一种基于激光雷达点云的车厢散料超限检测方法

技术领域

本发明涉及点云检测技术，具体设计了一种基于激光雷达点云的车厢散料超限检测方法。

背景技术

现有散料装车高度依赖人工在装料现场指挥，车辆行驶至装料地点后，通过现场的画线标记判断车辆是否到达下料位置，然后指挥控制室进行下料操作，装料现场往往灰尘污染严重，工人在现场观察并指挥对人体伤害巨大；散料装载一段时间后，需要挪动车辆继续装载，也需要工人判断散料是否装满该段车厢，并指挥车辆移动，同样对工人依赖性较大，自动化程度不高。

公开号为CN115953400A的中国专利公开了一种基于三维点云物体表面的腐蚀坑自动检测方法，其中通过自动匹配拍摄物体表面点云和理想物体表面点云达到自动识别物体表面上的腐蚀坑，提供了一种基于点云检测物体的思路，但是无法将其直接应用在车厢散料超限检测具体场景中。

发明内容

本发明针对以上问题，提供一种基于激光雷达点云的车厢散料超限检测方法。

采用的技术方案是，一种基于激光雷达点云的车厢散料超限检测方法，包括以下步骤：

对车辆与下料口的信息进行提取，并获取旋转矩阵；

对散料点云提取，并判断是否超限；

其中：

所述对车辆与下料口的信息进行提取，并获取旋转矩阵，包括以下步骤：

S1.使用激光雷达采集包含车辆与下料口的点云数据PCD；

S2.通过直通滤波移除环境中的杂点；

S3.通过欧式聚类算法将点云数据分割为辅助平面点云、车厢点云、下料口点云三部分；

S4.对辅助平面点云进行平面拟合；

S5.通过直通滤波提取车厢底部平面点云并拟合平面；

S6.在可视化窗口中查看位姿矫正后的点云位置与姿态，并判断是否有利于信息提取；

所述对散料点云提取，并判断是否超限，包括以下步骤：

A1.输入散料高度限值h，并获取带有车厢中散料的检测点云数据；

A2.对检测点云数据进行位姿变换；

A3.通过直通滤波在检测点云数据中提取出散料点云，并使用欧式聚类分割移除散料点云中的漂浮杂点；

A4.判断散料点云在竖直方向的最大值是否小于车辆车厢在竖直方向最大值减去散料高度限值。

进一步的，S1中，通过可视化窗口查看点云数据中的车辆与下料口是否达到指定位置，若未达到指定位置，则需移动车辆或下料口，直至达到指定位置。

可选的，S2中，设定三维滤波方向向量为（A,B,C），并垂直于三维滤波方向向量建立两个相互平行，且不重合的平面：

Ax+By+Cz+D1=0；

Ax+By+Cz+D2=0；

同时，基于下式移除大块杂点：

；

；

其中，x、y、z分别为笛卡尔三维直角坐标系的三个轴，PCD为使用激光雷达采集的包含车辆与下料口的点云数据，A、B、C分别为三维滤波方向向量在x、y、z方向上的分量， D1和D2分别为两个平面的常数量。

进一步的，S3中，所述欧式聚类算法中，设置距离阈值，计算点与点之间的距离，若距离小于距离阈值，则将这两个点划分为同一个点集，否则将这两个点划分至不同的点集；同时设置最小聚类点数C

可选的，S4中，在对辅助平面点云进行平面拟合中，先计算拟合平面的法向量N1与y轴之间的夹角α和旋转轴向量K1，然后通过夹角α和旋转轴向量K1计算旋转矩阵R1，最后将旋转矩阵R1作为y轴旋转矩阵对分割出的所有点云进行位姿变换，其中夹角α的计算公式为：

；

式中，α为拟合平面的法向量N1与y轴之间的夹角，

旋转轴向量K1的计算公式为：

；

式中，

旋转矩阵R1的计算公式为：

；

式中，R1为旋转矩阵，E为单位矩阵，α为拟合平面的法向量N1与y轴之间的夹角，

。

进一步的，S5中，直通滤波提取车厢底部平面点云并拟合平面，计算拟合平面的法向量N2与x轴之间的夹角

；

式中，

旋转轴向量K2的计算公式为：

式中，

旋转矩阵R2的计算公式为：

；

式中，R2为旋转矩阵，E为单位矩阵，

。

可选的，S6中，在可视化窗口中查看位姿矫正后的点云位置与姿态是否有利于信息提取，若不利于信息提取，则需移动车辆或下料口，重新执行S1至S5的操作，若位姿有利于信息提取，则提取并记录y轴旋转矩阵R1、x轴旋转矩阵R2、下料口点云、车辆车厢在x轴的最大值和最小值、车辆车厢在y轴的最大值和最小值，其中通过观察车厢侧面平面点云是否与yoz平面平行，车厢底部平面点云是否与xoz平面平行，若都平行，则有利于信息提取。

进一步的，A2中，通过使用y轴旋转矩阵R1和x轴旋转矩阵R2对检测点云进行位姿变换，得到点云

；

式中，

然后通过下料口点云对检测点云进行KdTree半径搜索，并在检测点云中移除搜索到的点云，其中被移除的点云为

；

式中，

；

；

式中，

为/>

i为点云

j为点云

分别为点/>

分别为点/>

可选的，A3中，所述欧式聚类分割移除散料点云中的漂浮杂点为设置最小聚类点数C

进一步的，A4中，提取散料点云在y轴的最大值，判断散料点云在y轴的最大值是否小于车辆的车厢在y轴最大值减去散料高度限值h，若小于，则发出超限警告，否则继续下料，对下一帧检测点云数据进行检测。

本发明的有益效果至少包括以下之一；

1、提供了一种基于激光雷达点云的车厢散料超限检测方法，在车辆与下料口到达指定位置之后，装散料之前获取车辆车厢与下料口的信息，用于后续对散料点云的处理过程，避免了装料过程中散料遮挡车厢导致的车厢信息缺失问题，以及避免下料口对散料信息提取的影响。

2、在未装料时，提取并记录y轴旋转矩阵、x轴旋转矩阵、下料口点云、车辆车厢在x轴的最大最小值、车辆车厢在y轴的最大值和最小值，并在后续的每一帧点云中使用这些信息，可提升后续的点云处理速度，有利于实时检测散料装载量，降低数据的延迟和滞后。

附图说明

图1为车辆与下料口信息提取以及旋转矩阵获取流程图；

图2为散料点云提取流程图；

图3为检测流程图；

具体实施方式

以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。

需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。

实施例1

一种基于激光雷达点云的车厢散料超限检测方法，其中包括以下步骤：

对车辆与下料口的信息进行提取，并获取旋转矩阵；

对散料点云提取，并判断是否超限；

其中：

所述对车辆与下料口的信息进行提取，并获取旋转矩阵，包括以下步骤：

S1.使用激光雷达采集包含车辆与下料口的点云数据PCD；

S2.通过直通滤波移除环境中的杂点；

S3.通过欧式聚类算法将点云数据分割为辅助平面点云、车厢点云、下料口点云三部分；

S4.对辅助平面点云进行平面拟合；

S5. 通过直通滤波提取车厢底部平面点云并拟合平面；

S6. 在可视化窗口中查看位姿矫正后的点云位置与姿态，并判断是否有利于信息提取；

所述对散料点云提取，并判断是否超限，包括以下步骤：

A1.输入散料高度限值h，并获取带有车厢中散料的检测点云数据；

A2. 对检测点云数据进行位姿变换；

A3.通过直通滤波在检测点云数据中提取出散料点云，并使用欧式聚类分割移除散料点云中的漂浮杂点；

A4. 判断散料点云在竖直方向的最大值是否小于车辆车厢在竖直方向最大值减去散料高度限值。

这样设计的目的在于，提供了一种基于激光雷达点云的车厢散料超限检测方法，在车辆与下料口到达指定位置之后，装散料之前获取车辆车厢与下料口的信息，用于后续对散料点云的处理过程，避免了装料过程中散料遮挡车厢导致的车厢信息缺失问题，以及避免下料口对散料信息提取的影响。在未装料时，提取并记录y轴旋转矩阵、x轴旋转矩阵、下料口点云、车辆车厢在x轴的最大最小值、车辆车厢在y轴的最大值和最小值，并在后续的每一帧点云中使用这些信息，可提升后续的点云处理速度，有利于实时检测散料装载量，降低数据的延迟和滞后。

实施例2

一种基于激光雷达点云的车厢散料超限检测方法，其中包括以下步骤：

对车辆与下料口的信息进行提取，并获取旋转矩阵；

对散料点云提取，并判断是否超限；

其中：

所述对车辆与下料口的信息进行提取，并获取旋转矩阵，包括以下步骤：

S1.使用激光雷达采集包含车辆与下料口的点云数据PCD；

S2.通过直通滤波移除环境中的杂点；

S3.通过欧式聚类算法将点云数据分割为辅助平面点云、车厢点云、下料口点云三部分；

S4.对辅助平面点云进行平面拟合；

S5. 通过直通滤波提取车厢底部平面点云并拟合平面；

S6. 在可视化窗口中查看位姿矫正后的点云位置与姿态，并判断是否有利于信息提取；

所述对散料点云提取，并判断是否超限，包括以下步骤：

A1.输入散料高度限值h，并获取带有车厢中散料的检测点云数据；

A2. 对检测点云数据进行位姿变换；

A3.通过直通滤波在检测点云数据中提取出散料点云，并使用欧式聚类分割移除散料点云中的漂浮杂点；

A4. 判断散料点云在竖直方向的最大值是否小于车辆车厢在竖直方向最大值减去散料高度限值。

如图1和图3所示，在S1中，通过可视化窗口查看点云数据中的车辆与下料口是否达到指定位置，若未达到指定位置，则需移动车辆或下料口，直至达到指定位置。

在S2中，设定三维滤波方向向量为（A,B,C），并垂直于三维滤波方向向量建立两个相互平行，且不重合的平面：

Ax+By+Cz+D1=0；

Ax+By+Cz+D2=0；

同时，基于下式移除大块杂点：

；

；

其中，x、y、z分别为笛卡尔三维直角坐标系的三个轴，PCD为使用激光雷达采集的包含车辆与下料口的点云数据，A、B、C分别为三维滤波方向向量在x、y、z方向上的分量， D1和D2分别为两个平面的常数量。

在S3中，所述欧式聚类算法中，设置距离阈值，计算点与点之间的距离，若距离小于距离阈值，则将这两个点划分为同一个点集，否则将这两个点划分至不同的点集；同时设置最小聚类点数C

在S4中，S4中，在对辅助平面点云进行平面拟合中，先计算拟合平面的法向量N1与y轴之间的夹角α和旋转轴向量K1，然后通过夹角α和旋转轴向量K1计算旋转矩阵R1，最后将旋转矩阵R1作为y轴旋转矩阵对分割出的所有点云进行位姿变换，其中夹角α的计算公式为：

；

式中，α为拟合平面的法向量N1与y轴之间的夹角，

旋转轴向量K1的计算公式为：

；

式中，

旋转矩阵R1的计算公式为：

；

式中，R1为旋转矩阵，E为单位矩阵，α为拟合平面的法向量N1与y轴之间的夹角，

。

在S5中，直通滤波提取车厢底部平面点云并拟合平面，计算拟合平面的法向量N2与x轴之间的夹角

；

式中，

旋转轴向量K2的计算公式为：

式中，

旋转矩阵R2的计算公式为：

；

式中，R2为旋转矩阵，E为单位矩阵，

。

在S6中，在可视化窗口中查看位姿矫正后的点云位置与姿态是否有利于信息提取，若不利于信息提取，则需移动车辆或下料口，重新执行S1至S5的操作，若位姿有利于信息提取，则提取并记录y轴旋转矩阵R1、x轴旋转矩阵R2、下料口点云、车辆车厢在x轴的最大值和最小值、车辆车厢在y轴的最大值和最小值，其中通过观察车厢侧面平面点云是否与yoz平面平行，车厢底部平面点云是否与xoz平面平行，若都平行，则有利于信息提取。

如图2和图3所示，在A2中，通过使用y轴旋转矩阵R1和x轴旋转矩阵R2对检测点云进行位姿变换，得到点云

；

式中，

然后通过下料口点云对检测点云进行KdTree半径搜索，并在检测点云中移除搜索到的点云，这样避免下料口对散料点云提取的影响，其中被移除的点云为

；

式中，

；

；

式中，

为/>

i为点云

j为点云

分别为点/>

分别为点/>

在A3中，所述欧式聚类分割移除散料点云中的漂浮杂点为设置最小聚类点数C

在A4中，提取散料点云在y轴的最大值，判断散料点云在y轴的最大值是否小于车辆的车厢在y轴最大值减去散料高度限值h，若小于，则发出超限警告，否则继续下料，对下一帧检测点云数据进行检测。

需要指出的是，在部分使用场景中，旋转矩阵又被称作矫正矩阵，其实质为相同的内容，仅本领域技术人员表述习惯间的差异，同时，本申请提供的技术方案主要可以概括为两个大的步骤，一个步骤是激光雷达采集包含车辆与下料口的车辆点云数据后，使用直通滤波移除环境中多余的大块杂点，进而使用欧式聚类分割对点云进行分割，获取y轴旋转矩阵与x轴旋转矩阵，对分割出的所有点云进行位姿变换，最后提取并记录车辆与下料口的信息；

另一个步骤是控制下料，并开始获取带有车厢中散料的检测点云数据，分别使用y轴旋转矩阵和x轴旋转矩阵对检测点云进行位姿变换，移除下料口点云，最后使用直通滤波在处理后的检测点云中提取出散料点云，并判断散料点云是否超限。

最后应说明的是：以上仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。