剪欣;周泉;黄欢
【摘 要】针对在散货堆场进行三维建模时存在复杂性高、实时性差、稳定低等问题,设计了一种基于三维激光扫描仪的三维成像系统,通过对扫描数据进行算法处理,以及与定位数据的实时融合,完成对整个散货料场的三维建模,提高了建模过程的实时性、稳定性. 【期刊名称】《港口装卸》
【年(卷),期】2018(000)001
【总页数】4页(P32-35)
【关键词】实时三维成像;散货料场;激光扫描;点云处理
【作 者】剪欣;周泉;黄欢
【作者单位】泰富重装集团有限公司;湖南科技大学;泰富重装集团有限公司
【正文语种】中 文
1 引言
电厂、港口、钢厂、储煤基地等大型散货集散基地会堆存大量的煤炭、矿石等散货，如何快速、准确地存取这些散货是企业进行经济规划、提高生产效率、合理安排生产计划的关键。目前，我国的散货主要采用斗轮堆取料机进行堆料和取料作业，尤其在大型的煤炭码头，原料厂每天存取的物料量非常大，这就要求配备多个设备操作员进行堆取料机操作。如何有效地降低人工成本、提高生产效率、减少人工干预带来的影响，是所有大型的散货料场亟需解决的问题。
随着传感器和激光技术的快速发展，利用工业相机、激光扫描仪、摄像机进行三维重建的技术越来越成熟[1-2]，通过对散货料场进行三维重建可以完成斗轮堆取料机无人化控制和料场的可视化管理[3-4]。张德津等[5]提出了一种基于多传感器的固定式激光测量方法，该方法将扫描仪安装在堆取料机臂架两侧进行数据采集。盛业华等提出一种基于三维激光扫描多站点数据拼接方法，通过不同的位置采集数据提取点云特征点进行多站点数据拼接。总体来说，目前所采用的料场测量方法存在测量周期长、测量过程复杂、测量精度和实时
性差等缺点。本文设计一种散货料堆三维重建测量方式，利用三维激光扫描仪和RTK-GPS定位系统组合进行快速测量，既不同于安装在臂架两侧的二维激光扫描仪需要依赖设备的运动才能进行数据采集，也不需要进行多站点的数据拼接。现场测试证明，本系统在保证测量精度的同时，具有稳定性强、实时性高等特点。
2 三维成像算法与原理
实现散货料场智能化控制和可视化管理的核心技术之一，是能够对料场中的料堆进行精确的建模。目前对于物体三维重建方法很多，考虑到对于料场进行三维重建场景比较大，所以选用目前在测绘方面比较成熟的激光扫描技术作为模型的数据来源。激光扫描仪采集数据可靠性高、数据采集周期短，可以满足实时对扫描对象进行三维重建的要求。激光扫描仪数据处理过程如图1所示。
图1 激光扫描仪数据处理流程图
2.1 坐标转换
由于扫描是安装在堆取料机顶部，会跟随设备不断运动，需要对激光扫描仪采集到的点云
数据和通过GPS得到的设备定位数据进行实时匹配，完成数据从激光扫描仪坐标系到料场坐标系的转换。
激光扫描仪扫描获取的数据为2个角度和1个距离值(水平方向的角度α、垂直方向的角度θ、目标点到激光中心的距离S)，需要将原始数据转换为直角坐标系下数据，其原理见图2，转换公式见式1。
图2 直角坐标转换原理图
Xs=Scosθ cosα
Ys=Scosθ sinα
(1)
Zs=Ssinθ
将扫描数据转换为X、Y、Z的值后，需要根据当前设备的定位数据和姿态数据来对此刻的扫描数据进行匹配。通过GPS可以得到扫描仪绕X/Y/Z轴的旋转角度，以及设备延X/Y/Z轴
的平移量(见图3)，通过这6个参数就可构建空间坐标变换的RT矩阵。
图3 空间坐标系转换重商主义
已知坐标系A的3个轴的向量及坐标原点，则A在参考坐标系Ref中的表达为：
RRef(A)=[xTyTzToT]
中国胶粘剂工业协会(2)
若B在Ref中的表达为RRef(B)，则B在A中的表达为：
RA(B)=inv(RRef(A))·RRef(B)
(3)
空间坐标系变换矩阵为
疏血通(4)
2.2 干扰滤波
扫描过程中激光扫描仪很可能遭遇恶劣的天气环境的影响，会使激光扫描仪获取到干扰数据。为了降低干扰数据对测量系统造成的影响，需要对雨、雪、雾、粉尘等干扰数据进行滤除。本系统中采用弦高法和中值滤波相结合的方法对扫描数据进行处理，处理流程见图4。
考虑到煤堆、矿石等物料的趋势是渐变的，一般不会出现陡变的情况，采用弦高法来判定采样点是否为干扰点。如图5所示，当采样点大于设定的阈值时判定该点为干扰点。
五王醉归图卷图4 点云滤波流程图
图5 弦高法原理图
设P0、P1之间的距离为a，P1、P2之间的距离为b，P0、P2之间的距离为c，弦高为d，夹角为α，则
(5)
d=asinα
井冈山师范学院
(6)
当判定为干扰点后，采用中值滤波的方式将干扰数据过滤。中值滤波是基于排列统计理论的一种能有效抑制噪声的非线性处理技术，基本原理是将毛刺点用其周围点的中间值来代替，让该点的值接近于真实值，从而达到消除噪声点的效果。
2.3 网格化和移动曲面插值处理
本系统采用一款长距离、高速的三维激光扫描仪进行数据采集，其最远扫描距离可达500 m，每秒可以采集12万点云。由于采集点的数量多，需要对这些散乱的点云进行网格化处理，考虑到斗轮机无人化控制的精度，旋转10 cm×10 cm的网格进行全料场构网，这样既能精简点云的数量，又能实现可视化构建DEM网格的数据格式。采用改进后反距离加权平均算法对散料的点云数据进行网格化，由于采样点的数据量非常庞大，如果每次常规的反距离加权计算时对所有点全部进行遍历将非常耗时，严重地影响数据计算的实时性，故每次计算采样点时，只要检索计算点附近7～8个点，则认为可以满足加权的需求，这样就大大降低了检索次数和计算的复杂程度，提高了计算速度。加权函数如式7所示。
(7)
式中，P为任意一个正实数，默认值为2(通常0.5～3等能获得合理值)；h为离散点到插值点的距离，通常距离越大该点的权重越小，对插值点的影响也就越小。
(8)
插值点计算结果，当插值点附近的点大于8个时，则停止继续遍历，此时插值数据精度基本不会降低，但是数据处理的速度可以提高3倍。插值点计算公式如式9所示。
(9)
2.4 漏洞与盲区处理
由于在进行网格化处理后会存在小范围的漏洞区域，同时也会存在料堆背面不可见的大面积盲区，为了保证数据在可视化中的完整性，首先通过移动最小二乘曲面拟合算法对小范围的漏洞点进行填充。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议