CN112529958B - 一种单激光雷达散货货船舱口位置识别方法 - Google Patents
一种单激光雷达散货货船舱口位置识别方法 Download PDFInfo
- Publication number
- CN112529958B CN112529958B CN202011434857.6A CN202011434857A CN112529958B CN 112529958 B CN112529958 B CN 112529958B CN 202011434857 A CN202011434857 A CN 202011434857A CN 112529958 B CN112529958 B CN 112529958B
- Authority
- CN
- China
- Prior art keywords
- hatch
- point cloud
- point
- contour
- cloud data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 9
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 238000003672 processing method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 239000003245 coal Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
一种单激光雷达散货货船舱口位置识别方法,它属于船舱口位置识别技术领域。本发明解决了采用现有方法对散货货船舱口进行识别时存在误差,以及无法识别出船舱四边平面的空间信息的问题。本发明基于点云球面映射,将点云转换为图像,使用图像处理方法进行舱口的识别与定位,再使用点云逆映射计算出舱口在三维空间中的位置。将点云能够存储三维空间信息的优势和对图像处理运算量相对较小的优势进行结合,实现了货船舱口位置的识别,同时识别出了舱口四壁平面的空间信息。本发明可以应用于船舱口位置识别。
Description
技术领域
本发明属于船舱口位置识别技术领域,具体涉及一种单激光雷达散货货船舱口位置识别方法。
背景技术
随着我国经济的发展,散货码头特别是散货的货运量正不断增加,实现无人装船作业能够提高散货转船作业效率、增强操作可靠性、减少人员工作风险,而实现舱口位置的识别,是无人装船作业中的关键一步。使用激光雷达获取点云数据在工业生产和无人驾驶等领域已经得到了长期且稳定的应用。相比于普通相机,激光雷达穿透力强、对光照条件要求低,特别适用于煤炭码头粉尘较大的工作环境。
对点云数据直接处理,已经有诸多研究成果,且有开源算法库PCL(point cloudlibrary)和MeshLab可以用于点云处理,包括对点云进行降采样、滤波降噪、几何特征提取等处理。但是直接对点云进行处理运算量大、算法设计难度高。而图像处理技术相对点云处理技术更加成熟,且在进行几何特征提取时运算量小。
现有的已公布的舱口识别技术,大多将激光雷达采集到的点云转换到货船甲板平面坐标系,或者认为甲板平面与世界参考坐标系坐标轴平行,进而将点云在甲板平面投影,生成深度图,认为船舱在投影深度图中默认是矩形,再使用图像处理技术识别矩形框。这类方法的问题有:(1)在实际装船作业中,货船会存在一定的晃动,即甲板平面和世界参考坐标系之间的转换关系是变化的,通过直接在甲板平面投影生成的深度图会存在误差,进而带来识别误差;(2)仅能识别出舱口的边缘线,而实际装船工作空间在三维空间中,缺少船舱四边平面的空间信息。
发明内容
本发明的目的是为解决采用现有方法对散货货船舱口进行识别时存在误差,以及无法识别出船舱四边平面的空间信息的问题,而提出了一种单激光雷达散货货船舱口位置识别方法。
本发明为解决上述技术问题采取的技术方案是:一种单激光雷达散货货船舱口位置识别方法,所述方法具体包括以下步骤:
步骤一、在装船机上布置安装激光雷达,通过调整视角确保激光雷达采集到的点云数据中包括货船舱口,且采集到的点云数据以货船为主体;
步骤二、对采集的点云数据进行预处理,获得预处理后的点云数据;
步骤三、对预处理后的点云数据进行聚类分析,得到多组点云集合,其中,将包含点云数据最多的集合作为船体点云数据集合;
步骤四、设定点云反射率强度阈值Ith,对步骤三获得的船体点云数据集合中的点云数据进行筛选,将大于等于反射率强度阈值Ith的点云数据筛选出来;
步骤五:获取激光雷达采集点云数据的角范围,将步骤四中筛选出来的点云数据进行球面映射,转换为单通道图像;
步骤六:将步骤五得到的单通道图像进行形态学“闭”运算,形成连通域图;
步骤七:对步骤六生成的连通域图进行轮廓提取,得到若干个轮廓点集;并对得到的轮廓点集进行筛选,得到舱口的轮廓点集Contourhatch;
步骤八、对步骤七得到的轮廓点集Contourhatch求取最小面积包围盒,得到包围盒四个顶点PminBox1、PminBox2、PminBox3、PminBox4,四个顶点顺次首尾连接组成舱口轮廓的四条边;
步骤九、对于舱口的轮廓点集中的任意一点,分别求取该点到四条边的距离,若该点与某条边的距离小于该边对应的阈值,则该点属于该条边,遍历舱口的轮廓点集中的全部点后,分别提取出舱口轮廓的每条边的数据点集;
步骤十、对步骤九提取出的舱口轮廓的每条边的数据点集进行点云球面逆映射,得到四组三维点云集hatchpart1、hatchpart2、hatchpart3、hatchpart4;
步骤十一、分别对步骤十得到的每组三维点云集进行平面拟合,得到四个拟合平面,将得到的四个拟合平面作为舱口四壁平面;
步骤十二:分别计算舱口四壁相对平面的距离,得到舱口空间尺寸。
本发明的有益效果是:本发明提出了一种单激光雷达散货货船舱口位置识别方法,本发明基于点云球面映射,将点云转换为图像,使用图像处理方法进行舱口的识别与定位,再使用点云逆映射计算出舱口在三维空间中的位置。将点云能够存储三维空间信息的优势和对图像处理运算量相对较小的优势进行结合,实现了货船舱口位置的识别,同时识别出了舱口四壁平面的空间信息。本发明克服了现有方法由于货船存在晃动,导致对舱口进行识别存在误差的问题。
附图说明
图1是本发明采集到的原始点云数据图;
图2是本发明采用体素栅格法降采样后点云数据图;
图3是欧式聚类分割后提取出的船体点云数据图;
图4是滤除舱口内煤炭点云数据的结果图;
图5是点云数据球面映射结果图;
图6是图像形态学“闭”处理结果图;
图7是舱口的轮廓点集的识别结果图;
图8是船舱轮廓最小面积包围盒计算结果图;
图9是舱口轮廓四边像素点集分割结果图;
图10是舱口四壁平面识别结果图。
具体实施方式
具体实施方式一:本实施方式所述的一种单激光雷达散货货船舱口位置识别方法,所述方法具体包括以下步骤:
步骤一、在装船机上布置安装激光雷达,通过调整视角确保激光雷达采集到的点云数据中包括货船舱口,且采集到的点云数据以货船为主体;
采集到的原始点云数据如图1所示;
步骤二、对采集的点云数据进行预处理,获得预处理后的点云数据;
步骤三、对预处理后的点云数据进行聚类分析,得到多组点云集合,其中,将包含点云数据最多的集合作为船体点云数据集合;
步骤四、设定点云反射率强度阈值Ith,对步骤三获得的船体点云数据集合中的点云数据进行筛选,将大于等于反射率强度阈值Ith的点云数据筛选出来;
反射率强度阈值Ith的取值根据实际场地测试得到的数据决定,步骤三分割得到的船体点云中,可能包含舱口中的煤炭,其会对舱口识别造成一定干扰。煤炭为纯黑色,其红外反射率明显低于舱口,故根据点云数据点反射率强度进行滤波,滤除煤炭点云,滤除结果如图4所示;
步骤五:获取激光雷达采集点云数据的角范围,将步骤四中筛选出来的点云数据进行球面映射,转换为单通道图像;
步骤六:将步骤五得到的单通道图像进行形态学“闭”运算,形成连通域图;如图6所示;
步骤七:对步骤六生成的连通域图进行轮廓提取,得到若干个轮廓点集;并对得到的轮廓点集进行筛选,得到舱口的轮廓点集Contourhatch;
步骤八、对步骤七得到的轮廓点集Contourhatch求取最小面积包围盒,得到包围盒四个顶点PminBox1、PminBox2、PminBox3、PminBox4,四个顶点顺次首尾连接组成舱口轮廓的四条边;如图8所示;
步骤九、对于舱口的轮廓点集中的任意一点,分别求取该点到四条边的距离,若该点与某条边的距离小于该边对应的阈值,则该点属于该条边,遍历舱口的轮廓点集中的全部点后,分别提取出舱口轮廓的每条边的数据点集;如图9所示;
步骤十、对步骤九提取出的舱口轮廓的每条边的数据点集进行点云球面逆映射,转换到三维空间,得到四组三维点云集hatchpart1、hatchpart2、hatchpart3、hatchpart4;
步骤十一、分别对步骤十得到的每组三维点云集进行平面拟合,得到四个拟合平面,将得到的四个拟合平面作为舱口四壁平面;
通过对平面进行拟合得到四个空间平面的方程Ax+By+Cz=D,得到了舱口四壁平面在空间中的位置;
步骤十二:分别计算舱口四壁相对平面的距离,得到舱口空间尺寸。
至此,完成了散货货船的舱口识别,识别结果如图10所示。
本发明的优势在于:(1)不依赖货船甲板平面和激光雷达坐标系之间的转换关系,直接在激光雷达坐标系中识别,激光雷达固定安装在装船机上,识别结果可以直接转换到装船机坐标系,且识别精度不受货船晃动带来的影响;(2)点云球面映射是无损可逆变换,即点云转换到平面图像后仍可通过逆变换转换回点云,可以保留空间三维信息;(3)能够识别计算出船舱四壁的平面参数,可用于装船作业的碰撞检测。
本发明仅使用单个激光雷达的数据即可实现散货货船的舱口识别,相对多激光雷达识别方案成本更低。利用点云球面映射方法,将图像处理技术应用于点云识别,算法效率高,对计算平台算力要求低。
具体实施方式二、本实施方式与具体实施方式一不同的是:所述步骤二中,对采集的点云数据进行预处理,预处理的方法为体素栅格法。
本实施方式中,采用体素栅格法对原始点云数据进行降采样,能够减少点云数据点数量,降采样后的点云数据如图2所示,实验中原始点云包含24000个数据点,降采样后为14109个。
具体实施方式三、本实施方式与具体实施方式二不同的是:所述步骤三中,对预处理后的点云数据进行聚类分析,所采用的是欧式聚类法。
对降采样后的点云数据进行聚类分析,因为采集的点云数据中货船为主体,所以聚类分析后,其中点云数量最大的聚类体为船体,提取结果如图3所示。
具体实施方式四、本实施方式与具体实施方式三不同的是:所述步骤五的具体过程为:
其中,(rowi,coli)为点云数据球面映射成二维图像的像素坐标,生成的二维图像为单通道图像。
球面映射结果如图5所示。
具体实施方式五、本实施方式与具体实施方式四不同的是:所述步骤七的具体过程为:
使用Canny算子提取连通域图的轮廓,得到若干轮廓点集Contouri,设定轮廓点集中的点数量大小范围(Cmin,Cmax),轮廓包围面积大小范围(Smin,Smax),将满足范围(Cmin,Cmax)和(Smin,Smax)的轮廓点集筛选出来作为舱口的轮廓点集Contourhatch。
轮廓点集中的点数量大小范围和轮廓包围面积大小范围也是根据实际场地测试得到的数据决定的,舱口的轮廓点集的识别结果如图7所示。
具体实施方式六、本实施方式与具体实施方式五不同的是:所述步骤九的具体过程为:
对于舱口的轮廓点集Contourhatch中的任意一点(x2,y2),若舱口轮廓的某条边的两个端点坐标分别为(x1,y1)和(x3,y3),则点(x2,y2)到该条边的距离d为:
同理,计算出点(x2,y2)到其它三条边的距离;
将属于每条边的点的距离阈值分别设定为dth1、dth2、dth3、dth4,在对应阈值内的点属于对应的边;
遍历舱口的轮廓点集Contourhatch中的所有点后,分别提取出属于舱口轮廓的每条边的数据点集,即将舱口轮廓点集Contourhatch分成了四份,分别属于舱口四壁的平面。
对于舱口的轮廓点集Contourhatch中的任意一点,分别计算出该点到每条边的距离,将第一条边的距离阈值设定为dth1,将第二条边的距离阈值设定为dth2,将第三条边的距离阈值设定为dth3,将第四条边的距离阈值设定为dth4,如果该点到第一条边的距离小于等于dth1,且该点到第二条边的距离大于dth2、该点到第三条边的距离大于dth3、该点到第四条边的距离大于dth4,则该点属于第一条边,否则当该点满足了第一条边的阈值后,若该点还满足第二条边的阈值或该点还满足第三条边的阈值或该点还满足第四条边阈值,即该点满足阈值的边数大于等于2条,则将该点筛除;
同理,即可提取出属于舱口轮廓的每条边的数据点集。
具体实施方式七、本实施方式与具体实施方式六不同的是:所述步骤十一中,对步骤十得到的每组三维点集进行平面拟合,平面拟合所采用的方法为SVD法(Singular ValueDecompositionm)。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种单激光雷达散货货船舱口位置识别方法,其特征在于,该方法包括以下步骤:
步骤一、在装船机上布置安装激光雷达,通过调整视角确保激光雷达采集到的点云数据中包括货船舱口,且采集到的点云数据以货船为主体;
步骤二、对采集的点云数据进行预处理,获得预处理后的点云数据;
步骤三、对预处理后的点云数据进行聚类分析,得到多组点云集合,其中,将包含点云数据最多的集合作为船体点云数据集合;
步骤四、设定点云反射率强度阈值Ith,对步骤三获得的船体点云数据集合中的点云数据进行筛选,将大于等于反射率强度阈值Ith的点云数据筛选出来;
步骤五:获取激光雷达采集点云数据的角范围,将步骤四中筛选出来的点云数据进行球面映射,转换为单通道图像;
步骤六:将步骤五得到的单通道图像进行形态学“闭”运算,形成连通域图;
步骤七:对步骤六生成的连通域图进行轮廓提取,得到若干个轮廓点集;并对得到的轮廓点集进行筛选,得到舱口的轮廓点集Contourhatch;
步骤八、对步骤七得到的轮廓点集Contourhatch求取最小面积包围盒,得到包围盒四个顶点PminBox1、PminBox2、PminBox3、PminBox4,四个顶点顺次首尾连接组成舱口轮廓的四条边;
步骤九、对于舱口的轮廓点集中的任意一点,分别求取该点到四条边的距离,若该点与某条边的距离小于该边对应的阈值,则该点属于该条边,遍历舱口的轮廓点集中的全部点后,分别提取出舱口轮廓的每条边的数据点集;
步骤十、对步骤九提取出的舱口轮廓的每条边的数据点集进行点云球面逆映射,得到四组三维点云集hatchpart1、hatchpart2、hatchpart3、hatchpart4;
步骤十一、分别对步骤十得到的每组三维点云集进行平面拟合,得到四个拟合平面,将得到的四个拟合平面作为舱口四壁平面;
步骤十二:分别计算舱口四壁相对平面的距离,得到舱口空间尺寸。
2.根据权利要求1所述的一种单激光雷达散货货船舱口位置识别方法,其特征在于,所述步骤二中,对采集的点云数据进行预处理,预处理的方法为体素栅格法。
3.根据权利要求2所述的一种单激光雷达散货货船舱口位置识别方法,其特征在于,所述步骤三中,对预处理后的点云数据进行聚类分析,所采用的是欧式聚类法。
5.根据权利要求4所述的一种单激光雷达散货货船舱口位置识别方法,其特征在于,所述步骤七的具体过程为:
使用Canny算子提取连通域图的轮廓,得到若干轮廓点集Contouri,设定轮廓点集中的点数量大小范围(Cmin,Cmax),轮廓包围面积大小范围(Smin,Smax),将满足范围(Cmin,Cmax)和(Smin,Smax)的轮廓点集筛选出来作为舱口的轮廓点集Contourhatch。
6.根据权利要求5所述的一种单激光雷达散货货船舱口位置识别方法,其特征在于,所述步骤九的具体过程为:
对于舱口的轮廓点集Contourhatch中的任意一点(x2,y2),若舱口轮廓的某条边的两个端点坐标分别为(x1,y1)和(x3,y3),则点(x2,y2)到该条边的距离d为:
同理,计算出点(x2,y2)到其它三条边的距离;
将属于每条边的点的距离阈值分别设定为dth1、dth2、dth3、dth4,在对应阈值内的点属于对应的边;
遍历舱口的轮廓点集Contourhatch中的所有点后,分别提取出属于舱口轮廓的每条边的数据点集,即将舱口轮廓点集Contourhatch分成了四份,分别属于舱口四壁的平面。
7.根据权利要求6所述的一种单激光雷达散货货船舱口位置识别方法,其特征在于,所述步骤十一中,对步骤十得到的每组三维点云集进行平面拟合,平面拟合所采用的方法为SVD法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434857.6A CN112529958B (zh) | 2020-12-10 | 2020-12-10 | 一种单激光雷达散货货船舱口位置识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011434857.6A CN112529958B (zh) | 2020-12-10 | 2020-12-10 | 一种单激光雷达散货货船舱口位置识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529958A CN112529958A (zh) | 2021-03-19 |
CN112529958B true CN112529958B (zh) | 2022-08-26 |
Family
ID=74998987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011434857.6A Active CN112529958B (zh) | 2020-12-10 | 2020-12-10 | 一种单激光雷达散货货船舱口位置识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529958B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064179A (zh) * | 2021-03-22 | 2021-07-02 | 上海商汤临港智能科技有限公司 | 一种点云数据筛选方法、车辆控制方法及装置 |
CN113538566B (zh) * | 2021-07-15 | 2023-06-13 | 武汉港迪智能技术有限公司 | 基于激光雷达的货船舱口位置获取方法及*** |
CN113340287B (zh) * | 2021-08-04 | 2021-11-09 | 杭州集益科技有限公司 | 一种装船机船舱舱口识别方法 |
WO2023202136A1 (zh) * | 2022-04-22 | 2023-10-26 | 上海禾赛科技有限公司 | 用于激光雷达的数据处理方法、数据处理装置及激光雷达*** |
CN117152672A (zh) * | 2023-09-06 | 2023-12-01 | 理工雷科智途(北京)科技有限公司 | 一种基于点云多边形拟合的船舱行驶区域划分方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336282A (zh) * | 2013-06-17 | 2013-10-02 | 上海海事大学 | 一种自动船舱定位装置及其定位方法 |
WO2018025842A1 (ja) * | 2016-08-04 | 2018-02-08 | 株式会社Hielero | 点群データ変換システム、その方法、及びプログラム |
CN110118526A (zh) * | 2019-03-08 | 2019-08-13 | 浙江中海达空间信息技术有限公司 | 一种支持实时监测的船载砂石体积自动计算方法 |
CN111238382A (zh) * | 2020-01-21 | 2020-06-05 | 北京驭光科技发展有限公司 | 船舶高度测量方法和船舶高度测量装置 |
CN111402404A (zh) * | 2020-03-16 | 2020-07-10 | 贝壳技术有限公司 | 全景图补全方法、装置、计算机可读存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10378891B2 (en) * | 2007-12-28 | 2019-08-13 | Outotec Pty Ltd | System and method for measuring and mapping a surface relative to a reference |
-
2020
- 2020-12-10 CN CN202011434857.6A patent/CN112529958B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336282A (zh) * | 2013-06-17 | 2013-10-02 | 上海海事大学 | 一种自动船舱定位装置及其定位方法 |
WO2018025842A1 (ja) * | 2016-08-04 | 2018-02-08 | 株式会社Hielero | 点群データ変換システム、その方法、及びプログラム |
CN110118526A (zh) * | 2019-03-08 | 2019-08-13 | 浙江中海达空间信息技术有限公司 | 一种支持实时监测的船载砂石体积自动计算方法 |
CN111238382A (zh) * | 2020-01-21 | 2020-06-05 | 北京驭光科技发展有限公司 | 船舶高度测量方法和船舶高度测量装置 |
CN111402404A (zh) * | 2020-03-16 | 2020-07-10 | 贝壳技术有限公司 | 全景图补全方法、装置、计算机可读存储介质及电子设备 |
Non-Patent Citations (2)
Title |
---|
AN ANTI-COLLISION METHOD OF SLIP BARREL FOR AUTOMATIC SHIP LOADING IN BULK TERMINAL;SHEN Yang;《POLISH MARITIME RESEARCH》;20161231;第23卷(第S1期);全文 * |
港口散货全自动装卸设备研究与开发;包起帆等;《中国机械工程》;20081215;第19卷(第23期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529958A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529958B (zh) | 一种单激光雷达散货货船舱口位置识别方法 | |
EP3683721A1 (en) | A material handling method, apparatus, and system for identification of a region-of-interest | |
CN110344621B (zh) | 一种面向智能车库的车轮点云检测方法 | |
WO2021093240A1 (en) | Method and system for camera-lidar calibration | |
CN112417591B (zh) | 基于云台与扫描仪的车辆建模方法、***、介质及设备 | |
Zong et al. | Container ship cell guide accuracy check technology based on improved 3D point cloud instance segmentation | |
CN112613378B (zh) | 3d目标检测方法、***、介质及终端 | |
US20200302237A1 (en) | System and method for ordered representation and feature extraction for point clouds obtained by detection and ranging sensor | |
Miądlicki et al. | Ground plane estimation from sparse LIDAR data for loader crane sensor fusion system | |
CN112233136A (zh) | 基于双目识别的集卡对位方法、***、设备及存储介质 | |
CN115014371A (zh) | 一种用于智慧粮库粮食转运车的定位与建图方法、装置及存储介质 | |
Asvadi et al. | Two-stage static/dynamic environment modeling using voxel representation | |
Bansal et al. | A lidar streaming architecture for mobile robotics with application to 3d structure characterization | |
CN113378647B (zh) | 基于三维点云的实时轨道障碍物检测方法 | |
CN116843742B (zh) | 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及*** | |
CN113420648A (zh) | 一种具有旋转适应性的目标检测方法及*** | |
TW202017784A (zh) | 基於光學雷達之汽車偵測方法 | |
CN113538566A (zh) | 基于激光雷达的货船舱口位置获取方法及*** | |
CN103018728B (zh) | 一种激光雷达实时成像和建筑物特征提取的方法 | |
CN117011362A (zh) | 货物体积的计算方法、容积率的动态计算方法 | |
CN116520351A (zh) | 一种列车状态监测方法、***、存储介质及终端 | |
Wan et al. | Online Obstacle Detection for USV based on Improved RANSAC Algorithm | |
Njaastad et al. | Detection and Inspection Planning for Ship Propeller Blades via Spectral Shape Analysis | |
CN117645174A (zh) | 一种全天候装船机的防碰撞方法、***及电子设备 | |
CN117710725A (zh) | 一种基于自车感知的集装箱箱门识别方法、***及车辆 |
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 |