通过结合使用Scheimpflug激光雷达和Raman-Mie激光雷达系统，能够准确获取蓝光波段气溶胶的光学参数

《Optics & Laser Technology》：Accurate retrieval of blue-band aerosol optical parameters by a combined Scheimpflug lidar and Raman-Mie lidar system

提出基于B样条曲面映射的多信息表面模型（MSM），将非重复采样点云转换为统一二维参数空间，整合几何与辐射/纹理数据，解决点云配准难题，实现高精度全场变形测量，适用于机械测试和地质监测。

　　点云技术近年来在多个工程领域展现出巨大的应用潜力，尤其是在全场变形分析方面。然而，尽管其优势显著，该技术的发展仍面临一些关键挑战。其中，一个主要问题在于点云数据的非重复性分布，这使得不同时间点的扫描之间难以建立稳定的对应关系，从而影响了测量的可靠性与精度。为了解决这一问题，本研究提出了一种基于B样条曲面映射的新方法，通过构建多信息曲面模型（MSM），将多维数据整合到统一的参数空间中，实现了不同点云之间的有效关联。这种方法不仅克服了传统点云处理中的核心难题，还为数字孪生建模提供了更具通用性的框架，适用于机械测试、结构健康监测和地质灾害追踪等多个应用场景。

在工程实践中，变形测量对于理解和监控可变形物体的尺寸变化和空间分布至关重要。无论是大型基础设施还是小型实验样品，这一技术都是评估结构行为的重要手段，并在实际工程应用中扮演着不可或缺的角色。传统上，变形测量方法主要分为局部和全场两类。局部方法依赖于在目标物体上布置测量点，并通过传感器如线性差动变压器、连接管道系统、全站仪和全球导航卫星系统来追踪这些点的位移变化。这类方法通常基于几何关系，通过与固定参考点的对比，提供高精度的局部变形数据。然而，如果参考点本身发生变化，就需要重新校准，这在实际应用中可能带来较大的不确定性。

相比之下，全场变形测量采用非接触式传感器，如视觉相机、雷达和激光设备，来获取全面的表面信息。这种方法不需要物理目标点，因此在实际应用中更具广泛的适用性。然而，缺乏固定的测量点也带来了在建立变形前后数据对应关系方面的挑战。数字图像相关（DIC）技术通过比较变形前后获取的表面图像，计算每个图像点的运动情况，提供了一种成熟的解决方案。然而，DIC技术的核心子图像相关依赖于所有图像共享同一个坐标系，这意味着必须保持相机位置固定，这在实际应用环境中往往难以实现。因此，如何突破这一坐标系限制，成为当前研究的一个重要课题。

点云技术为这一问题提供了一个有希望的解决方案。点云是由从物体表面采集的欧几里得空间坐标（x、y和z）构成的数据集，这些坐标通常由各种设备捕获。由于物体的形态取决于这些点之间的相对位置，因此理论上可以实现与传感器位置或全局坐标系无关的测量，从而通过形态变化来推断变形情况。尽管如此，该技术仍然面临两个主要挑战：首先，非重复性采样使得点云之间的对应关系难以固定，每个点的物理位置无法被唯一确定；其次，点云数据通常缺乏内在结构，其空间密度和分布具有显著的不均匀性，这给建立统一的表面表示带来了困难。

因此，建立可靠的点云与物理表面之间的对应关系，以及一致的表面度量标准，是应用点云进行全场变形测量的关键。为了解决这些问题，研究者们已经进行了大量的探索，包括参考系注册、空间差异估计以及点云之间的对应关系建立等。其中，参考系注册是将不同时间点的点云对齐到同一个坐标系统的过程，而空间差异估计则是通过量化注册后的点云之间的几何偏差，来揭示物体的变形情况。理论上，参考系注册通过匹配对应点来估计坐标系之间的变换参数，但在实际应用中，由于物体可能发生非刚性变形，因此点云之间的变换参数估计变得复杂。为了解决这一问题，研究者们提出了两种主要策略：一种是利用未变形区域，即从稳定区域的数据中进行注册；另一种是引入变形参数，以更高阶的变形模型进行注册。然而，这两种方法在一定程度上模糊了全局坐标系对齐与实际变形之间的界限，更适合于局部注册而非全局注册。

为了提高全场变形测量的准确性，近年来研究者们逐渐将注意力转向更加灵活和高效的方法。这些方法不仅考虑了局部区域的变形情况，还试图在全局范围内建立一致的变形模型。一些研究表明，复杂的全局变形可以被视为多个简单局部变形的组合，而通过引入正则化约束（如平滑性约束和尽可能保持一致的约束项），可以确保这些局部变形在全局范围内形成一个连贯的变形场。这一思路推动了连续模型、局部变换模型和控制结构方法等系统性研究的发展。

尽管如此，点云技术在实际应用中仍面临一些固有的限制。首先，对大量标注数据的依赖使得数据标注成本较高，尤其是在处理复杂的变形情况时。其次，基于GPU的训练和推理过程导致了较高的计算开销，这在实际的现场环境中限制了实时部署的可行性。此外，模型在面对未见过的变形模式（如裂缝扩展与弹性弯曲）时，其性能可能会下降，从而影响在工程应用中的可靠性。这些挑战进一步受到不规则结构分割、局部变换模型选择以及在特征学习过程中保持几何细节的需求的影响。

基于以上背景，本研究提出了一种新的方法，即多信息曲面模型（MSM）的构建方法，旨在通过整合几何、辐射度和纹理信息，实现对点云数据的统一参数空间映射。该方法将点云从传统的几何表示转变为一种强大的关联工具，通过将点云的三维空间坐标与相关属性（如颜色、强度和曲率）映射到一个共同的二维参数空间（u、v），将原本复杂的、模糊的三维点云对应问题转化为一个更为可控的二维图像相关问题。这种转变不仅提高了点云处理的效率，还增强了变形测量的精度和适用性。

此外，本研究还提出了一种基于B样条的全场变形测量方法，该方法通过构建MSM，将未组织的三维点云及其多维属性映射到统一的二维参数空间。与传统的点对点匹配方法不同，MSM方法结合了数据驱动和模型驱动的策略，通过建立更稳健的点云关联，为变形分析提供了更可靠的基础。该方法不仅适用于变形测量，还为数字孪生建模提供了通用性的框架，适用于机械测试、结构健康监测和地质灾害追踪等多个应用场景。

在本研究的实验验证部分，我们使用Python 3.9实现了该算法，并借助Open3D进行点云处理，NURBS-Python进行B样条曲面建模。实验在一台配备Intel Core i7-1355U处理器和32 GB DDR5内存的台式电脑上运行。实验结果表明，该方法的测量精度超过了原始点云的平均点间距，这表明其在处理复杂变形情况时具有较高的可靠性。此外，该方法在不同变形水平下的适应性也得到了验证，证明其在实际应用中具有广泛的应用前景。

在实际应用部分，我们通过两个真实案例展示了该方法的有效性。首先，我们将其应用于机械测试中的全场变形测量，通过对比实验结果，验证了该方法在处理实验室样品时的准确性和稳定性。其次，我们将其应用于地质灾害的监测与追踪，通过分析实际地质结构的变化，展示了该方法在处理自然地形和环境变化时的适用性。这两个案例表明，该方法不仅适用于实验室环境，还能在复杂、多变的自然环境中发挥作用。

本研究的创新点在于对B样条曲面在点云处理中的应用进行了根本性的重新思考。传统上，B样条曲面主要用于表面拟合和独立模型的形态比较，其应用主要局限于几何领域。而本研究提出的MSM方法则通过整合多种属性信息，将点云数据映射到统一的参数空间中，从而实现了不同点云之间的有效关联。这种映射不仅解决了空间定位的问题，还提高了变形测量的精度和可靠性。

综上所述，本研究通过构建多信息曲面模型（MSM）和基于B样条的映射方法，为点云技术在全场变形测量中的应用提供了新的思路和解决方案。该方法不仅克服了传统点云处理中的核心挑战，还为数字孪生建模提供了更具通用性的框架，适用于多种工程应用场景。通过实验验证和实际案例分析，我们展示了该方法在提高测量精度、适应不同变形水平以及处理复杂结构方面的优势。这些成果为未来的点云处理技术发展提供了重要的理论支持和实践指导。