CN115937149A - 一种基于三角网格化的墙面局部偏差自动化检测方法 - Google Patents

Abstract

本发明请求保护一种基于三角网格化的墙面局部偏差自动化检测方法，该方法包括以下步骤：采集前后两期三维激光扫描点云数据，基于Delaunay三角剖分理论完成查询点云Q的三角网格化；利用NDT+ICP算法将前后两期点云配准，建立索引并计算两两之间的欧式距离L_ij；设置阈值，通过筛选距离查找点对，查询点对间距离超过阈值的点云，形成缺陷点集C；对点集C，建立Delaunay三角剖分将点集分割为小四面体，对四面体的四个点，求取其中心坐标和体积V_ci，汇总小三角形体积完成缺陷总体积V的计算，通过重心求取公式完成缺陷重心的求取。利用凸包算法进行轮廓提取和面积计算得到缺陷范围S。

Description

一种基于三角网格化的墙面局部偏差自动化检测方法

技术领域

本发明涉及墙面检测技术领域，具体是三维激光扫描技术在墙面检测中的应用，特别涉及一种基于三角网格化的墙面局部偏差自动化检测方法。

背景技术

墙面平整度是墙体表面的凹凸程度以及墙面整体厚薄均匀的程度，是建筑物工程质量验收的重要标准之一。其结果直接影响工程验收、建筑物的安全使用以及建筑物外墙装饰的稳定性；装饰层不稳定不仅影响建筑物的外观，更重要的是会带来直接或间接的损失，为了确保墙体的质量，需要对墙体进行墙面检测操作，墙面检测的内容一般指检测墙体的垂直度与平整度，其中墙体空鼓是影响墙面平整度和垂直度的典型问题，墙体空鼓是指墙面及地面所使用底层或面层材料由于施工工艺不当或者受潮等原因造成的墙面起泡、起翘和起鼓的现象。由于原砌体和粉灰层中存在空气引起的，墙体空鼓会使得墙砖出现开裂和脱落等现象，甚至会影响墙体自身的承重。

传统的建筑物墙面平整度检测方法主要有2m靠尺结合契形塞尺检测法、全站仪检测法、白炽灯检测法、红外水平检测法。2m靠尺和契形塞尺检测法是将靠尺紧贴被检测墙面，然后将契形尺的游码移动到靠尺顶部，然后将该契形塞尺的顶部插入靠尺与被检测墙面之间的缝隙读取此时的游码刻度，即为平整度的偏差值。但是这种检测方法由于选取检测点的随机性，造成该方法的检测精度不高，检测速度慢、效率低，在检测高层建筑时还需要搭建脚手架，对工作人员的人身安全存在隐患。另一方面，受建筑物的高度以及墙面面积的限制，现有的墙面检测设备在使用时存在无法对不同高度的墙体及倾斜墙体进行检测等局限，导致对墙体高处的检测结果出现误差及倾斜墙体的表面质量无法估测，

随着工业化4.0的提出，我国建筑业尚自未完成整体的工业化便迎来了信息化甚至是智能化转型的机遇与挑战，传统测量方法不足以满足建筑行业墙面检测的发展需求。三维激光扫描技术(3D Laser Scanning)是继GPS技术之后的又一项测绘技术，已成为空间数据获取的重要手段之一。三维激光扫描可以快速获取物体表面海量的空间坐标，相比于传统方法效率低、精度不高以及操作方法不便、数据采集主观化等不足，采用三维激光扫描仪可以快速准确得到建筑物的墙面数据，且操作简便，无需接触待检测建筑。现采用三维激光扫描对墙面进行高程度的自动化算法分析，从而实现墙面偏差的自动化检测。

与CN103279989A，一种三维激光成像系统平面点云数据三角化处理方法不同。该发明在对立体点云进行投影成二维点云数据，而本发明在点云进行处理时，通过建立Delaunay三角剖分将点集分割为小四面体，从而依旧保持点云的三维形式，以最大程度保障点云信息的完整性，将此点云数据进行后期的墙面偏差检测时，不但可以检测墙面偏差，还可计算出墙面空鼓的体积，为后期的修复提供数据支持。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于三角网格化的墙面局部偏差自动化检测方法。本发明的技术方案如下：

一种基于三角网格化的墙面局部偏差自动化检测方法，其包括以下步骤：

步骤一：利用三维激光扫描仪获取待测墙体建设完成初期及运维期的点云数据，并进行预处理；

步骤二：采集前后两期三维激光扫描点云数据，以第二期点云数据为查询点云Q，第一期点云为源点云数据P,基于Delaunay(德洛内)三角剖分理论完成查询点云Q的三角网格化，建立三角网格索引；

步骤三：利用NDT+ICP(正态分布变换+迭代最近点)算法将前后两期点云配准，以Q为查询点集，完成Q在P中的最近邻点查找，最终使得Q中每一个点Q_i都能够查找到在P中距离最近点P_j，建立一一对应的联系，建立索引并计算两两之间的欧式距离L_ij；

步骤四：设置阈值，通过筛选距离查找点对，查询点对间距离超过阈值的点云，形成缺陷点集C；对点集C，建立Delaunay三角剖分将点集分割为小四面体，对四面体的四个点，求取其中心坐标和体积V_ci，汇总小三角形体积完成缺陷总体积V的计算，通过重心求取公式完成缺陷重心的求取；

步五：利用凸包算法进行轮廓提取和面积计算得到缺陷范围S。

进一步的，所述步骤一：利用三维激光扫描仪获取待测墙体建设完成初期及运维期的点云数据，并进行预处理，具体包括：

根据待测墙体的具体实际情况，完成三维激光扫描仪的仪器架设，并设置扫描参数，利用三维激光扫描仪获取待测墙体建设完成初期及运维期的点云数据，从而得到建筑物墙面两期的详细情况；并进行包括点云拼站、模型与施工坐标对齐、去噪、下采样在内的预处理，为后续点云处理做好准备。

进一步的，所述步骤一中点云数据的预处理包括点云拼站、模型与施工坐标对齐、去噪、下采样，具体的是：

点云拼站和模型与施工坐标对齐：由于采集到的点云数据将与施工坐标系一致，且各站之间将进行拼站，故设置黑白棋格盘进行坐标转换；将采集各站点云导入到点云专业处理平台中，分别提取各站的黑白棋格盘中心坐标；以此数据为基础完成多站点云的拼站，在合并点云得到完整模型后与施工坐标对齐；对黑白棋格盘设置的要求为：(1)相邻两站具有至少三个共同的黑白棋格盘；(2)扫描仪的入射角大于60°，以保证黑白棋格盘上点云的数据质量；

去噪和下采样：对三维点云模型进行预处理，包括点云去噪和下采样；采用去噪算法进行处理；对点云数据下采样，降低点云密度。

进一步的，所述步骤三中先用NDT算法进行点云的粗配准，具体为：

先根据源点云进行空间三维网格划分，对每个虚拟网格计算概率密度函数，将每个网格中的散乱点云一个连续可微的概率密度分布函数，并进一步构建基于所有虚拟网格的多维变量正态分布，以此为基准通过矩阵法进行点云之间的配准，这样大大节省了配准时间。该算法的基本步骤如下：

(1)将源点云所占的空间划分成指定大小(CellSize)的网格或体素(Voxel)；并计算每个网格的多维正态分布参数：

均值：

协方差矩阵：

(2)对立方体中每个点设定初始变换参数P

(3)对待配准点云，通过变换T将其转换到参考点云网格中x'_i＝T(x_i,P)

(4)根据正态分布参数计算每个转换点的概率密度，对其进行正态建模N(q,c)对x_i的概率密度函数如下：

(5)NDT分配的分(score)通过对每个网格计算出的概率密度相加得到：

(6)根据牛顿优化算法对目标函数score(p)进行优化，即寻找变换参数P使得函数score(p)的值最大，依据变换方程求解二阶偏导数判断是否收敛，如不收敛跳转至第(3)步继续执行，直至收敛为止。

进一步的，所述步骤三中再利用ICP算法进行精配准具体包括：

ICP算法基本原理是对未配准点集P、Q，以Q为配准点云，P为源点云，针对P中每一点Pi寻找Q中与之最邻近的点Qj，对得到的点对集合(Pi，Qj)，依据此对应关系进行满足函数关系最小值的刚体变换矩阵迭代，直至迭代满足设定的收敛规则，求出旋转矩阵R和平移矢量T，通过对源点云P的变换进行两片点云的配准，步骤如下：

1)给定初始化k值k＝0，并确定阈值ε；

2)对点集P中的每个Pi，找出在点集Q中点点对应且对应点间几何距离最近Qj，建立点集之间映射

3)带入点集P、Q，通过四元数法计算两点集配准时的刚度变换矩阵R、T；

4)对点集P进行刚体变换，通过旋转、平移变换后的点集P′；

5)进行迭代阈值判断若fk-fk+1＜ε，则迭代终止，否则k＝k+1，继续执行第(2)至(5)步，直至满足收敛条件为止；

进一步的，所述步骤四中，对四面体的四个点，求取其中心坐标和体积V_ci，汇总小三角形体积完成缺陷总体积V的计算，通过重心求取公式完成缺陷重心的求取，具体步骤为：

对已知空间四面体的四个顶点坐标A(x_1，y_1，z₁)，B(x_2，y_2，z₂)，C(x_3，y_3，z₃)，D(x_4，y_4，z₄)

体积：

四面体重心坐标：

整体重心坐标：

整体体积：V＝∑V_i。

进一步的，所述步骤五中的凸包算法具体步骤为：

第一步：输入点数据，找到y值最小点作为P1,如果有多个y值最小点，则选择最左侧点；以P1为基准点，按逆时针方向对除P1外其他点对P1的极角进行排序，并依次进行编号P1至Pn，n＝12，如果有多个极角相同，仅留下与P1最远点；

第二步：P1、P2、P3进栈，将∠P1P2P3作为基准角；同时将P4进栈；对∠P1P2P3进行判断，以线段P1P2作为方向，判断P3位于该方向左侧还是右侧，位于左侧则保留P2点，位于右侧，则将P2剔除出栈；下一步再判断∠P2P3P4，同样的方法对点P3点的进出栈进行判断；

第三步：进行逐点引入进栈，一次引入两点，引入P5、P6；对∠P3P4P5P6进行判断，∠P3P4P5左转，保留P4；∠P4P5P6右转，则将P5剔除出栈；依此类推，每次引一个点进栈，以P1为终点形成闭环，对每次引入的点Pi，都要对前两个连续角∠Pi-3Pi-2Pi-1、∠Pi-2Pi-1Pi进行判断左转右转，进行Pi-2、Pi-1两点的存留，完成轮廓提取。

本发明的优点及有益效果如下：

第一，本发明综合考虑ICP算法精度较高而效率较慢，而NDT算法效率快而精确度低的特点，故本发明提出将两种算法结合的方式，结合ICP算法及DNT的算优点，先用NDT算法进行点云的粗配准，然后再利用ICP算法进行精配准，这法两种配准算法相结合的好处在于NDT算法不需要一个很好的初值就能进行数据处理，经过处理后的数据能够提供一个很好的初值，而且对ICP算法有越准确的初值，其迭代次数越少，越能减少时间浪费。

第二，Delaunay三角剖分只是给出了一个“好的”三角网格的定义，其剖分结果最后显示为许多相互连接但是不相互叠加的三角形集合，空圆规则和最大化最小角规则是该理论的两大特性，这两个特性避免了狭长三角形的产生而且保障了剖分结果唯一性，因此将其运用到墙面局部偏差自动化检测方法，可确保结果的唯一性，使得该方法兼备测量精确及鲁棒性高等优点。

第三，基于三角网格化的墙面局部偏差自动化检测方法相较于传统的墙面检测方法具有适用范围广、检测效率、精确度及自动化程度高等优点。

附图说明

图1是本发明提供优选实施例凸包算法原理图；

图2砂石模仿混凝土局部凸起图；

图3缺陷查找结果；

图4缺陷点云范围及体积求解；

图5砂子体积测量；

图6为本发明流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本发明具体描述为一种基于三角网格化的墙面局部偏差自动化检测方法，所包含步骤如下：

S1，根据待测墙体的具体实际情况，完成三维激光扫描仪的仪器架设，并设置扫描参数，利用三维激光扫描仪获取待测墙体建设完成初期及运维期的点云数据，从而得到建筑物墙面两期的详细情况。并进行预处理等相关工作(包括点云拼站、模型与施工坐标对齐、去噪、下采样)，为后续点云处理做好准备。

S2，利用前后两期三维激光扫描的点云数据，以第二期点云数据为查询点云Q，第一期点云为源点云数据P,基于Delaunay三角剖分理论完成查询点云Q的三角网格化，建立三角网格索引；

S3：利用NDT+ICP算法将前后两期点云配准，以Q为查询点集，完成Q在P中的最近邻点查找，最终使得Q中每一个点Q_i都能够查找到在P中距离最近点P_j，建立一一对应的联系，建立索引并计算两两之间的欧式距离L_ij；

S4：设置阈值，通过筛选距离查找点对，查询点对间距离超过阈值的点云，形成缺陷点集C；对点集C，建立Delaunay三角剖分将点集分割为小四面体，对四面体的四个点，求取其中心坐标和体积V_ci，汇总小三角形体积完成缺陷总体积V的计算，通过重心求取公式完成缺陷重心的求取。

S5：原始点云P和二期点云Q的缺陷范围内的点云在这用点集P₀和Q₀，表示通过判断P₀向量信息，判断投影方向，选择(1,0,0)、(0,1,0)、(0,0,1)三个法向方向做投影，运用利用凸包算法进行轮廓提取和面积计算得到缺陷范围S。从而实现墙面局部偏差的检测。对于多个缺陷的检测，可以先进行K-means聚类算法先进行缺陷分割，将缺陷分割为几个部分，然后每个部分按照上述步骤进行缺陷处理。

步骤S2中点云数据的预处理包括点云拼站、模型与施工坐标对齐、去噪、下采样。具体的是：

点云拼站和模型与施工坐标对齐：由于采集到的点云数据将于施工坐标系一致，且各站之间将进行拼站，故设置黑白棋格盘进行坐标转换。将采集各站点云导入到点云专业处理平台中，分别提取各站的黑白棋格盘中心坐标。以此数据为基础完成多站点云的拼站，在合并点云得到完整模型后与施工坐标对齐。对黑白棋格盘设置的要求为(1)相邻两站具有至少三个共同的黑白棋格盘(2)扫描仪的入射角尽可能大于60°，以保证黑白棋格盘上点云的数据质量。

去噪和下采样：对三维点云模型进行预处理，包括点云去噪和下采样等。由于施工等环境因素的影响，在点云数据里不可避免导致一些噪声存在，采用合适的去噪算法进行处理。另外，由于室内距离较小，故部分点云数量过高，需要对点云数据下采样，降低点云密度。

步骤S3中选用的将两种算法结合的方式，先用NDT算法进行点云的粗配准，然后再利用ICP算法进行精配准NDT+ICP，对于NDT+ICP算法，具体描述为：

NDT+ICP点云配准流程

步骤S4中，对四面体的四个点，求取其中心坐标和体积V_ci，汇总小三角形体积完成缺陷总体积V的计算，通过重心求取公式完成缺陷重心的求取。具体做法为：

对已知空间四面体的四个顶点坐标A(X_1，Y_1，Z₁)，B(X_2，Y_2，Z₂)，C(X_3，Y_3，Z₃)，D(X_4，Y_4，Z₄)

体积：

四面体重心坐标：

整体重心坐标：

整体体积：V＝∑V_i

步骤S5所提的凸包算法具体步骤为：

第一步：输入点数据，找到y值最小点作为P1,如果有多个y值最小点，则选择最左侧点；以P1为基准点，按逆时针方向对除P1外其他点对P1的极角进行排序，并依次进行编号P1至Pn，n＝12，如果有多个极角相同，仅留下与P1最远点，如图1(a)所示；

第二步：P1、P2、P3进栈，将∠P1P2P3作为基准角；同时将P4进栈；对∠P1P2P3进行判断，以线段P1P2作为方向，判断P3位于该方向左侧还是右侧，位于左侧则保留P2点，位于右侧，则将P2剔除出栈；下一步再判断∠P2P3P4，同样的方法对点P3点的进出栈进行判断，如图1(b)所示；

第三步：下面进行逐点引入进栈，为节省篇幅，此示意图一次引入两点，如图引入P5、P6；对∠P3P4P5P6进行判断，∠P3P4P5左转，保留P4；∠P4P5P6右转，则将P5剔除出栈；依此类推，每次引一个点进栈，以P1为终点形成闭环，对每次引入的点Pi，都要对前两个连续角∠Pi-3Pi-2Pi-1、∠Pi-2Pi-1Pi进行判断左转右转，进行Pi-2、Pi-1两点的存留，完成轮廓提取，如图1(c)，最终轮廓提取如图1(d)所示。

综上所述，对该算法的总结为：

输入：一期源点云P_mX3，二期点云查询点云Q_nX3；

输出：缺陷部位点云C，缺陷部位点云体积V，重心坐标

缺陷范围S。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。

实例一：

步骤1：在某拱肋的横梁部位利用砂制作一个凸包缺陷，范围大小为20cm×20cm，如图2所示，先后两次利用三维激光扫描仪进行扫描，第一期点云为原始点云无缺陷，第二期点云为有砂子制作的凸包缺陷，利用砂可量测体积的特性，检测试验算法对缺陷检测的精确性，同时对投影观测其范围值看其缺陷范围测算是否精确。

步骤2：接下来结合一期无缺陷拱与二期有缺陷拱的结合分析，通过算法实现缺陷的自动查找，导入一期无缺陷点云P作为源点云数据，同样的导入二期无缺陷点云Q作为查询点云，先进行配准并且对点云Q进行Delaunay三角剖分，然后进行Q在P内的最邻近点查找点对集合，并计算点对的欧氏距离Lij，本发明通过设置阈值λ为1mm，能够基本上查找到缺陷所在点集位置，如图3所示。

步骤3：试验的下一步目标就是要验证精度，对检测出的缺陷点云点集C，再次进行Delaunay三角剖分，对三维立体点云剖分时建立的是一个个小的四面体，如图4所示，而对平面二维点建立的是小三角形，依据三角剖分的坐标索引可以依据式计算出缺陷点云体积V＝2.7137×10-4m³和重心坐标(x,y,z)＝(2.2509,0.0394,0.2964)，依据缺陷数据的向量坐标信息，可以确定该投影方向为(0,0,1)，依据凸包算法计算轮廓求出面积S＝0.0372m²，精确度为93％；将试验用的砂子收集起来，通过量筒对其体积进行测定，如图5所示，其体积约为2.65×10-4m³，与算法相差不大，精确度为97.7％。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (7)

1.一种基于三角网格化的墙面局部偏差自动化检测方法，其特征在于，包括以下步骤：

步骤一：利用三维激光扫描仪获取待测墙体建设完成初期及运维期的点云数据，并进行预处理；

步骤二：采集前后两期三维激光扫描点云数据，以第二期点云数据为查询点云Q，第一期点云为源点云数据P,基于Delaunay德洛内三角剖分理论完成查询点云Q的三角网格化，建立三角网格索引；

步骤三：利用NDT+ICP正态分布变换+迭代最近点算法将前后两期点云配准，以Q为查询点集，完成Q在P中的最近邻点查找，最终使得Q中每一个点Q_i都能够查找到在P中距离最近点P_j，建立一一对应的联系，建立索引并计算两两之间的欧式距离L_ij；

步骤四：设置阈值，通过筛选距离查找点对，查询点对间距离超过阈值的点云，形成缺陷点集C；对点集C，建立Delaunay三角剖分将点集分割为小四面体，对四面体的四个点，求取其中心坐标和体积V_ci，汇总小三角形体积完成缺陷总体积V的计算，通过重心求取公式完成缺陷重心的求取；

步骤五：利用凸包算法进行轮廓提取和面积计算得到缺陷范围S。

2.根据权利要求1所述的一种基于三角网格化的墙面局部偏差自动化检测方法，其特征在于，所述步骤一：利用三维激光扫描仪获取待测墙体建设完成初期及运维期的点云数据，并进行预处理，具体包括：

根据待测墙体的具体实际情况，完成三维激光扫描仪的仪器架设，并设置扫描参数，利用三维激光扫描仪获取待测墙体建设完成初期及运维期的点云数据，从而得到建筑物墙面两期的详细情况；并进行包括点云拼站、模型与施工坐标对齐、去噪、下采样在内的预处理，为后续点云处理做好准备。

3.根据权利要求2所述的一种基于三角网格化的墙面局部偏差自动化检测方法，其特征在于，所述步骤一中点云数据的预处理包括点云拼站、模型与施工坐标对齐、去噪、下采样，具体的是：

点云拼站和模型与施工坐标对齐：由于采集到的点云数据将与施工坐标系一致，且各站之间将进行拼站，故设置黑白棋格盘进行坐标转换；将采集各站点云导入到点云专业处理平台中，分别提取各站的黑白棋格盘中心坐标；以此数据为基础完成多站点云的拼站，在合并点云得到完整模型后与施工坐标对齐；对黑白棋格盘设置的要求为：(1)相邻两站具有至少三个共同的黑白棋格盘；(2)扫描仪的入射角大于60°，以保证黑白棋格盘上点云的数据质量；

去噪和下采样：对三维点云模型进行预处理，包括点云去噪和下采样；采用去噪算法进行处理；对点云数据下采样，降低点云密度。

4.根据权利要求3所述的一种基于三角网格化的墙面局部偏差自动化检测方法，其特征在于，所述步骤三中先用NDT算法进行点云的粗配准，具体为：

先根据源点云进行空间三维网格划分，对每个虚拟网格计算概率密度函数，将每个网格中的散乱点云一个连续可微的概率密度分布函数，并进一步构建基于所有虚拟网格的多维变量正态分布，以此为基准通过矩阵法进行点云之间的配准，基本步骤如下：

(1)将源点云所占的空间划分成指定大小CellSize的网格或体素Voxel；并计算每个网格的多维正态分布参数：

均值：

协方差矩阵：

(2)对立方体中每个点设定初始变换参数P；

(3)对待配准点云，通过变换T将其转换到参考点云网格中x'_i＝T(x_i,P)

(4)根据正态分布参数计算每个转换点的概率密度，对其进行正态建模N(q,c)对x_i的概率密度函数如下：

(5)NDT分配的分(score)通过对每个网格计算出的概率密度相加得到：

(6)根据牛顿优化算法对目标函数score(p)进行优化，即寻找变换参数P使得函数score(p)的值最大，依据变换方程求解二阶偏导数判断是否收敛，如不收敛跳转至第(3)步继续执行，直至收敛为止。

5.根据权利要求4所述的一种基于三角网格化的墙面局部偏差自动化检测方法，其特征在于，所述步骤三中再利用ICP算法进行精配准具体包括：

ICP算法基本原理是对未配准点集P、Q，以Q为配准点云，P为源点云，针对P中每一点Pi寻找Q中与之最邻近的点Qj，对得到的点对集合(Pi，Qj)，依据此对应关系进行满足函数关系最小值的刚体变换矩阵迭代，直至迭代满足设定的收敛规则，求出旋转矩阵R和平移矢量T，通过对源点云P的变换进行两片点云的配准，步骤如下：

1)给定初始化k值k＝0，并确定阈值ε；

2)对点集P中的每个Pi，找出在点集Q中点点对应且对应点间几何距离最近Qj，建立点集之间映射

3)带入点集P、Q，通过四元数法计算两点集配准时的刚度变换矩阵R、T；

4)对点集P进行刚体变换，通过旋转、平移变换后的点集P′；

5)进行迭代阈值判断若fk-fk+1＜ε，则迭代终止，否则k＝k+1，继续执行第(2)至(5)步，直至满足收敛条件为止。

6.根据权利要求5所述的一种基于三角网格化的墙面局部偏差自动化检测方法，其特征在于，所述步骤四中，对四面体的四个点，求取其中心坐标和体积V_ci，汇总小三角形体积完成缺陷总体积V的计算，通过重心求取公式完成缺陷重心的求取，具体步骤为：

对已知空间四面体的四个顶点坐标A(x₁，y₁，z₁)，B(x₂，y₂，z₂)，C(x₃，y₃，z₃)，D(x₄，y₄，z₄)

体积：

四面体重心坐标：

整体重心坐标：

整体体积：V＝∑V_i。

7.根据权利要求6所述的一种基于三角网格化的墙面局部偏差自动化检测方法，其特征在于，所述步骤五中的凸包算法具体步骤为：

第一步：输入点数据，找到y值最小点作为P1,如果有多个y值最小点，则选择最左侧点；以P1为基准点，按逆时针方向对除P1外其他点对P1的极角进行排序，并依次进行编号P1至Pn，n＝12，如果有多个极角相同，仅留下与P1最远点；

第二步：P1、P2、P3进栈，将∠P1P2P3作为基准角；同时将P4进栈；对∠P1P2P3进行判断，以线段P1P2作为方向，判断P3位于该方向左侧还是右侧，位于左侧则保留P2点，位于右侧，则将P2剔除出栈；下一步再判断∠P2P3P4，同样的方法对点P3点的进出栈进行判断；

第三步：进行逐点引入进栈，一次引入两点，引入P5、P6；对∠P3P4P5P6进行判断，∠P3P4P5左转，保留P4；∠P4P5P6右转，则将P5剔除出栈；依此类推，每次引一个点进栈，以P1为终点形成闭环，对每次引入的点Pi，都要对前两个连续角∠Pi-3Pi-2Pi-1、∠Pi-2Pi-1Pi进行判断左转右转，进行Pi-2、Pi-1两点的存留，完成轮廓提取。

Images