散料堆是堆积在一起的块状或颗粒状物质,其数量上的统计一直是一道难题。散料堆的堆体具有一定的流动性,并且表面多为复杂的曲面,其次,散料堆一般体积庞大,数量惊人。因此采用接触式的测量方法或者人工测量都很难取得良好的测量精度。对此,本文提出了一种基于深度学习点云分割的体积测量方法,在测量方式上选用激光雷达对堆体进行非接触式扫描,从而获得被测物的点云数据,随后经过点云去噪、空洞修补、点云分割、三角剖分以及体积计算等步骤处理,精确计算出散料堆的体积。本文的主要研究内容如下:创新性地提出了一种体积测量方法,该方法主要分为三部分,分别是散料堆点云数据集的制作,点云的语义分割以及后续对单独散料堆点云数据三角网格的划分。（1）散料堆点云数据集的制作。首先,本文通过实验室搭建了 36种不同场景下的散料堆,并使用激光雷达扫描其表面来获取散料堆点云数据。在采集过程中,点云数据会出现噪声点过多、孔洞等各种问题,本文对这些问题进行了预处理:本文采用了中值滤波法进行降噪以解决点云采集过程中产生的噪声点等问题;针对采集过程中由于部分散料堆反射率较低、激光雷达扫描盲区等造成的点云数据空洞、不连续等问题,本文基于二次多项式函数对点云数据进行曲面拟合,补全空洞部分。最后对预处理后的电晕模型进行格式转换和手动标注,建立了可靠、稳定的散料堆点云数据集。（2）点云的语义分割。由于激光雷达扫描范围比较广,在扫描时难以将堆体与其他物体进行分离,造成后续体积计算不准确。针对以上问题,本文采用Point-net神经网络对散料堆的三维点云模型进行分割,该网络模型分割功能的实现主要是基于T-NET神经网络的标准化处理以及MLP多层感知机的升维操作,最后对每个点进行特征拼接后经MLP操作输出分割结果,从而获取单独的散料堆点云,极大地提高了散料堆体积计算的精度和点云分割的自动化程度。（3）三角网格的划分和体积计算。本文采用了基于面投影的方法对分割后的散料堆点云进行三角网格的划分。随后对得到的空间三角形采用了贝塞尔曲面拟合,最终形成散料堆表面曲面模型,最后积分曲面到基准平面的体积,即为散料堆体积。最后本文对不同材料、不同规模、不同造型的散料堆进行了测量实验,结果表明本文提出的测量方法具有良好的实用性和可靠性。通过与不同测量方法进行数据对比,证明了本文提出的测量方法具有高精度、低成本、速度快等优点,可以在体积测量领域做进一步的研究推广。