CN113888621B - 装载率确定方法、装置、边缘计算服务器及存储介质 - Google Patents

装载率确定方法、装置、边缘计算服务器及存储介质 Download PDF

Info

Publication number
CN113888621B
CN113888621B CN202111150654.9A CN202111150654A CN113888621B CN 113888621 B CN113888621 B CN 113888621B CN 202111150654 A CN202111150654 A CN 202111150654A CN 113888621 B CN113888621 B CN 113888621B
Authority
CN
China
Prior art keywords
point cloud
cloud data
target vehicle
target
compartment
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
Application number
CN202111150654.9A
Other languages
English (en)
Other versions
CN113888621A (zh
Inventor
曹玉社
许亮
李峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongkehai Micro Beijing Technology Co ltd
Original Assignee
Zhongkehai Micro Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongkehai Micro Beijing Technology Co ltd filed Critical Zhongkehai Micro Beijing Technology Co ltd
Priority to CN202111150654.9A priority Critical patent/CN113888621B/zh
Publication of CN113888621A publication Critical patent/CN113888621A/zh
Application granted granted Critical
Publication of CN113888621B publication Critical patent/CN113888621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • 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
    • G06T2207/10016—Video; Image sequence
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明实施例提供了一种装载率确定方法、装置、边缘计算服务器及存储介质，所述方法包括：获取图像采集设备采集的视频流数据，对视频流数据进行处理，确定被探测目标车辆是否进入预设装货区；在确定目标车辆进入预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测；获取电磁波设备探测电磁波设备视野内区域而产生的全视野点云数据，从全视野点云数据中筛选目标点云数据，目标点云数据包括目标车辆车厢内部对应的点云数据；利用目标点云数据确定目标车辆车厢的空余容积，基于空余容积确定目标车辆车厢的装载率。通过图像采集设备与电磁波设备的相互配合，可以实现对车辆车厢的装载率进行智能的测定。

Description

装载率确定方法、装置、边缘计算服务器及存储介质
技术领域
本发明实施例涉及计算机技术领域，尤其涉及一种装载率确定方法、装置、边缘计算服务器及存储介质。
背景技术
在物流领域，装载率一般指实际所载货物体积除以货车最大可载货体积。装载率可分为瞬时装载率和过程装载率，瞬时装载率是指货车到港或者离港时给出的货车装载率值，过程装载率指的是货物装卸过程中货车的实时装载率。
装载率是一种评估物流领域中营运效率的方法，可以用于反映物流中车辆转场的工作情况。从而在物流领域中，可以根据货车的装载率来合理调度车辆，以便充分利用车辆资源，降低物流成本且在一定程度上提高运行效率。
相关技术中，针对货车的装载量，一般是通过称重的方式执行。然而，通过称重的方式，只能获得货车所载货物的重量，无法获得货车的装载率，也就意味着在物流行业内，现今还没有对货车的装载率进行智能测定的解决方案。
发明内容
为了解决上述在物流行业内，现今还没有对货车的装载率进行智能测定的解决方案的技术问题，本发明实施例提供了一种装载率确定方法、装置、边缘计算服务器及存储介质。
在本发明实施例的第一方面，首先提供了一种装载率确定方法，应用于边缘计算服务器，所述方法包括：
获取图像采集设备采集的视频流数据，对所述视频流数据进行处理，确定被探测目标车辆是否进入预设装货区；
在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测；
获取所述电磁波设备探测所述电磁波设备视野内区域而产生的全视野点云数据，从所述全视野点云数据中筛选目标点云数据，所述目标点云数据包括所述目标车辆车厢内部对应的点云数据；
利用所述目标点云数据确定所述目标车辆车厢的空余容积，基于所述空余容积确定所述目标车辆车厢的装载率。
在一个可选的实施方式中，所述在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测，包括：
在确定所述目标车辆进入所述预设装货区后停止运动且所述目标车辆的车尾车门处于打开状态后，开启电磁波设备，并调用所述电磁波设备对电磁波设备视野内区域进行探测。
在一个可选的实施方式中，所述从所述全视野点云数据中筛选目标点云数据，包括：
基于预设的过滤规则，对所述全视野点云数据进行过滤，得到部分视野点云数据；
从所述部分视野点云数据中筛选目标点云数据。
在一个可选的实施方式中，所述基于预设的过滤规则，对所述全视野点云数据进行过滤，得到部分视野点云数据，包括：
获取针对所述电磁波设备预先设置的角度范围；
从所述全视野点云数据中，过滤掉所述角度范围之外的点云数据，得到部分视野点云数据。
在一个可选的实施方式中，所述从所述部分视野点云数据中筛选目标点云数据，包括：
基于所述部分视野点云数据，生成3D散点图，将所述3D散点图进行平面投影，生成2D投影图像；
利用预设霍夫直线检测算法对所述2D投影图像进行处理，得到所述目标车辆车厢的初始边界；
或者，
将所述2D投影图像进行二值化处理，得到二值图像，利用预设霍夫直线检测算法对所述二值图像进行处理，得到所述目标车辆车厢的初始边界；
利用预设最小包裹矩形算法对所述初始边界进行处理，得到所述目标车辆车厢的四周边界；
从所述部分视野点云数中，筛选所述四周边界对应的目标点云数据，其中，所述目标点云数据的XY坐标位于所述四周边界。
在一个可选的实施方式中，所述方法还包括：
在确定所述目标车辆进入所述预设装货区后，利用车牌识别算法对所述视频流数据进行处理，识别所述目标车辆的车牌号；
获取与所述车牌号绑定的车辆信息，所述车辆信息至少包括所述目标车辆的额定容积；
所述基于所述空余容积确定所述目标车辆车厢的装载率，包括：
获取所述额定容积与所述空余容积之差，确定所述额定容积与所述空余容积之差与所述额定容积之商，得到所述目标车辆车厢的装载率。
在一个可选的实施方式中，所述利用所述目标点云数据确定所述目标车辆车厢的空余容积，包括：
利用所述目标点云数据确定所述目标车辆车厢的空余空间，按照预设的固定步长，将所述空余空间划分为N个子空间，所述N大于1；
遍历N个所述子空间，确定每个所述子空间的容量，获取所述每个所述子空间的所述容量之和，得到所述目标车辆车厢的空余容积；
或者，
所述利用所述目标点云数据确定所述目标车辆车厢的空余容积，包括：
获取所述目标点云数据中，任意两个点云数据之间X轴坐标值之间的第一差值，并判断所述第一差值是否小于预设阈值；
在所述第一差值小于所述预设阈值的情况下，从所述目标点云数据中选取位于同一水平线上的L组水平边界点云数据，所述L大于或等于1；
从所述目标点云数据中选取位于同一垂直线上的J组垂直边界点云数据，所述J大于或等于1；
从所述目标点云数据中，按照预设的选择规则，选取M个点云数据，所述M大于或等于1；
确定每组所述水平边界点云数据之间Y轴坐标值之间的第二差值，确定所述第二差值的第一平均值；
确定每组所述垂直边界点云数据之间Z轴坐标值之间的第三差值，确定所述第三差值的第二平均值；
确定所述M个点云数据X轴坐标值的第三平均值，并将所述第三平均值减去预设距离阈值；
获取所述第一平均值、第二平均值以及减去所述预设距离阈值后的所述第三平均值之积，得到所述目标车辆车厢的空余容积。
在本发明实施例的第二方面，提供了一种装载率确定装置，应用于边缘计算服务器，所述装置包括：
数据处理模块，用于获取图像采集设备采集的视频流数据，对所述视频流数据进行处理，确定被探测目标车辆是否进入预设装货区；
区域探测模块，用于在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测；
数据筛选模块，用于获取所述电磁波设备探测所述电磁波设备视野内区域而产生的全视野点云数据，从所述全视野点云数据中筛选目标点云数据，所述目标点云数据包括所述目标车辆车厢内部对应的点云数据；
装载率确定模块，用于利用所述目标点云数据确定所述目标车辆车厢的空余容积，基于所述空余容积确定所述目标车辆车厢的装载率。
在本发明实施例的第三方面，还提供了一种边缘计算服务器，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面中所述的装载率确定方法。
在本发明实施例的第四方面，还提供了一种存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面中所述的装载率确定方法。
在本发明实施例的第五方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面中所述的装载率确定方法。
本发明实施例提供的技术方案，获取图像采集设备采集的视频流数据，对视频流数据进行处理，确定被探测目标车辆是否进入预设装货区，在确定目标车辆进入预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测，获取电磁波设备探测电磁波设备视野内区域而产生的全视野点云数据，从全视野点云数据中筛选目标点云数据，目标点云数据包括目标车辆车厢内部对应的点云数据，利用目标点云数据确定目标车辆车厢的空余容积，基于空余容积确定目标车辆车厢的装载率。如此通过图像采集设备采集的视频流数据，确定车辆是否进入预设装货区，并在确定车辆进入预设装货区后，通过电磁波设备进行探测，得到车辆车厢内部对应的点云数据，从而利用车辆车厢内部对应的点云数据确定车辆车厢的空余容积，基于空余容积确定车辆车厢的装载率，实现了对车辆车厢的装载率进行智能的测定。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中示出的一种装载率确定***的架构示意图；
图2为本发明实施例中示出的一种装载率确定方法的实施流程示意图；
图3为本发明实施例中示出的一种微波雷达指定角度范围的示意图；
图4为本发明实施例中示出的一种从部分视野点云数据中筛选目标点云数据的实施流程示意图；
图5为本发明实施例中示出的一种3D散点图的示意图；
图6为本发明实施例中示出的一种2D投影图像的示意图；
图7为本发明实施例中示出的一种目标车辆车厢的初始边界的示意图；
图8为本发明实施例中示出的一种目标车辆车厢的四周边界的示意图；
图9为本发明实施例中示出的一种目标车辆车厢的空余容积的示意图；
图10为本发明实施例中示出的一种确定目标车辆车厢的空余容积的实施流程示意图；
图11为本发明实施例中示出的一种装载率确定装置的结构示意图；
图12为本发明实施例中示出的一种边缘计算服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
如图1所示，为本发明实施例提供的一种装载率确定***的架构示意图，具体可以包括边缘计算服务器、图像采集设备(例如摄像头)、电磁波设备(例如雷达)，图像采集设备可以实时采集装货区的视频流数据，并将视频流数据发送至边缘计算服务器，边缘计算服务器从该视频流数据中识别是否有目标车辆进入装货区装货，在有目标车辆进入装货区装货以后触发电磁波设备开启探测工作，电磁波设备可以对电磁波设备视野内区域进行探测，从而产生电磁波设备视野内区域对应的点云数据，边缘计算服务器可以分别对视频流数据以及点云数据进行处理，从而可以确定目标车辆车厢的装载率，实现了对目标车辆车厢的装载率进行智能的测定。
具体地，如图2所示，为本发明实施例提供的一种装载率确定方法的实施流程示意图，该方法应用于边缘计算服务器，具体可以包括以下步骤：
S201，获取图像采集设备采集的视频流数据，对所述视频流数据进行处理，确定被探测目标车辆是否进入预设装货区。
在本发明实施例中，对于图像采集设备，例如摄像头，可以实时采集自身(即摄像头)视野内区域对应的视频流数据，从而边缘计算服务器可以(实时)获取图像采集设备采集的视频流数据。
对于边缘计算服务器获取的图像采集设备采集的视频流数据，边缘计算服务器可以对该视频流数据进行处理，从而可以确定被探测目标车辆是否进入预设装货区，例如确定被探测目标车辆是否进入月台装货区。
需要说明的是，在本发明实施例中，可以采用市面上比较成熟的目标检测算法对获取的图像采集设备采集的视频流数据进行处理，从而可以确定被探测目标车辆是否进入预设装货区，本发明实施例对此不作限定。
例如，如图1所示，对于边缘计算服务器，可以实时获取摄像头采集的视频流数据，并利用目标检测算法对该视频流数据进行处理，以便于确定被探测目标车辆是否进入月台装货区。
此外，需要说明的是，对于图像采集设备，例如可以是摄像头，可以是图像传感器，本发明实施例对此不作限定。
S202，在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测。
在本发明实施例中，对于边缘计算服务器，在确定所述目标车辆进入预设装货区后，可以调用这个预设装货区内的电磁波设备对电磁波设备视野内区域进行探测。
例如，在本发明中，可以预先在月台装货区内设置雷达，边缘计算服务器在确定目标车辆(例如货车)进入月台装货区后，可以调用月台装货区内的雷达对雷达视野内区域进行探测。
需要说明的是，对于电磁波设备，例如可以雷达(微波雷达)，可以是3D阵列传感器，其可以探测到目标车辆以及目标车辆车厢内部情况，本发明实施例对此不作限定。
其中，为了精确的对目标车辆车厢内部进行探测，对于边缘计算服务器，在确定目标车辆进入预设装货区后，进一步确定目标车辆停稳以及确定目标车辆的车尾车门是否打开。
对于边缘计算服务器，在确定目标车辆的车尾车门打开后，意味着此时可以实现对目标车辆车厢内部的探测，从而可以开启电磁波设备，以便于调用电磁波设备对电磁波设备视野内区域进行探测，这里目标车辆车厢内部位于电磁波设备视野内。
需要说明的是，在本发明实施例中，可以采用市面上比较成熟的目标检测算法，进一步对获取的图像采集设备采集的视频流数据进行处理，从而可以确定目标车辆的车尾车门是否打开，本发明实施例对此不作限定。
例如，边缘计算服务器在确定目标车辆(例如货车)进入月台装货区后，可以利用目标检测算法，进一步对获取的图像采集设备采集的视频流数据进行处理，以便于确定目标车辆的车尾车门(即货车门)是否打开。
对于边缘计算服务器，在确定目标车辆的车尾车门(即货车门)打开后，说明可以对目标车辆车厢内部区域进行探测，从而可以开启雷达，并调用月台装货区内的雷达对雷达视野内区域进行探测。
此外，对于边缘计算服务器，在确定目标车辆进入预设装货区后，可以利用车牌识别算法对视频流数据进行处理，以便于识别目标车辆的车牌号，从而可以获取与车牌号绑定的车辆信息，这里不同的车牌号绑定不同的车辆信息。
例如，对于边缘计算服务器，在确定目标车辆进入月台装货区后，利用车牌识别算法对视频流数据进行处理，以便于识别目标车辆的车牌号，从而可以获取与车牌号绑定的车辆信息，其中，不同车牌号绑定不同的车辆信息，如下表1所示。
车牌号 车辆信息
京A1…… 车辆信息1
京A2…… 车辆信息2
…… ……
表1
需要说明的是，对于车辆信息，在本发明实施例中至少包括目标车辆的额定容积，目标车辆的额定容积可以理解为目标车辆的最大容积，除此之外，车辆信息还可以包括目标车辆的型号、当前货物装载率等其他车辆信息，本发明实施例对此不作限定。
此外，需要说明的是，对于车辆信息的获取，在本发明实施例中，可以从边缘计算服务器本地获取，当然还可以从云端(即云服务器)获取，本发明实施例对此不作限定。
S203，获取所述电磁波设备探测所述电磁波设备视野内区域而产生的全视野点云数据，从所述全视野点云数据中筛选目标点云数据，所述目标点云数据包括所述目标车辆车厢内部对应的点云数据。
对于电磁波设备，对自身(即电磁波设备)视野内区域进行探测，从而可以产生相应的全视野点云数据，这里的全视野指的是电磁波设备视野。从而对于边缘计算服务器，可以获取电磁波设备探测电磁波设备视野内区域而产生的全视野点云数据。
例如，对于微波雷达，对微波雷达自身视野内区域进行探测，从而可以产生相应的全视野点云数据，即微波雷达自身视野内区域对应的点云数据，对于边缘计算服务器，可以获取微波雷达探测微波雷达自身视野内区域而产生的全视野点云数据。
此外，对于边缘计算服务器，在获取到电磁波设备探测电磁波设备视野内区域而产生的全视野点云数据之后，可以从该全视野点云数据中筛选目标点云数据，该目标点云数据包括目标车辆车厢内部对应的点云数据，意味着最后要获取到目标车辆车厢内部区域对应的点云数据。
例如，对于边缘计算服务器，在获取到微波雷达探测微波雷达自身视野内区域而产生的全视野点云数据之后，可以从该全视野点云数据中筛选目标点云数据，该目标点云数据包括目标车辆车厢内部对应的点云数据，意味着最后要获取到目标车辆车厢内部区域对应的点云数据。
其中，在本发明实施例中，具体可以通过以下方式对全视野点云数据进行筛选，以便于得到目标点云数据：基于预设的过滤规则，对全视野点云数据进行过滤，得到部分视野点云数据，从部分视野点云数据中筛选目标点云数据。
这里预设的过滤规则，即基于角度的过滤规则，意味着可以预先针对电磁波设备指定一个角度范围，从而在点云数据筛选阶段，获取针对电磁波设备预先设置的角度范围，从全视野点云数据中过滤掉角度范围之外的点云数据，从而得到部分视野点云数据。
例如，假设微波雷达的探测角度为0～160度，可以预先根据装货区与微波雷达探测范围的相对位置关系，针对微波雷达指定一个角度范围，假设指定80～100度，如图3所示，从而在点云数据筛选阶段，获取针对微波雷达预先设置的角度范围，从全视野点云数据中过滤掉角度范围之外的无效点云数据，从而得到部分视野点云数据。
需要说明的是，从全视野点云数据中，过滤掉所述角度范围之外的点云数据，从而得到部分视野点云数据，其目的是为了保留电磁波设备正前方的点云数据，例如保留微波雷达正前方的点云数据，去掉其他角度范围的点云数据对装载率确定的影响。
具体地，如图4所示，为本发明实施例提供的一种从部分视野点云数据中筛选目标点云数据的实施流程示意图，该方法应用于边缘计算服务器，具体可以包括以下步骤：
S401，基于所述部分视野点云数据，生成3D散点图，将所述3D散点图进行平面投影，生成2D投影图像。
在本发明实施例中，对于部分视野点云数据，即电磁波设备正前方的点云数据，边缘计算服务器基于该部分视野点云数据，生成3D散点图，并且将3D散点图进行平面投影，生成2D投影图像，这里的平面投影指的是将3D散点图投影到(x，y)平面。
例如，对于部分视野点云数据，即微波雷达正前方的点云数据，边缘计算服务器基于该部分视野点云数据，生成3D散点图，如图5所示，并且将该3D散点图进行平面投影，即将其向(x，y)平面投影，生成2D投影图像，如图6所示。
其中，需要说明的是，对于部分视野点云数据，即电磁波设备正前方的点云数据，边缘计算服务器可以借助于Axes3D库的支持，基于该部分视野点云数据，绘制出3D散点图，从而可以生成3D散点图，本发明实施例对此不作限定。
S402，利用预设霍夫直线检测算法对所述2D投影图像进行处理，得到所述目标车辆车厢的初始边界。
在本发明实施例中，对于2D投影图像，可以利用预设霍夫直线检测算法对该2D投影图像进行处理，霍夫直线检测算法可以找出2D投影图像中的直线，由这些直线来组成目标车辆车厢的初始边界，如此可以得到目标车辆车厢的初始边界，如图7所示。
其中，为了加快直线的找出效率，将2D投影图像进行二值化处理，如此可以得到相应的二值图像，从而利用预设霍夫直线检测算法对该二值图像进行处理，霍夫直线检测算法可以找出二值图像中的直线，由这些直线来组成目标车辆车厢的左右边界，如此可以得到目标车辆车厢的初始边界。
需要说明的是，在本发明实施例中，采用的是HoughLincesP()函数，HoughLincesP()函数在HoughLines()函数的基础上末尾加了一个代表Probabilistic(概率)的P，它可以采用累计概率霍夫变换(PPHT)来找出二值图像中的直线,执行效率更高。
S403，利用预设最小包裹矩形算法对所述初始边界进行处理，得到所述目标车辆车厢的四周边界。
在本发明实施例中，在得到目标车辆车厢的初始边界之后，可以利用预设最小包裹矩形算法对该目标车辆车厢的初始边界进行处理，最小包裹矩形算法可以找出该目标车辆车厢的初始边界中的最小包裹矩形，由此可以得到目标车辆车厢的四周边界(即上下左右边界)，如图8所示。
S404，从所述部分视野点云数中，筛选所述四周边界对应的目标点云数据，其中，所述目标点云数据的XY坐标位于所述四周边界。
对于部分视野点云数，在本发明实施例中，边缘计算服务器从该部分视野点云数中，筛选上述目标车辆车厢的四周边界对应的目标点云数据，意味着目标点云数据的XY坐标位于上述目标车辆车厢的四周边界。
需要说明的是，对于上述目标车辆车厢的四周边界，其位于(x，y)平面，因此对于部分视野点云数，只需要关心其XY坐标是否位于上述目标车辆车厢的四周边界，是的话则为目标点云数据，否则为非目标点云数据。
S204，利用所述目标点云数据确定所述目标车辆车厢的空余容积，基于所述空余容积确定所述目标车辆车厢的装载率。
在本发明实施例中，对于上述目标车辆车厢的四周边界对应的目标点云数据，边缘计算服务器可以利用上述目标车辆车厢的四周边界对应的目标点云数据，确定目标车辆车厢的空余容积，进而可以基于该空余容积确定目标车辆车厢的装载率。
其中，对于上述目标车辆车厢的四周边界对应的目标点云数据，边缘计算服务器可以基于上述目标车辆车厢的四周边界对应的目标点云数据，按照固定步长沿水平、垂直方向对目标车辆车厢的箱体深度进行积分，从而得到目标车辆车厢的空余容积。
这里的容积计算公式，考虑曲面方程如下所示：
y＝∫(x，z)。
由散点选取规则可知，积分区域为：
D＝{(x，z)∣-1<x<1,0<z<2}。
所以容积计算公式书写如下：
∫Df(x,z)dxdz。
考虑到计算复杂度以及连续性问题，尝试用离散点的逼近尝试求得容积的近似值，将积分区域划分为如下多个部分：
Di，j＝{(x，z)∣X【i】<x<X【i+1】，Z【j】<z<Z【j+1】}。
则容积计算公式可近似为：
Figure BDA0003286918840000131
(xm，zn)∈Di，j。
其中，在本发明实施例中，具体可以通过以下方式确定目标车辆车厢的装载率：在确定目标车辆进入预设装货区后，边缘计算服务器利用车牌识别算法对视频流数据进行处理，识别目标车辆的车牌号，获取与车牌号绑定的车辆信息，车辆信息至少包括目标车辆的额定容积，获取额定容积与空余容积之差，确定额定容积与空余容积之差与额定容积之商，得到目标车辆车厢的装载率。
例如，对于边缘计算服务器，在确定目标车辆进入月台装货区后，利用车牌识别算法对视频流数据进行处理，识别目标车辆的车牌号，目标车辆的车牌号与目标车辆的车辆信息绑定，由此可以获取与车牌号绑定的车辆信息，这里车辆信息至少包括目标车辆的额定容积，例如40个立方，获取目标车辆的额定容积与目标车辆的空余容积(例如20个立方)之差(20个立方)，确定目标车辆的额定容积与目标车辆的空余容积之差，与目标车辆的额定容积之商(0.5)，得到目标车辆车厢的装载率(50％)。
另外，对于车辆信息，还可以包括货物装载率，如此在得到目标车辆车厢的装载率之后，边缘计算服务器将货物装载率与目标车辆车厢的装载率相减，可以得到本次货物的装载率。例如，原先货物装载率为20％，目标车辆车厢的装载率为50％，边缘计算服务器将货物装载率与目标车辆车厢的装载率相减，可以得到本次货物的装载率，即30％。
对于车辆信息，包括目标车辆的额定容积，在得到本次货物的装载率之后，边缘计算服务器可以将目标车辆的额定容积与本次货物的装载率相乘，即可得到本次所装货物的体积。例如，目标车辆的额定容积，例如40个立方，本次货物的装载率，即30％，边缘计算服务器将目标车辆的额定容积与本次货物的装载率相乘，即可得到本次所装货物的体积，即12个立方。
需要说明的是，对于目标车辆车厢的空余容积、目标车辆车厢的装载率、本次货物的装载率以及本次所装货物的体积等信息，可以存储到边缘计算服务器本地或者上传至云端，本发明实施例对此不作限定。
此外，对于目标车辆车厢的空余容积，本发明实施例还可以通过以下方式进行确定：边缘计算服务器利用目标点云数据确定目标车辆车厢的空余空间，按照预设的固定步长，将空余空间划分为N个子空间，N大于1；遍历N个子空间，确定每个子空间的容量，获取每个子空间的容量之和，得到目标车辆车厢的空余容积。
例如，边缘计算服务器基于上述目标车辆车厢的四周边界对应的目标点云数据，确定目标车辆车厢的空余空间，按照预设的固定步长，将空余空间划分为N个子空间，遍历N个子空间，沿水平、垂直方向对目标车辆车厢的箱体深度进行积分，确定每个子空间的容量，获取每个子空间的容量之和，得到目标车辆车厢的空余容积，如图9所示。
对于目标车辆车厢的空余容积，如图10所示，本发明实施例还可以通过以下方式进行确定：
S1001，获取所述目标点云数据中，任意两个点云数据之间X轴坐标值之间的第一差值，并判断所述第一差值是否小于预设阈值。
在本发明实施例中，对于边缘计算服务器，可以获取目标点云数据中，任意两个点云数据之间X轴坐标值之间的第一差值，这个第一差值可以表征目标点云数据是否近似位于同一垂直面，从而可以判断第一差值是否小于预设阈值。
例如，预先设置阈值0.5，对于边缘计算服务器，可以获取目标点云数据中，任意两个点云数据之间X轴坐标值之间的第一差值(D1)，这个第一差值可以表征目标点云数据是否近似位于同一垂直面，从而可以判断第一差值是否小于预设阈值，即D1是否小于0.5。
S1002，在所述第一差值小于所述预设阈值的情况下，从所述目标点云数据中选取位于同一水平线上的L组水平边界点云数据，所述L大于或等于1。
S1003，从所述目标点云数据中选取位于同一垂直线上的J组垂直边界点云数据，所述J大于或等于1。
S1004，从所述目标点云数据中，按照预设的选择规则，选取M个点云数据，所述M大于或等于1。
在本发明实施例中，对于目标点云数据中，任意两个点云数据之间X轴坐标值之间的第一差值，在该第一差值小于预设阈值的情况下，说明目标点云数据近似位于同一垂直面，目标车辆车厢所载货物的高度与目标车辆车厢的箱体高度基本一致，且电磁波设备探测的目标车辆车厢所载货物的表面近似位于同一垂直面，此时可以认为目标车辆车厢空余容积近似于一个立方体，可以求取其长宽高，从而求取目标车辆车厢空余容积。
基于上述思想，在本发明实施例中，对于边缘计算服务器，可以从目标点云数据中选取位于同一水平线上的L组水平边界点云数据，这里L大于或等于1，其中，每组水平边界点云数据包括最左侧点云数据以及最右侧点云数据，本发明实施例对此不作限定。其中，对于L组水平边界点云数据的选取规则，可以确定目标点云数据中比较密集的部分，从密集的部分选取L组水平边界点云数据，本发明实施例对此不作限定。
此外，在本发明实施例中，对于边缘计算服务器，可以从目标点云数据中选取位于同一垂直线上的J组垂直边界点云数据，这里J大于或等于1，其中，每组垂直边界点云数据包括最上侧点云数据以及最下侧点云数据，本发明实施例对此不作限定。其中，对于J组垂直边界点云数据的选取规则，可以确定目标点云数据中比较密集的部分，从密集的部分选取J组垂直边界点云数据，本发明实施例对此不作限定。
此外，在本发明实施例中，对于边缘计算服务器，从目标点云数据中，按照预设的选择规则，选取M个点云数据，这里M大于或等于1。其中，对于M个点云数据的选取规则，可以确定目标点云数据中比较密集的部分，从密集的部分选取M个点云数据，本发明实施例对此不作限定。
S1005，确定每组所述水平边界点云数据之间Y轴坐标值之间的第二差值，确定所述第二差值的第一平均值。
对于L组水平边界点云数据，在本发明实施例中，边缘计算服务器可以确定每组水平边界点云数据之间Y轴坐标值之间的第二差值，进而确定这些第二差值的第一平均值，这里的第一平均值可以认为是目标车辆车厢空余容积对应的立方体的长或宽。
S1006，确定每组所述垂直边界点云数据之间Z轴坐标值之间的第三差值，确定所述第三差值的第二平均值。
对于J组垂直边界点云数据，在本发明实施例中，边缘计算服务器可以确定每组水平边界点云数据之间Y轴坐标值之间的第三差值，进而可以确定这些第三差值的第二平均值，这里的第二平均值可以认为是目标车辆车厢空余容积对应的立方体的高。
S1007，确定所述M个点云数据X轴坐标值的第三平均值，并将所述第三平均值减去预设距离阈值。
对于M个点云数据，在本发明实施例中，边缘计算服务器可以确定M个点云数据X轴坐标值的第三平均值，并将第三平均值减去预设距离阈值，如此减去预设距离阈值的第三平均值，可以认为是目标车辆车厢空余容积对应的立方体的宽或长。
S1008，获取所述第一平均值、第二平均值以及减去所述预设距离阈值后的所述第三平均值之积，得到目标车辆车厢的空余容积。
如此经过上述步骤，可以获取到第一平均值、第二平均值以及减去预设距离阈值后的第三平均值，可以认为是分别代表目标车辆车厢空余容积对应的立方体的长宽高，根据相关容积的计算公式，可以获取第一平均值、第二平均值以及减去预设距离阈值后的第三平均值三者之间的积，三者之间的积可以近似认为是目标车辆车厢的空余容积，从而可以得到目标车辆车厢的空余容积。
通过上述对本发明实施例提供的技术方案的描述，获取图像采集设备采集的视频流数据，对视频流数据进行处理，确定被探测目标车辆是否进入预设装货区，在确定目标车辆进入预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测，获取电磁波设备探测电磁波设备视野内区域而产生的全视野点云数据，从全视野点云数据中筛选目标点云数据，目标点云数据包括目标车辆车厢内部对应的点云数据，利用目标点云数据确定目标车辆车厢的空余容积，基于空余容积确定目标车辆车厢的装载率。
如此通过图像采集设备采集的视频流数据，确定车辆是否进入预设装货区，并在确定车辆进入预设装货区后，通过电磁波设备进行探测，得到车辆车厢内部对应的点云数据，从而利用车辆车厢内部对应的点云数据确定车辆车厢的空余容积，基于空余容积确定车辆车厢的装载率，实现了对车辆车厢的装载率进行智能的测定。
本申请上述实施例中，在本次计算得到目标车辆的剩余容积、装载率、装载时间等信息后，将该信息与目标车辆信息(车牌号等)进行关联存储至本地，或者是上传至云服务器与目标车辆信息(车牌号等)进行关联存储。
与上述方法实施例相对应，本发明实施例还提供了一种装载率确定装置，如图11所示，该装置应用于边缘计算服务器，可以包括：数据处理模块1110、区域探测模块1120、数据筛选模块1130、装载率确定模块1140。
数据处理模块1110，用于获取图像采集设备采集的视频流数据，对所述视频流数据进行处理，确定被探测目标车辆是否进入预设装货区；
区域探测模块1120，用于在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测；
数据筛选模块1130，用于获取所述电磁波设备探测所述电磁波设备视野内区域而产生的全视野点云数据，从所述全视野点云数据中筛选目标点云数据，所述目标点云数据包括所述目标车辆车厢内部对应的点云数据；
装载率确定模块1140，用于利用所述目标点云数据确定所述目标车辆车厢的空余容积，基于所述空余容积确定所述目标车辆车厢的装载率。
本发明实施例还提供了一种边缘计算服务器，如图12所示，包括处理器121、通信接口122、存储器123和通信总线124，其中，处理器121，通信接口122，存储器123通过通信总线124完成相互间的通信，
存储器123，用于存放计算机程序；
处理器121，用于执行存储器123上所存放的程序时，实现如下步骤：
获取图像采集设备采集的视频流数据，对所述视频流数据进行处理，确定被探测目标车辆是否进入预设装货区；在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测；获取所述电磁波设备探测所述电磁波设备视野内区域而产生的全视野点云数据，从所述全视野点云数据中筛选目标点云数据，所述目标点云数据包括所述目标车辆车厢内部对应的点云数据；利用所述目标点云数据确定所述目标车辆车厢的空余容积，基于所述空余容积确定所述目标车辆车厢的装载率。
上述边缘计算服务器提到的通信总线可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述边缘计算服务器与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种存储介质，该存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的装载率确定方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一所述的装载率确定方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在存储介质中，或者从一个存储介质向另一个存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。

Claims (9)

1.一种装载率确定方法，其特征在于，应用于边缘计算服务器，所述方法包括：
获取图像采集设备采集的视频流数据，对所述视频流数据进行处理，确定被探测目标车辆是否进入预设装货区；
在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测；
获取所述电磁波设备探测所述电磁波设备视野内区域而产生的全视野点云数据，从所述全视野点云数据中筛选目标点云数据，包括：基于预设的过滤规则，对所述全视野点云数据进行过滤，得到部分视野点云数据，所述预设的过滤规则包括基于角度的过滤规则；从所述部分视野点云数据中筛选目标点云数据；所述目标点云数据包括所述目标车辆车厢内部对应的点云数据；
从所述部分视野点云数据中筛选目标点云数据，包括：基于所述部分视野点云数据，生成3D散点图，将所述3D散点图进行平面投影，生成2D投影图像；将所述2D投影图像进行二值化处理，得到二值图像，利用预设霍夫直线检测算法对所述二值图像进行处理，得到所述目标车辆车厢的初始边界；利用预设最小包裹矩形算法对所述初始边界进行处理，得到所述目标车辆车厢的四周边界；从所述部分视野点云数中，筛选所述四周边界对应的目标点云数据，其中，所述目标点云数据的XY坐标位于所述四周边界；
利用所述目标点云数据确定所述目标车辆车厢的空余容积，基于所述空余容积确定所述目标车辆车厢的装载率。
2.根据权利要求1所述的方法，其特征在于，所述在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测，包括：
在确定所述目标车辆进入所述预设装货区后停止运动且所述目标车辆的车尾车门处于打开状态后，开启电磁波设备，并调用所述电磁波设备对电磁波设备视野内区域进行探测。
3.根据权利要求1所述的方法，其特征在于，所述基于预设的过滤规则，对所述全视野点云数据进行过滤，得到部分视野点云数据，包括：
获取针对所述电磁波设备预先设置的角度范围；
从所述全视野点云数据中，过滤掉所述角度范围之外的点云数据，得到部分视野点云数据。
4.根据权利要求1所述的方法，其特征在于，所述从所述部分视野点云数据中筛选目标点云数据，包括：
基于所述部分视野点云数据，生成3D散点图，将所述3D散点图进行平面投影，生成2D投影图像；
利用预设霍夫直线检测算法对所述2D投影图像进行处理，得到所述目标车辆车厢的初始边界；
利用预设最小包裹矩形算法对所述初始边界进行处理，得到所述目标车辆车厢的四周边界；
从所述部分视野点云数中，筛选所述四周边界对应的目标点云数据，其中，所述目标点云数据的XY坐标位于所述四周边界。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在确定所述目标车辆进入所述预设装货区后，利用车牌识别算法对所述视频流数据进行处理，识别所述目标车辆的车牌号；
获取与所述车牌号绑定的车辆信息，所述车辆信息至少包括所述目标车辆的额定容积；
所述基于所述空余容积确定所述目标车辆车厢的装载率，包括：
获取所述额定容积与所述空余容积之差，确定所述额定容积与所述空余容积之差与所述额定容积之商，得到所述目标车辆车厢的装载率。
6.根据权利要求1所述的方法，其特征在于，所述利用所述目标点云数据确定所述目标车辆车厢的空余容积，包括：
利用所述目标点云数据确定所述目标车辆车厢的空余空间，按照预设的固定步长，将所述空余空间划分为N个子空间，所述N大于1；
遍历N个所述子空间，确定每个所述子空间的容量，获取所述每个所述子空间的所述容量之和，得到所述目标车辆车厢的空余容积；
或者，
所述利用所述目标点云数据确定所述目标车辆车厢的空余容积，包括：
获取所述目标点云数据中，任意两个点云数据之间X轴坐标值之间的第一差值，并判断所述第一差值是否小于预设阈值；
在所述第一差值小于所述预设阈值的情况下，从所述目标点云数据中选取位于同一水平线上的L组水平边界点云数据，所述L大于或等于1；
从所述目标点云数据中选取位于同一垂直线上的J组垂直边界点云数据，所述J大于或等于1；
从所述目标点云数据中，按照预设的选择规则，选取M个点云数据，所述M大于或等于1；
确定每组所述水平边界点云数据之间Y轴坐标值之间的第二差值，确定所述第二差值的第一平均值；
确定每组所述垂直边界点云数据之间Z轴坐标值之间的第三差值，确定所述第三差值的第二平均值；
确定所述M个点云数据X轴坐标值的第三平均值，并将所述第三平均值减去预设距离阈值；
获取所述第一平均值、第二平均值以及减去所述预设距离阈值后的所述第三平均值之积，得到所述目标车辆车厢的空余容积。
7.一种装载率确定装置，其特征在于，应用于边缘计算服务器，所述装置包括：
数据处理模块，用于获取图像采集设备采集的视频流数据，对所述视频流数据进行处理，确定被探测目标车辆是否进入预设装货区；
区域探测模块，用于在确定所述目标车辆进入所述预设装货区后，调用电磁波设备对电磁波设备视野内区域进行探测；
数据筛选模块，用于获取所述电磁波设备探测所述电磁波设备视野内区域而产生的全视野点云数据，从所述全视野点云数据中筛选目标点云数据，包括：基于预设的过滤规则，对所述全视野点云数据进行过滤，得到部分视野点云数据，所述预设的过滤规则包括基于角度的过滤规则；从所述部分视野点云数据中筛选目标点云数据；所述目标点云数据包括所述目标车辆车厢内部对应的点云数据；
从所述部分视野点云数据中筛选目标点云数据，包括：基于所述部分视野点云数据，生成3D散点图，将所述3D散点图进行平面投影，生成2D投影图像；将所述2D投影图像进行二值化处理，得到二值图像，利用预设霍夫直线检测算法对所述二值图像进行处理，得到所述目标车辆车厢的初始边界；利用预设最小包裹矩形算法对所述初始边界进行处理，得到所述目标车辆车厢的四周边界；从所述部分视野点云数中，筛选所述四周边界对应的目标点云数据，其中，所述目标点云数据的XY坐标位于所述四周边界；
装载率确定模块，用于利用所述目标点云数据确定所述目标车辆车厢的空余容积，基于所述空余容积确定所述目标车辆车厢的装载率。
8.一种边缘计算服务器，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1至6中任一项所述的方法步骤。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至6中任一项所述的方法。
CN202111150654.9A 2021-09-29 2021-09-29 装载率确定方法、装置、边缘计算服务器及存储介质 Active CN113888621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111150654.9A CN113888621B (zh) 2021-09-29 2021-09-29 装载率确定方法、装置、边缘计算服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111150654.9A CN113888621B (zh) 2021-09-29 2021-09-29 装载率确定方法、装置、边缘计算服务器及存储介质

Publications (2)

Publication Number Publication Date
CN113888621A CN113888621A (zh) 2022-01-04
CN113888621B true CN113888621B (zh) 2022-08-26

Family

ID=79007922

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111150654.9A Active CN113888621B (zh) 2021-09-29 2021-09-29 装载率确定方法、装置、边缘计算服务器及存储介质

Country Status (1)

Country Link
CN (1) CN113888621B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713758B (zh) * 2022-11-10 2024-03-19 国能黄骅港务有限责任公司 一种车厢识别方法、***、装置及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111414A (zh) * 2019-04-10 2019-08-09 北京建筑大学 一种基于三维激光点云的正射影像生成方法
CN112585553A (zh) * 2020-02-26 2021-03-30 深圳市大疆创新科技有限公司 用于可移动平台的控制方法、可移动平台、设备和存储介质
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

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101593321A (zh) * 2009-06-30 2009-12-02 北京交通大学 一种车辆货物装载方法以及货物装载方案确定装置
JP2014206888A (ja) * 2013-04-15 2014-10-30 本田技研工業株式会社 車両の運転支援装置
CN107843186A (zh) * 2016-09-21 2018-03-27 保定市天河电子技术有限公司 一种车厢装载状态检测***和方法
CN108898044B (zh) * 2018-04-13 2021-10-29 顺丰科技有限公司 装载率获取方法、装置、***及存储介质
CN108985230A (zh) * 2018-07-17 2018-12-11 深圳市易成自动驾驶技术有限公司 车道线检测方法、装置及计算机可读存储介质
CN111583324B (zh) * 2019-02-19 2023-11-28 顺丰科技有限公司 单目图像深度估测装载率识别方法和装置
CN110044258A (zh) * 2019-03-27 2019-07-23 苏州清研微视电子科技有限公司 货运车车厢空余容量智能检测方法和***
CN110057292B (zh) * 2019-05-27 2021-05-18 杭州亚美利嘉科技有限公司 车厢装载率的确定方法和装置
CN112101128B (zh) * 2020-08-21 2021-06-22 东南大学 一种基于多传感器信息融合的无人方程式赛车感知规划方法
CN113345237A (zh) * 2021-06-29 2021-09-03 山东高速建设管理集团有限公司 一种使用路侧激光雷达数据提取车辆轨迹的变道识别与预测方法、***、设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111414A (zh) * 2019-04-10 2019-08-09 北京建筑大学 一种基于三维激光点云的正射影像生成方法
CN112585553A (zh) * 2020-02-26 2021-03-30 深圳市大疆创新科技有限公司 用于可移动平台的控制方法、可移动平台、设备和存储介质
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
使用霍夫变换的3维点云拼合算法;吴霄等;《中国图象图形学报》;20180416(第04期);全文 *
基于对称性投影的大视场小目标三维定位算法;王潇等;《光学学报》;20200525(第10期);全文 *

Also Published As

Publication number Publication date
CN113888621A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN110472515B (zh) 货架商品检测方法及***
CN113888621B (zh) 装载率确定方法、装置、边缘计算服务器及存储介质
CN109815856A (zh) 目标车辆的状态标记方法、***和计算机可读存储介质
CN109671078A (zh) 一种产品表面图像异常检测方法及装置
WO2023236825A1 (zh) 容积使用率的监控方法、装置和计算机可读存储介质
CN109102026B (zh) 一种车辆图像检测方法、装置及***
CN114677410A (zh) 一种障碍物测距方法、移动机器人、设备及介质
KR20230094948A (ko) 지게차 픽업 방법, 컴퓨터 디바이스 및 저장 매체
CN111417960A (zh) 信息处理装置、信息处理方法及程序
CN111369317B (zh) 订单生成方法、装置、电子设备及存储介质
CN114219770A (zh) 地面检测方法、装置、电子设备及存储介质
CN112950125B (zh) 一种配送资源安全状态数据的获得方法、装置、电子设备
CN110782464A (zh) 物品堆积3d空间占用率的计算方法、编解码器及存储装置
CN113673454A (zh) 遗留物检测方法、相关设备和存储介质
CN111696152B (zh) 检测包裹堆垛的方法、装置、计算设备、***及存储介质
CN113034531A (zh) 设备摆放检测方法及装置
CN116051564B (zh) 芯片封装缺陷检测方法和***
CN112991428A (zh) 箱体体积测量方法、装置、计算机设备和存储介质
CN113763311B (zh) 图像识别方法及装置、以及自动分拣机器人
CN115035492A (zh) 车辆识别方法、装置、设备和存储介质
CN114187502A (zh) 车辆装载率识别方法、装置、电子设备及存储介质
CN113487298A (zh) 用于码头的自动化远程理货管控方法、***及终端
CN111079466A (zh) 一种车辆识别方法、装置、电子设备及存储介质
WO2024139783A1 (zh) 快件搜索方法、装置、电子设备及存储介质
CN115079153A (zh) 车辆状态的确定方法、装置、设备和存储介质

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