点云：3D分析与表面检测的空间数据基础

测量级点云中的每个点都包含三个笛卡尔坐标值——x、y 和 z——用于表示其在测量坐标系中的位置。这些坐标值采用计量系统定义的长度单位表示，在工业检测中通常为毫米。每个 (x, y, z) 三元组的精度受传感器测量不确定度的限制，而测量系统分析（MSA）会针对特定应用对该不确定度进行量化。

在数据集的语义结构中，单个获取的点构成一个“实体-属性-值”三元组：测得的表面位置是实体，笛卡尔坐标是属性，而数值坐标三元组则是值。每个测点到相应名义CAD表面的带符号距离——即偏差分析的核心输出——按以下公式计算：

\[ d(P_i) = \text{sign}(\hat{n} \cdot (P_i – P_{\text{nom}})) \cdot \| P_i – P_{\text{nom}} \| \]

where \( P_i \) is the measured point, \( P_{\text{nom}} \) is the closest point on the nominal CAD surface, and \( \hat{n} \) is the outward surface normal at \( P_{\text{nom}} \). Positive values indicate material excess; negative values indicate material deficit.

除了几何位置外，配备激光或结构光传感器的测量系统还会为每个点分配一个强度值。强度值反映了该表面位置处反射信号的振幅，并取决于三个表面属性：材料的反射系数、该局部表面相对于传感器的倾斜角，以及传感器到表面的距离。

在计量实践中，强度数据具有两项诊断功能：其一，它能识别因反射率较低而导致坐标精度受影响的低置信度点；其二，它能通过区分混合金属-聚合物组件或部分涂层冲压件等多材料部件上的材料区域或涂层边界，从而辅助表面分割任务。

工业传感器的点云存在两种结构拓扑。有序点云保留了传感器的采集网格——每个点占据一个定义好的行和列位置，该位置直接对应于传感器检测阵列中的一个像素或扫描线，这通常由在固定测量场内运行的激光轮廓扫描仪或结构光系统生成。无序点云则不具备固有的网格结构；其中的点以无序的坐标三元组列表形式存在，这是自由扫描或多视图配准工作流输出的典型特征。

这种有组织的拓扑结构降低了最近邻运算和表面重建任务的计算成本，因为邻接关系是编码在网格索引中的，而非通过从完整点集进行几何计算得出的。

光学测量系统通过将结构化电磁辐射投射到表面上，并利用探测器阵列记录该辐射的空间变形，从而生成点云。激光三角测量传感器投射激光线，并根据投射线、探测器以及已知基线距离之间的几何关系计算点坐标；AT Sensors 的 3D 激光轮廓传感器正是基于这一原理工作的。 飞行时间传感器通过计算发射光脉冲到达表面并返回所需的时间来计算点坐标，这使得在降低横向分辨率的同时能够实现更长的测量范围。结构光系统投射编码条纹图案，并通过单次采集时对整个视场内的相位偏移进行计算，从而生成全视场点云。

红外摄像系统通过将几何深度数据与基于辐射发射得出的各点温度值相结合，生成具有空间分辨率的热点云。AT Sensors 的红外摄像机在 8–14 µm 的波长范围内采集热数据，在此波长范围内，辐射强度的转换遵循斯特藩-玻尔兹曼定律：

\[ M = \varepsilon \cdot \sigma \cdot T^4 \]

其中 \( M \) 为辐射通量（单位：W/m²），\( \varepsilon \) 为表面发射率，\( \sigma = 5.67 \times 10^{-8} \) W/(m²·K⁴) 为斯特藩-玻尔兹曼常数，\( T \) 为表面绝对温度（单位：开尔文）。 热点云数据包含每个点的四维信息——x、y、z空间位置以及温度标量T——这使得在电子组装检测、复合材料部件验证和热处理监测等工业流程中，能够对组件进行几何与热成像的同步检测。

点云的空间分辨率是指测量表面上相邻采集点之间的平均距离，通常以毫米或微米为单位。分辨率决定了数据集能够呈现的最小表面特征：若要清晰分辨宽度为0.5毫米的表面凹陷，点间距需小于等于0.25毫米。

点云的分辨率取决于3个传感器参数——探测器像素间距、光学放大倍率和工作距离——以及一个处理参数，即线扫描传感器的扫描速度。横向分辨率 \( \Delta x \) 与覆盖 \( N \) 个探测器像素的视场 \( W \) 之间的关系为：

\[ \Delta x = \frac{W}{N} \]

在这种情况下，更窄的视场或更高的像素数会直接提高所采集点云的空间分辨率。

点云配准是一种计算过程，旨在将两个或多个部分点云（每个点云均来自不同的传感器位置）对齐到一个共同的测量坐标系中，从而使合并后的数据集能够完整地呈现被测物体的表面。配准算法通过计算包含3个旋转角和3个平移分量的刚体变换，来最小化重叠点集之间的残差距离。

随后，利用参考点系统（RPS）将已注册的点云与名义CAD坐标系进行对齐。该参考点系统由测量对象上的3个或更多个定义基准点组成，这些基准点能唯一地约束空间位置的全部6个自由度。RPS拟合的均方根残差可量化对齐质量：

\[ \text{RMS}_{\text{RPS}} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} d_i^2} \]

其中 \( d_i \) 是每个RPS基准点的实测位置与名义位置之间的距离，\( n \) 是对中过程中使用的基准点数量。

工业传感器采集的原始点云中包含两类错误点，在进行几何分析前必须将其剔除。异常点与真实表面的偏差超过预期测量不确定度，其成因包括陡角表面反射、相邻表面的二次反射或探测器饱和现象。统计异常点剔除法通过识别与k个最近邻点的距离超过基于局部点密度分布推导出的阈值的点，并将这些点从数据集中移除。

平滑滤波器——当点对点噪声超过所需的表面粗糙度分辨率时应用——通过计算局部点邻域的加权平均值，从而减少高频坐标散布。这两项操作的滤波器参数均需根据MSA中针对特定传感器和测量任务所规定的测量不确定度规范进行校准。

曲面重建通过计算一个能够对点位置进行插值或近似的三角化曲面，将非结构化点云转换为连通的多边形网格。生成的网格（通常以STL或OBJ等格式存储）将测量曲面表示为封闭或开放的多面体近似模型，适用于CAD比对和快速原型制作工作流程。 表面重建标志着点云计量学与基于网格的几何处理之间的分界；重建网格数据的后续处理属于《网格模型（STL/OBJ）》一文的讨论范围。

偏差分析针对点云中的每个点，计算其与名义CAD表面上对应位置之间的带符号距离，其中正值表示相对于设计几何形状存在多余材料，负值表示存在材料缺失。分析结果为一张全表面偏差图，该图量化了制造部件在整个可测量表面上的几何精度。

3 scalar metrics summarize the deviation map in inspection reports: the maximum positive deviation \( d_{\max}^{+} \), the maximum negative deviation \( d_{\max}^{-} \), and the root-mean-square deviation:

\[ d_{\text{RMS}} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} d(P_i)^2} \]

其中 \( d(P_i) \) 是各点处的带符号偏差，\( n \) 是已计算点的总数。均方根值反映了整体表面形状误差，而最大值则指出了与功能公差评估相关的最坏情况局部偏差。

基于点云的尺寸检测用于评估制造部件的几何符合性，以验证其是否符合GD&T标准（包括ISO 1101和ASME Y14.5）中规定的公差要求。检测软件通过将解析几何形状拟合到选定的点子集，从点云中提取几何特征——包括平面、圆柱、圆锥、球体和自由曲面。

每个拟合特征都包含位置、方向和尺寸值，软件会将这些值与GD&T注释中定义的公称值和公差带进行比较。点云数据可用于评估5种需要完整表面数据的GD&T特征类型：平面度、圆柱度、表面轮廓、相对于测量基准的平行度，以及曲面特征的真实位置。

基于点云的表面缺陷检测可识别局部几何偏差——如凹痕、划痕、凹陷、焊渣和边缘毛刺——这些缺陷的空间范围和深度虽在尺寸公差范围内，但超出了部件规格中关于外观或功能的验收标准。 AT Sensors 的 3D 激光传感器能够以满足集成到自动化在线检测系统的线速采集全表面点云数据，这些系统可在生产吞吐率下实现 100% 的零件验证。

全自动100%检测系统和数字孪生应用主要以点云数据作为其主要输入。本内容网络的“节点：数据采集”部分对这两个主题进行了探讨。

逆向工程利用测得的点云作为几何源，用于重建现有物理部件的参数化CAD模型，尤其适用于没有原始设计文档，或者实际几何形状与名义设计存在偏差的情况。该过程将点云转换为网格，在网格区域内拟合参数化曲面，并在CAD环境中将拟合的曲面组装成边界表示（B-Rep）实体模型。

对工装、模具和注塑模具型腔进行逆向工程，是AT Sensors 3D测量系统在汽车和塑料制造领域中已得到验证的应用之一。

点云结果中的测量不确定度是指测量对象真实表面坐标预计落入的区间，该区间以规定的覆盖概率（通常为95%）表示。对于点云而言，不确定度主要源于以下四个方面：传感器的固有噪声、用于传感器校准的参考标本的校准不确定度、采集过程中测量对象和传感器的热膨胀，以及合并多个局部扫描时引入的配准误差。

综合标准测量不确定度 \( u_c \) 可由不确定度传播定律推导得出：

\[ u_c = \sqrt{u_{\text{sensor}}^2 + u_{\text{cal}}^2 + u_{\text{thermal}}^2 + u_{\text{reg}}^2} \]

综合测量不确定度决定了名义值与实测值比较中可检测到的最小偏差：偏差值 \( |d| \lt u_c \) 在计量学上与零无法区分，因此无法作为合格/不合格的质量判定依据。 测量系统分析（MSA）提供了一种统计方法，用于定量分析并分解这些不确定度贡献。如《测量系统能力》一文中所定义的能力指数 Cg 和 Cgk，可判定点云测量系统能否满足特定检测任务的公差要求。

DIN EN ISO 10360-10规定了光学三维测量系统的验收测试程序，包括基于激光三角测量和结构光原理的系统，并明确了参考标件、测试程序以及性能参数——包括探针形状误差和球体间距误差——这些参数以可追溯的方式表征了系统的精度。 关于 DIN EN ISO 10360-10 的完整阐述及其在基于激光三角测量的系统中的应用，详见 Node: Lasertriangulation 网站上关于 ISO 10360-10 符合性测试的文章。