摘要
为提高仓内原料储料量测量自动化和智能化水平，设计了一种基于二维激光雷达扫描的储料量测量装置与系统。本系统采用RPLIDAR S1型二维激光雷达扫描获取不同储料量物料的原始点云数据，通过坐标变换、重叠点提取、滤波、分割等方法对原始点云进行预处理，采用贪婪投影三角化算法将预处理后的点云进行三维重建，获得仓内原料的三维模型，结合物料三维模型和物料的容重获得仓内原料的储料量，从而实现储料量的自动测量。以玉米为试验对象，测量小型储料塔内玉米储料量并对玉米不同储料量进行扫描测量，验证模型的准确性，结果显示：测量结果的平均绝对误差为8.05 kg，平均相对误差为1.52%。研究结果表明，基于二维激光雷达扫描的储料量测量方法是可行的，具有较好的稳定性和测量精度，能够满足实际生产需求。
大型饲料生产企业一般采用立筒仓储存生产用的谷物类原
间接测量方式是通过激光雷达扫描技术对储存物料进行扫描，获得储存物料的体积，结合物料容重确定储存物料质量。激光雷达扫描技术具有受光照影响小、分辨率高、扫描速度快等优
为探讨基于二维激光雷达扫描的储料量测量方法的可行性，本研究设计了一种基于二维激光雷达的储料量测量装置，利用二维激光雷达实现对物料的三维扫描，采集物料的三维点云数据并对三维点云进行处理，利用三维重建方法计算物料的体积，结合物料容重实现物料储料量自动测量，旨在为大型料仓的储料量测量提供技术支撑。
1）测量装置结构。储料量测量装置整体结构如
图1 储料量测量装置结构示意图
Fig.1 Structure diagram of storage measurement device
1. 1号电动推杆 No.1 electric push rod；2.防尘板Dust plate；3.导轨 Guide rail；4.激光雷达 Laser radar；5.伺服电机 Servo motor；6.支座 Bracket；7.箱体 Box；8. 2号电动推杆 No.2 electric push rod.
2）扫描测量原理。激光雷达采用脉冲式测距技术，测距过程如下：由激光雷达发射窗口发出1个持续时间极短的脉冲激光，被目标物体反射，发射脉冲激光信号被激光接收窗口中的光电探测器接收，通过计算激光发射和回波信号接收的时间间隔获得目标物体距离。激光雷达扫描过程沿顺时针方向旋转，旋转角度范围为0°～360°。在扫描过程中，由于每次扫描只能获得1个平面内的距离信息，为了获取储存物料表面三维点云，通过伺服电机控制二维激光雷达的方位角，驱动二维激光雷达的旋转，实现二维激光雷达对仓内储存物料的全覆盖三维扫描。
激光雷达扫描获取的数据由被测距离值d、扫描角度α和电机转动的方位角η组成。采集到的信息为极坐标系下的数据，坐标系原点为测距核心的旋转中心，其发射窗口的正前方定义为坐标系的x轴，x轴在横向扫描面内，y轴在横向扫描内与x轴垂直，z轴与横向扫描面垂直（
| （1） |
图2 激光雷达扫描的测量原理
Fig.2 Measurement principle of laser radar scanning
3）控制系统。储料量测量控制系统主要包括Arduino UNO开发板、四路5 V继电器、按键模块、供电模块、串口通信转换器等。控制系统硬件连接图如
图3 储料量控制系统硬件电路图
Fig.3 Hardware circuit diagram of storage capacity measurement control system
1.电源开关 Switching power supply；2.Arduino UNO开发板 Arduino UNO development board；3. 1号独立按键 No.1 separate button；4. 2号独立按键 No.2 separate button；5.继电器 Relay；6. 1号电动推杆 No.1 electric push rod；7. 2号电动推杆 No.2 electric push rod.
采用自主设计的储料量测量系统，以玉米为试验对象，通过小型料塔内玉米储料量测量验证试验，对料塔储料量测量方法的可行性及测量精度进行试验。测定玉米平均容重为735.90 kg/
图4 试验测量现场
Fig.4 Test and measurement site
将玉米分9次投入到料塔内，每次上料100 kg，共上料900 kg。采集不同储料量的玉米扫描数据，并对扫描数据坐标转换得到玉米的三维点云数据，对三维点云数据依次进行重叠点提取、直通滤波、欧式聚类分割、点云拼接等处理，采用三维重建方法计算不同储料量的玉米体积，并对基于三维重建的体积测量方法进行体积验证。验证过程如下：采用容量15 L桶量取玉米，每次装料完成后用刮板将表面刮平，直至量取100 kg玉米，并记录量取次数n。试验中最后1次玉米取样时，玉米没有达到“满桶”，此时将桶内玉米表面刮平，在桶内沿玉米表面作标记线。玉米上料完成后，向桶内注水至桶内标记线位置，使用1 L量筒确定桶内水的体积Vw，Vw为最后1次上料的玉米体积，则玉米总体积的计算公式为：
| V=［15（n-1）+Vw］×1 | （2） |
结合玉米容重，确定料塔内玉米的质量，实现储料量的测量。储料量测量公式为：
| G=γV | （3） |
1）扫描数据采集。基于二维激光雷达和伺服电机开发的三维扫描系统在数据采集阶段采用脉冲测距方式获取料塔内物料表面的三维信息，点云数据采集流程如
图5 点云数据采集流程图
Fig.5 Flow chart of point cloud data acquisition
图6 激光雷达扫描示意图
Fig.6 Schematic diagram of laser radar scanning
2）料塔内物料点云数据处理。①点云重叠点提取。测量设备由于位置、环境等因素带来的影响，无法精准控制激光雷达只获取物料表面的点云数据，获取到的点云数据还包含料塔壁点云。由于获取到的空料塔点云和储存物料的点云含有共同的重叠部分点云，需要将重叠部分进行对应索引提取。点云索引是2片点云之间点的一一对应索引，若某一点在某一距离阈值领域内不止其本身一个点，则认为其有重复
②点云滤波。由于2片点云之间是一一对应索引提取重叠点，未能完全对2片点云重叠部分做到完全提取，故需要对重叠点提取后的点云进行滤波处理。目前常用的点云滤波方法：直通滤波（pass through）、半径滤波（radius outlier removal）、条件滤波（conditional removal）、统计滤波（statistical outlie removal）、体素滤波（voxel grid）等，考虑到后续的分割要求，直接采用直通滤波作为料塔物料点云滤波方法。直通滤波是滤波掉在某一维度方向上定值域内以外的
③点云分割。经过上述点云滤波后，进行基于kd-tree最近邻搜索的欧式聚类处理直通滤波后的点云。kd-tree是一种分k维数据空间点的数据结构，其常用于多维空间中数据的搜索。kd-tree的每个节点都是k维的二叉树，本研究是三维点云，所以kd-tree中的k=3。从树的根节点到其子节点，根节点以x轴值、子节点以y轴值、孙节点以z轴值、曾孙节点以x轴值、依此类推为关键
图7 kd-tree邻域搜索
Fig.7 kd-tree neighborhood search
kd-tree进行三维空间点的搜索时，从根节点开始以递归的方式向下沿着树进行搜索，搜索到某一节点到给定点的欧氏距离小于设定的最近邻域值则为最近邻点，则该点到给定点的距离为当前最小距离，同时沿着原搜索路径回退至根节点，若发现该点到某一点的距离小于当前最小距离，则继续搜索未曾访问的整个分支树，即时更新最近邻点直至所有的搜索完成，则kd-tree最近邻搜索完成。
欧式聚类是一种基于欧氏距离的聚类算法。基于kd-tree最近邻搜索的欧式聚类分割方法是从根节点开始按照树的结构依次遍历树的每个节点，设定2点间距离阈值为Т，待搜索的节点坐标为（xn，yn，zn），目标点的坐标为（xt，yt，zt）。令，
| （4） |
| （5） |
1）物料三维重建。采用贪婪投影三角化算法（greedy projection algorithm）进行塔内储存物料的三维重建。贪婪投影三角化算法将三维点云投影到二维坐标平面内，采用基于Delaunay的空间区域增长算法对平面内的点云进行三角化，从而获得各点的连接关系，选取1个三角面作为初始曲面，沿着初始曲面不断扩张，最终形成完整的封闭三角网格曲面模型，实现塔内物料点云的三维重
2）储料量测量与评价。针对三维重建后封闭图形体积的测量，类似于注水原理求取体积，通过虚拟化方式向三维封闭图形中注水，直至将其注满，注水体积即为料塔内物料体
获得物料的体积后，依据物料的容重求得物料的质量，该质量即为扫描测量值。对样本数据的扫描测量值与实际值进行误差分析，使用绝对误差、平均绝对误差、相对误差、平均相对误差作为测量精度的评价指标。
为验证该测量方法的可行性，将试验对象分9次投入料塔中，每次投入的质量为100 kg，共计投入900 kg。对料塔储存物料进行扫描时，首先获取空料塔原始点云，再分别获取不同投放量物料的原始点云，每组原始点云数据为料塔原始点云与物料表面原始点云的拼接点云，共获得了9组原始点云数据，获得的原始点云如
图8 原始点云
Fig.8 Original point cloud
A：空料塔点云Empty tower point cloud；B：玉米点云（200 kg）Corn point cloud （200 kg）；C：拼接点云Splicing point cloud.
设置索引距离为20 mm提取点云重叠点，提取重叠点如
图9 提取点云重叠点
Fig.9 Extraction of point cloud overlapping points
A：空料塔点云Empty tower point cloud；B：提取空料塔的重叠点Overlapping points extraction of empty tower；C：提取重叠点后的空料塔点云Point cloud of empty tower after extrection of overlapping points；D：物料表面点云Material surface point cloud；E：提取物料表面重叠点Overlapping points extraction of material surface；F：提取重叠点后的物料表面点云Point cloud of material surface after extraction of overlapping points；G：物料点云Material point cloud；H：提取物料重叠点Overlapping points extraction of material；I：提取重叠点后的物料点云Material point cloud after extraction of overlapping points.
点云滤波采取直通滤波的方法，指定滤波z轴上定值域内以外的点，对不同的点云数据选定最合适的定值域，点云滤波如
图10 点云直通滤波
Fig.10 Point cloud through filtering
A：提取重叠点后的料塔点云Point cloud of empty tower after extrection of overlapping points；B：直通滤波后的料塔点云 Pass-through filtered empty tower point cloud； C：提取重叠点后的物料表面点云Point cloud of material surface after extraction of overlapping points； D：直通滤波后的物料表面点云Pass-through filtered material surface point cloud； E：提取重叠点后的物料点云Material point cloud after extraction of overlapping points； F：直通滤波后的物料点云 Pass-through filtered material point cloud.
由于点云由同一激光雷达获取，点云的疏密程度一致，在进行欧式聚类分割时给定距离阈值为15 mm，欧式聚类分割后的点云如
图11 欧式聚类分割
Fig.11 Euclidean clustering segmentation
A：直通滤波后的空料塔点云Pass-through filtered empty tower point cloud； B：欧式聚类分割后的空料塔点云Empty tower point cloud after Euclidean clustering segmentation； C：直通滤波后的物料表面点云Pass-through filtered material surface point cloud； D：欧式聚类分割后的物料表面点云Material surface point cloud after Euclidean clustering segmentation； E：直通滤波后的物料点云Pass-through filtered material point cloud； F：欧式聚类分割后的物料点云Material point cloud after Euclidean clustering segmentation.
9组点云数据完成上述处理后，再使用贪婪投影三角化算法对点云进行三维重建得到点云的三维封闭图形。经过贪婪投影三角化的三维重建图像如
图12 三维重建图像
Fig.12 Three-dimensional reconstructed image
序号 No. | 实际体积/ Actual volume | 测量体积/ Measuring volume | 绝对误差/ Absolute error | 相对误差/% Relative error |
|---|---|---|---|---|
| 1 | 0.135 9 | 0.134 3 | 0.001 6 | 1.18 |
| 2 | 0.271 5 | 0.268 7 | 0.002 8 | 1.03 |
| 3 | 0.406 1 | 0.401 1 | 0.005 0 | 1.23 |
| 4 | 0.541 8 | 0.535 9 | 0.005 9 | 1.09 |
| 5 | 0.678 0 | 0.667 1 | 0.010 9 | 1.61 |
| 6 | 0.813 2 | 0.804 8 | 0.008 4 | 1.03 |
| 7 | 0.947 9 | 0.934 1 | 0.013 8 | 1.46 |
| 8 | 1.083 9 | 1.066 7 | 0.017 2 | 1.59 |
| 9 | 1.218 6 | 1.203 8 | 0.014 8 | 1.21 |
|
平均值 Average value | 0.008 9 | 1.27 |
结合玉米的容重与体积确定玉米的质量，从而实现储料量的测量。其中，储料量实际值由人工测量测得，9组扫描测量值为测量系统测得。试验结果的评价指标如
序号 No. | 扫描测量值/kg Scan measurements | 人工测量值/kg Manual measurements | 绝对误差/kg Absolute error | 相对误差/% Relative error |
|---|---|---|---|---|
| 1 | 98.84 | 100 | 1.16 | 1.16 |
| 2 | 197.73 | 200 | 2.27 | 1.14 |
| 3 | 295.17 | 300 | 4.83 | 1.61 |
| 4 | 394.38 | 400 | 5.62 | 1.41 |
| 5 | 490.90 | 500 | 9.10 | 1.82 |
| 6 | 592.28 | 600 | 7.72 | 1.29 |
| 7 | 687.42 | 700 | 12.58 | 1.80 |
| 8 | 785.02 | 800 | 14.98 | 1.87 |
| 9 | 885.85 | 900 | 14.15 | 1.57 |
|
平均值 Average value | 8.05 | 1.52 |
本研究提出了一种方便、快捷、准确的基于二维激光雷达扫描的储料量测量方法。采用激光雷达扫描技术，设计了一种基于激光雷达扫描的储料量测量装置与系统，采用小型料塔对该装置的可行性与测量精度进行试验验证。利用该装置扫描仓内物料获取点云数据，对点云数据分别进行重叠点提取、滤波、分割和三维重建，计算仓内物料三维模型的体积，依据三维模型的体积与物料的容重得到物料质量。以玉米为试验对象，对该测量方法的可行性与测量精度进行验证，该测量方法的平均绝对误差为8.05 kg，平均相对误差为1.52%。研究结果表明，采用二维激光雷达扫描技术实现原料储料量的测量方法是可行的，该方法稳定性良好、测量精度高，测量结果满足储料量测量精度要求。基于二维激光雷达扫描的方法具有更高的精度和更快的测量速度，为实现大型料仓原料储料量的自动测量提供了一种新的方法和技术支撑。
本研究仅以小型料塔为验证对象，针对不同结构尺寸、不同原料的各种料仓内原料储料量测量还需进一步研究，更透彻挖掘激光扫描技术对仓内物料储料量测量的的适应性和广谱性，为实现各种不同结构、不同原料储料量快速、准确的智能测量提供理论依据与技术支撑。
参考文献 References
张良.立筒仓储量测量系统的设计与实现［D］.青岛：山东科技大学，2018.ZHANG L. The design and implementation of silo measurement system［D］.Qingdao：Shandong University of Science and Technology，2018（in Chinese with English abstract）. [百度学术]
刘娇玲.粮仓储粮数量检测系统设计与实现［D］. 郑州： 河南工业大学，2016.LIU J L. Design and implementation of granary storage quantity detection system［D］.Zhengzhou：Henan University of Technology，2016（in Chinese with English abstract）. [百度学术]
郭圣润.立筒仓测量系统及其数据处理算法研究与实现［D］.青岛：山东科技大学， 2019.GUO S R. Research and implementation of silo measurement system and data processing algorithms［D］.Qingdao： Shandong University of Science and Technology，2019（in Chinese with English abstract）. [百度学术]
丁虹民.粮仓仓储量远程监测系统设计［D］.成都：西南交通大学，2016.DING H M. Design of remote monitoring system for storage quantity of granary［D］.Chengdu：Southwest Jiaotong University，2016（in Chinese with English abstract）. [百度学术]
刘世界.基于三维力传感器的粮仓储粮数量检测系统研究［D］.郑州： 河南工业大学， 2018.LIU S J.Research on the quantity detection system of grain storage in granary based on three dimensional force sensor［D］.Zhengzhou：Henan University of Technology，2018（in Chinese with English abstract）. [百度学术]
杜超.基于激光雷达的点云数据处理研究［D］.西安：西安工业大学，2022.DU C. Research on point cloud data processing based on lidar［D］.Xi’an：Xi’an Technological University，2022（in Chinese with English abstract）. [百度学术]
杨旭.激光雷达点云数据的滤波和分割处理［D］.哈尔滨：哈尔滨工业大学，2020. YANG X.Filtering and segmentation of lidar point cloud data［D］.Harbin：Harbin Institute of Technology，2020（in Chinese with English abstract）. [百度学术]
宁奖.激光雷达点云数据处理与三维可视化平台的设计与开发［D］.西安：西安电子科技大学，2017.NING J.Design and development of the laser radar point cloud processing and 3D visualization platform［D］.Xi’an：Xidian University，2017（in Chinese with English abstract）. [百度学术]
胡燕威， 王建军， 范媛媛，等.基于激光雷达的空间物体三维建模与体积计算［J］.中国激光，2020，47（5）：496-505.HU Y W， WANG J J， FAN Y Y， et al.LiDAR-based three-dimensional modeling and volume calculation for space objects［J］.Chinese journal of lasers，2020，47（5）：496-505（in Chinese with English abstract）. [百度学术]
彭孝东，何静，时磊，等.基于激光雷达和Kinect相机点云融合的单木三维重建［J］.华中农业大学学报，2023，42（2）：224-232. PENG X D， HE J， SHI L， et al. Single wood 3D reconstruction based on point cloud fusion of lidar and Kinect camera［J］.Journal of Huazhong Agricultural University，2023，42（2）：224-232（in Chinese with English abstract）. [百度学术]
韦雪花，王永国，郑君，等. 基于三维激光扫描点云的树冠体积计算方法［J］.农业机械学报，2013，44（7）：235-240.WEI X H，WANG Y G，ZHENG J，et al.Tree crown volume calculation based on 3-D laser scanning point clouds data［J］.Transactions of the CSAM，2013，44（7）：235-240（in Chinese with English abstract）. [百度学术]
冯凯月，马利霞，陈洋，等.利用地基激光雷达估算不同地表条件下土方量［J］.农业工程学报，2021，37（23）：90-99.FENG K Y，MA L X，CHEN Y，et al. Estimating earthwork under different surface conditions using terrestrial laser scanning［J］.Transactions of the CSAE，2021，37（23）：90-99（in Chinese with English abstract）. [百度学术]
苗艳龙，彭程，高阳，等.基于地基激光雷达的玉米株高与茎粗自动测量研究［J］.农业机械学报，2021，52（S1）：43-50.MIAO Y L， PENG C，GAO Y，et al.Automatic measurement of plant height and stem thickness of maize based on terrestrial laser scanning［J］.Transactions of the CSAM，2021，52（S1）：43-50（in Chinese with English abstract）. [百度学术]
谢颖.基于三维激光扫描的粮仓储量测量中点云数据处理技术的研究［D］.上海：华东师范大学，2016. XIE Y. Research on point cloud data processing technology in grain storage measurements using three-dimensional laser scanning［D］.Shanghai：East China Normal University，2016（in Chinese with English abstract）. [百度学术]
李鹏. 粮仓储量三维激光扫描快速测量技术研究［D］.北京：清华大学，2010.LI P.Research on rapid measurement technology for grain storage volume based on three-dimensional laser scanning［D］.Beijing：Tsinghua University，2010（in Chinese with English abstract）. [百度学术]
李凯. 粮仓储粮体积测量中激光点云数据处理技术［D］.北京： 首都师范大学，2011. LI K.Laser point cloud data processing technology in volume measurement of grain storage［D］.Beijing：Capital Normal University，2011（in Chinese with English abstract）. [百度学术]
邵晴，徐涛，吉野辰萌，等.基于三维激光扫描技术的粮食储量监测系统的设计与试验［J］.农业工程学报，2015，31（20）：262-267. SHAO Q， XU T， YOSHINO T， et al.Design and experiment for grain storage monitoring system based on 3-D laser scanning technology［J］.Transactions of the CSAE，2015，31（20）：262-267（in Chinese with English abstract）. [百度学术]
向润梓.无人机激光雷达数据预处理技术研究［D］.哈尔滨： 哈尔滨工业大学，2021. XIANG R Z. Research on preprocessing technology of UAV lidar data［D］.Harbin：Harbin Institute of Technology，2021（in Chinese with English abstract）. [百度学术]
王树才，白宇， 赵世达，等. 基于表面凹凸性的羊胴体点云分割方法［J］.农业机械学报，2022，53（7）：387-394. WANG S C，BAI Y， ZHAO S D，et al. Point cloud segmentation of sheep carcass based on surface convexity［J］.Transactions of the CSAM，2022，53（7）：387-394（in Chinese with English abstract）. [百度学术]
尚业华，张光强，孟志军，等.基于欧氏聚类的三维激光点云田间障碍物检测方法［J］.农业机械学报，2022，53（1）：23-32.SHANG Y H，ZHANG G Q，MENG Z J，et al.Field obstacle detection method of 3D LiDAR point cloud based on euclidean clustering［J］.Transactions of the CSAM，2022，53（1）：23-32 （in Chinese with English abstract）. [百度学术]
王芬.激光雷达点云数据处理系统设计与开发［D］.桂林：桂林理工大学，2020. WANG F.Design and development of lidar point cloud data processing system［D］.Guilin：Guilin University of Technology，2020（in Chinese with English abstract）. [百度学术]
李许峰.三维可视化体积测量技术研究与实现［D］. 包头： 内蒙古科技大学，2012.LI X F.The research and implementation of the volume measurement technology which is based on 3D visualization［D］.Baotou：Inner Mongolia University of Science & Technology，2012（in Chinese with English abstract）. [百度学术]