火车装车3D模型的重心偏移检测方法与流程

火车装车3d模型的重心偏移检测方法
技术领域
1.本发明属于火车装车技术领域，涉及一种火车装车3d模型的重心偏移检测方法。


背景技术：

2.火车在装车时，由于货品的不断增加，车厢重心出现偏移，大大影响车厢的稳定，有必要对装车过程重心偏移进行控制，便于根据重心偏移度大小进行调整。现有的火车重心偏移度不能进行实时控制，且由于影响偏移度的因素较多，不能对采集的数据进行有效的处理，导致最终的结果出现偏差，偏移度不够精确，给后续的调整带来不便。


技术实现要素：

3.针对现有火车装车重心偏移难以控制以及检测误差大的技术问题，本发明提供一种火车装车3d模型的重心偏移检测方法及检测装置，利用激光雷达生成火车装车3d模型实现偏移度的检测，偏移度易控制且误差小。
4.为了实现上述目的，本发明采用的技术方案是：
5.一种火车装车3d模型的重心偏移检测方法，包括以下步骤：
6.1)雷达扫描获取点云数据，并进行预处理轨道区域内的点云数据；
7.2)利用欧式算法对轨道区域内的点云数据进行聚类划分，区分出每个独立的车厢；
8.3)根据聚类划分的结果，针对每个车厢，分别计算车厢点云块的中心点；
9.4)根据中心点的坐标，选择中心点靠近雷达中心的点云，把车厢点云数据进行过滤得到装车点云；
10.5)继续利用降维算法计算车厢的平均高度a、计算重心偏移度b以及生成装车3d模型c；
11.6)根据装车3d模型c对装车进行可视化，根据平均高度a和重心偏移度b判断装车结果的好坏。
12.进一步的，所述步骤2)中，欧式算法的具体步骤为：
13.1.1)找到轨道区域内的点云数据空间中任意点p10，用kdtree找到离p10最近的n个点，p12，p13，p14
…
p1n，判断这n个点到p10的距离，将距离小于阈值r的点p12，p13，p14
…
放在类q(p10)里；
14.1.2)在q(p10)里找到一点p12，重复步骤1.1)；
15.1.3)继续在q(p10，p12)找到一点p1n，重复步骤1.1)，将距离小于阈值r的点全部放进q(p10，p12，p1n)里；
16.1.4)不断重复，直至类q中的点数目多少不变时，则完成聚类划分。
17.进一步的，所述步骤3)中，选择中心点x坐标在[-1,1]之间的点云块，计算每个车厢点云块的中心点。
[0018]
进一步的，所述步骤4)中，过滤车厢的过程是：
[0019]
4.1)通过z坐标，将车厢点云数据分割成n份宽度为w的点云块；
[0020]
4.2)对每一块点云中的每个当前点，分别计算当前点与其他任一个点之间的高度差h和平面距离d；
[0021]
4.3)根据上述结果进一步计算r＝h/d，并将r》3.0的点过滤掉；
[0022]
4.4)每个分割的点云块都重复步骤4.2)和步骤4.3)，最后剩余的点云即为装车点云。
[0023]
进一步的，所述步骤4.2)中，设当前点为p1(x1，y1，z1),其他任一个点为p2(x2，y2，z2)，则高度差为h＝y2-y1，平面距离为
[0024]
进一步的，所述步骤5)中，平均高度a的计算过程是：
[0025]
5.a1)分别计算点云x、y、z方向的最小值min(x)、min(y)、min(z)；
[0026]
5.a2)选取x、y、z方向特征尺度大小，x方向和z方向均以x方向最大的值、z方向最大的值为尺度，y方向选取比较小的值为尺度，对x、y、z各个方向的尺度做倒数，作为各个轴向的尺度因子λx，λy，λz；
[0027]
5.a3)计算点云中每个点pt(x，y，z)在各个轴上的特征值，特征值的公式如下：
[0028]
vx＝(pt(x)-min(x))
×
λx；
[0029]
vy＝(pt(y)-min(y))
×
λy；
[0030]
vz＝(pt(z)-min(z))
×
λz；
[0031]
其中：vx为x轴特征值；pt(x)是点的x坐标；λx是x方向尺度因子，min(x)是整体点云在x轴方向的最小值，vy为y轴特征值；pt(y)是点的y坐标；λy是y方向尺度因子，min(y)是整体点云在y轴方向的最小值；vz为z轴特征值；pt(z)是点的z坐标；λz是z方向尺度因子，min(z)是整体点云在z轴方向的最小值；
[0032]
5.a4)每个点的特征向量值是每个点各个轴向特征向量之和v＝vx+vy+vz；
[0033]
5.a5)依据步骤5.a4)计算的特征向量值，对点云进行排序；
[0034]
5.a6)统计相同特征向量中的点云个数，找到最大值，求该组相同特征向量的点云的高度值的平均值，即平均高度hav。
[0035]
进一步的，所述步骤5)中，重心偏移度b的计算过程是：
[0036]
5.b1)计算装车点云的中心点，以中心点x坐标为分割点，分割成前后两块点云；
[0037]
5.b2)通过x坐标将装车点云分割成均匀的2m份，每份点云之间的距离是(xmax-xmin)/(2m-1)，xmax为点云x轴最大值，xmin为点云x轴最小值；对每份点云依据z坐标排序，得到排序后的点云数组pt[n]，求取有序点云在yz平面的面积，面积s的计算公式为：
[0038]
s＝∑{(pt(n+1).y+pt(n).y)
×
(pt(n+1).z-pt(n).z)}
÷
2.0
[0039]
其中：pt(n+1).y表示第n+1个点的y坐标，pt(n).y表示第n个点的y坐标，pt(n+1).z表示第n+1个点的z坐标，pt(n).z表示第n个点的z坐标；
[0040]
5.b3)计算两个相邻剖面组成的多面体的体积，对所有剖面体积求和，计算点云总体积：
[0041]
v＝∑{(s(n+1)+s(n))
×
(xmax-xmin)
÷
(m-1)
÷
2}；
[0042]
其中：s(n+1)表示第n+1个剖面的面积；s(n)表示第n个剖面的面积；
[0043]
5.b4)两块点云体积，体积小的为vmin，体积大的为vmax，重心偏移率γ＝vmin
÷
vmax。
[0044]
进一步的，所述步骤6)中，重心偏移度b即重心偏移率γ，b趋于0～1，且b越接近1装车结果越好。
[0045]
本发明的有益效果是：本发明提供一种火车装车3d模型重心偏移度的检测方法，通过对点云数据预处理，对在轨道区域的点云数据通过聚类分析划分出不同的车厢块，对位于雷达下方的车厢点云数据，过滤车厢，保留装车物料点云，对装车物料点云生成3d模型；通过装车点云数据中的高度分布，提取出装车平均高度，把装车点云通过中心点，分割成前后两块点云，分别计算体积，通过计算前后两块点云体积比率，得到装车重心偏移度，检测结果准确。本发明通过雷达实时扫描装车现场，生成的装车3d模型真实，对装车进行可视化，便于对装车进行监控，实现散装物品的装车，且装置结果简单。
附图说明
[0046]
图1为本发明提供的检测方法系统图；
[0047]
图2为本发明采用的欧式聚类的方法示意图。
具体实施方式
[0048]
现结合附图以及实施例对本发明做详细的说明。
[0049]
实施例1
[0050]
参见图1，本发明提供的火车装车3d模型的重心偏移检测方法，包括以下步骤：
[0051]
1)通过雷达扫描获取点云数据，并进行预处理轨道区域内的点云数据；
[0052]
2)利用欧式算法对轨道区域内的点云数据进行聚类划分，区分出每个独立的车厢；
[0053]
3)根据聚类划分的结果，针对每个车厢，分别计算车厢点云块的中心点；
[0054]
4)根据中心点的坐标，选择中心点靠近雷达中心的点云，把车厢点云数据进行过滤得到装车点云；
[0055]
5)利用降维算法计算车厢的平均高度a、计算重心偏移度b以及生成装车3d模型c；
[0056]
6)根据装车3d模型c对装车重心偏移度进行可视化，根据平均高度a和重心偏移度b判断装车结果的好坏。
[0057]
参见图2，本实施例步骤2)中，通过欧式算法(即欧几里德算法)，对轨道上的车厢点云做划分，区分出每个独立的车厢；对于欧式算法聚类来说，距离判断准则为欧氏距离。
[0058]
具体的，欧几里德算法具体的实现过程是：
[0059]
1.1)找到轨道区域内的点云数据空间中任意点p10，用kdtree找到离p10最近的n个点，p12，p13，p14
…
p1n，判断这n个点到p10的距离，将距离小于阈值r的点p12，p13，p14
…
放在类q(p10)里；
[0060]
1.2)在q(p10)里找到一点p12，重复步骤1.1)；
[0061]
1.3)继续在q(p10，p12)找到一点p1n，重复步骤1.1)，将距离小于阈值r的点p22,p23,p24
…
全部放进q(p10，p12，p1n)里；
[0062]
1.4)不断重复，直至类q中的点数目多少不变时，则完成聚类划分。
[0063]
本实施例中，p10是点云数据中的任意一点；q(p10)是初次启动搜索时，搜索到的与p10空间距离小于r的点集合；q(p10,p12)是第一次搜索完成，产生的集合q(10)中随意找
一个点p12(排除p10)，在点云数据中找到距离小于r的点的集合，新的集合为了与上次的集合做区别，命名为q(p10,p12)。p12,p13,p14,p22等代表每次搜索到的不同的点。
[0064]
本实施例步骤3)中，选择中心点x坐标在[-1,1]之间的点云块，计算每个车厢点云块的中心点。
[0065]
本实施例步骤4)中，计算每个车厢点云块的中心点，选择中心点x坐标在[-1,1]之间的点云块，对装车车厢点云做处理，过滤掉四周的车厢，只保留车厢中煤炭的装载表面点云。过滤车厢的过程具体是：
[0066]
4.1)通过z坐标，将车厢点云数据分割成n份宽度为w的点云块；
[0067]
4.2)对每一块点云中的每个当前点，分别计算当前点与其他任一个点之间的高度差h和平面距离d；
[0068]
4.3)根据上述结果进一步计算r＝h/d，并将r》3.0的点过滤掉；
[0069]
4.4)每个分割的点云块都重复步骤4.2)和步骤4.3)，最后剩余的点云即为装车点云。
[0070]
进一步的，在步骤4.2)中，以两个点之间的高度差h和平面距离d的计算进行说明。
[0071]
具体的，设当前点为p1(x1,y1,z1),其他任一个点为p2(x2,y2,z2)，则高度差为h＝y2-y1,平面距离为
[0072]
本实施例步骤5)中，对过滤了车厢的装车物料点云，通过降维算法，提取高度方向的特征值，通过对高度值的分布，计算装车平均高度a和重心偏移度b。
[0073]
具体的，平均高度a的计算过程是：
[0074]
5.a1)分别计算点云x、y、z方向的最小值min(x)、min(y)、min(z)；
[0075]
5.a2)选取x、y、z方向特征尺度大小，x方向和z方向分别以x方向最大的值、z方向最大的值为尺度，y方向选取比较小的值为尺度，对x、y、z各个方向的尺度做倒数，作为各个轴向的尺度因子λx，λy，λz；由于现场装车高度一般在1m以内，y方向的尺度选取0.1；
[0076]
5.a3)计算点云中每个点pt(x，y，z)在各个轴上的特征值，特征值的公式如下：
[0077]
vx＝(pt(x)-min(x))
×
λx；
[0078]
vy＝(pt(y)-min(y))
×
λy；
[0079]
vz＝(pt(z)-min(z))
×
λz；
[0080]
其中：vx为x轴特征值；pt(x)是点的x坐标；λx是x方向尺度因子，min(x)是整体点云在x轴方向的最小值，vy为y轴特征值；pt(y)是点的y坐标；λy是y方向尺度因子，min(y)是整体点云在y轴方向的最小值；vz为z轴特征值；pt(z)是点的z坐标；λz是z方向尺度因子，min(z)是整体点云在z轴方向的最小值；
[0081]
5.a4)每个点的特征向量值是每个点各个轴向特征向量之和v＝vx+vy+vz；
[0082]
5.a5)依据步骤5.a4)计算的特征向量值，对点云进行排序；
[0083]
5.a6)统计相同特征向量中的点云个数，找到最大值，求该组相同特征向量的点云的高度值的平均值，即平均高度hav。
[0084]
本实施例步骤5)中，重心偏移度b的计算过程是：
[0085]
5.b1)计算装车点云的中心点，以中心点x坐标为分割点，分割成前后两块点云；
[0086]
5.b2)通过x坐标将装车点云分割成均匀的2m份，每份点云之间的距离是(xmax-xmin)/(2m-1)，xmax为点云x轴最大值，xmin为点云x轴最小值；对每份点云依据z坐标排序，
得到排序后的点云数组pt[n]，求取有序点云在yz平面的面积，面积s的计算公式为：
[0087]
s＝∑{(pt(n+1).y+pt(n).y)
×
(pt(n+1).z-pt(n).z)}
÷
2.0
[0088]
其中：pt(n+1).y表示第n+1个点的y坐标，pt(n).y表示第n个点的y坐标，pt(n+1).z表示第n+1个点的z坐标，pt(n).z表示第n个点的z坐标；
[0089]
5.b3)计算两个相邻剖面组成的多面体的体积，对所有剖面体积求和，计算点云总体积：
[0090]
v＝∑{(s(n+1)+s(n))
×
(xmax-xmin)
÷
(m-1)
÷
2}；
[0091]
其中：s(n+1)表示第n+1个剖面的面积；s(n)表示第n个剖面的面积；
[0092]
5.b4)两块点云体积，体积小的为vmin，体积大的为vmax，重心偏移率γ＝vmin
÷
vmax
[0093]
步骤6)中，重心偏移度b即重心偏移率γ，b趋于0～1，且b越接近1效果越好；在判断装车效果时，a是参考，b起重要或决定性作用。
[0094]
本实施例步骤5)中，对装车点云生成3d模型。
[0095]
本实施例中，生成3d模型是通用方法，点云库为现有方法，直接生成3d模型，pcl点云库为公开的库。
[0096]
本实施例提供的检测方法，将雷达安装在轨道正上方中间顶部，x轴为轨道方向，垂直地面向上方向为y轴，xz平面为地面，通过z坐标，排除大于固定坐标或小于固定坐标的点云，即可过滤掉轨道两侧的点云，排除大于y坐标固定值的点云，可以过滤掉顶部的点云，保留轨道区域内的点云数据，能有效的数据进行去噪处理，保证检测结果的准确性；用于散装物品装车的重心偏移检测，检测结果准确度高，且通过3d模型对装车过程进行可视化，真实反映装置现场，易于监控装车过程。