所示的二维水平平面图。
S3、对二维水平平面图进行灰度化、平滑处理和边缘检测;使用边缘检测算法识别图像中所有的边缘信息;如图4所示为初始的边缘检测效果;
具体地,采用Canny边缘检测算法,其原理为:使用sobel 算子,计算出每个点的梯度大小和梯度方向;使用非极大值抑制,消除边缘检测带来的杂散效应;应用双阈值,来确定真实和潜在的边缘;通过抑制弱边缘来完成最终的边缘检测,具体地,阈值参数设置为180-220;如图5所示,为本实施调参后的边缘检测效果。
S4、对经过步骤S3处理后的二维水平平面图,使用霍夫变换检测图像中所有的直线,获得直线集合,具体地,最低线段长度参数设置为40,直线最大点间距设置为20。
S5、计算步骤S4中获得的直线集合的凸包;具体地,将平面点数据按照横坐标升序排序,横坐标相同的点依据纵坐标升序排序;排序完毕后,采用Graham 算法从P0、P1扫描所有点得到下凸包,再从 Pn-1、Pn-2扫描所有点得到上凸包,二者结合即为整个凸包,如图6所示,为本实施例获得的霍夫直线及其凸包。
S6、根据步骤S4中获得直线集合和步骤S5中获得的凸包,计算该直线集合中各直线与最近凸包边之间的距离。
S7、根据步骤S6获得的距离,过滤掉与最近凸包边距离大于9的直线,获得有效直线集合。
S8、将步骤S5中获得的凸包和步骤S7中的获得的有效直线集合合并,形成新的数据集。
S9、使用DBSCAN聚类算法对步骤S8获得的数据集进行聚类,将所得到的结果按类簇的大小将进行倒序排列,取前N个数据,获得外墙所在直线,具体地,N的取值根据实际情况决定。
S10、根据步骤S1获得的3D点云数据集和步骤S9得到的结果,设定墙体厚度参数,去掉3D点云数据集中的墙体数据,得到新的数据集。
S11、计算步骤S2获取的二维水平平面图的凸包及其中心,随机选取某顶点为起始,顺时针按30度递增将平面12等分,以找到一个多柱子不重叠的视角,计算分割边与凸包的交点,获取经过该交点且与分割边垂直的直线,及该直线所在的与水平面的垂面。
S12、将步骤S10中得到的数据集投影至步骤S11获得的各个等分平面上,获得多个平面图。
S13、检测各平面图中的直线并过滤;具体步骤包括:采用霍夫变换检测图像中所有的直线,获得直线集合;计算直线集合的凸包;计算直线集合中各直线与最近凸包边之间的距离;过滤掉与最近凸包边距离过大的直线。
S14、根据步骤S13的结果,筛选出与水平面夹角为85º-90º的直线,选取其中直线数量最多的数据集。
S15、还原直线在原3D空间中的坐标,效果如图7所示。
S16、以步骤S14中得到的直线为中心,设定直径阈值得到立柱的范围表达,去掉所有在立柱范围内的数据点。
S17、若货物不触顶时,计算顶棚和地面分割的超平面,去掉该平面以上的数据点,从而实现货物体积测量,最终测得的货物结果如图8所示。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种大宗商品室内仓储激光雷达3D点云数据处理方法,其特征在于:包括以下步骤:
S1、通过雷达扫描获取3D点云数据集;
S2、将3D点云数据集去噪并转换为二维水平平面图;
S3、对二维水平平面图进行灰度化、平滑处理和边缘检测;
S4、对经过步骤S3处理后的二维水平平面图,使用霍夫变换检测图像中所有的直线,获得直线集合;
S5、计算步骤S4中获得的直线集合的凸包;
S6、根据步骤S4中获得直线集合和步骤S5中获得的凸包,计算该直线集合中各直线与最近凸包边之间的距离;
S7、根据步骤S6获得的距离,过滤掉与最近凸包边距离过大的直线,获得有效直线集合;
S8、将步骤S5中获得的凸包和步骤S7中的获得的有效直线集合合并,形成新的数据集;
S9、使用DBSCAN聚类算法对步骤S8获得的数据集进行聚类,将所得到的结果按类簇的大小将进行倒序排列,取前N个数据,获得外墙所在直线;
S10、根据步骤S1获得的3D点云数据集和步骤S9得到的结果,设定墙体厚度参数,去掉3D点云数据集中的墙体数据,得到新的数据集;
S11、计算步骤S2获取的二维水平平面图的凸包及其中心,随机选取某顶点为起始,将平面等分为8-16份,计算分割边与凸包的交点,获取经过该交点且与分割边垂直的直线,及该直线所在的与水平面的垂面;
S12、将步骤S10中得到的数据集投影至步骤S11获得的各个等分平面上,获得多个平面图;
S13、检测各平面图中的直线并过滤;
S14、根据步骤S13的结果,筛选出与水平面夹角为85°-90°的直线,选取其中直线数量最多的数据集;
S15、还原直线在原3D空间中的坐标;
S16、以步骤S14中得到的直线为中心,设定直径阈值得到立柱的范围表达,去掉所有在立柱范围内的数据点;
S17、若货物不触顶时,计算顶棚和地面分割的超平面,去掉该平面以上的数据点,从而实现货物体积测量。
2.根据权利要求1所述的一种大宗商品室内仓储激光雷达3D点云数据处理方法,其特征在于:在获取3D点云数据集时,使用半径滤波算法去除显著离群点。
3.根据权利要求1所述的一种大宗商品室内仓储激光雷达3D点云数据处理方法,其特征在于:在计算直线到凸包边的距离时,取该距离为直线两端点到凸包边的投影距离的均值。
4.根据权利要求1所述的一种大宗商品室内仓储激光雷达3D点云数据处理方法,其特征在于:在计算平面点的凸包时,将平面点数据按照横坐标升序排序,横坐标相同的点依据纵坐标升序排序;排序完毕后,采用Graham算法扫描所有点得到凸包。
5.根据权利要求1所述的一种大宗商品室内仓储激光雷达3D点云数据处理方法,其特征在于:在步骤S3进行边缘检测时,采用Canny边缘检测算法,具体步骤包括:使用sobel算子,计算出每个点的梯度大小和梯度方向;使用非极大值抑制,消除边缘检测带来的杂散效应;应用双阈值,来确定真实和潜在的边缘;通过抑制弱边缘来完成最终的边缘检测。
6.根据权利要求1所述的一种大宗商品室内仓储激光雷达3D点云数据处理方法,其特征在于:在步骤S13中,具体为:采用霍夫变换检测图像中所有的直线,获得直线集合;计算直线集合的凸包;计算直线集合中各直线与最近凸包边之间的距离;过滤掉与最近凸包边距离过大的直线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596962.3A CN117314903B (zh) | 2023-11-28 | 2023-11-28 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596962.3A CN117314903B (zh) | 2023-11-28 | 2023-11-28 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314903A CN117314903A (zh) | 2023-12-29 |
CN117314903B true CN117314903B (zh) | 2024-03-15 |
Family
ID=89297587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311596962.3A Active CN117314903B (zh) | 2023-11-28 | 2023-11-28 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314903B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117670979B (zh) * | 2024-02-01 | 2024-04-30 | 四川港投云港科技有限公司 | 一种基于固定点位单目相机的大宗货物体积测量方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3046810A1 (en) * | 2016-12-16 | 2018-06-21 | Walmart Apollo, Llc | Systems and methods for assessing available cargo capacity for multiple vehicles |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN109655019A (zh) * | 2018-10-29 | 2019-04-19 | 北方工业大学 | 一种基于深度学习和三维重建的货物体积测量方法 |
CA3036009A1 (en) * | 2018-05-25 | 2019-11-25 | Mettler-Toledo Gmbh | Dynamic pallet dimensioning - forklift taring |
CN112529874A (zh) * | 2020-12-14 | 2021-03-19 | 上海智蕙林医疗科技有限公司 | 基于三维雷达的障碍物检测方法、装置、介质和机器人 |
CN112945137A (zh) * | 2021-02-01 | 2021-06-11 | 中国矿业大学(北京) | 一种基于单线激光雷达与测距仪的仓储矿堆扫描装备 |
CN113689280A (zh) * | 2021-07-21 | 2021-11-23 | 四川港投云港科技有限公司 | 基于区块链的供应链金融的实现方法 |
CN115236628A (zh) * | 2022-07-26 | 2022-10-25 | 中国矿业大学 | 一种基于激光雷达检测车厢残留货物的方法 |
CN116266363A (zh) * | 2021-12-16 | 2023-06-20 | 顺丰科技有限公司 | 物品体积计算方法、装置、电子设备及可读存储介质 |
CN116363192A (zh) * | 2021-12-27 | 2023-06-30 | 顺丰科技有限公司 | 仓储货物的体积测量方法、装置、计算机设备及存储介质 |
CN116452604A (zh) * | 2023-04-10 | 2023-07-18 | 南京邮电大学 | 一种复杂变电站场景分割方法、设备及存储介质 |
-
2023
- 2023-11-28 CN CN202311596962.3A patent/CN117314903B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3046810A1 (en) * | 2016-12-16 | 2018-06-21 | Walmart Apollo, Llc | Systems and methods for assessing available cargo capacity for multiple vehicles |
CA3036009A1 (en) * | 2018-05-25 | 2019-11-25 | Mettler-Toledo Gmbh | Dynamic pallet dimensioning - forklift taring |
CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
CN109655019A (zh) * | 2018-10-29 | 2019-04-19 | 北方工业大学 | 一种基于深度学习和三维重建的货物体积测量方法 |
CN112529874A (zh) * | 2020-12-14 | 2021-03-19 | 上海智蕙林医疗科技有限公司 | 基于三维雷达的障碍物检测方法、装置、介质和机器人 |
CN112945137A (zh) * | 2021-02-01 | 2021-06-11 | 中国矿业大学(北京) | 一种基于单线激光雷达与测距仪的仓储矿堆扫描装备 |
CN113689280A (zh) * | 2021-07-21 | 2021-11-23 | 四川港投云港科技有限公司 | 基于区块链的供应链金融的实现方法 |
CN116266363A (zh) * | 2021-12-16 | 2023-06-20 | 顺丰科技有限公司 | 物品体积计算方法、装置、电子设备及可读存储介质 |
CN116363192A (zh) * | 2021-12-27 | 2023-06-30 | 顺丰科技有限公司 | 仓储货物的体积测量方法、装置、计算机设备及存储介质 |
CN115236628A (zh) * | 2022-07-26 | 2022-10-25 | 中国矿业大学 | 一种基于激光雷达检测车厢残留货物的方法 |
CN116452604A (zh) * | 2023-04-10 | 2023-07-18 | 南京邮电大学 | 一种复杂变电站场景分割方法、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Semantic Geometric modelling of unstructured indoor point cloud;Wenzhong Shi ET AL;《international Journal of Geo-information》;第8卷(第1期);1-20 * |
基于激光扫描的体积测量系统;张巍等;《计算机系统应用》;第29卷(第04期);107-112 * |
Also Published As
Publication number | Publication date |
---|---|
CN117314903A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551453B2 (en) | Method and apparatus for shelf feature and object placement detection from shelf images | |
CN111461107B (zh) | 用于识别感兴趣区的材料搬运方法、装置和系统 | |
US10115035B2 (en) | Vision system and analytical method for planar surface segmentation | |
US11227405B2 (en) | Determining positions and orientations of objects | |
CN117314903B (zh) | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 | |
Kim et al. | Automated dimensional quality assessment of precast concrete panels using terrestrial laser scanning | |
US9327406B1 (en) | Object segmentation based on detected object-specific visual cues | |
US20170069075A1 (en) | Classifier generation apparatus, defective/non-defective determination method, and program | |
CN113031005B (zh) | 基于激光雷达的吊车动态障碍物识别方法 | |
Guldur | Laser-based structural sensing and surface damage detection | |
KR102660837B1 (ko) | 딥러닝 기반 경사지 균열 감지 방법과 이를 이용한 산사태 조기 감지 방법 및 그 장치 | |
Sansoni et al. | Optoranger: A 3D pattern matching method for bin picking applications | |
CN113689429B (zh) | 一种基于计算机视觉的木板缺陷检测方法 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN108074232A (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
Lee et al. | Deep learning based 3D defect detection system using photometric stereo illumination | |
JP2015125685A (ja) | 空間構造推定装置、空間構造推定方法及び空間構造推定プログラム | |
CN115100116A (zh) | 一种基于三维点云的板材缺陷检测方法 | |
CN115533902A (zh) | 一种基于视觉引导的拆垛方法、装置、电子设备及系统 | |
Mirzaei et al. | End-to-end point cloud-based segmentation of building members for automating dimensional quality control | |
Nguyen et al. | Accurate and fast extraction of planar surface patches from 3D point cloud | |
KR101150754B1 (ko) | 영상처리를 이용한 약품상자 영역 검출 시스템 및 방법 | |
CN110490865B (zh) | 基于螺柱高反光特性的螺柱点云分割方法 | |
Bhowmick et al. | A novel floor segmentation algorithm for mobile robot navigation | |
Yogeswaran | 3D Surface Analysis for the Automated Detection of Deformations on Automotive Panels |
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 |