CN117784169B - 基于3d点云的钢卷轮廓测量方法、设备及介质 - Google Patents

Abstract

本发明涉及一种基于3D点云的钢卷轮廓测量方法、设备及介质，属于测量技术领域，其方法包括：获取目标车辆的点云数据，所述目标车辆所在的区域由分割区域和钢卷区域组成，所述分割区域由车头所在的区域和车板所在的区域组成；基于所述分割区域对应的点云数据对所述目标车辆的点云数据进行分割，得到钢卷区域的点云数据；基于所述钢卷区域的点云数据和预设的钢卷提取规则，计算所述目标车辆的钢卷信息，所述钢卷信息包括钢卷数量、各个钢卷在目标车辆上的排列顺序以及各个钢卷的宽度和直径。本申请具有提高钢卷测量的准确性和效率的效果。

Description

基于3D点云的钢卷轮廓测量方法、设备及介质

技术领域

本发明涉及测量技术领域，尤其涉及一种基于3D点云的钢卷轮廓测量方法、设备及介质。

背景技术

随着物流行业的快速发展，智慧港口建设已成为现代物流的重要方向。作为物流过程中的重要环节，库房的自动化、数字化和智能化也被广泛关注。其中，对于件杂货种的库房管理，特别是钢卷的管理，因其货物的特殊性和复杂性，对技术要求极高。

目前，钢卷由车辆运输至库房中，并将车辆上的钢卷堆放至钢卷堆放区之后，在对放置在钢卷堆放区的钢卷进行测量，通过人工扫描钢卷堆放区域获得钢卷堆放区域的三维点云数据,对钢卷堆放区域的三维点云数据进行聚类分割,分割为多个分离的钢卷簇的三维点云数据;然后对钢卷簇的三维点云数据进行随机抽样,获取钢卷簇的法向量从而获取其表面特征;将钢卷簇的表面特征与标准的钢卷模型的特征进行对比,将符合对比结果的钢卷簇判定为一个或者多个独立钢卷,将独立钢卷的特征信息进行提取,从而对多层码放在钢卷堆内部的独立钢卷进行测量。

但是，将车辆上的钢卷堆放至钢卷堆放区之后，在由人工扫描钢卷堆放区域的效率较低，并且，人工测量的过程中需要手动设置和调整激光雷达的位置和参数，难以实现自动化和快速测量，随机抽样的测量方法无法准确测量每个独立钢卷的位置和数量。从而使得库房管理系统在匹配钢卷鞍座时，由于缺乏准确的数据支持，往往会出现匹配错误的情况，影响库房的运作效率。

发明内容

本发明所要解决的技术问题是：提高钢卷测量的准确性和效率。

本发明解决上述技术问题的技术方案如下：

第一方面，本申请提供一种基于3D点云的钢卷轮廓测量方法，采用如下技术方案：

一种基于3D点云的钢卷轮廓测量方法，包括：

获取目标车辆的点云数据，所述目标车辆所在的区域由分割区域和钢卷区域组成，所述分割区域由车头所在的区域和车板所在的区域组成；

基于所述分割区域对应的点云数据对所述目标车辆的点云数据进行分割，得到钢卷区域的点云数据；

基于所述钢卷区域的点云数据和预设的钢卷提取规则，计算所述目标车辆的钢卷信息，所述钢卷信息包括钢卷数量、各个钢卷在目标车辆上的排列顺序以及各个钢卷的宽度和直径。

本发明的有益效果是：通过从目标车辆的点云数据中分割出钢卷的点云数据，再根据钢卷的点云数据计算车辆上多个钢卷的直径、宽度等，降低传统测量方法中可能出现的误差和不确定性，能够快速实现一次连续多卷扫描，计算出钢卷数量、排布、直径及宽度数据，更精确地测量钢卷的轮廓，从而提高钢卷测量的准确性和效率。可适用于不用类型的车辆和不同规格的钢卷测量。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，在所述获取目标车辆的点云数据之前，还包括：

当有车辆位于目标车辆等待区域时，将所述车辆作为目标车辆；

基于预设的3D激光雷达建图方法，通过3D激光雷达获取所述目标车辆等待区域的点云数据；

基于所述3D激光雷达的位置、方向以及目标车辆等待区域的位置，确定空间直角坐标系；

基于所述空间直角坐标系和所述目标车辆等待区域的尺寸信息，对所述目标车辆等待区域的点云数据进行划分，得到目标车辆的点云数据。

采用上述进一步方案的有益效果是：在车辆位于目标车辆等待区域时，通过控制3D激光雷达启动并基于预设的3D激光雷达建图方法获取目标区域的点云数据，确保所获取的点云数据完整性。通过目标车辆等待区域的尺寸和3D雷达的位置对点云数据进行筛选和划分，分割无关数据，提高后续处理的效率和准确性。

进一步，所述分割区域包括车头区域和车板区域，所述基于所述分割区域对应的点云数据对所述目标车辆的点云数据进行分割，得到钢卷区域的点云数据，包括：

在所述目标车辆的点云数据中提取车板区域的对应点云数据，得到车板区域的点云数据；

在所述车板区域的点云数据中提取车头区域的对应点云数据，得到车头区域的点云数据；

根据所述车板区域的点云数据和所述车头区域的点云数据，分割所述目标车辆的点云数据，得到所述钢卷区域的点云数据。

采用上述进一步方案的有益效果是：通过准确地提取车板区域和车头区域的对应点云数据，排除车板区域和车头区域的对应点云数据对钢卷区域的点云数据的干扰，提高钢卷区域点云数据提取的准确性。

进一步，所述在所述目标车辆的点云数据中提取车板区域的对应点云数据，得到车板区域的点云数据，包括：

对于所述目标车辆的点云数据中的各个点，计算每个点的法线向量；

基于所述目标车辆的点云数据中的各个点、每个点对应的法线向量和预设的第一迭代规则，对预设的平面方程进行循环迭代，直至所述预设的平面方程满足预设条件，得到目标车辆的点云数据的最优平面方程；

根据所述最优平面方程，提取所述目标车辆的点云数据中的车板区域对应的点云数据。

采用上述进一步方案的有益效果是：利用预设的近邻查询算法和迭代规则，可以对大量点云数据进行高效的处理，降低人工设置和调整雷达的参数需要耗费大量的时间和人力。通过迭代算法，可以有效地识别出这样的连续平坦区域，并排除掉不规则区域的影响。这样可以在后续的钢卷提取过程中，更准确地去除车板区域的干扰，从而提高钢卷提取的精确度。

进一步，所述在所述车板区域的点云数据中提取车头区域的对应点云数据，包括：

基于预设的对比算法，将所述车板区域的点云数据和所述目标车辆的点云数据中除了所述车板区域的点云数据之外的其它点云数据作对比，确定所述车头区域对应的点云数据。

采用上述进一步方案的有益效果是：通过对比算法，可以有效地识别出车头区域，并排除掉车头区域的干扰，从而提高钢卷提取的精确度。

进一步，所述基于所述目标车辆的点云数据中的各个点、每个点对应的法线向量和预设的第一迭代规则，对预设的平面方程进行循环迭代，直至所述预设的平面方程满足预设条件，得到目标车辆的点云数据的最优平面方程，包括：

所述基于所述目标车辆的点云数据中的各个点、每个点对应的法线向量和预设的第一迭代规则，对预设的平面方程进行循环迭代，直至所述预设的平面方程满足预设条件，得到目标车辆的点云数据的最优平面方程，包括：

步骤S11，在所述目标车辆的点云数据中选取一个点作为平面内点；

步骤S12，基于所述平面内点、所述平面内点对应的法线向量以及预设的平面方程，确定所述平面内点对应的平面方程；

步骤S13，基于所述平面内点对应的平面方程，遍历所述目标车辆的点云数据中除所述平面内点之外的其它的各个点，分别计算其它的各个点到所述平面内点所在平面的距离；

步骤S14，将其他的各个点到所述平面内点所在平面的距离分别与预设距离阈值比较，确定所述平面内点所在的平面中点的数量；

步骤S15，从所述目标车辆的点云数据中选择一个新的点，作为平面内点，重复执行步骤S12至S15，直到确定所述目标车辆的点云数据中每个点所在的平面中所包含的点的数量，并选取点的数量最多的平面方程作为最优平面方程。

采用上述进一步方案的有益效果是：车板区域通常呈现为一个相对平坦且连续的区域，其法线方向和曲率变化较为一致，因此通过多次迭代，算法会逐渐优化平面方程，使得该平面下的点数量最多，快速确定车板区域。

进一步，所述基于所述分割区域对应的点云数据对所述目标车辆的点云数据中进行分割，得到钢卷区域的点云数据，包括：

根据所车板区域的点云数据和车头区域的点云数据，分割所述目标车辆的点云数据，得到钢卷区域的点云数据。

采用上述进一步方案的有益效果是：通过根据车板区域的点云数据和车头区域的点云数据分割目标车辆的点云数据，可以确保所获取的钢卷区域点云数据的可靠性和完整性。

进一步，所述基于所述钢卷区域的点云数据和预设的钢卷提取规则，计算所述目标车辆的钢卷信息，包括：

在所述钢卷区域的点云数据中提取最大钢卷的点云数据，并根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径；

基于所述最大钢卷的点云数据，对所述钢卷区域的点云数据进行分割，得到在所有钢卷中除了所述最大钢卷之外的剩余钢卷的点云数据，并在剩余钢卷的点云数据中提取最大钢卷的点云数据，根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径，直至计算钢卷区域中所有钢卷的宽度和直径；

根据各个钢卷的宽度、直径、点云数据和预设的对比算法，确定所述目标车辆的钢卷数量和各个钢卷在目标车辆上的排列顺序。

通过采用上述进一步方案的有益效果是：通过按照钢卷的大小对钢卷区域中各个钢卷区域的点云数据进行提取，可以连续计算出钢卷区域中各个钢卷的轮廓以及各个钢卷在目标车辆上的排列顺序，准确测量每个独立钢卷的位置和尺寸。

进一步，所述在所述钢卷区域的点云数据中提取最大钢卷的点云数据，并根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径，包括：

步骤S21，在所述钢卷区域的点云数据中分别选择两个点作为目标点；

步骤S22，基于各个目标点、每个目标点对应的法向量和预设的公式计算目标车辆上最大钢卷的轴线上的点，所述预设的钢卷公式为叉积公式、点向式和点积公式；

步骤S23，基于所述最大钢卷轴线上的点更新预设的初始钢卷方程，得到钢卷方程；

步骤S24，基于所述钢卷方程，遍历所述钢卷区域的点云数据中除了所述目标点其它的各个点，分别计算其它的各个点到最大钢卷的轴线的距离；

步骤S25，从所述钢卷区域的点云数据中选择两个新的点作为目标点，并重复执行步骤S22至步骤S25，直至确定满足预设钢卷条件的钢卷方程，并将满足预设钢卷条件的钢卷方程作为最优钢卷方程；

步骤S26，基于所述最优钢卷方程提取所述最大钢卷的点云数据，并基于所述最优钢卷方程、所述最大钢卷的点云数据、预设的对比算法和投影公式，计算所述最大钢卷的宽度和直径。采用上述进一步方案的有益效果是：通过在钢卷区域的点云数据中选择两个点作为目标点，并基于目标点和法向量计算钢卷轴线上的点，能够准确地确定钢卷的位置和方向。这种方法能够排除其他干扰因素，提高后续处理的准确性。

第二方面，本申请提供一种电子设备，采用如下技术方案：

一种电子设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行第一方面任一项所述的基于3D点云的钢卷轮廓测量方法的计算机程序。

本发明的有益效果是：处理器执行存储器中存储的基于3D电源的钢卷轮廓测量方法，通过从目标车辆的点云数据中分割出钢卷的点云数据，再根据钢卷的点云数据计算车辆上多个钢卷的直径、宽度等，降低传统测量方法中可能出现的误差和不确定性，能够快速实现一次连续多卷扫描，计算出钢卷数量、排布、直径及宽度数据，更精确地测量钢卷的轮廓，从而提高钢卷测量的准确性和效率。

第三方面，本申请提供一种计算机可读存储介质，采用如下技术方案：

一种计算机可读存储介质，存储有能够被处理器加载并执行第一方面任一项所述的基于3D点云的钢卷廓形测量方法的计算机程序。

本发明的有益效果是：处理器加载并执行计算机可读存储介质中存储的计算机程序，电子设备通过从目标车辆的点云数据中分割出钢卷的点云数据，再根据钢卷的点云数据计算车辆上多个钢卷的直径、宽度等，降低传统测量方法中可能出现的误差和不确定性，能够快速实现一次连续多卷扫描，计算出钢卷数量、排布、直径及宽度数据，更精确地测量钢卷的轮廓，从而提高钢卷测量的准确性和效率。

附图说明

图1为本发明基于3D点云的钢卷轮廓测量方法的流程示意图；

图2为本发明中钢卷放置在车辆上的示意图；

图3为本发明中目标车辆位于车辆等待区域的示意图；

图4为本发明中体现目标车辆的车板区域的俯视图；

图5为本发明中体现目标车辆上钢卷区域的俯视图；

图6为本发明一种电子设备的结构框图。

具体实施方式

以下结合附图对本申请作进一步详细说明。

为使本申请实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

本申请实施例提供一种基于3D点云的钢卷轮廓测量方法，该基于3D点云的钢卷轮廓测量方法可由电子设备执行，该电子设备可以为服务器，也可以为移动终端设备，其中服务器可以是独立的物理服务器，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，还可以是提供云计算服务的云服务器；移动终端设备可以是笔记本电脑、台式计算机等，但不局限于此。

下面结合说明书附图对本申请实施例作进一步详细描述。如图1所示，包括步骤S1~S3：

步骤S1，获取目标车辆的点云数据，所述目标车辆所在的区域由分割区域和钢卷区域组成，所述分割区域由车头所在的区域和车板所在的区域组成；

在一种实施方式中，图2为钢卷放置在车辆上的示意图，如图2所示，钢卷由车辆运输至库房中，库房中设置有多个车辆等待区域，以供车辆停放，从而对车辆上的多个钢卷进行测量。

在车辆等待区域的上方均设置有3D激光雷达和位置检测传感器，位置检测传感器用于检测车辆是否进入目标等待区域。

图3为本发明中目标车辆位于车辆等待区域的示意图，最外侧方框表示目标车辆等待区。如图3所示，当车辆进入目标等待区域时，位置传感器向电子设备发送控制信号，电子设备将所述车辆作为目标车辆；并控制3D激光雷达启动，基于预设的3D激光雷达建图方法，获取所述目标区域的点云数据。激光雷达会发射激光束并接收反射回来的信号，通过计算激光束往返的时间或相位差来获取物体的三维坐标。

之后，电子设备基于所述3D激光雷达的位置和方向以及目标车辆等待区域的位置确定空间直角坐标系。在本申请实施例中，如图2和图3所示，以3D激光雷达自身为标准，将垂直于地面向上的方向作为空间直角坐标系的X轴的正方向，将车头朝向的方向作为为Y轴的正方向，将垂直于车头且朝向车辆右侧的方向作为为z轴正方向。

最后，电子设备基于所述空间直角坐标系和所述目标车辆等待区域的尺寸信息对所述目标区域的点云数据进行划分，得到目标车辆的点云数据。

在本申请实施例中，根据车辆等待区画线与雷达的相对位置，确定在x方向的数值限制为0米到正7米的区间，在y方向的数值限制为正10米到负10米的区间，在z方向上的数值限制为负2米到正4米的区间，即可得到目标车辆的点云数据。

步骤S2，基于所述分割区域对应的点云数据对所述目标车辆的点云数据进行分割，得到钢卷区域的点云数据；

在一种实施方式中，分割区域包括车头区域和车板区域。为提高后续钢卷提取的精确度，需识别出车板区域对应的点云数据和车头区域对应的点云数据，用于排除车板区域和车头区域的对应点云数据对钢卷区域的点云数据的干扰，提高钢卷区域点云数据提取的准确性。

具体的，电子设备首先在所述目标车辆的点云数据中提取车板区域的对应点云数据，得到车板区域的点云数据；之后，在所述车板区域的点云数据中提取车头区域的对应点云数据，得到车头区域的点云数据；最后，根据车板区域的点云数据和车头区域的点云数据，分割所述目标车辆的点云数据，得到钢卷区域的点云数据。

作为在所述目标车辆的点云数据中提取车板区域的对应点云数据，得到车板区域的点云数据的一种实施方式，包括步骤Sa~ Sc：

步骤Sa，对于所述目标车辆的点云数据中的各个点，基于预设的近邻查询算法，计算每个点的法线向量；

在一种实施方式中，将目标车辆的点云数据中任意一个点记为，对于每个点 ，利用KD-Tree的近邻查询算法，找到其最近的 k 个邻近点，， …，；

使用下述公式计算每个邻近点 与中心点 的协方差矩阵；

；

；

其中，表示邻近点 与中心点 的协方差矩阵，表示协方差矩阵的第j 个特征值，表示第j个特征向量。

之后，对于每个协方差矩阵C，计算其特征值和对应的特征向量，找到最小的特征 值对应的特征向量，即为点的法线向量。

步骤Sb，基于所述目标车辆的点云数据中的各个点、每个点对应的法线向量和预设的第一迭代规则，对预设的平面方程进行循环迭代，直至所述预设的平面方程满足预设条件，得到目标车辆的点云数据的最优平面方程；

在一种实施方式中，具体的，步骤Sb包括如下子步骤：

步骤S11，在所述目标车辆的点云数据中选取一个点作为平面内点；

步骤S12，基于所述平面内点、所述平面内点对应的法线向量以及预设的平面方程，确定所述平面内点对应的平面方程；

步骤S13，基于所述平面内点对应的平面方程，遍历所述目标车辆的点云数据中除所述平面内点之外的其它的各个点，分别计算其它的各个点到所述平面内点所在平面的距离；

步骤S14，将其他的各个点到所述平面内点所在平面的距离分别与预设距离阈值比较，确定所述平面内点所在的平面中点的数量；

步骤S15，从所述目标车辆的点云数据中选择一个新的点，作为平面内点，重复执行步骤S12至S15，直到确定所述目标车辆的点云数据中每个点所在的平面中所包含的点的数量，并选取点的数量最多的平面方程作为最优平面方程。

下面对上述步骤S11~S15进行解释说明。

如图4所示，图4中在目标车辆的俯视图中示意的标记了车板区域。电子设备在目 标车辆的点云数据中随机选择一点(,,)，作为平面的内点；

之后，结合法线估计求得的当前点的法线，利用预设的点法式公式，即 可求得平面方程为：

之后，利用点到平面的距离计算公式，遍历剩余点，，…，计算点到 平面的距离d，若距离d小于设定的距离阈值，那么则认为属于该平面的内点，否则为外 点；点到平面的距离计算公式为：

最后，根据设置的重复迭代次数n，在迭代次数内内点数量最多的平面方程为最优平面方程，即为车板区域的平面方程，该方程下的内点就是车板区域点云集，外点就是其余点云集。

步骤Sc，根据所述最优平面方程，提取所述目标车辆的点云数据中的车板区域对应的点云数据；

在一种实施方式中，提取最优平面方程下的点到平面的距离d小于设定的距离阈 值的点，将所有点到平面的距离d小于设定的距离阈值的点作为车板区域对应的点云数 据。

需要说明的是，使用迭代算法和设置迭代次数是为了找到点云中最大的平面区域，即车板区域。通过多次迭代，算法会逐渐优化平面方程，使得该平面下的内点数量最多。最大平面方程之所以被认为是车板区域，是因为在实际的车辆点云数据中，车板区域通常呈现为一个相对平坦且连续的区域，其法线方向和曲率变化较为一致。通过迭代算法，可以有效地识别出这样的连续平坦区域，并排除掉其他如车头、车尾等不规则区域的影响。这样可以在后续的钢卷提取过程中，更准确地去除车头和车板区域的干扰，从而提高钢卷提取的精确度。

作为在所述车板区域的点云数据中提取车头区域的对应点云数据的一种实施方式，包括：

基于预设的对比算法，将所述车板区域的点云数据和所述目标车辆的点云数据中除了所述车板区域的点云数据之外的其它点云数据作对比，确定所述车头区域对应的点云数据。

通过对比算法，可以有效地识别出车头区域，并排除掉车头区域的干扰，从而提高钢卷提取的精确度。

在一种实施方式中，根据如图2和图3的空间坐标系中每个坐标轴的方向，电子设 备读取车板区域的点云数据，设置车板区域在方向上最大为，在y方向上最小为，在方向上最大为，在方向上最小为，车板区域每个点的坐标为，，…，。

之后，提取第一个点，其坐标为，使；；提取第二个点，其坐标为，将第一个点的y坐标与第 二个点的y坐标作对比，将第一个点的z坐标与第二个点的z坐标作对比，求出y坐标的 最大值或最小值以及求出z坐标的最大值或最小值。依次提取点到，并按照上述对比 法进行对比，将求出车板区域在，方向的极值，因车板与钢卷在、方向在同一区域， 即可分割出车头区域点云所在的区域为车头区域。

如图5所示，图5为钢卷区域的俯视图，因车板区域与钢卷区域的在、方向在同 一区域，即可分割出车头区域的点云数据，再将车板区域的点云数据从剩余点云数据中分 割出去，留下点云即为钢卷区域点云。

步骤S3，基于所述钢卷区域的点云数据和预设的钢卷提取规则，计算所述目标车辆的钢卷信息，所述钢卷信息包括钢卷数量、各个钢卷在目标车辆上的排列顺序以及各个钢卷的宽度和直径。

需要说明的是，电子设备将目标车辆上采集到的钢卷数量、装载顺序、直径及宽度等信息发送至库房管理系统，用于天车调度规划。

在一种实施方式中，步骤S3包括如下子步骤：

首先，在所述钢卷区域的点云数据中提取最大钢卷的点云数据，并根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径；需要说明饿的是最大钢卷的点云数据为钢卷区域中直径最大的钢卷。

其次，基于所述最大钢卷的点云数据，对所述钢卷区域的点云数据进行分割，得到在所有钢卷中除了所述最大钢卷之外的剩余钢卷的点云数据，并根据预设的第三点云识别规则在剩余钢卷的点云数据中提取最大钢卷的点云数据，根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径，直至计算钢卷区域中所有钢卷的宽度和直径；

最后，根据各个钢卷的宽度、直径、点云数据和预设的对比算法，确定所述目标车辆的钢卷数量和各个钢卷在目标车辆上的排列顺序。

通过按照钢卷的大小对钢卷区域中各个钢卷区域的点云数据进行提取，可以连续计算出钢卷区域中各个钢卷的轮廓以及各个钢卷在目标车辆上的排列顺序，准确测量每个独立钢卷的位置和尺寸。

作为在所述钢卷区域的点云数据中提取最大钢卷的点云数据，并根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径的一种实施方式，包括：

步骤S21，在所述钢卷区域的点云数据中分别选择两个点作为目标点；

步骤S22，基于各个目标点、每个目标点对应的法向量和预设的公式计算目标车辆上最大钢卷的轴线上的点，所述预设的钢卷公式为叉积公式、点向式和点积公式；

步骤S23，基于所述最大钢卷轴线上的点更新预设的初始钢卷方程，得到钢卷方程；

步骤S24，基于所述钢卷方程，遍历所述钢卷区域的点云数据中除了所述目标点其它的各个点，分别计算其它的各个点到最大钢卷的轴线的距离；

步骤S25，从所述钢卷区域的点云数据中选择两个新的点作为目标点，并重复执行步骤S22至步骤S25，直至确定满足预设钢卷条件的钢卷方程，并将满足预设钢卷条件的钢卷方程作为最优钢卷方程；

步骤S26，基于所述最优钢卷方程提取所述最大钢卷的点云数据，并基于所述最优钢卷方程、所述最大钢卷的点云数据、预设的对比算法和投影公式，计算所述最大钢卷的宽度和直径。

下面上述步骤S21~S26进行解释说明。

假设电子设备随机选择两个点(,,)、(,,)，及其对应的法 向量、作为钢卷上的点及其法向量，两个向量的叉积为同时 垂直于两向量的共垂向量，即钢卷轴线向量，其中，叉积公式为：

；

其中，，，。

将钢卷轴线与向量的交点记为P、钢卷轴线与向量的交点 记为Q，利用点向式与点积公式联立如下方程组，根据方程组得到点P、Q两点坐 标，选一点即可作为钢卷轴线上的点。

其中，所述方程组为：

之后，根据预设的钢卷方程计算点到钢卷轴线的距离，并遍历剩余点，…，计 算点到钢卷轴线的距离d,若距离d小于设定的距离阈值，那么则认为属于钢卷的内点， 否则为外点；复迭代次数n，在迭代次数内内点数量最多且内点数大于内点数阈值的方 程即为最优钢卷方程，该方程下的内点就是钢卷区域点云集，外点就是其余点云集。

预设的钢卷方程为：

。

在得出最优钢卷方程后，先利用直径公式、对比法、投影公式得到钢卷直径、宽度等信息，再根据循环分割法，最终得到钢卷数量及摆列顺序。

具体的，利用直径公式、对比法、投影公式得到钢卷直径、宽度等信息，再根据循环分割法，最终得到钢卷数量及摆列顺序包括：

首先，根据最优钢卷方程，计算钢卷半径r,以及钢卷中心轴线。通 过以下直径公式，即可求得钢卷直径d；

。

之后，根据预设的对比法，计算该钢卷在方向上最大值，以及在方向上 极值和相对应的点，；

将方向极值对应的点投影到钢卷中心轴线上，利用以下公式，即可求得钢卷中 心轴线的投影部分长度可作为钢卷宽度w。

；

其中，为两极值点的向量，B为钢卷中心轴线，表示A在B上的投影，表示B的模长。

在计算得到钢卷直径和宽度数据后，继续对钢卷区域的点云数据进行循环提取，并对钢卷区域点云进行已提取点云进行分割，得到剩余点云，便于剩余钢卷的提取，直至确定钢卷区域所有钢卷的宽度和直径。循环提取的钢卷的点云数据分别存储在不同变量中，循环次数即为钢卷数量。

本方法通过从目标车辆的点云数据中分割出钢卷的点云数据，再根据钢卷的点云数据计算车辆上多个钢卷的直径、宽度等，降低传统测量方法中可能出现的误差和不确定性，能够快速实现一次连续多卷扫描，计算出钢卷数量、排布、直径及宽度数据，更精确地测量钢卷的轮廓，从而提高钢卷测量的准确性和效率。可适用于不用类型的车辆和不同规格的钢卷测量。

图6为本申请实施例一种电子设备300的结构框图。

如图6所示，电子设备300包括处理器301和存储器302，还可以进一步包括信息输入/信息输出(I/O)接口303以及通信组件304中的一种或多种。

其中，处理器301用于控制电子设备300的整体操作，以完成上述的基于3D点云的钢卷轮廓测量方法中的全部或部分步骤；存储器302用于存储各种类型的数据以支持在电子设备300的操作，这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，SRAM)、电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，EEPROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、只读存储器(Read-OnlyMemory，ROM)、磁存储器、快闪存储器、磁盘或光盘中的一种或多种。

I/O接口303为处理器301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件304用于测试电子设备300与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(NearField Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件304可以包括：Wi-Fi部件，蓝牙部件，NFC部件。

通信总线305可包括一通路，在上述组件之间传送信息。通信总线305可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA (ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。通信总线305可以分为地址总线、数据总线、控制总线等。

电子设备300可以被一个或多个应用专用集成电路 (ApplicationSpecificIntegrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例给出的基于3D点云的钢卷轮廓测量方法。

电子设备300可以包括但不限于数字广播接收器、PDA（个人数字助理）、PMP（便携式多媒体播放器）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端，还可以为服务器等。

下面对本申请实施例提供的计算机可读存储介质进行介绍，下文描述的计算机可读存储介质与上文描述的基于3D点云的钢卷轮廓测量方法可相互对应参照。

本申请还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述的基于3D点云的钢卷轮廓测量方法的步骤。

该计算机可读存储介质可以包括：U盘、移动硬盘、只读存储器 (R ead-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的申请范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离前述申请构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中申请的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种基于3D点云的钢卷轮廓测量方法，其特征在于，包括:

获取目标车辆的点云数据，所述目标车辆所在的区域由分割区域和钢卷区域组成，所述分割区域由车头所在的区域和车板所在的区域组成；

基于所述分割区域对应的点云数据对所述目标车辆的点云数据进行分割，得到钢卷区域的点云数据；

基于所述钢卷区域的点云数据和预设的钢卷提取规则，计算所述目标车辆的钢卷信息，所述钢卷信息包括钢卷数量、各个钢卷在目标车辆上的排列顺序以及各个钢卷的宽度和直径；

所述基于所述钢卷区域的点云数据和预设的钢卷提取规则，计算所述目标车辆的钢卷信息，包括：

在所述钢卷区域的点云数据中提取最大钢卷的点云数据，并根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径；

基于所述最大钢卷的点云数据，对所述钢卷区域的点云数据进行分割，得到在所有钢卷中除了所述最大钢卷之外的剩余钢卷的点云数据，并在剩余钢卷的点云数据中提取最大钢卷的点云数据，根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径，直至计算钢卷区域中所有钢卷的宽度和直径；

根据各个钢卷的宽度、直径、点云数据和预设的对比算法，确定所述目标车辆的钢卷数量和各个钢卷在目标车辆上的排列顺序。

2.根据权利要求1所述的一种基于3D点云的钢卷轮廓测量方法，其特征在于，在所述获取目标车辆的点云数据之前，还包括：

当有车辆位于目标车辆等待区域时，将所述车辆作为目标车辆；

基于预设的3D激光雷达建图方法，通过3D激光雷达获取所述目标车辆等待区域的点云数据；

基于所述3D激光雷达的位置、方向以及目标车辆等待区域的位置，确定空间直角坐标系；

基于所述空间直角坐标系和所述目标车辆等待区域的尺寸信息，对所述目标车辆等待区域的点云数据进行划分，得到目标车辆的点云数据。

3.根据权利要求2所述的一种基于3D点云的钢卷轮廓测量方法，其特征在于，所述分割区域包括车头区域和车板区域，所述基于所述分割区域对应的点云数据对所述目标车辆的点云数据进行分割，得到钢卷区域的点云数据，包括：

在所述目标车辆的点云数据中提取车板区域的对应点云数据，得到车板区域的点云数据；

在所述车板区域的点云数据中提取车头区域的对应点云数据，得到车头区域的点云数据；

根据所述车板区域的点云数据和所述车头区域的点云数据，分割所述目标车辆的点云数据，得到所述钢卷区域的点云数据。

4.根据权利要求3所述的一种基于3D点云的钢卷轮廓测量方法，其特征在于，所述在所述目标车辆的点云数据中提取车板区域的对应点云数据，得到车板区域的点云数据，包括：

对于所述目标车辆的点云数据中的各个点，计算每个点的法线向量；

基于所述目标车辆的点云数据中的各个点、每个点对应的法线向量和预设的第一迭代规则，对预设的平面方程进行循环迭代，直至所述预设的平面方程满足预设条件，得到目标车辆的点云数据的最优平面方程；

根据所述最优平面方程，提取所述目标车辆的点云数据中的车板区域对应的点云数据。

5.根据权利要求3所述的一种基于3D点云的钢卷轮廓测量方法，其特征在于，所述在所述车板区域的点云数据中提取车头区域的对应点云数据，包括：

基于预设的对比算法，将所述车板区域的点云数据和所述目标车辆的点云数据中除了所述车板区域的点云数据之外的其它点云数据作对比，确定所述车头区域对应的点云数据。

6.根据权利要求4所述的一种基于3D点云的钢卷轮廓测量方法，其特征在于，所述基于所述目标车辆的点云数据中的各个点、每个点对应的法线向量和预设的第一迭代规则，对预设的平面方程进行循环迭代，直至所述预设的平面方程满足预设条件，得到目标车辆的点云数据的最优平面方程，包括：

步骤S11，在所述目标车辆的点云数据中选取一个点作为平面内点；

步骤S12，基于所述平面内点、所述平面内点对应的法线向量以及预设的平面方程，确定所述平面内点对应的平面方程；

步骤S13，基于所述平面内点对应的平面方程，遍历所述目标车辆的点云数据中除所述平面内点之外的其它的各个点，分别计算其它的各个点到所述平面内点所在平面的距离；

步骤S14，将其他的各个点到所述平面内点所在平面的距离分别与预设距离阈值比较，确定所述平面内点所在的平面中点的数量；

步骤S15，从所述目标车辆的点云数据中选择一个新的点，作为平面内点，重复执行步骤S12至S15，直到确定所述目标车辆的点云数据中每个点所在的平面中所包含的点的数量，并选取点的数量最多的平面方程作为最优平面方程。

7.根据权利要求1所述的一种基于3D点云的钢卷轮廓测量方法，其特征在于，所述在所述钢卷区域的点云数据中提取最大钢卷的点云数据，并根据所述最大钢卷的点云数据计算所述最大钢卷的宽度和直径，包括：

步骤S21，在所述钢卷区域的点云数据中分别选择两个点作为目标点；

步骤S22，基于各个目标点、每个目标点对应的法向量和预设的公式计算目标车辆上最大钢卷的轴线上的点，所述预设的钢卷公式为叉积公式、点向式和点积公式；

步骤S23，基于所述最大钢卷轴线上的点更新预设的初始钢卷方程，得到钢卷方程；

步骤S24，基于所述钢卷方程，遍历所述钢卷区域的点云数据中除了所述目标点其它的各个点，分别计算其它的各个点到最大钢卷的轴线的距离；

步骤S25，从所述钢卷区域的点云数据中选择两个新的点作为目标点，并重复执行步骤S22至步骤S25，直至确定满足预设钢卷条件的钢卷方程，并将满足预设钢卷条件的钢卷方程作为最优钢卷方程；

步骤S26，基于所述最优钢卷方程提取所述最大钢卷的点云数据，并基于所述最优钢卷方程、所述最大钢卷的点云数据、预设的对比算法和投影公式，计算所述最大钢卷的宽度和直径。

8.一种电子设备，其特征在于，包括处理器，所述处理器与存储器耦合；

所述处理器用于执行所述存储器中存储的计算机程序，以使得所述电子设备执行如权利要求1至7任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，包括计算机程序或指令，当所述计算机程序或指令在计算机上运行时，使得所述计算机执行如权利要求1-7任一项所述的方法。