体积计量方法综述

         体积计量方法目前采用的有以下几种方法：格网法以及三角网法及断面法。

         1.格网法：其优点在于计算简单算法实现难度不大，效率较高，但是缺点也很明显：精度较低（数据的疏密程度是否均匀、参数设置对结果影响较大），所以此类方法存在较大不确定性，一般很少被采用。

         2.三角法：其优点是其计算精度不受数据质量等因素的影响，计算精度较高；  缺点：计算效率低下，算法实现难度较前者大。得益于其精度高的特性，目前计算方量一般采用三角网法；

         3.断面法:  针对巷道、隧道等大范围场景运用较多，优点：采用该类方法可以较大程度降低数据量的影响；缺点：精度会存在一定的损失（取决于断面的采样间隔）。

       

         下面以实际案例来讲述三角网法在土方计算中的应用；

          一、堆体

                                                                                                                                                                            堆体点云数据

 

                                                                                                           

                                                                                                                                                                        堆体模型以及所对应的起算面

        针对该场景的方法较为简单，计算流程类似于构成堆体表面的三角网投影到其所在的平面区域（可能是斜平面），遍历三角网中的每一个三角面片，每个三角面片投影到平面会形成三棱柱（不规则），所有三棱柱的体积之和则是该堆体的体积，需要注意的是，部分三角面片与起算面会有交叉，这也是这个算法的核心难点之一，所以处理好这一步是算法的关键。

 

                                                                                                                             

                                                                                                                                   具体拆分为求解每个三角面片所对应的三棱柱的体积（交叉处需单独考虑）

 

二、第二类场景（模型与模型之间的体积）

       该类场景则复杂一些，不存在参考面的概念，前后两期的数据均为三角网，所以将三角面片投影成三棱柱的方法显然是行不通的，那我们该如何去计算呢？大家可以将其抽象成两个三角网模型同时被一柱状物截取成一个封闭体，截取后的第一期三角网模型、截取后的第二期三角网模型以及二者之间的“围墙（这里姑且这么称呼）”此三者能共同组建一个封闭体，那该封闭体的体积即为所求。下面有一个示意图，所以该算法的难点在于如何对模型进行截取。

  第一期模型数据

 

                                                                                                                                                                         第二期模型数据

 

           两期模型数据叠加后的结果

 

        以下是我将实验过程中的各个模型进行了输出，以动态图的形式进行展示，以便大家更加直观的了解该思路。

 

        以上方法博主在这里讲述了大致的思路，不一定是最优的，大家有什么好的方法以及思路也可以在评论区一起讨论，至于具体的实现方法，大家可以参照一些现有的算法库，或者自己独立实现，整体思路并不复杂，但是细节处的处理较为重要，譬如第一种算法三角面片与平面相交的问题，第二种范围线裁剪三角网以及构建出二者之间的“围墙”等关键细节可能需要花点时间，不过方法总比困难多。

       本次博客写的较为仓促，期待下一次能有大的更新。