全面实现数字化料场的建设以提高料场运作效率、改善料场工作环境,是目前我国需要解决的问题。其中对堆料表面和形态进行曲面重建和特征提取是实现仓储自动化、智能化的前提与基础,为货料的自动存、取控制提供判断依据。本课题针对如何有效地通过曲面重建还原料堆形态,并提取堆料物的形态与覆盖面特征进行了研究,主要研究工作如下:首先,在数据采集以及预处理方面,采用激光雷达对堆料物进行扫描获取三维点云并进行坐标转换、基于统计滤波的去噪和基于体素滤波的精简。其次,激光雷达采集的点云是整个料场的点云,包括目标点云和非目标点云,因此针对料场中目标点云和非目标点云的特征,提出一种使用条件滤波、随机采样一致性算法、统计滤波器、移动最小二乘法的料堆点云处理方法,进行了料堆点云的分割提取,并在此基础上使用三角剖分算法对料堆点云进行曲面重建,还原料堆表面形态。然后,对提取出的料堆点云进行法向量特征提取处理,根据点云表面法向量的差异和点云几何特征差异进行超体素聚类,获得过分割的点云面片,继而针对料堆具有表面连续且不规则、有细小坑洞的特点,对凹凸性聚类方法进行优化,从而实现了料堆表面形态的特征判断。最后,为验证本课题中料堆点云处理算法的可行性,使用激光雷达采集实际料堆点云,采用本课题料堆点云处理算法进行曲面重建,并与普通曲面重建算法结果进行了对比。在验证特征提取准确度方面,分别使用仿真的料堆理想模型和激光雷达采集实际料堆点云进行了凸面提取,并分别与普通区域生长法进行了对比实验,实验结果表明:对于理想料堆模型,普通算法误差为2.74%,本课题算法误差为0.2%;对于实际料堆表面特征提取,普通算法误差为14.23%,而本课题算法误差为3.11%,可见本课题针对堆料物提出的点云处理算法可以更好地对料堆进行曲面重建,提升料面特征提取准确度。