哪些3D扫描仪可以实现自动扫描？

哪些3D扫描仪可以实现自动扫描？

自动化3D扫描测量系统可以实现自动扫描的功能。

自动化3D扫描测量系统其实是一种智能三维检测设备，它搭载了3D扫描仪，用智能检测软件控制，在转台上放上要扫描的样件，自动化3D扫描测量系统就能控制机械臂将3D扫描仪运动起来，对被测物体进行表面三维全尺寸检测。

中科院广州电子科教与智能制造部CASAIM全新升级的CASAIM-IM就是一套先进的自动化3D扫描测量系统。

这套自动化3D扫描测量系统专为工厂车间的近线检测及智能测量室而设计，可无缝集成到自动化测量及质量控制流程中，让检测更加自动化、数据化、智能化，助力企业实现降本增效。

除了自动扫描外，CASAIM-IM能够帮助各大生产厂商完成生产工件的智能三维尺寸测量、批量自动化检测，对汽车排气歧管进行CAV检测分析整体变形趋势、关键配合尺寸、形位公差等检测项目，最终生成详细的检测报告。

对于工业制造企业来说，自动化3D扫描测量系统可以帮助他们及时发现缺陷并快速加以控制，从而减少缺陷产品的产生，整体提高企业的经济效益。

如果您想了解更多自动化检测系统的话，欢迎随时来中科院广州电子CASAIM官网跟我们探讨！

什么是3d检测系统

看到缩写头就晕啊，呵呵...假定你说的3D就是三维的意思，那么
三维检测就是在空间尺度的检测，常规在机械制造领域有三维工业测量机，可以检测尺度大约几米的工业部件，精度可以达到几道。更大尺度的比如飞机的三维检测，采用一种激光跟踪测量系统的精密仪器，工作原理是激光干涉法测量，基于内部计算机的快速处理能力，可以得到飞机这样大的工业实体的实时空间描述数据。
，如果你看到的3D检测是英文翻译的，那么“检测”可能是测量（Measure或Measurement）、校准(Calibration)

用什么设备测量3D形貌微结构比较好？

言者无意，听者有心。若想严谨的回答这个问题，必须认真定义和考虑问题中所述微结构中“微”的程度。

在学术界，所谈及的微结构也往往更加“微观”，这些尺寸在微米甚至纳米量级的器件（如AAO、光栅栅矩）才可以称得上具备微结构。对于学术界的这些微纳米结构，除上述的光学测量设备之外，还有各种各样的其他测量设备，如电子显微镜、原子力显微镜等（见下图），，这些设备动则造价昂贵，不为日常民众所见，介绍起来也没有太大的意义。

，相比于学术界，工业界中所涉及的结构尺寸往往在毫米量级以上，所以在本文中，将只针对工业界以及日常生活中看得见摸得着的3D形貌微结构测量手段进行概述。

扫描式隧穿电子显微镜测量得到的量子围栏（quantum corral）影像。图尺寸为25nm宽、16nm高。

宏观上，3D扫描是一个数据收集的过程。其目的是分析现实物理世界中存在的对象或环境进而收集其形状甚至可能的外观（例如颜色）数据等。对于可以进行这一类3D形貌微结构测量或者3D扫描的设备，我们笼统地称之为三维扫描仪或3D扫描仪（3D scanner）。

现今活跃在工业界的各种3D扫描仪大多依赖于光学手段和原理，并已经在实际应用中显现了诸多优点，例如，工业计算机断层扫描和结构光3D扫描仪利用光学探测手段，可实现无伤探测，并能够构建数字3D模型。收集到的这些3D数据除了用在建筑领域外，还有各种各样的其他应用。

例如，这些数据被娱乐业广泛用于电影和视频游戏的制作，包括虚拟现实技术、增强现实技术，人体动作捕捉，防伪手势识别，工业设计，残疾人矫形和假肢，逆向工程和原型设计，工业质量控制、工程检查以及名贵古董字画等文化艺术品的数字化等。

下面将进行具体叙述。

手持式激光扫描仪通过三角测量机制创建3D图像，其原理如下图所示激光点或线从手持设备投射到待测物体上，传感器（通常是电荷耦合器件或位置敏感器件）测量光源到物体表面的距离。

手持式激光扫描仪收集与内部坐标系相关的数据，为了收集扫描仪处于运动状态的数据，必须确定好扫描仪的位置。常见的方法是通过扫描仪使用被扫描表面上的参考特征（通常是黏性反射片）或通过使用外部跟踪方法来确定位置。

图 激光三角测量传感器的原理。

结构光技术无疑是当下最火的光学技术之一，其在工业界做最好的案例便是苹果公司生产的iPhone系列手机的面部识别技术。

结构光的原理为将窄带光投射到三维形状的表面上产生一条照明线，该照明线与投影仪的其他视角相比是扭曲的，并且可以用于表面形状的几何重建（光部分）。在结构光领域中更快速和更通用的方法是一次使用多个条纹组成的图案投影，因为这样允许并行采集多个样本，如下图所示。

图 带2个摄像头的条纹图案记录系统

结构光系统中观察到的条纹图案包含几个深度线索。任何单个条带的位移都可以直接转换为3D坐标。这就是结构光三维扫描仪可以实现三维结构测量的直观理解。

图 结构光扫描汽车座椅

雷达（lidar，LIght Detection And Rangg的缩写），或称3D激光扫描仪，是一种常见于土木现场的测量设备，可用于扫描土木建筑、地表岩层（rock formations）等，并加以制作3D模型。

雷达的激光光束可扫描相当大的范围如图中此款的仪器头部可水平旋转360度，而反射激光光束的镜面则可以在垂直方向快速转动。仪器所发出的激光光束，可量测仪器中心到激光光所打到第一个目标物之间的距离。

上述介绍了一些日常生活中常用的3D扫描仪及其原理，除此之外，3D扫描仪还具备很多有意思的实际应用，如下图所示。

图 斯洛文尼亚自然历史博物馆中鳍鲸骨架的3D扫描（2013年8月）

图 使用手持式VIUscan 3D激光扫描仪制作维京皮带扣的3D模型。

除此之外，在国内来说，哈尔滨工业大学的超精密研究所，长春光机所以及上海光机所等都是三维测量领域的领先者，如果题主想跟进这一领域的最新成果可以搜寻上述科研院所的相关文章等。

3D测量设备能准确测量人体数据吗? 误差有多大?

现在的3D人体测量技术说是已经达到了毫米级误差，不同部位的误差度也不一样，比如身高什么的倒是方便扫描测量，如果是做服装定制的话，听说腋下这一块的数据很重要，那么，肯定是服装越贴身越好，所以我看到很多做相关技术的都要求客户尽量脱光或者穿特别紧身的衣服去试。应该还是能降低人工量体的工作量吧，毕竟好的量体师很难培养，不过我感觉目前还是没有办法完全取代手工测量。可能两者配合会是好办法，既能吸引客流，又能保证误差互补。

3D轮廓测量及分析仪的品牌有哪些？

目前国内3D轮廓测量仪主要品牌是中图仪器，SuperView W1光学3D表面轮廓仪是一款用于对各种精密器件及材料表面进行亚纳米级测量的检测仪器。它是以白光干涉技术为原理、结合精密Z向扫描模块、3D 建模算法等对器件表面进行非接触式扫描并建立表面3D图像，通过系统软件对器件表面3D图像进行数据处理与分析，并获取反映器件表面质量的2D、3D参数，从而实现器件表面形貌3D测量的光学检测仪器。

SuperView W1光学3D表面轮廓仪可广泛应用于半导体制造及封装工艺检测、3C电子玻璃屏及其精密配件、光学加工、微纳材料及制造、汽车零部件、MEMS器件等超精密加工行业及航空航天、国防军工、科研院所等领域中。可测各类从超光滑到粗糙、低反射率到高反射率的物体表面，从纳米到微米级别工件的粗糙度、平整度、微观几何轮廓、曲率等，提供依据ISO/ASME/EUR/GBT四大国内外标准共计300余种2D、3D参数作为评价标准。

国外品牌主要是ZYGO和Bruker

[搬运]自动驾驶中的单目 3D 车道线检测——综述

原文链接  Monocular 3D Lane Le Detection Autonomous Drivg — A Review

车道线检测是自动驾驶中最基本和关键的安全任务之一。这一重要感知任务的应用范围从 ADAS（高级驾驶员辅助系统）功能如车道保持到更高级别的自主任务，如与高清地图和轨迹规划的融合。给定在自动驾驶车辆上收集的输入 RGB 图像，车道线检测算法旨在在图像上提供结构化线的集合，每条线代表 3D 车道线的 2D 投影。这种算法本质上是二维的，因为输入和输出都驻留在同一个图像空间中。

另一方面， Monocular 3D Lane Le Detection 旨在从单个图像直接预测道路场景中车道的 3D 布局。具体来说，3D 车道线检测算法在相机坐标系的 3D 度量空间中输出一系列结构化的车道线。最近，学术界和工业界已经在探索这项任务的可行性和应用方面做出了一些努力。
一种简单的方法是使用逆透视映射 (IPM) 将 2D 车道检测结果重新投影回 3D 空间。IPM 是一种单应变换，可将透视图像变形为鸟瞰 (BEV) 图像。，IPM 假定地面平坦，并且是静态且经过良好校准的相机外在因素。在现实世界的驾驶环境中，道路很少是平坦的，并且由于速度变化或崎岖不平的道路，相机外在因素对车身运动很敏感。
，正确的方法是恢复检测到的 2D 车道线上每个点的深度。如果我们在推理时可以使用激光雷达等主动 3D 测量设备，则通过将 3D 测量分配给车道线点，2D 到 3D 的提升相对简单。如果我们在推理时只有相机图像，理论上，我们可以利用 单目深度估计 的最新进展来为车道线点分配深度值。虽然这种方法是通用的，但它的计算量很大。这篇博文回顾了更轻量级的方法来直接预测车道线点的 3D 位置。

单目 3D 车道线检测是对其他单目 3D 任务的补充，这些任务可以从单个 RGB 图像预测驾驶环境的 3D 信息，例如 单目 3D 对象检测 和 单目 BEV 分割 。也许并不奇怪，如何从单目图像中准确地恢复环境深度是这些领域的核心。
二维车道探测网络

在我们深入研究 3D 车道线检测算法之前，一个重要的 2D 车道线检测算法是重新审视 LaneNet （ Towards End-to-End Lane Detection: an Instance Segmentation Approach  , IV 2018）。它的 2D 车道线检测性能已经被许多新算法超越，但在当时还是相当创新的，它的许多想法构成了 3D 车道线检测的基础。

它对 2D 车道线感知的贡献是提出了一种用于车道线语义分割的分段然后聚类方法——我们稍后将在 Semi-local 3D LaneNet 中讨论这个想法。更有趣的是，它还使用称为 H-Net 的轻量级网络直接从透视图像预测单应变换（以 3x3 矩阵 H 的形式）。单应变换矩阵 H 本质上是将采样的车道线点投影到 BEV 的 IPM，用于优化车道拟合后处理。这里的基本假设是车道应该由 BEV 空间中的三阶多项式完美描述。
LaneNet 采用的另一个隐含假设是车道线位于平坦的道路上。对于有坡度的非平坦道路，没有一个最好的 IPM 可以描述透视图像和 BEV 图像之间的转换，LaneNet 仍然使用单应变换逼近道路相机模型。

那么问题是——描述非平坦道路的最佳转换是什么？可能会争辩说，最好的转换应该准确地将地平线（相机图像中道路和天空之间的交汇点）映射到无限深度，或者您可能会争辩说最好的转换应该将最接近自我汽车的车道线投影到 3D 中的平行线空间。LaneNet 将最佳变换定义为一种映射，该映射使拟合曲线的重投影误差最小化。

3D 车道探测网络

普及单目 3D 车道线检测领域的开创性工作是来自通用汽车以色列研究中心的 3D-LaneNet (ICCV 2019)。   3D LaneNet 不需要诸如平坦地面假设之类的脆弱假设，它只假设对局部路面的摄像机滚动为零。与 2D LaneNet 一样，它也估计 2D 透视图像和 3D 局部道路平面之间的单应变换。与直接预测单应矩阵的 LaneNet 不同，3D LaneNet 预测唯一确定单应矩阵的 相机高度和间距。 这两个参数是以监督的方式学习的。
网络架构是从图像转换为 BEV 空间的双通路主干。这实际上让我想起了自监督深度学习 Sfm-learner  (CVPR 2017) 中的 PoseNet 结构，它预测 6 DoF 自我运动，然后用它来扭曲相邻图像。

基于锚点的 3D 车道线表示

它不是直接预测车道线点的深度，而是预测相机的俯仰/高度，从而构建 道路投影平面 。道路投影平面根据摄像机安装俯仰角