一种基于推耙机点云配准的高斯预测煤堆体积计算方法与流程

本发明涉及港口自动化领域，尤其涉及一种基于推耙机点云配准的高斯预测煤堆体积计算方法。

背景技术：

1、在船舱环境下，煤堆体积的精确计算是一项至关重要的任务。这一计算过程主要依赖于搭载在推耙机上的高精度激光传感器。这些传感器通过快速扫描，能够详细捕获船舱内部的三维空间信息，进而构建出煤堆的三维模型。基于这一模型，可以精确地计算出船舱内部煤堆的体积。

2、船舱内部的煤堆体积计算对港口运营中的关键设备，如抓斗和螺旋卸船机来说，具有不可忽视的指导意义。准确的体积数据有助于这些设备更加精确地了解船舱内煤堆的分布情况和形态特点，从而优化作业流程，减少无效的操作。

3、同时，精确的体积数据还能够为港口管理部门提供决策支持，帮助他们更加科学地规划和管理煤炭的转运工作。通过优化煤炭的装卸和转运流程，不仅能够提高港口的工作效率，还能够减少能源消耗和环境污染，实现绿色、高效的港口运营。

4、但是在船舱环境下的体积计算中，测量方法往往受到多种因素的限制，如测量精度低、操作复杂等，难以满足现代港口高效、准确的需求。因此，开发一种更为先进、高效的煤堆体积计算方法显得尤为迫切。

5、现有方法例如，一种在中国专利文献上公开的“一种堆场料堆体积计算方法及系统”，其公告号cn115018903a，采用相机采集堆料数据，并使用深度学习模型进行分类识别料堆并计算体积，但是在船舱环境中的煤堆颜色区别较小均为黑色、或者灰色，采用相机的策略并不能应对船舱环境中煤堆体积的计算。

6、其他在中国专利文献上公开的公告号为：cn117152239a的一种基于点云数据的仓内物料体积计算方法及系统，公告号为：cn110889885a的一种基于点云切片的三维对象体积计算方法分别采用三角网格、平面切片的方法对体积进行计算，但是未考虑在点云稀疏情况下点云空缺的情况给体积计算带来的影响。

技术实现思路

1、在本发明主要解决现有技术煤堆体积计算方法受到数据量的限制的问题；提供一种基于推耙机点云配准的高斯预测煤堆体积计算方法，通过对点云进行配准获得定位信息，然后利用高斯预测进行网格构建并计算体积。

2、本发明的上述技术问题主要是通过下述技术方案得以解决的：

3、一种基于推耙机点云配准的高斯预测煤堆体积计算方法，包括以下步骤：

4、s1：在推耙机上安装雷达，获取雷达点云数据；

5、s2：从雷达点云数据中解析得到地图点云数据，将每次获取的雷达点云数据与地图点云数据配准，输出定位信息；

6、s3：将雷达点云数据融合定位信息，增量合成船舱地图；

7、s4：将雷达点云数据向z轴投影，通过方差计算比较筛选船舱边界点云数据，计算船舱边界点云数据的倾斜角度区分船舱壁点云和煤堆点云；

8、s5：将获取到的雷达点云数据进行高斯区域预测，对煤堆点云数据划分网络栅格，通过计算各网络栅格内的煤堆体积获取船舱内煤堆体积。

9、本方案不需要在船舱上和推耙机上安装其他传感器，仅需要激光雷达的点云数据，避免了多设备带来的数据融合困难。通过对点云进行配准获得定位信息，然后利用高斯预测进行网格构建并计算体积，采用高斯预测能够预测点云稀疏处的点云数据，提高体积计算的精准；对点云数据向z轴投影，通过计算比较z轴方差以及倾斜角度，判断船舱壁与煤堆的边界，去除船舱壁对煤堆体积计算的干扰。

10、作为优选，在步骤s4中，区分船舱壁和煤堆点云数据的具体过程包括：

11、s4.1：对所有雷达点云数据向z轴投影，通过计算方差筛选船舱壁的雷达点云数据；

12、s4.2：将筛选后的船舱壁的点云数据及其周边额定距离内点云数据作为边界点云数据，采用极坐标转换对边界点云数据降维处理；

13、s4.3：计算边界点云数据的倾斜角度，通过比较倾斜角度的大小区分出船舱壁和煤堆的分界线。

14、作为优选，划分若干栅格，分别对栅格内所有的雷达点云数据向z轴投影，并计算每个栅格内所有雷达点云数据的z值方差；

15、设置边界点云方差阈值，筛选出z值方差大于边界点云方差阈值的若干栅格作为船舱壁点云栅格；

16、计算筛选后的船舱壁点云栅格的连续性，当船舱壁点云栅格处于连续的情况时，将船舱壁点云栅格内对应的点云数据作为船舱壁的雷达点云数据。

17、船舱壁的垂直的长度最短为4米，其他区域均是非垂直的情况，船舱边界为煤堆边界区分点，具有较大的方差，设置边界点云方差阈值为4；将方差超过4的点云栅格作为船舱壁点云栅格。

18、作为优选，对边界点云数据的三维坐标转化为极坐标；

19、根据边界点云数据的极坐标计算边界点云数据的倾斜角度；

20、若边界点云数据的倾斜角度大于煤堆的最大安息角，则该边界点云数据为船舱壁点云，否则为煤堆点云。

21、船舱壁的角度θ为接近90度，而分界处的角度θ根据煤堆的安息角最大为50度，设置其的分界阈值为50度。

22、作为优选，高斯区域预测的表达式为：

23、

24、其中，为样本点；为预测值。

25、代表稀疏的点云数据，为补齐后的点云数据。

26、为点云噪声；

27、为预测值；

28、为预测值的方差；

29、为核函数。

30、点云稀疏性是所有雷达的共同缺陷，在机械雷达上面尤为明显，它无法做到像相机一样的全部还原。需要将获取到的激光雷达点云数据进行高斯三维重建，选取已有雷达点云数据作为样本集和测试集，生成预测数据分布。

31、作为优选，在步骤s5中，对高斯区域预测重建后的雷达点云数据进行网络栅格划分；

32、遍历地图数据中所有的网络栅格，根据各网络栅格中煤堆点云最高点的值和最低的值，计算单个柱状网络栅格内煤堆的体积；

33、累加所有柱状网络栅格中煤堆的体积获得船舱内煤堆总体积。

34、作为优选，雷达点云数据与地图点云数据配准过程的表达式为：

35、

36、其中，为第i次雷达点云数据与地图点云数据配准的定位信息；

37、为地图点云数据的协方差；

38、为第i次雷达点云数据的协方差；

39、为第i次雷达点云数据与目标点云数据之间的误差；

40、误差的表达式为：

41、

42、其中，为第i次获得的雷达点云数据；

43、为地图点云数据。

44、通过ros话题信息，将单次采集得到的雷达点云信息转化为pcl通信信息；采用pcl将雷达点云信息中的雷达点云数据与地图点云数据进行配准。

45、作为优选，将第一次的雷达点云数据存为地图点云数据，第二次的雷达点云数据与第一次的雷达数据进行配准；

46、第二次以后的配准定位信息为每次采集得到的雷达点云数据和地图点云数据进行配准。

47、由于雷达安装在推耙机的顶部，其扫描获取的雷达点云信息中包括了检测目标的雷达点云数据与推耙机周围的地图点云数据。

48、作为优选，在雷达第一扫描获取的雷达点云数据中，无法区别检测目标的雷达点云数据与地图点云数据，即在第一次点云信息配准时，地图点云数据中没有数据，无法进行定位配准；因此，将第一次的定位信息设为单位矩阵，旋转航向为0，横滚为0，俯仰角为0。

49、作为优选，将每次采集得到的雷达点云数据与对应的配准的定位信息相乘，获得相应采集次数的配准后的点云数据；将所有配准后的点云数据累计，形成船舱地图数据。

50、由于雷达获得的点云信息具有稀疏性，单次的雷达点云数据并不能进行体积计算，通过将单次雷达点云数据转为世界坐标系的点云进行地图配准，配准后的点云数据插入地图，进行增量生成船舱地图数据。

51、本发明的有益效果是：

52、1. 不需要在船舱上和推耙机上安装其他传感器，仅需要激光雷达的点云数据，避免了多设备带来的数据融合困难。

53、2. 采用高斯预测能够预测点云稀疏处的点云数据，提高体积计算的精准。

54、3. 对点云数据向z轴投影，通过计算比较z轴方差以及倾斜角度，判断船舱壁与煤堆的边界，去除船舱壁对煤堆体积计算的干扰。