點云的案例
基于點云的球銑加工動態仿真
圖5 坯件仿真結果
3.3結果分析
在坯件上兩次走刀后，得到圖5所示的點云模型，弧槽的走刀起始位置和結束位置沒有點發生外偏，兩次走刀的相交區域沒有錯位點產生，符合銑削實際。分離出坯件上被銑削到的弧槽面上點云a（圖6a），并將cad建模得到的網格模型中弧槽部分進行表面采樣得到點云b（圖6b）。計算得到點云a與點云b之間的最大距離為0.32 mm，均方根誤差為0.015，仿真精度較高[24,25]。
圖6 仿真點云與CAD建模點云
4 結語
本文建立的仿真模型動態地模擬了工件表面球銑時的變化過程，每次步進都產生準確結果，模型可視化且精度高。下一步工作將在此模型的基礎上，研究使用深度學習方法進行復雜工件的銑削工藝設計。
文章來源：現代計算機
展開 激光雷達與攝影測量相結合如何提高點云質量？
來源 | GIS前沿
知圈 | 進“雷達群”請加微13636581676,備注雷達
是否可以通過將激光雷達與攝影測量技術相結合來提高點云的準確性和密度？激光雷達數據可以穿透樹木并測量陰影區域以生成非常準確的點云。被動成像相機衍生出更詳細的 3D 模型并使用多光譜信息對點云進行編碼，從而產生有用的彩色點云分類。
如果可以合并這些技術會怎樣？中性密度濾鏡對點云顏色有什么影響？本文更詳細地探討了定量和定性點云增強。
無人機（UAV 或“無人機”）在許多環境應用中變得越來越流行，提供點云數字表面模型 (DSM) 和正射影像。無人機飛行生成的數據集的準確性取決于數據捕獲方法，有源激光雷達傳感器或無源遙感傳感器（相機）。點云數據集通常包含大量不良的不規則性，例如局部點密度的強烈可變性、缺失數據、重疊點和噪聲。黎巴嫩大學文學與人文科學學院地理空間實驗室最近的這項研究應用了各種方法來增強點云質量，還進行了現場實驗以減少點云的不規則性。
新的點云質量提升方法
高分辨率和高密度點云在變形監測研究和室內外測繪等許多應用中發揮著重要作用。幾項研究比較了激光雷達和運動 (SfM) 攝影測量技術的結構，發現激光雷達數據集更準確，因為 SfM 派生的結果是可變的。SfM 攝影測量的一個優點是使用多光譜信息對點云進行編碼，這是一種有用的彩色點云分類。但是，激光雷達數據可以穿透樹木并測量陰影區域以生成非常準確的點云。激光雷達掃描儀可提供相對準確的 3D 點云，而被動成像相機則可生成更詳細的真實世界 3D 模型。
地理空間技術用戶經常會問，選擇什么來掃描市區：激光雷達還是攝影測量？但是，當同時使用這兩種技術時會發生什么？
展開 如何獲得CAD點云對象的截面和輪廓?
在 CAD 中獲取點云對象的截面和輪廓，需結合
內置工具 + 專業插件 + 自動化腳本，以下是分場景的實戰操作指南，附具體命令和參數：
一、基礎操作：CAD 內置截面工具（適合簡單點云）
1. 加載點云并創建截面（5 分鐘 / 個截面）
步驟：
① 輸入 POINTCLOUD 加載點云文件（.rcp/.rcs）
② 輸入 SECTIONPLANE → 選擇點云 → 繪制剖切平面（如 XY 平面 Z=100）
③ 右鍵截面平面 → 選擇「生成二維 / 三維截面」→ 勾選「點云截面」
關鍵設置：
采樣距離：0.1m（根據點云密度調整，越小輪廓越精細）
輸出類型：選擇「多段線」（便于編輯）或「樣條曲線」（更平滑）
2. 提取輪廓線（從截面到 CAD 對象）
操作：
① 選中截面平面 → 右鍵「顯示截面夾點」→ 拖動調整剖切位置
② 輸入 PCPROFILE → 選擇點云 → 框選截面區域
③ 在「提取點云輪廓」對話框中，設置：
最小間距：0.2m（過濾噪點）
最大角度：45°（識別尖銳邊緣）
④ 確認后生成閉合多段線，自動創建「點云輪廓」圖層
二、進階方案：ReCap Pro 深度處理（適合復雜點云）
1.
展開 自動駕駛中車輛的如何使用點云定位？
我們將可用方法分為三類（點云配準，3D特征點匹配法和深度學習的方法），并在下表中列出了它們。
并在接下來的閱讀中細細介紹。
1 3D點云配準方法
這里主要回顧基于3d 點云的配準的定位方法，配準的目的是實現一對點云能夠對齊在同一坐標系下，從而可以計算出兩次掃描之間的點云的變換，在自動駕駛定位場景下，可以通過兩種方法使用配準的方法：
（1）通過將獲取的掃描幀點云與預構建的高精點云地圖的一部分進行配準，對車輛進行定位。
（2）通過連續的Lidar掃描獲取的點云計算出車輛的里程計信息。
點云配準主要用于形狀對齊和場景重建等領域，其中迭代最近點算法（ICP）是最受歡迎的算法之一，在ICP中通過最小化點云數據之間的度量誤差來優化源點云和目標點云之間的轉換。并在該研究領域有多種ICP算法的變種【47】，常見的變種算法有點到線段的ICP[48],點到面的ICP[49]以及通用的ICP[10],ICP算法可以認為是解決點云配準的經典算法，在文章【11】中將點云配準和回環檢測以及車輛位姿圖的優化結果在一起，以減少連續配準帶來的累計誤差。
展開 
自動駕駛之點云與圖像融合綜述
這篇文章總結了基于圖像和點云基于深度學習的數據融合方法
，
包括深度估計、目標檢測、語義分割、目標分割、傳感器在線標定等方面的應用。這里就來學習一下相關的知識點，下圖就是基于圖像和點云融合的感知任務及其相關部分一攬表。
深度學習
a）基于圖像的深度學習方法
卷積神經網絡(CNNs)是目前（2020年，因為2021年VIT大火）對圖像理解和處理的最有效的模型之一。與MLP相比，CNN具有平移不變性，利用較少的權重和層次模式（卷積層、BN層、relu層、pooling層），可以以抽象的層次和學習能力完成對圖像特征的提取和高階語義的學習。
b）基于點云的深度學習方法
對于點云的方法，有很多種類型，如
b1)Volumetric representation based，
即將點云按照固定的分辨率組成三維網格，每個網格的特征都是學出來的；這種方法可以很輕松的獲取到網格內部結構，但在體素化過程中，失去了空間分辨率和細粒度的三維幾何形狀；
b2)Index/Tree representation based，
是將點云劃分為一系列不平衡的樹，可以根據區域的點密度進行分區，對于點密度較低的區域具有較低的分辨率，從而減少不必要的內存和計算資源；
b3)2D views representation based，
這種方式比較好理解，就是將點云按照不同的視圖投影成深度圖，然后利用CNN對圖像進行檢測；
b4)Graph representation based，
這種就是將點云表示為圖，在空間或者光譜域上實現卷積操作。
展開 激光雷達：點云語義分割算法
這部分會系統的介紹點云分割任務的常用數據庫和評測指標，并對上文提到的典型算法進行對比。點云數據庫按照不同的場景和不同的采集設備可以分為很多種類。這里只關注室外道路場景，面向自動駕駛應用，由車載LiDAR采集的點云數據庫，以及相關的算法對比。
5.1 數據庫
SemanticKITTI
KITTI是圖像和點云檢測領域最常用的數據庫之一。SemanticKITTI[16]將KITTI數據庫中Visual Odometry Benchmark中的所有LiDAR點云序列進行標注，是第一個大規模的面向自動駕駛場景的3D點云語義分割數據庫。
SemanticKITTI的點云數據是通過Velodyne64線激光雷達采集，共有22個序列，訓練集和測試集分別包含23021和20351幀點云，每幀大約10萬個點，標注的語義類別為28個。之后，SemanticKITTI又增加了實例級別的標注，實例的ID在時序上也是一致的，可以用來作為全景分割和物體跟蹤的評測[17]。
SemanticKITTI數據庫的標注分布（可移動物體在靜止狀態時用實心柱表示）
nuScenes
nuScenes[18]數據庫由知名的汽車零部件供應商APTIV旗下的子公司Motional發布，專門面向自動駕駛應用，包含了1000段城市道路交通場景，數據由6個攝像頭，5個毫米波雷達和1個激光雷達采集。這也是第一個包含了自動駕駛三個主要傳感器的公開數據庫。
nuScenes的點云數據在全部1000個序列的40000個關鍵幀上進行了標注，每幀大約3萬個點。標注的語義類別共有32個，其中包括23個前景類別和9個背景類別。
展開 CAD怎樣調整點云的顯示樣式
在CAD繪圖工作中，點云數據的顯示樣式設置對于提高工作效率和圖形的可讀性至關重要。合適的顯示樣式不僅能夠讓用戶更清晰地觀察點云的細節特征，還能減輕視覺疲勞，提升整體工作體驗。下面將為大家詳細介紹CAD中設置點云顯示樣式的具體方法和相關技巧。
問題描述：
針對輸入的點云數據，如何更改其顯示樣式？
步驟指引：
1.CAD2025及以上版本具有該功能。
2.如果是二維草圖與注釋界面，點擊插入的點云文件，在【點云】功能區的可視化面板中，點擊下拉菜單選擇不同的樣式。
3.如果是經典界面，雙擊點云圖形（或者【Ctrl+1】調出特性欄），在彈出的對話框中選擇樣式化。
本文CAD軟件教程的分享就到這里，希望能為你提供實用的信息。感謝你的耐心閱讀，歡迎留言交流！
展開 基于 LiDAR 點云的 3D 物體檢測算法 ｜ 焉知課堂
那么，在做點云中的物體檢測時，人們自然的就會想到要借鑒視覺領域的成功經驗。VeloFCN 就是其中的代表性方法。它將 3D 點云轉換到與圖像相似的正視圖（Front View），得到一個「點云偽圖像」。
這種數據在格式和性質上與圖像非常類似，自然的也就可以照搬圖像上的物體檢測算法。但是這種表示的缺陷也很明顯，首先多個點可能映射到圖像坐標的同一個位置，這樣會造成信息的丟失。更為重要的是，將 3D 的點映射到 2D 平面，丟掉了深度信息，而這個信息對 3D 物體檢測來說是非常重要的。
因此，人們又想到可以把 3D 點云映射到俯視圖（也稱作鳥瞰視圖，Bird's Eye View, 簡稱 BEV）。這種映射是非常直觀的，你可以簡單的認為把 3D 點的高度坐標忽略（將其看作點的特征），從而得到 2D 平面上的數據表示。MV3D 就是將 3D 點云同時映射到正視圖和俯視圖，并與 2D 圖像數據進行融合。以上說的都是數據構建和特征提取，至于后端的檢測算法，一般來說這個時期都是采用基于 R-CNN 或者類似的方法。這里就不做解釋了，網上可以找到很多介紹性文章。
MV3D 的多種視圖融合
起步期（2017 年）
時間進入 2017 年，在這個年份里出現了兩個在點云物體檢測領域堪稱里程碑式的工作：VoxelNet 和 PointNet++。
這兩個工作代表了點云處理的兩個基本方向，VoxelNet 將點云量化為網格數據，而 PointNet++ 直接處理非結構化的數據點。下面我會稍微詳細的介紹一下這兩個方法，因為之后點云物體檢測領域幾乎所有的方法都離不開這兩個工作里的概念。
展開 寧夏：43條輸電線路實現無人機激光點云數據采集
“報告工作負責人，±660千伏銀東直流線路226號塔已完成激光點云數據采集，全線激光點云數據全部采集完畢！”國網寧夏檢修公司無人機班班員李波匯報道。
7月5日，隨著最后一架無人機緩緩落地，標志著由該公司無人機班巡檢作業團隊組織的全區750千伏及以上架空輸電線路無人機激光點云數據采集項目正式完成。該項目通過為期4個月的無人機三維激光雷達掃描，繪制出長達2874公里的輸電線路三維模型，為后續開展輸電線路無人機智慧巡檢奠定了基礎。
此次點云數據采集運用無人機搭載高精度多線程激光雷達對全區750千伏及以上電壓等級共計5984基桿塔的交直流輸電線路進行掃描。多線程激光雷達保證了掃描所獲取的三維點云數據精度高達厘米級，掃描獲取的激光點云數據可以直觀地觀察到線路通道走廊內目標物的空間位置和輪廓，確定導地線與地面、建筑、植被等目標物之間的距離，結合數字正射影像DOM、數字高程模型DEM建立三維可視化數據庫，同時生成“三跨點”報告、安全距離檢測分析報告及模擬工況分析報告等，形成一套多源數據融合的智慧三維數字電網。
目前，國網寧夏檢修公司所運維750千伏及以上電壓等級的主電網輸電線路分布區域廣，存在“三跨點”多，線路通道環境復雜。以往巡視方式為人工巡視、可視化監控以及無人機手動巡檢，面對全區近3000公里的主網線路仍存在巡視力度不夠的問題。
去年年底，檢修公司組建無人機巡檢作業團隊，運用無人機開展激光雷達掃描線路桿塔及通道走廊，利用激光點云數據建立輸電通道三維模型、無人機自主巡檢路徑規劃及三維可視化管理等，加強線路走廊樹障分布管控、“三跨點”治理、外破風險管控、輸電線路各類模擬工況分析，有效提高了輸電線路精益化管理。
?“所有點云數據采集完畢后，我們著手將建設智慧線路無人機巡檢一體化管控平臺。
展開 3D目標檢測/點云/遙感數據集匯總
點云分類(羅蒙諾索夫莫斯科國立大學)
Legend: red — ground, black — building, navy — car, green — tree, cyan — low-vegetation.
鏈接：
點云分類：
https://graphics.cs.msu.ru/en/node/922
2. Semantic3D
大規模點云分類基準，它提供了一個帶有大標簽的自然場景的3D點云數據集，總計超過40億個點，8個類別標簽。并且還涵蓋了多種多樣的城市場景。
該數據集是一個大型戶外數據集，使用地面激光掃描儀獲得，總共包含 40億個點。數據集包含了各種城市和鄉村場景，如農場，市政廳，運動場，城堡和廣場。該數據集包含 15 個訓練數據集和 15 個測試數據集，另外還包括 4 個縮減了的測試數據集。數據集中的點都含有 RGB 和強度信息，并被標記為 8 個語義類別。
8個類別標簽的分類基準，即 1：人造地形；2：自然地形；3：高植被；4：低植被；5：建筑物；6：硬景觀；7：掃描人工制品，8：汽車 。附加標簽 0：未標記點，標記沒有地面真值的點
鏈接：
Semantic3D：http://www.semantic3d.net/
3.
展開 『分享』Pro/Engnieer實例逆向造型：耳機抄數點云造型 By Icefai
Icefai精彩教程——Pro/Engnieer實例逆向造型：耳機抄數點云造型
【概述】：本教程通過實際耳機抄數點云的逆向造型過程的詳細講解，演示了在Pro/Engineer野火中根據密集點云逆向造型的一般過程，以及逆向三劍客小平面特征（Facet），重新造型（Restyle）和造型（Style）在這個逆向過程中所扮演的角色和應用，重點講述在造型中模型分析方法和逆向構面原則。相信對使用Pro/Engineer進行逆向造型的使用者大有裨益。
衛星/航拍影像/雷達點云實景建模完美配置方案23v1
時間真快，進入2023年第1季度，計算硬件又開始升級換代，本方案--衛星/無人機影像/LiDAR點云處理應用硬件配置，我們采用intel第13代超頻處理器和nvidia RTX40系列架構，提供最新最快衛星影像3D建模的計算處理硬件方案，從臺式工作站、便攜現場處理工作站、超頻多機集群處理方案。。。
通過保證每個硬件配置和系統架構與應用實景建模算法計算特點匹配，以及對硬件設備進行優化，從而達到完美最佳計算處理能力。
最佳實踐：千巡翼Q30+機載LiDAR在水域三維數據采集中的應用
數據處理
激光雷達點云生成采用QX-PCP軟件。軟件為全中文界面、向導式流程，一站式完成航跡解算、點云解算、點云處理等工作。
分鐘級點云生成界面
數據成果
軟件后處理部分具有點云編輯、渲染、去噪、分類、直接賦色等常用功能。去噪分類后點云如下所示。
分類后點云
處理后真彩色點云
雷達自帶全畫幅相機，獲取點云的同時，可以獲取到正射影像，讓外業效率翻倍。下圖是正射影像局部，細節清楚、色彩一致、效果良好，滿足數字化地圖需求。
局部DOM
成果評價
QX1-1845RK激光雷達，以其較長的測程和較高點密度的特點，表現出非常優秀的穿透能力，河道兩岸的各類植被、莊稼等悉數被穿透，點云分類濾波后可以直接得到地面高程。
植被穿透性
地面點平均點云密度為18個/米2
整套方案以強耦合的方式連接，運行穩定性較好，最終得到成果點云厚度較薄，小于5cm，同時對點云精度有較好的保證，可以輕松達到1:500要求，如下圖所示。
展開 自動駕駛傳感器融合：激光雷達+攝像頭
同時，激光雷達生成的3D點云比較稀疏（比如垂直掃描線只有64或128）。對于遠距離物體或者小物體來說，反射點的數量會非常少。
如下圖所示，圖像數據和點云存在著巨大的差別。首先是視角不同，圖像數據是真實世界通過透視投影得到的二維表示，而三維點云則包含了真實世界歐式坐標系中的三維信息，可以投影到多種視圖。其次是數據結構不同，圖像數據是規則的，有序的，稠密的，而點云數據是不規則的，無序的，稀疏的。在空間分辨率方面，圖像數據也比點云數據高很多。
圖片來源于參考文獻[1]
自動駕駛感知系統中有兩個典型的任務：物體檢測和語義分割。深度學習技術的興起首先來自視覺領域，基于圖像數據的物體檢測和語義分割已經被廣泛和充分的研究，也有很多非常全面的綜述文章，這里就不贅述了。另一方面，隨著車載激光雷達的不斷普及以及一些大規模數據庫的發布，點云數據處理的研究這幾年來發展也非常迅速。本專欄之前的兩篇文章分別介紹了點云物體檢測和語義分割的發展情況，感興趣的朋友可以參考。下面以物體檢測任務為主來介紹不同的融合方法。語義分割的融合方法可以由物體檢測擴展得到，就不做單獨介紹了。
2. 不同的融合策略
物體檢測的策略分為：決策層融合，決策+特征層融合，以及特征層融合。在決策層融合中，圖像和點云分別得到物體檢測結果（BoundingBox），轉換到統一坐標系后再進行合并。這種策略中用到的大都是一些傳統的方法，比如IoU計算，卡爾曼濾波等，與深度學習關系不大，本文就不做介紹了。下面重點來講講后兩種融合策略。
2.1 決策+特征層融合
這種策略的主要思路是將先通過一種數據生成物體的候選框（Proposal）。如果采用圖像數據，那么生成的就是2D候選框，如果采用點云數據，那么生成的就是3D候選框。
展開 點云庫PCL學習教程和點云庫PCL從入門到精通
1.點云庫pcl的配置，可以為你配置成功
2.點云數據的讀寫：txt, las, laz, pcd, ply
3.點云的數據結構kd-tree
4.點云的數據結構八叉樹
5、點云的可視化
6.點云的濾波
7.點云深度圖像
8.點云關鍵點提取
9.采樣一致性算法（RANSAC）
10.點云特征描述與提取
11點云配準
12.點云分割
13.點云曲面重建
有疑問的可以私聊，為你解答學習工作中的問題。
歡迎關注，需要點云庫PCL電子版的可以留言和私信，關注送電子版《點云庫PCL學習教程》。
展開 