当前时间： 2026-08-11 12:59:13
分类：办公文件
评论(0)
两张曲面之间:一个三维检测软件人的测量观写在前面
做三维检测这几年，我的工作重心调整了几次：先做检测软件，中间做过自动化控制软件和扫描设备，现在又聚焦回了检测软件。谈不上资深，但这几次调整有个意外的好处：我被迫从不同角度，把“测量”这同一件事想了好几遍。软件工作让我理解算法，设备工作让我看见误差从哪来，现场则让我明白一份报告究竟意味着什么。这篇文章就是这几遍想下来的结果。不讲具体产品，只讲我理解的三维测量。一、机库里的那个问题
他要面对的不是一道数学题，而是一个工程决策：修，还是不修？这个决策有明确的判据——结构修理手册（SRM）里写着这个部位凹坑深度的极限值。量出来，比一下，超了修，不超则按手册处置。听起来简单。但真正做过测量的人都知道，从“发现一个凹坑”到“敢在报告上签字”，中间隔着一长串问题。而所有这些问题的起点，是两张曲面。二、两张曲面
设计端给出一张理想曲面——光滑、连续、参数化，数学上完美。制造端造出一张真实曲面——它存在于物理世界，有形状偏差、有波纹、有瑕疵。扫描仪把它变成几十万个离散的点，我们才能在数字世界里看见它。所谓检测，就是度量这两张曲面的差异，并且让这个差异可信、可仲裁。这句话听起来朴素，但把它拆开，是七个问题：什么叫合格？用什么获得真实曲面？复刻得有多好？复刻过程里的误差从哪来？差异怎么度量？如何每天做一万次？机器能不能自己完成？三、标准：一套通用语法，一套行业判词
刚做这行时，标准在我眼里是“参考文件”——厚厚一摞，查参数的时候翻一翻。做的年头越长，越发现不是这么回事，反而看清了一件事：计量和标准规范不分家。第一套：通用语法——产品几何技术规范（GPS）
它有一张矩阵：横轴是从符号标注到校准的七个链环，纵轴是各类几何特征。可以把这七个链环理解为测量的完整生命周期——怎么标注（符号）、怎么定义（要素要求）、怎么操作（要素特征）、怎么判定（符合与不符合）、怎么测（测量）、用什么测（测量设备）、怎么溯源（校准）。检测软件的很多工作落在“要素特征”和“符合与不符合”这些环节；扫描设备则更多涉及“测量”“测量设备”和“校准”。矩阵里的每一个格子，都可能对应某类算法、指标或检验规则的标准依据。这套标准的价值，可以归成三句话：让图纸上的“合格”可以被书写——统一标注语言；让报告上的“合格”可以被签署——提供公认的判定规则；让设备的“精度”可以被验证——测量与校准有据可查。跨企业、跨行业、跨国界，大家才可能说同一种语言。第二套：行业判词——结构修理手册（SRM）
但通用也意味着：GPS 不会告诉你“这个位置，多少算超限”。这个答案，要到各行各业自己的规范中去找。航空维修的答案之一，写在 SRM 里。SRM 是飞机制造商针对具体机型编制、纳入持续适航文件体系的结构修理手册。它的限值不是拍脑袋来的，背后有损伤容限、静强度、疲劳和气动等工程分析。满足手册的适用范围与前提时，限度内的损伤可以按手册处置；一旦超限，就需要进入原厂工程评估或采用其他经批准的修理方案。SRM 的判词也远比“深度不超过多少”复杂。以凹坑为例：深度、长度、宽度之外，还可能涉及宽深比、与最近紧固件的距离、所在位置的蒙皮厚度分区，以及规定期限内是否需要复查或修复。一项处置结论，往往是一组几何条件和工程条件共同作用的结果。两套语言，怎么接上？
有意思的是，SRM 不只是给出判据，通常还会规定或示意“怎么测”。凹坑深度可以理解为相对原始轮廓的最大偏离；传统做法是用深度尺横跨凹坑，两端架在周边完好的蒙皮上，再用探针测最大间隙——那把尺，就是对“原始轮廓”的物理外推。所以两套语言的关系，一句话可以说清：直尺是用硬件做拟合，三维扫描是用算法做拟合；GPS 为测量与评价提供通用的方法语言，SRM 则规定这个场景下什么结果可以接受。SRM 未必直接引用 GPS 标准，但它的判据要落地执行，离不开计量学的方法。行业里已经有 OEM、维修机构和计量机构对三维扫描测量凹坑开展应用验证。这至少说明，用算法重建原始轮廓这条路，已经不只是实验室里的想法。四、复刻：获得真实曲面
先回答“为什么”。三维扫描的目的，是获得真实表面可度量的数字化复刻。在 GPS 体系中，可以借用肤面模型（Skin Model）的观念来理解它：我们关心的是实际工件表面在数字世界中的表达，点云则是对这个表面的离散测量采样之一。这里有一个常见的误解要澄清：肤面模型不是 CAD 的离散化。CAD 导出 STL，仍然是理想模型，只是换了一种离散表示。肤面模型要表达的，则是制造出来的真实表面。它和 CAD 之间的差异，主要不是离散化误差，而是我们真正关心的制造偏差，当然其中还叠加了测量误差。为了完成这种复刻，设备演化出不同形态：手持激光、跟踪式激光、固定拍照式——不同的采样策略，也带来不同的误差特性。对做算法的同行来说，设备首先是一种采样仪器：采样方式，决定了后续数学处理所能达到的上限。而复刻永远不完备：一边是有限采样，一边是测量误差。于是必须回答下一个问题——复刻得到底有多好？五、精度：复刻得到底有多好
买扫描仪时，宣传页上最显眼的通常是“精度 0.02 mm”这类数字。但如果只问“精度多少”，得到的答案往往只是单视图或单帧条件下的局部测量性能；现场测量完整工件时，真正关心的却是全局拼接之后，尺寸关系还能不能保持准确。这是两个不同的问题。为了让“精度”变成可以验收的指标，厂商和用户常引用 VDI/VDE 2634 一类规范；2021 年，ISO 也发布了 ISO 10360-13，用于光学三维坐标测量系统的验收与复验测试。二者的术语和指标组织不必强行一一对应，但目标相近：把笼统的“精度”拆成可以验证的性能项。第一类，尺寸关系的复刻能力：探测误差·尺寸（PS）和球心距误差（SD）。实际检测任务里，大量工作是尺寸测量——距离、直径、位置度。PS 回答的是局部探测系统对标准尺寸的复现能力，例如用标准球检验测得直径与标称直径的偏差；SD 回答的是在整个工作空间里，尺寸关系保持得有多好，例如检验空间中两球球心距的测量偏差。许多设备会用 A+B×L 一类形式给出与长度相关的最大允许误差：测小件时，固定项 A 更显眼；尺度变大后，与长度相关的 B×L 越来越重要。第二类，局部表面的复刻能力：探测误差·形状（PF）和平面类指标。这类指标容易被忽略，但至少在两个场景里，它们是决定性的。一个场景是模拟测量与复核比对。很多时候，我们会在点云上模拟卡尺取点，或者用 CMM 抽取少量点做复核——这时依赖的是局部区域的复刻质量。全局尺寸关系再好，局部表面如果噪声很大，单点或小区域比对就失去了意义。另一个场景更隐蔽：局部误差会污染拟合。拟合是从点集推导理想要素的过程。表面上的局部凸起、反光噪声或边缘伪点，都可能把整个基准面的拟合结果带偏。局部复刻能力，直接决定了下游评价的根基稳不稳。这些误差到底从哪来？答案藏在复刻的过程里。下一节，把这条处理链拆开看。六、扫描：复刻是怎么做出来的
把扫描仪对准工件的那一刻起，物理曲面要变成可用于检测的数字点集，通常会经过下面几类处理。以激光三角法设备为例，可以概括为四步。第一步，图像特征识别。激光线投到工件表面，相机首先得到的是图像。算法要从图像中提取激光线中心、标志点或孔位边缘，而且常常要达到亚像素级。特征的像素坐标定得越准，后面的三维坐标才有可靠的源头。第二步，三维重建。根据设备的光学结构，利用单目或双目三角测量，把二维图像坐标解算成三维坐标。这是多视图几何和系统标定共同发挥作用的地方。第三步，多帧配准与融合。每一帧通常只覆盖工件的一个局部，要把成百上千帧组合成一个整体，就需要标志点、外部跟踪、机械位姿、转台编码器、ICP 和全局优化等一种或多种方法共同工作。大尺寸测量中与长度相关的误差，很大一部分会在位姿传递与全局拼接中显现出来。第四步，表面表征与后处理。根据检测任务，可以直接使用点云，也可以进行滤波、降采样、法向估计或网格化，得到更连续的表面表达。网格并不是所有检测流程的必经产物。这些步骤走完，我们才得到一份可用于后续检测的点云或表面模型。但请注意：每一步都在信息上做取舍，也会留下自己的误差。算法层有提取、解算、配准和逼近误差；硬件层有相机分辨率、标定质量和结构稳定性的限制；温度、振动、环境光和被测表面状态则可能贯穿始终。所以前面那句话需要说得更完整：精度不是在最后一步“测”出来的，而是在整条链上控制出来的；最终还要通过可溯源的试验去验证。甚至连“扫多密”都不只是经验问题。按照 GPS 和几何误差检测的基本思想，提取方案中的点数、位置和分布应当与测量任务相匹配，并且能够说明它们对结果及测量不确定度的影响。采样密度，是测量策略的一部分。七、拟合：唯一的桥
前面说到，局部误差会拉偏拟合。那拟合到底是什么，为什么它一偏，后面的结论就可能跟着偏？因为点云本身不直接回答工程问题。几十万个坐标点里，没有一个点叫“基准面”，也没有一个点写着“合格”。机库里那个问题，还悬着。从数据到结论，隔着一道鸿沟：这一头是离散的、非理想的点；那一头是理想的、有定义的要素——尺寸、公差带、判定和报告，最终都要落到这些要素上。非理想表面上，并不会天然长出一个理想平面或理想圆柱。跨越这道鸿沟，最关键的动作，是从测得的点出发，构造与之关联的理想要素。标准语境里常称为“关联”，工程软件里更习惯叫“拟合”。所以拟合不是检测流程里的普通一环——它是连接点云与几何结论的那座桥。没有关联要素，就没有可以报告的要素参数和偏差。当然，桥面上还铺着提取、滤波、分离、约束和评定这些工序，但决定“点如何变成要素”的核心动作，仍然是拟合。先补一课：拟合与“尺子”
拟合在数学上通常是一个优化问题：调整理想要素的位置和参数，让测量点到它的偏差尽可能“小”。但“什么叫小”，需要一把衡量的尺子——这把尺子，就是范数或评价准则。用L2 范数，优化的是偏差平方和，追求统计意义上的整体代表性；用L∞ 范数，关注的是最大绝对偏差，追求最坏点意义下的最优结果。这里要特别提醒一句：L2 并不会天然“忽略”离群点。恰恰因为残差会被平方，明显的离群点可能产生很强的牵引作用。只有当噪声近似对称、数据中没有严重离群点，或者事先做了可靠的异常点处理时，最小二乘的代表性和稳定性才成立。同一份点云，尺子不同，拟合出的要素位置就可能不同，最后读出来的数也可能不同。所以选尺子不是数学偏好——它直接影响测量结果。怎么做桥：以终为始
那么尺子怎么选？先给一个看似反直觉的答案：拟合没有脱离任务而独立存在的唯一答案。桥怎么架，取决于你到对岸去干什么——取决于用户要的是哪种结论。测量要的结论，典型的有下面几种；一种结论，会对桥提出一种要求。当图样、标准和功能没有指定其他关联准则时，工程软件常用最小二乘去获得具有整体代表性的圆或圆柱。它适合描述近似对称随机误差下的总体水平，但前提仍然是采样合理、异常点受控。这里用 L2，不是因为它在任何情况下都“最准确”，而是因为此时我们需要一个稳定的代表值。形状公差关注的是整个被测表面是否能被容纳在规定的公差带内，它管的不是平均水平，而是边界上的极端偏差。因此，形状误差评定通常采用最小区域思想：寻找能够包容被测要素、同时宽度最小的两条线、两个圆或两个平行平面。这里的评价准则更接近 L∞，因为公差语义本身就在关注最坏情况。结论三：“这个孔装得进轴吗？”——要一个功能判断。这时，平均尺寸和最小区域形状误差都不直接等于装配答案。更合适的做法，是让理想要素充当“模拟塞规”，例如在孔的测量数据中关联一个满足包容约束的最大内接圆柱。能否装配，由功能边界来回答。准则的选择，直接来自工件的功能。提取与评定，本来就在回答不同的问题
工程软件中，提取要素常用最小二乘获得代表性参数；形状误差评定则要依据图样标注、适用标准和评定目的选择最小区域等准则。未明确指定时，应执行 GB/T 1958 等适用标准中的缺省规则，而不能把“所有提取都用最小二乘、所有评定都用同一种方法”当成普遍真理。标准之所以区分提取、关联和评定，正是因为环节不同，所回答的问题不同。所以这一章可以用一句话收住：拟合的准则，就是测量目的的数学化。桥是唯一的，但桥的样子，从来由过河的人决定。说到这里，机库的例子又回来了。在这个场景里，现场未必有可直接使用的 CAD；而维修真正要的结论，是“凹坑相对原始轮廓的深度”。因此，桥要架成“重建原始轮廓”——从凹坑周围完好的蒙皮进行拟合，再向损伤区域外推。拟合这座桥，在现场不是理论，而是能否形成可信结论的关键。八、模板：从一次到一万次
扫描仪扫过蒙皮，得到凹坑及周边区域的点云；上一节说的参考面，就从周围完好的蒙皮拟合、外推出来。然后是判定。注意，SRM 给出的通常不是一句“深度不超多少”，而是一连串关卡。举个示意性的例子：最大深度 1.2 mm，低于适用极限；凹坑又长又浅，宽深比满足“平缓”的要求，不属于尖锐压痕；位置离最近的紧固件排足够远；进一步检查没有裂纹，也没有紧固件松动。所有条件都满足，并且该条款确实适用于当前机型、部位和损伤类型，才能把它归入手册允许的范围。为什么在适用范围内可以按手册处置，而不必对每个凹坑都重新做一次工程分析？因为 SRM 已经把 OEM 的工程分析和批准依据固化成了可以执行的规则。限度以内，按手册规定的条件、方法和时限处置；超出限度，或者任何适用条件不满足，就转入工程评估。手册节省的是重复分析，不是省略工程责任。这个结论凭什么可信？背后是一条完整的链：判定有准绳——采用适用的 SRM 条款与限值；设备有计量——设备经过计量确认，性能可验证、结果可溯源；方法有出处——从采样、提取到拟合和评定，都遵循适用的测量规范；结论有依据——报告按照明确的符合性规则出具。每一步都经得起追问，最后的处置结论才算数。这大概就是工业检测的精神。但这只是一次。换到生产线，成百上千件工件都要得到同样可信的结论，单靠人盯是撑不住的。答案是自动化：产线上把机械臂、转台、扫描仪和检测软件接入控制系统，将流程编排成可执行的节点；现场端则把已经验证过的检测流程固化为模板，按规定条件重复执行。两种形态，内核是同一个词：模板——把一次可信的检测，固化成次次可信。九、AI：谁来写下一本模板
回看前面的六个问题，讲的其实是同一条逻辑——可信：标准定规矩，设备和精度做保障，扫描生成数据，拟合连接结论，模板负责复制。这套逻辑强调确定、可复现、可追溯。现在，一个带有概率性的新变量要进入这个体系：AI。它该怎么进？我的理解是，它更适合进入感知、规划、调度和交互这些位置。扫描端，感知 AI。例如在钣金孔闪测中，可以先识别图像中的孔位和候选边缘，让扫描或测量把资源集中到真正需要的区域。AI 负责找目标，后续测量仍要经过验证过的提取和计算流程。检测端，决策 AI。工业检测软件怎么做AI AgentAgent 可以根据检测目标和当前状态提出下一步操作，调用合适的模板或工具，再由人或受控规则确认后执行。这个循环可以是：提议、确认、执行、判读。执行端，运动规划与具身智能。视点规划可以抽象为带约束的覆盖与优化问题，VLA 等模型也正在自动化场景中被探索。但从演示到稳定产线，中间仍隔着安全约束、节拍、重复性和验证体系。进入的规矩只有一条：AI 只当调度员，绝不当计算器。这里的“调度员”并不是说 AI 不能参与感知，而是说它不能独立拥有测量值和符合性结论的最终解释权。AI 可以决定下一步扫哪里、调用哪个模板、提示哪里需要人工确认；一旦进入对齐、拟合、公差计算和符合性判定，就必须回到经过验证、参数可记录、结果可复现的计量内核。所以我现在更愿意这样判断：AI 当然是第七个问题的主题，但它不是替前六个问题作答的万能答案；它是覆盖在前六个问题之上的新调度层和新接口。感知让系统看见，决策让系统组织行动，执行让系统完成操作——而测量可信的底座，仍然交给标准、计量和数学。写在最后
回到开头那个凹坑——在满足全部适用条件后，它按手册放行了。从发现它，到形成处置结论，走完了标准、复刻、精度、扫描、拟合、模板和智能调度这一整条链。回头看，这七个问题其实是同一件事的七个侧面：让测量可信、可复现、可仲裁、可规模化。我入行不算久，这些理解肯定还有浅的地方。但至少有一点我确信：这个领域最好的问题，往往长在软件、设备和现场的交界处，工业现场永远都有真问题、真数据、真场景。
夜雨聆风
