3. 点云预处理

在3D视觉缺陷检测工程中，点云数据往往直接来源于结构光相机、ToF传感器或激光扫描仪，原始数据中不可避免地包含离群噪点、非均匀密度分布、测量误差以及多视角拼接时的位姿偏差。若将这些原始点云直接送入缺陷检测算法，轻则导致特征提取失真，重则造成误检与漏检。本章围绕点云预处理的四大核心任务——滤波去噪、下采样、法线估计与点云配准，系统讲解其工程原理、操作流程、参数选择依据及实战注意事项，帮助读者构建一套稳健、可复用的点云预处理流水线。

上图展示了点云预处理的完整工程链路。实际项目中，四个模块并非严格串行，例如法线估计可以在下采样之前或之后进行，配准也可能需要先做粗配准再做精配准。工程人员需要根据缺陷类型、传感器特性与算力约束灵活调整流水线顺序。下面逐一深入剖析各模块的核心原理与实战要点。

3.1 滤波去噪：从源头净化数据

3.1.1 核心原理与适用场景

滤波去噪的目的是剔除测量噪声、环境杂点与飞散点。根据噪声产生机制的不同，工程上主要采用三类滤波方法：

• 体素滤波（Voxel Grid Filter）：将空间划分为固定尺寸的立方体栅格，每个栅格内用一个代表点（通常是质心或中心点）替代所有点。它既能降噪又能下采样，但对细节保持能力有限。
• 统计滤波（Statistical Outlier Removal, SOR）：对每个点计算其K近邻的平均距离，若该距离超过全局均值加标准差的一定倍数，则判定为离群点并剔除。适合去除稀疏的飞散噪点。
• 半径滤波（Radius Outlier Removal）：统计每个点在指定半径内拥有的邻居数量，若少于阈值则剔除。适合去除孤立的小簇噪点，对密度变化敏感。

三种滤波方法的核心差异在于对“噪声”的定义：体素滤波关注空间分辨率，统计滤波关注局部密度分布，半径滤波关注邻域连通性。实际缺陷检测中，通常组合使用：先用直通滤波裁剪感兴趣区域，再用统计滤波去除飞散点，最后视情况用体素滤波统一密度。

3.1.2 操作流程与参数选择

1. 直通滤波（PassThrough）：根据缺陷检测区域设定X/Y/Z轴范围，快速裁剪背景与无关区域。例如检测手机中框平面度时，可先裁剪Z轴范围去除载具平面。
2. 统计滤波参数设置：K值（近邻点数）通常取20~50，标准差倍数阈值取1.0~2.0。阈值越小，剔除越激进，但可能误删真实缺陷边缘点。
3. 半径滤波参数设置：半径R取点云平均间距的2~3倍，邻居数阈值取3~6。若点云密度不均匀，需先做体素下采样统一密度。

3.1.3 案例拆解：铸件表面气孔检测中的滤波策略

某汽车零部件厂需检测铸件表面的气孔缺陷，使用结构光相机获取点云，原始数据包含约500万点。初始现象是：气孔区域与正常区域在Z轴高度差仅0.1~0.3mm，但环境飞散点与传感器热噪声导致误检率高达15%。

分析过程：首先统计点云密度分布，发现飞散点主要分布在距离主表面5~10mm处，且密度仅为表面密度的1/20。于是采用两步滤波：第一步用直通滤波裁剪Z轴范围（保留表面±3mm），第二步用统计滤波（K=30，标准差倍数=1.5）剔除残余离群点。处理后点云规模降至420万点，误检率降至2%以下。关键参数记录如下：

复盘经验：滤波参数的设定必须结合具体缺陷尺度。若气孔深度仅0.1mm，则统计滤波的标准差倍数不宜超过1.2，否则可能将真实缺陷点误判为噪声。

3.2 下采样：平衡精度与效率

3.2.1 核心原理与工程意义

高密度点云虽然包含丰富细节，但会显著增加法线估计、配准与缺陷检测的计算开销。下采样的目标是在保留关键几何特征的前提下减少点数。常用方法包括：

• 体素栅格下采样：与体素滤波原理相同，但更强调均匀化密度。体素尺寸通常取点云平均间距的1~2倍。
• 均匀采样（Uniform Sampling）：在点云包围盒内按固定步长抽取点，适合规则排列的点云。
• 曲率自适应采样：在曲率大的区域（如缺陷边缘、倒角）保留更多点，平坦区域减少点数。该方法对缺陷检测尤为有效，但实现复杂度较高。

3.2.2 下采样对缺陷检测的影响

下采样并非越多越好。若体素尺寸过大，微小缺陷（如划痕、凹坑）可能被平滑掉。工程上建议采用“分层下采样”策略：先以较大体素（如2mm）快速处理整体点云，再对疑似缺陷区域（通过初步高度差筛选）以较小体素（如0.5mm）精细重建。这种策略在保证检测精度的同时，可将处理时间缩短60%以上。

3.3 法线估计：赋予点云表面属性

3.3.1 核心原理

法线是点云表面几何属性的重要描述，广泛应用于缺陷深度计算、边缘提取与配准特征匹配。最常用的方法是PCA（主成分分析）：对每个点的K近邻协方差矩阵进行特征值分解，最小特征值对应的特征向量即为该点的法线方向。工程中需注意法线方向的统一（通常朝向视点方向），否则会影响后续处理。

法线估计的质量受两个因素影响：邻域大小与点云密度。邻域过小则法线对噪声敏感，邻域过大则平滑掉细节特征。对于缺陷检测，建议邻域半径取缺陷特征尺寸的1~2倍。例如检测0.5mm宽的划痕，邻域半径设为0.5~1.0mm。

3.3.2 法线在缺陷检测中的应用

• 缺陷深度量化：通过法线方向投影计算点到拟合平面的距离，精确测量凹坑深度或凸起高度。
• 边缘提取：相邻点法线方向突变处往往是缺陷边界，可用于缺陷分割。
• 配准特征：法线与曲率组合构成点特征直方图（PFH/FPFH），用于粗配准。

3.4 点云配准：多视角数据融合

3.4.1 配准流程与核心算法

当被测物体尺寸大于相机视场，或需要360°全貌检测时，必须将多个视角的点云配准到统一坐标系。配准分为粗配准与精配准两个阶段：

1. 粗配准：基于FPFH特征匹配或主成分对齐，获得初始变换矩阵。常用方法包括SAC-IA（采样一致性初始配准）与NDT（正态分布变换）。
2. 精配准：以粗配准结果为初值，使用ICP（迭代最近点）算法迭代优化变换矩阵。ICP的核心是最小化对应点对的距离平方和，常用变体包括Point-to-Point ICP与Point-to-Plane ICP。

Point-to-Plane ICP收敛速度更快且精度更高，适合平面为主的工业零件；Point-to-Point ICP对自由曲面更鲁棒。工程中建议优先尝试Point-to-Plane，若收敛失败再切换Point-to-Point。

3.4.2 配准质量评估与常见问题

常见问题包括：初始位姿偏差过大导致ICP陷入局部最优、点云密度不均导致对应点匹配错误、对称特征导致配准方向翻转。解决方案包括：增加粗配准的迭代次数、使用体素下采样统一密度、在配准前手动指定大致初始位姿。

3.4.3 案例拆解：大型汽车覆盖件多视角拼接

某汽车焊装车间需检测车门覆盖件的表面缺陷，覆盖件尺寸约1.5m×1.2m，单次拍照无法覆盖全貌。采用4个结构光相机从不同角度采集，每帧点云约300万点。初始现象：拼接后接缝处出现0.5~1mm的错位，导致缺陷误检。

分析过程：首先检查各视角点云质量，发现其中一个视角的点云存在轻微运动模糊（因传送带振动）。处理步骤：①对该视角点云进行统计滤波（K=20, std=1.0）去除模糊产生的离群点；②使用FPFH特征进行粗配准，获得初始变换；③使用Point-to-Plane ICP精配准，设置最大迭代次数50次，收敛阈值0.01mm；④配准后计算重叠区域的MSE为0.03mm²，满足要求。

结果对比：配准前接缝处高度差最大0.8mm，配准后降至0.05mm以内，缺陷检测准确率从88%提升至97%。复盘经验：多视角配准的关键在于各视角点云质量的一致性，若某个视角噪声过大，应优先处理该视角数据，而非盲目调整配准参数。

3.5 预处理流水线的工程化建议

构建稳健的预处理流水线需遵循以下原则：

• 先全局后局部：先用直通滤波和体素下采样快速处理全局数据，再对感兴趣区域进行精细滤波与法线估计。
• 参数可配置化：将滤波半径、邻域K值、体素尺寸等参数写入配置文件，便于不同产品线快速切换。
• 可视化验证：每一步处理后都进行可视化检查，确保没有过度平滑或误删关键特征。
• 性能监控：记录每步处理耗时与点数变化，建立基准性能指标，便于后续优化。

在缺陷检测场景中，预处理的目标不是“完美重建”点云，而是“最大化缺陷信号与噪声的对比度”。因此，所有参数选择都应围绕缺陷的尺寸、深度与形状特征进行反向推导。建议建立标准缺陷样件库，用于标定和验证预处理参数的有效性。