有色金属行业实施数字化转型势在必行。精矿粉是矿企流动资产的重要组成部分，及时全面地掌握生产开发物料的实际库存情况，成为企业优化经营的重要环节[1]。
传统的库存盘点方法主要有皮尺丈量法[2]、摄影测量法[3]和激光扫描测量法[4]。其中皮尺丈量法通过人工测量料堆的长度、宽度及高度等数据估算得到体积，易受到人为因素影响，费时费力且精度低，并不适用于大型散料堆；摄影测量法利用相机获取堆料各个角度的影像，通过同名特征匹配对矿堆点云进行三维重建，但容易受到环境光线和相机拍摄视场的限制；激光扫描测量法精度高、稳定性强且能适应企业全天候生产工作的需求，在仓储盘点中被广泛应用。
激光扫描技术的飞速发展[5]，赋能库存盘点更高精度的解决方案。Faro、Leica、Geo-SLAM等公司研发的激光扫描仪都可用于大型散料堆盘点，但设备价格昂贵，后期维护成本较高，操作人员需要具备一定的专业技能知识。而单线激光雷达不仅可靠性高、扫描速度快[6]，而且价格低，只需增加外部装置即可实现高分辨率三维扫描，在大场景移动三维建图中适用性更强。杨德山[7]利用二维激光扫描仪提出了一种手提式快速测量大型散货堆体积的方法，但大型料场作业量大，且需要操作人员在现场手动操作，自动化水平有待提高；许志华等[8]研发出了一套单线激光雷达与测距仪耦合的移动式仓储存量盘点装备，对矿堆进行模型构建和方量核算，但设备在移动过程中可能产生的抖动偏差未得到纠正；Zhang等[9]研发了一套基于单线激光雷达的农作物株高三维监测系统，并对土壤表面的动态波动引起的误差进行倾斜补偿，但该设备单次扫描范围小，不适用于大型仓库。综上所述，虽然已经有很多基于单线激光雷达的三维测量设备，但对于复杂的仓储环境，这些设备容易受到现场作业的干扰，导致盘点精度差、效率低，无法满足大型矿企生产信息化、数字化的管理需求。
为此，本文提出了一种采用二维激光扫描仪，结合编码尺的激光盘库系统，将激光雷达扫描得到的料堆截面数据与编码尺的里程数据结合，实现稳定、高效、高精度的三维扫描，在保证可靠性的同时还降低了成本，并在铜精矿盘点中进行现场测试，验证了该系统在大型原料仓库中进行实时盘点的可靠性，为企业数字化转型提供技术支撑。
1 扫描系统的实现
激光盘库系统主要分为点云采集硬件部分和点云处理软件部分。硬件部分用于采集料堆的点云数据，点云处理软件用于对采集到的点云数据进行处理和计算。
1.1 多传感器集成
激光盘库系统的核心实现逻辑是通过二维数据采集传感器和一维数据采集传感器[10]的协同工作完成，主要集成了二维激光扫描仪和编码尺两种传感器，集成方式如图1所示。将二维激光扫描仪固定安装在行车上，编码尺安装在侧边轨道，行车在水平移动的过程中，二维激光扫描仪实时扫描得到近似垂直于行车移动方向的料堆截面信息，编码尺实时记录下行车在水平方向移动的距离。将这两种传感器的数据进行耦合即可生成测量现场的完整三维点云。
<G:\武汉工程大学\2026\第3期\易雨枫-1.tif>[x][z][行车前进方向][振动传感器][二维激光
扫描仪][控制室][行车][编码尺
待测料堆
火车过道
轨道][o]
图1 传感器集成俯视图
Fig. 1 Top view of sensor integration
1.2 点云数据预处理
通过激光雷达对目标场景进行扫描，采集到的点云数据较为密集，并且存在噪声点和离群点等干扰，进而影响后续体积计算的准确度，因此需要对采集到的点云进行一系列预处理[11]，提高后续点云处理的效率，同时减小体积计算的误差。
1.2.1 点云配准 通过激光雷达多站点扫描得到的点云数据，需要进行配准，配准前应先将各站点的数据通过坐标系的转换变换到单一坐标系下，方便对点云进行后续处理[12]。
点云配准是通过一定的旋转和平移变换将不同坐标系下的多组点云数据统一到同一坐标系下。迭代最近点算法(iterative closest point , ICP) [13]的基本原理是根据特定的约束条件找到源点集P和目标点集Q之间的最近邻点对(pi,qi)，其中pi为源点集P中的第i个三维点向量，qi为与其对应的目标点集Q中的最近邻点向量。再通过优化误差函数，计算出最优匹配参数旋转矩阵R和平移矩阵T，使得点对之间的差异最小化。具体步骤如图2所示。
<G:\武汉工程大学\2026\第3期\易雨枫-2.tif>[开始][输入源点集P和目标点集Q，阈值M，
最大迭代次数K，n=1][n<K][N][Y][取点pi∈P和点qi∈Q，且两点关系满足
欧式距离最小，即[pi-qi2]最小][计算相应的旋转矩阵R和
平移矩阵T][结束][Y][E<M][n=n+1][利用R和T调整源点云，并计算经过
变换后的匹配误差函数E][N]
图2 ICP配准流程图
Fig. 2 Flowchart of ICP registration
1.2.2 点云滤波 目前常用的点云滤波方法有：直通滤波[14]、半径滤波[15]、中值滤波[16]、统计滤波、条件滤波等，对于不同类型的噪声点采用单一的方法进行去噪处理通常很难达到理想效果，且一些噪声只能通过手动方式框选删除，效率较低，因此需要采用多种滤波方法结合的方式进行去噪处理。本文提出利用直通滤波和半径滤波相结合的方法，对点云数据进行去噪处理。
由于在仓库中实际进行扫描的料堆范围固定，因此首先采用直通滤波选取待处理区域，通过在点云数据的x、y、z坐标轴方向分别设定坐标阈值，初步分割出目标点云空间，去除栏杆、取料机等无关干扰点云，实现粗处理。然后采用半径滤波，以点云中某点为中心，设定半径为rc，点数量阈值为k，计算在此半径rc内点的数量，去除剩余离群点，使目标点云更加清晰，便于后续处理。
1.2.3 点云精简 通过ICP算法完成点云配准后，得到的点云数据量将实现翻倍，导致点云密度增大，在后续进行体积计算时消耗更多时间，所以在保证体积计算精度的情况下，对点云数据进行精简，可以提高后续三维重建和体积计算的效率并且增强可视化效果。本文采用随机下采样在点云预处理流程中对点云进行精简，随机下采样通过以固定概率或按给定目标数从原始点云中随机抽取点，得到下采样子集，用于后续三角剖分及体积计算。随机下采样法实现简单，并且在样本量充分时可在统计意义上保持原始点云空间分布的无偏性。
1.3 料堆体积计算
对扫描得到的点云数据进行处理后得到三维点云模型，常用的基于三维点云计算体积的方法包括凸包法、模型重建法、切片法和投影法。投影法实现较为简单，适用于复杂的点云模型，当点云数据完整时可以迅速计算出目标点云的体积，根据实际情况，本文采用投影法计算铜精料体积。
1.3.1 Delaunay三角剖分 三角剖分就是对给定的平面点集生成三角形集合的过程。Delaunay三角剖分[17]的定义基于空外接圆性质，即Delaunay三角剖分中任意三角形的外接圆内不包括其他点，也称Delaunay条件。Delaunay三角剖分的特点如下：
（1）最小角最大化：在不出现奇异性的情况下，Delaunay三角剖分形成的三角形的最小角最大，使划分的三角形不会出现某个内角过小的情况。
（2）空外接圆：Delaunay三角剖分中任意三角形的外接圆范围内不包括其他点。
1.3.2 料堆三维重建 采用Delaunay三角剖分法对点云进行三角化，从而获得各点间的拓扑连接关系，选取1个三角面作为初始曲面，沿着初始曲面不断进行扩张，最终形成完整且封闭的三角网格曲面模型，实现散料堆的三维重建[18]。
1.3.3 特征点三维坐标信息获取 设行车前进的方向为x轴，二维激光扫描仪固定在行车上，测量到的料堆横截面信息垂直于x轴，因此二维激光扫描仪仅采集到料堆的y轴和z轴坐标信息，对应的x轴坐标值由编码尺获取的数据进行补充，通过将二维截面数据与编码尺位移信息相结合构建得到料堆的三维点云。设采集到的第i点的坐标为[xi,yi,zi]，如式（1）所示：
[xi=dyi=rcosθ+iαzi=rsinθ+iα] （1）
其中：d为编码尺的测量值，r为第i点与扫描仪的距离，θ为激光雷达的起始角度，[α]为激光雷达当前设置的角分辨率。
1.3.4 投影法计算体积 在得到料堆的点云模型后，先将料堆点云中的所有点投影至xoy平面，对投影后的点进行Delaunay三角剖分，根据Delaunay三角剖分的标准可知剖分得到的三角形相邻且互不包含，每个剖分得到的三角形的顶点对应料堆点云模型中的一个投影点，则投影三角形和料堆表面的三角形可以构造出一个五面体，如图3所示。其中，设五面体中任选一顶点记为点O，以基准点O为原点，定义从O点指向各顶点的有向位置向量为[a]、[b]、[c]、[m]、[n]。将该五面体划分为3个四面体，其体积分别记为V1、V2和V3，其中V1为向量[a]，[b]，[c]组成的四面体的体积，V2为向量[n]，[b]，[c] 组成的四面体的体积，V3为向量[n]，[b]，[m]组成的四面体的体积。
<G:\武汉工程大学\2026\第3期\易雨枫-3.tif>[V1=[a·(b×c)]/6][V2=[n·(b×c)]/6][V3=[n·(b×m)]/6][o]
图3 五面体体积计算模型
Fig. 3 Volume calculation model of a pentahedron
假设料堆点云在经过Delaunay三角剖分后得到N个三角形，则料堆可被分为N个五面体，通过累计计算所有五面体的体积，即可得到料堆的体积。已知每个点的三维坐标值，将五面体的对角线连接起来，把五面体分解为3个四面体。
根据式（2），首先计算单个四面体的体积[V1]。
[V1=a?b×c6] （2）
分别计算得到3个四面体的体积[V1]、[V2]、[V3]后，通过式（3）即可计算得出其中一个五面体的体积[Vi]。
[Vi=V1+V2+V3] （3）
将三角网中的所有三角形及其投影三角形形成的五面体的体积进行累计相加，计算得到整个料堆的体积V，如式（4）所示。
[V=i=1mVi] （4）
其中： [Vi]为第i个微元的体积，m为微元的数量。
激光雷达扫描采集到的点云数据越多，对堆体表面特征的刻画越精细，投影点云的三角剖分得到的三角形也更加密集，相应形成的五面体数量增加，从而使体积计算结果更加准确。
1.4 点云运动的三维位移补偿
在现场测量中，激光盘库系统可能会产生运动误差。行车在轨道上行走时，由于行车老化，在运动的过程中不可避免会出现振动，这些振动会在激光扫描仪工作时引入误差，不稳定的操作或行车操作员技术不熟练也可能导致设备在采集数据的过程中产生不规则的运动从而影响数据质量。因此，为减小振动产生的运动误差需要对数据进行修正，以提升系统测量数据的准确性和可靠性。
为了解决振动产生的运动误差问题，需要其他传感器进行辅助，对误差进行补偿。目前应用较多的方法是引入高频率的振动传感器作为辅助测量手段，通过振动传感器采集设备在工作过程中产生的振动信号（包括频率、幅度和相位等信息），可以在相同周期内对点云数据进行更多次的补偿。本方案采用维特智能WT-VB01-485振动传感器，其具有可达200 Hz的数据输出频率，能够捕捉到行车振动的高频信息，确保激光雷达扫描时在每一扫描周期内的微小偏移均能准确记录，并且能采集到多维度的振动信息，包括三轴速度、角度、位移等数据，显著提升二维激光扫描仪的扫描精度。
首先进行坐标系标定与对齐，建立振动传感器坐标系与激光扫描仪坐标系的刚性变换，将振动传感器测得的加速度信号转换为对应时间窗内的位移增量，并映射到激光扫描仪坐标系，通过最小二乘法求解刚性变换。
由式（5）求解得到振动传感器坐标系到二维激光扫描仪坐标系的旋转矩阵R和平移矩阵T，将R和T应用于振动传感器读数，使其映射到LiDAR坐标系，确保后续的点云补偿在同一坐标系下进行。
[ΔPLt=Rart+T] (5)
其中：[art]为振动传感器在t时刻采集得到的原始三轴加速度向量，P表示为空间位置向量，[ΔPLt]为同一时间窗内映射到二维激光扫描仪坐标系下的三维位移补偿向量。
然后计算补偿量方向。位移补偿量可以直接从振动传感器输出的位移数据得知，但由于输出的数据为绝对值，需要判断在x、y、z轴的正方向还是负方向进行点云补偿。
在实际扫描过程中，传感器在[ti]时刻的原始三轴加速度为[ar(ti)]，通过对陀螺仪进行积分，求得惯性测量单元（inertial measurement unit, IMU）到世界坐标系的旋转矩阵[RIMU]，该矩阵用于描述惯性测量单元坐标系相对于世界坐标系的空间姿态关系，并可用于对测量数据进行坐标变换及去除重力分量，得到激光扫描仪坐标系下的动态加速度[a(ti)]。
[a(ti)=Rar(ti)-RIMU(ti)00gT] (6)
其中：g为重力加速度。
对动态加速度进行一阶积分求得[ti]时刻的速度[v(ti)]。
[v(ti)=v(ti-1)+a(ti)Δt] (7)
若求解得到的[vx(ti)>0]，则说明在x轴的运动分量为正方向；[vx(ti)<0]，则在x轴的运动分量为负方向。同理可得y轴和z轴的方向。
再计算[ti]时刻振动传感器输出的两帧点云之间的绝对位移[sm(ti)]差值。
[Δsm(ti)=sm(ti)-sm(ti-1)] (8)
将求出的速度符号与位移增量相乘，得到带方向信息的三维位移补偿量[Δs(ti)]，其中s为位移向量，最后对第i帧中第j个点的三维向量坐标[Pi,j(ti)]作位移补偿，得到补偿后点云的信息[P’i,j(ti)]。
[P’i,j(ti)=Pi,j(ti)-Δs(ti)] (9)
2 现场实验与数据采集
2.1 现场情况
为了验证本文提出的盘库系统的可行性和可靠性，选取江西某冶炼厂仓库进行铜精料体积测量现场实验。仓库为长方体形状，长度和宽度分别为300 m和33 m，仓库内的料坑深度为4 m，总容量为60?000 m3。由于仓库跨度较大，为避免激光扫描仪在扫描过程中出现视场盲区，采集得到的点云数据无法覆盖整个仓库，因此采用两台激光扫描仪并排同步扫描，并共用编码尺的里程数据实现多源数据耦合。仓库内划分为多个料坑以存放不同品种的铜精料，铜精料堆放形状不规则。将激光扫描仪固定安装在行车上对下方堆料进行扫描，行车沿轨道纵向行驶获取仓库整场三维点云数据。
2.2 软硬件配置
盘库系统采用的二维激光扫描仪和编码尺的参数如表1所示。在实际测量中用户可以根据现场环境对扫描角度、扫描频率、角分辨率等参数进行选择调整。
数据分析软件基于C++语言自主开发，软件操作界面如图4所示，该软件可实现三维点云重建、料堆体积计算、输出报表等功能，还可根据企业需求开发更多软件功能。将采集得到的点云数据导入分析软件，由于在仓库中存放了不同品种的铜精料，所以在下方的属性框中可以更改仓库的库名、精料品名、密度和颜色等信息，点击体积计算，计算完成后即可显示仓库三维建模和对应的参数属性，最后点击输出，可获得当前结果报表。
2.3 精度验证
通过盘库系统对江西某冶炼厂3号仓库的铜精料矿堆进行现场库存盘点实验，对盘点精度进行定量评价。实验在仓库暂停生产活动时进行，让行车以均匀速度在轨道上行走，激光扫描仪对下方的堆料进行扫描，将得到的点云数据上传至分析软件，并将计算的体积结果乘以厂方提供的不同堆料的密度值得到仓库内堆料的质量。由于大型铜精料堆体形状不规则、颗粒级配不均，工业现场难以获取绝对真值，因此基于厂方提供的料坑尺寸，且在现场进行标准化铺平操作建立参考基准，通过测量料坑的容积作为铜精料的实际体积，确保其符合企业实际库存计量场景。但该参考基准存在微小偏差，包括厂方设计验收数据与料坑实际尺寸的施工偏差和现场铺平操作的表面平整度偏差，这两项偏差均在企业仓储场景下的合理可控范围。综上，以料坑容积获得的参考体积为基准，对盘库系统通过点云计算得到的料堆体积进行精度验证，评估本方案对大型散料堆库存盘点的精度。
3 结果分析
为全面验证激光盘库系统在大型料场中盘点不规则料堆应用的可靠性，实验内容围绕系统的重复性和精确度展开，确保结果具有可比性、可重现性以及代表性。
3.1 仓储量盘点的重复性试验分析
仓库在生产工作时铜精料矿堆的形态会频繁发生变化，选取仓库中的4#料坑作为实验示例，尽可能避免实验期间存在机械扰动或人员作业对堆体形态产生的影响，以确保同一状态下的重复观测成为可能。激光扫描仪被安装在行车上，让行车沿轨道保持均匀速度移动完成对整个堆场的扫描，每次的扫描周期、扫描起止位置及系统运行参数等保持一致，以控制变量，减少系统性误差的干扰。为了定量分析激光盘库系统的重复性精度，试验采用正向和反向移动扫描各3次的方法对料堆进行库存盘点，每轮扫描耗时约15 min，扫描间隔为10 min。
通过比较6次扫描计算得到的差值评估系统的重复性精度，结果见表2。实验结果表明，在连续6次扫描中，体积测量结果的最大差值仅为2.862 m3，相对误差为0.451%，说明在标准操作下，系统具备极高的重复性和稳定性。结合现场实际情况分析，第3组扫描中，产生的微小波动可以归因于实验过程中，行车运行期间存在启动波动、环境遮挡和局部振动增强等因素，可能影响了激光扫描数据的连续性，尽管如此，第3组的相对误差仍然控制在0.5%内，从整体上看系统输出保持高度一致。该结果表明，本文设计的激光盘库系统对堆体几何形状的识别具有较高的稳定性，体积计算结果表现出良好的可重复性，验证了该系统具备可靠的重复测量能力，并且在面对外部干扰时仍具有良好的鲁棒性。
表2 库存盘点重复性精度分析
Table 2 Repeatability accuracy analysis of stocktaking
[扫描
编号 料堆体积 / m3 差值 / m3 相对
误差 / % 正向移动扫描 反向移动扫描 1 632.123 632.266 0.143 0.023 2 631.998 632.026 0.056 0.009 3 632.588 635.450 2.862 0.451 ]
为了进一步验证堆体结构识别的一致性，选取一组扫描的点云模型进行空间配准并将点云模型在三维空间中叠加显示，通过可视化软件作对比分析，结果如图5所示。图5（b）为两期点云在平面坐标系x-y下的轮廓叠加对比结果。
<G:\武汉工程大学\2026\第3期\易雨枫-5-1.tif><G:\武汉工程大学\2026\第3期\易雨枫-5-2.tif>[y / m][强度（a.u.）][4
2
0
-2
-4
-6][z / m][10][5][0][-5][-10][-20][-10][0][10][20][x / m][1 000
800
600
400
200
0][（b）][（a）][-10 -8 -6 -4 -2 0 2 4 6
x / m][6
4
2
0
-2
-4
][y / m][边缘轮廓(第1帧)
边缘轮廓(第2帧)
]
图5 两期点云叠加:(a)两期点云模型三维叠加,(b)两期点云边缘轮廓叠加
Fig. 5 Superposition of two-period point clouds:
(a)3D superposition of two-period point cloud models,
(b) superposition of edge contours between
two-period point clouds
结果表明，两帧点云的轮廓线在堆顶及边缘区域均高度重合，点云中最近点间的欧几里得距离不超过1.7 cm，在矿堆两侧区域，点云间距近乎为0，与实际情况相符，未出现明显的局部偏移或结构错位。综上所述，本次重复性实验结果显示激光盘库系统不仅在体积测量指标上波动极小，且在三维数据采集方面具有良好的空间一致性和结构稳定性。
3.2 仓储量盘点精度分析
为了全面评价本研究方案在实际生产工作时的库存盘点精度，并验证本文提出的点云运动的三维位移补偿方法的有效性，将实验得出的结果与堆料实际体积做对比，其中通过铺平料坑内的铜精料，测量料坑的长宽高并进行计算作为堆料的实际体积结果。激光扫描仪在工作过程中由于受到轨道不平整、行车老化等因素影响，存在轻微且持续的振动，为精确捕捉该类干扰源，采用了一套高灵敏度的振动传感器实时采集激光扫描仪在扫描过程中的微小位移变化。其中振动传感器采集到的位移信息如图6所示。
<G:\武汉工程大学\2026\第3期\易雨枫-6.tif>[0 400 800 1 200 1 600 2 000 2 400
数据帧][1.6
1.2
0.8
0.4
0.0][z位移 / mm][z轴振动位移][0 400 800 1 200 1 600 2 000 2 400
数据帧][0 400 800 1 200 1 600 2 000 2 400
数据帧][y轴振动位移][x轴振动位移][0.8
0.6
0.4
0.2
0.0][y位移 / mm][0.8
0.6
0.4
0.2
0.0][x位移 / mm]
图6 振动位移信息
Fig. 6 Vibration displacement information
振动传感器在扫描过程中采集到了连续2 000帧以上的位移数据，由图6可知，当激光扫描仪产生振动时，x、y、z方向均出现了明显的峰-谷变化，位移峰值最大值不超过1.6 mm，虽然该级别的位移较小，但激光扫描仪属于精密扫描设备，轻微的扰动也可能导致表面起伏失真甚至整体模型飘移，进而影响体积计算精度。通过对比3组曲线易看出x、y、z方向振动的峰值出现时序基本同步，行车平台在行走过程中产生的微振动为一个耦合振动系统。此外，z轴位移的波动幅度略高于水平面方向，也可能是因为激光扫描仪与结构支撑件的几何布置和阻尼特性不同导致。
为了验证点云振动补偿算法的可靠性，在未进行点云振动位移补偿和位移补偿优化后，对相同的料堆进行扫描，选取2#物料库作为实验对象，铜精料的密度为1.23 g/cm3，测得的实际体积为1 142.391 m3，结合密度计算得出铜精料的实际质量为1.405×106 kg，测量结果如表3所示。
其中标准差为内符合精度，基于5次测量值离散程度计算，直观反映了该系统的稳定性，相对误差为外符合精度，因参考基准值包含偏差，其结果仅反映测量结果与企业现场参考基准的一致性趋势。从实验结果中可以看出，在未进行优化前，5次扫描得到的结果波动过大，标准差为3.721 m3，相对误差小于0.430%。在引入振动位移补偿后，标准差降至2.078 m3，相对误差最大仅为0.276%，补偿前后的相对误差下降幅度达到约44%，振动补偿处理显著提高了库存盘点的精度和稳定性。
为了进一步验证本研究对于点云运动补偿的合理性，在不同时间点、不同库存量的情况下对铜精料物料堆进行盘点试验，在仓库进行生产工作时，矿车运出铜精料前后的三维盘点结果如图7所示，准确反映出铜精料料堆的三维形态变化，挖掘部分堆料后清晰地呈现出挖掘边界的变化。通过计算两个模型的体积差值，并将其与实际挖出量对比，精确度可达99.7%。
综上，通过引入点云运动的三维位移补偿处理，激光盘库系统可以有效抑制因外部振动引起的点云扰动，提高大型散料堆体积测量的精度，误差低至0.3%，并且增强了在复杂工业现场环境下的抗干扰能力，具有良好的工程实用性和推广价值。
4 结 论
（1）本文研发了一种基于激光扫描的盘库系统，通过耦合二维激光扫描仪和编码器，并以行车作为移动平台，对大型散料堆三维数据进行全方位采集，实现数据分析过程的全自动化处理与高精度的结果输出，显著提升了大型仓库盘点库存效率，解决现有盘库系统存在的效率低、设备成本高、数据处理复杂等问题。
（2）选取江西省某冶炼厂仓库进行现场研究，对盘库系统进行实地测试，验证了其在重复性、稳定性和精度等方面的性能，并基于实验结果对行车平台在运行过程中产生的振动问题进行优化，有效抑制了行车振动产生的点云偏移，使得优化后的盘点精度高于99.7%。尽管进口同步定位与地图构建（simultaneous localization and mapping，SLAM）移动三维扫描设备在露天矿场等室外复杂地形和静态超高精度测量等场景中仍具有显著优势，但针对大型室内散料仓储，本系统通过“低成本+高精度+高效率”的组合优势，成为更贴合企业实际生产需求的又一技术方案，满足工程应用中对测量精度和效率的双重要求，并且具备良好的抗干扰能力和现场适应性。