近年来,随着三维建模技术的发展,三维模型已逐渐替代二维图纸成为流程工厂改扩建或重建的主要参考资料。激光扫描技术是流程工厂三维模型重建的主要途径之一。本文通过激光扫描技术获取流程工厂三维点云模型,利用相关点云处理技术实现三维模型重建。三维模型与传统的二维图纸的区别在于三维模型可从不同位置和角度观察管道布局;快速查询各管道、仪器、设备的数量、尺寸和分布等;容易发现改扩建或重建过程中可能出现的问题,有效提高工程质量和效率。流程工厂三维模型重建的关键在于点云数据的处理,尤其是对管道点云的分割和识别。然而,现有的点云分割和管道识别技术大多都是针对通用点云模型提出,而针对流程工厂点云分割和识别的研究较为匮乏;已有的管道点云识别方法普遍都对噪声数据较为敏感导致检测准确度不高,并且难以评价检测结果的准确度。针对上述问题,本文围绕流程工厂点云的分割和管道识别关键技术展开研究,主要工作和创新成果包括:(1)综述三维点云分割技术、流程工厂点云分割技术以及管道识别技术的研究现状。对几类典型的分割和识别算法加以分析和评价,分类介绍了各算法的应用特点、应用环境以及存在的问题。(2)提出了一种基于归一化随机游走(Normalized Random Walk)的流程工厂点云分割算法。首先利用体素化网格下采样简化点云;其次,根据简化后的点云模型创建以曲率和节点坐标为节点属性的区域加权图;最后,将交互式选取的种子点作为初始点开始图上的随机游走直至达到最终稳态分布,根据最大概率原则标记所有非种子节点,最终实现流程工厂点云对象的语义分割。实验结果表明,用户先验知识的加入可减少语义的误判,使分割结果具有较好的语义一致性和鲁棒性。本文算法不受点云模型规模和密度的约束,以节点曲率和坐标作为节点特征进一步降低了本文算法对点云模型的要求。(3)提出了一种基于反馈霍夫(Hough)变换的管道点云检测和识别算法。本文首先利用基于八叉树的k近邻搜索算法计算点云法向量;然后通过3D Hough变换结合高斯映射估计管道初始轴向,根据该轴向获取修正对象并建立轴向修正目标函数,通过迭代优化获得最终轴向;最后利用霍夫变换拟合轴心位置和半径。实验结果表明,基于反馈霍夫变换的管道识别算法有效提高了管道轴向等参数的估算准确度,本文提出的优化目标函数也为检测结果提供了一种新的评价方式。本文的相关算法可提高流程工厂三维模型建立的效率和设计质量,大幅度节约了工厂改扩建或重建设计成本。