用于隧道酸洗行车过程中的盘圆位置识别方法及系统与流程

1.本技术涉及金属材料酸洗以及隧道酸洗智能控制领域，特别涉及一种盘圆位置识别系统及方法。


背景技术：

2.在隧道酸洗用行车中，盘圆的吊运是主要的作业，吊运过程中需要知晓盘圆的位置。传统方式是依靠操作人员的经验来进行定位，操作人员在长时间工作疲惫状态下，很容易产生较大的位移误差和角度偏摆，另外在强干扰的外界条件下，也对操作人员的控制产生较大影响，工作效率大大降低。显然人工手动定位的方式不适用于隧道酸洗用行车，隧道酸洗用行车要实现盘圆吊运过程的全自动化运行，必须具备精确的位置识别系统，而不是手动操作时仅仅靠行程开关进行简易的位置检测。要准确识别盘圆的位置，需要考虑到车间内环境的影响，传统的图像识别方法存在识别范围小，易受天气、光照环境及车厢表面颜色影响的特点，难以满足隧道酸洗用行车中的准确取料、投料以及仓盖取放要求。


技术实现要素：

3.本技术所要解决的一个技术问题是在隧道酸洗用行车过程中如何准确地识别盘圆的位置，从而进行准确的取料以及投料。
4.为了解决上述技术问题，本技术一方面提供了一种用于隧道酸洗行车过程中的盘圆位置识别方法，其包括：
5.步骤1，对隧道酸洗行车车间内的车辆进行扫描，获取点云数据；
6.步骤2，对所述点云数据进行滤波，去除干扰点云，获取滤波后的点云数据；
7.步骤3，对所述滤波后的点云数据进行预处理，检测出边缘曲线；
8.步骤4，对所述边缘曲线进行椭圆识别，获取盘圆的位置参数。
9.可选地，所述步骤1中对隧道酸洗行车车间内的车辆进行扫描是基于3d激光扫描；
10.可选地，所述3d激光扫描是由2d转台带动2d激光雷达进行扫描；
11.可选地，所述步骤2中的滤波采用双边滤波算法。
12.可选地，所述步骤4中的椭圆识别采用霍夫(hough)变换算法。
13.本技术另一方面还提供了一种用于隧道酸洗行车过程中的盘圆位置识别系统，其包括：
14.扫描模块，对隧道酸洗行车车间内的车辆进行扫描，获取点云数据；
15.滤波模块，对所述扫描模块获取的点云数据进行滤波，去除干扰点云，获取滤波后的点云数据；
16.处理模块，对所述滤波模块滤波后的点云数据进行预处理，检测出边缘曲线；
17.识别模块，对所述识别模块检测出的边缘曲线进行椭圆识别，获取盘圆的位置参数。
18.可选地，所述扫描模块包括3d激光扫描单元；
19.可选地，所述3d激光扫描单元包括2d转台带动以及2d激光雷达；
20.可选地，所述滤波模块包括双边滤波单元。
21.可选地，所述识别模块包括霍夫变换单元。
22.本技术能产生的有益效果包括：
23.1)本技术所提供的用于隧道酸洗行车过程中的盘圆位置识别方法及系统，能够对隧道酸洗行车过程中不同背景和不同颜色下的盘圆位置进行精确识别从而准确地取料、投料以及仓盖取放，不受现场光照和环境的影响，识别距离远、识别精度高、响应速度快，保障隧道酸洗行车过程中快速的装车和卸车作业。
附图说明
24.图1为本技术的方法流程图。
25.图2为本技术的应用场景图。
26.图3为滤波后的点云数据示意图。
27.图4为椭圆识别的结果示意图。
具体实施方式
28.下下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，不作为对本技术及其应用或使用的任何限制。基于本技术中的实施例，本领域普通技术人员在没有开展创造性劳动前提下所获得的其他实施例，都属于本技术保护的范围。
29.图1为本技术的方法流程图，图2为本技术的应用场景图。为了便于理解，首先结合图1和图2对发明的提供的一种用于隧道酸洗行车过程中的盘圆位置识别方法进行说明。
30.步骤1：对隧道酸洗行车车间内的车辆进行扫描，获取点云数据。
31.点云数据是表达物体表面的大量数据，每个点云数据至少包括三维图像的多个数据点位置坐标。
32.在图2所示的应用场景中，扫描是基于3d激光扫描单元进行3d激光扫描。3d激光扫描单元部署在隧道酸洗行车车间的桥架上，3d激光扫描单元以一定帧率的速度采集目标车辆的点云数据。
33.在本技术的优选实施例中，3d激光扫描单元具体包括两个部分：一个部分是2d激光雷达。选用sick公司lms511系列激光雷达，测量精度可保证实际使用。lms511系列激光雷达采用飞行时间法测距，能够保证测量结果准确性。系统通过与2d激光雷达之间采用tcp/ip协议进行数据交换，通过socket采用客服端/服务器的方式获取测量数据。另一个部分是2d转台。2d转台带动激光雷达进行选择，从而实现三维数据测量。2d转台由机械结构件、步进电机、增量编码器、绝对值编码器等组成。激光雷达旋转测量精度可达0.1
°
。
34.步骤2：对点云数据进行滤波，去除干扰点云，获取滤波后的点云数据。
35.由于扫描对象表面波纹、粗糙度等因素的影响，经过扫描所获得的点云数据不可避免地受到噪音影响，因此要对点云数据进行滤波，去除干扰点云。
36.在本技术的优选实施例中，采用双边滤波算法对点云数据进行滤波。点云滤波设
计大尺度滤波和小尺度滤波两种，大尺度滤波采用高度阈值方法实现明显干扰物的去除，双边滤波算法在二维数字图像处理中应用很广泛，本实施例中基于双边滤波的点云去燥算法，实现车辆小尺度干扰点云的准确去除。图3所示为滤波后的点云数据示意图。
37.在其它实施例中，还可采用移动最小二乘算法对点云数据进行滤波。
38.步骤3：对所述滤波后的点云数据进行预处理，检测出边缘曲线。
39.所述对点云数据进行预处理，包括将图像点云数据转换为灰度点云数据。边缘检测是识别目标盘圆的重要环节，常见的边缘检测方法包括微分算法、拉普拉斯算法、canny算法、零交叉法等。
40.在本技术的优选实施例中，采用canny算法进行边缘检测。canny算法检测边缘是通过寻找梯度的局部最大值，采用两个阈值来检测强边缘和弱边缘，而且仅当弱边缘与强边缘相连时，弱边缘才会包含在输出中。canny算法的具体步骤为：首先用高斯滤波器平滑图像；然后用一阶偏导的有限差分来计算梯度的幅值和方向；接着对梯度幅值应用非极大值抑制；最后用双阈值检测并连接边缘。
41.步骤4：对所述边缘曲线进行椭圆识别，获取盘圆的位置参数。
42.在本技术的优选实施例中，采用霍夫(hough)变换进行椭圆识别。
43.霍夫变换的思想是运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线映射到另外一个坐标空间的一个点上形成峰值，从而把检测曲线的问题转换为统计峰值的问题。
44.本技术采用霍夫变换进行椭圆识别的具体步骤为：首先进行边缘点聚类，找出斜率相同的边缘点；然后根据两对称点的坐标求出中点坐标；接着将所得中点坐标代入椭圆方程中，采用霍夫变换在边缘像素的坐标数组中选取不共线的三点映射到参数空间中的一个点；最后对参数a，b，h进行统计(其中a,b分别为椭圆的两个半径，h为转角)，峰值超过一定阈值的一组参数即为有效椭圆。图4所示为椭圆识别的结果示意图。在识别出有效椭圆后，获取椭圆的位置参数坐标即为盘圆的位置。
45.在本技术中，还提供了一种用于隧道酸洗行车过程中的盘圆位置识别系统，其包括扫描模块，对隧道酸洗行车车间内的车辆进行扫描，获取点云数据；
46.在本技术的优选实施例中，扫描模块包括3d激光扫描单元。在图2所示的应用场景中，3d激光扫描单元部署在隧道酸洗行车车间的桥架上，3d激光扫描单元以一定帧率的速度采集目标车辆的点云数据。
47.在本技术的优选实施例中，3d激光扫描单元具体包括两个部分：一个部分是2d激光雷达。选用sick公司lms511系列激光雷达，测量精度可保证实际使用。lms511系列激光雷达采用飞行时间法测距，能够保证测量结果准确性。系统通过与2d激光雷达之间采用tcp/ip协议进行数据交换，通过socket采用客服端/服务器的方式获取测量数据。另一个部分是2d转台。2d转台带动激光雷达进行选择，从而实现三维数据测量。2d转台由机械结构件、步进电机、增量编码器、绝对值编码器等组成。激光雷达旋转测量精度可达0.1
°
。
48.本技术提供的盘圆位置识别系统还包括滤波模块，对所述扫描模块获取的点云数据进行滤波，去除干扰点云，获取滤波后的点云数据。
49.由于扫描对象表面波纹、粗糙度等因素的影响，经过扫描所获得的点云数据不可避免地受到噪音影响，因此要对点云数据进行滤波，去除干扰点云。在本技术的优选实施例
中，采用双边滤波算法对点云数据进行滤波。点云滤波设计大尺度滤波和小尺度滤波两种，大尺度滤波采用高度阈值方法实现明显干扰物的去除，双边滤波算法在二维数字图像处理中应用很广泛，本实施例中基于双边滤波的点云去燥算法，实现车辆小尺度干扰点云的准确去除。图3所示为滤波后的点云数据示意图。
50.本技术提供的盘圆位置识别系统还包括处理模块，对所述滤波模块滤波后的点云数据进行预处理，检测出边缘曲线。
51.处理模块对点云数据进行预处理，包括将图像点云数据转换为灰度点云数据。边缘检测是识别目标盘圆的重要环节，常见的边缘检测方法包括微分算法、拉普拉斯算法、canny算法、零交叉法等。在本技术的优选实施例中，处理模块采用canny算法进行边缘检测。canny算法检测边缘是通过寻找梯度的局部最大值，采用两个阈值来检测强边缘和弱边缘，而且仅当弱边缘与强边缘相连时，弱边缘才会包含在输出中。canny算法的具体步骤为：首先用高斯滤波器平滑图像；然后用一阶偏导的有限差分来计算梯度的幅值和方向；接着对梯度幅值应用非极大值抑制；最后用双阈值检测并连接边缘。
52.本技术提供的盘圆位置识别系统还包括识别模块，对所述识别模块检测出的边缘曲线进行椭圆识别，获取盘圆的位置参数。
53.在本技术的优选实施例中，识别模块采用霍夫(hough)变换进行椭圆识别。霍夫变换的思想是运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线映射到另外一个坐标空间的一个点上形成峰值，从而把检测曲线的问题转换为统计峰值的问题。本技术采用霍夫变换进行椭圆识别的具体步骤为：首先进行边缘点聚类，找出斜率相同的边缘点；然后根据两对称点的坐标求出中点坐标；然后将所得中点坐标代入椭圆方程中。采用霍夫变换在边缘像素的坐标数组中选取不共线的三点映射到参数空间中的一个点，对参数a，b，h进行统计(其中a,b分别为椭圆的两个半径，h为转角)，峰值超过一定阈值的一组参数即为有效椭圆。图4所示为椭圆识别的结果示意图。在识别出有效椭圆后，获取椭圆的位置参数坐标即为盘圆的位置。
54.以上所述仅为本技术的示例性实施例，并不用以限制本技术。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。