基于点云数据的塑像三维建模
如何使用点云数据进行三维建模与可视化
如何使用点云数据进行三维建模与可视化三维建模与可视化是现代科技中非常重要的领域之一，而点云数据的应用在其中起到了关键的作用。
本文将着重探讨如何使用点云数据进行三维建模与可视化，介绍其基本原理、方法和应用。
一、什么是点云数据点云数据是由大量离散的三维点组成的集合，每个点都有其三维坐标和可能的其他属性信息。
这些点可以是从传感器（如激光雷达）采集得到的，也可以通过三维扫描仪等设备获取。
点云数据能够真实还原物体或场景的形状、纹理等特征，因此在三维建模与可视化领域中具有广泛的应用前景。
二、点云数据的三维建模1. 点云数据的处理和清洗在进行点云数据的三维建模之前，首先需要对数据进行处理和清洗。
这包括去除无效点（如噪声数据）和填补缺失点等操作，以提高数据的质量和准确性。
2. 点云数据的网格化网格化是将点云数据转换为规则网格结构的过程，常用的方法有三角化和体素化。
三角化是将点云数据通过三角形片元进行表示，而体素化则是将点云数据划分为体素（三维像素）网格。
这些网格化的数据形式便于后续的处理和计算。
3. 点云数据的表面重建表面重建是将点云数据转换为连续的三维模型表面的过程。
常用的方法有点云碰撞、最小二乘法以及基于隐函数的重建等。
这些方法可以通过插值和拟合等方式得到平滑的表面模型，并且能够尽可能忠实地还原真实物体的形状。
三、点云数据的可视化1. 点云的可视化方法点云的可视化方法有很多，包括点云渲染、点云绘制、体素渲染等。
点云渲染是将点云数据转化为图像或动画的过程，可以通过光照、阴影等方式增强视觉效果。
点云绘制则是将点云数据直接在屏幕上进行绘制，可以通过各种绘制技术实现不同的效果。
2. 点云的交互性可视化点云的交互性可视化是指用户可以通过交互方式与点云模型进行实时互动的过程。
这可以通过鼠标、手势识别或者虚拟现实等技术实现。
通过交互性可视化，用户可以对点云模型进行旋转、缩放、拖拽等操作，以便更全面地观察模型的细节。
四、点云数据应用案例1. 建筑与城市规划点云数据在建筑和城市规划领域中具有广泛应用。
基于点云数据的三维物体重建技术研究
基于点云数据的三维物体重建技术研究在现代社会中，三维建模技术被广泛运用于各个领域，例如工业制造、游戏设计、电影制作以及建筑设计等。
然而，传统的三维建模需要进行大量的人工操作，费时费力，且还存在一定的误差。
为了解决这些问题，基于点云数据的三维物体重建技术应运而生。
本文将探讨基于点云数据的三维物体重建技术的原理、分类、应用和未来发展方向。
一、技术原理基于点云数据的三维物体重建技术是通过激光雷达或相机等设备采集物体表面的点云数据，然后通过一系列算法将点云数据转换成三维模型。
这种重建技术是非接触式的，可以快速、准确地提取物体表面特征，还可以实现对大范围、复杂物体的快速重建。
二、技术分类根据数据来源的不同，基于点云数据的三维物体重建技术可以分为两种类型：有源型和无源型。
有源型是指需要借助于激光雷达或结构光等主动式设备，对物体进行扫描后获取点云数据，再进行重建。
这种方法精度较高，但需要专门的设备和较长的扫描时间。
而无源型是指不依赖于主动式设备的物体重建方法，通常通过多视角拍摄物体图像，然后通过图像处理技术和三角测量原理，从而得到点云数据并进行重建。
这种方法简单易行，但精度较低。
三、技术应用三维建模技术在诸多领域中有着广泛应用。
基于点云数据的三维物体重建技术可以在以下领域中发挥重要作用：1. 工业制造基于点云数据的三维物体重建技术可以用于复杂机械零件的检测、维修和改进，可以快速生成图纸和模型，减少了人工检测以及修正的时间和成本。
2. 游戏设计游戏开发中，利用三维技术可以构建游戏世界，增强游戏的真实感，让玩家沉浸在虚拟世界中。
基于点云数据的三维物体重建技术可以有效地快速重建物体的三维模型。
3. 建筑设计建筑设计中，设计人员可以将基于点云数据的三维物体重建技术应用于室内外环境的重建和设计，可以很好地模拟建筑设计效果，帮助客户更好地理解和评估设计方案。
4. 电影制作电影制作人员可以利用基于点云数据的三维物体重建技术来重建场景和角色模型，提高电影的逼真度，增强观众的视觉体验。
一种基于点云数据的三维建模方法研究
一种基于点云数据的三维建模方法研究随着三维数据获取技术的发展和应用需求的不断增长，基于点云数据的三维建模方法越来越受到关注。
点云数据是由大量离散的点表示的三维几何表面，可以通过激光雷达、摄像机和其他传感器获取。
在基于点云数据的三维建模中，目标是从不规则的点云中恢复几何形状和拓扑关系，以生成可用于可视化、虚拟现实、机器人导航等应用的三维模型。
在进行基于点云数据的三维建模时，首先需要对点云数据进行预处理，以去除噪声和异常值。
这可以通过滤波和聚类算法来实现。
滤波算法可以平滑点云数据，减少噪声。
常用的滤波算法包括高斯滤波和中值滤波。
而聚类算法可以将相邻的点分组，从而消除异常值。
常用的聚类算法有基于K-means和DBSCAN的算法。
预处理之后，可以使用曲面重建算法来估计点云数据的连续曲面表示。
曲面重建算法根据点云数据的分布和密度，将点云数据分为不同的区域，并使用插值或回归方法来恢复每个区域的曲面。
常用的曲面重建算法包括基于重心法的算法、基于法向量的算法和基于隐函数的算法。
除了上述方法外，还有一些其他的方法可以用于基于点云数据的三维建模，如基于表面特征提取的方法、基于模型拟合的方法和基于深度学习的方法。
基于表面特征提取的方法通过提取点云数据的局部特征，如法向量、曲率等，来恢复其形状。
基于模型拟合的方法通过拟合参数化模型（如球体、平面或圆柱体）来建立点云数据的形状。
基于深度学习的方法使用神经网络来学习点云数据的特征表示和形状恢复，具有很好的性能和鲁棒性。
总结而言，基于点云数据的三维建模方法是一个复杂而多样的研究领域。
通过预处理、曲面重建、拓扑分析和其他方法，可以从点云数据中恢复出几何形状和拓扑关系。
未来的研究方向包括改进算法的效率和准确性、处理大规模点云数据的能力以及应用于更广泛的领域。
点云重建算法的研究及其在三维建模中的应用
点云重建算法的研究及其在三维建模中的应用点云重建算法的研究主要包括两个关键步骤：点云去噪和曲面重建。
点云去噪是指通过一系列滤波和平滑处理方法消除点云数据中的噪声点，提高数据的质量和准确度。
曲面重建是指根据点云数据的几何特征和邻域关系，构建一个连续的曲面模型。
点云去噪算法主要有统计学滤波、卷积滤波和基于机器学习的滤波等。
统计学滤波方法主要基于统计学原理，通过计算点云数据的统计特征来识别和过滤异常点。
卷积滤波方法基于卷积核对点云数据进行平滑处理，以消除噪声。
基于机器学习的滤波方法则利用机器学习算法，通过训练模型识别和去除噪声。
曲面重建算法主要有基于三角剖分的方法、基于网格生成的方法和基于光滑度的方法等。
基于三角剖分的方法将点云数据转换为三角形网格模型，根据点云之间的距离和法向量等信息进行三角剖分，生成曲面模型。
基于网格生成的方法通过将点云数据转换为格网模型，利用格网单元之间的连通性和拓扑关系生成曲面模型。
基于光滑度的方法通过计算点云数据的局部曲率和法向量等特征，利用平滑度准则构建曲面模型。
点云重建算法在三维建模中有着广泛的应用。
首先，点云重建算法可以用于三维场景的重建和建模。
通过采集现实世界的点云数据，经过点云重建算法的处理，可以生成逼真的三维场景模型，用于虚拟现实、增强现实等应用。
其次，点云重建算法可以用于工程建模。
例如，在建筑工程中，通过激光扫描仪获取的点云数据，可以利用点云重建算法生成建筑物的三维模型，从而进行工程设计和分析。
最后，点云重建算法还可以应用于医学图像处理和人体建模等领域。
例如，在医学图像处理中，通过医学影像数据的点云重建，可以实现准确的医学诊断和手术规划。
总之，点云重建算法在三维建模中具有重要的应用意义。
随着计算机技术和图形学算法的不断进步，点云重建算法将在各个领域发挥越来越重要的作用，为现实世界的数字化转换提供强有力的支持。
CAD建模技巧与实践从点云数据到三维模型的重建与分析
CAD建模技巧与实践从点云数据到三维模型的重建与分析从点云数据到三维模型的建模过程主要包括数据预处理、模型拟合和模型分析等步骤。
下面将分别介绍这些步骤的技巧与实践。
首先是数据预处理。
点云数据一般包含噪声、缺失点、重叠点等问题，需要进行一系列的预处理操作。
常用的预处理技巧包括：1.去噪：可以通过滤波算法（如高斯滤波、中值滤波）对点云数据进行去噪处理，去除掉不符合实际的异常点。
2.点云重采样：可以根据应用需求选择合适的采样算法，将原始点云数据进行重采样，以减小数据规模。
3.数据配准：当多组点云数据需要融合时，需要进行数据配准操作，将不同位置的点云定位到相同坐标系下。
其次是模型拟合。
根据预处理后的点云数据，需要将其拟合成连续的曲面或曲线模型。
常用的模型拟合技巧包括：1.曲面拟合：可以使用曲面拟合算法（如最小二乘法、贝塞尔曲线/曲面拟合等）将点云数据拟合成平滑的曲面模型。
2.特征提取：可以根据点云数据的几何特征（如法向量、曲率等）进行特征提取，提高模型拟合的精度和效果。
最后是模型分析。
对于重建得到的三维模型，我们可以进行一系列的分析操作，以获取更多的信息与数据。
常用的模型分析技巧包括：1.几何分析：可以对模型进行几何属性分析，如体积、表面积、形状特征等。
2.线框分析：可以通过提取模型的线框结构，进行拓扑分析、工程结构分析等。
3.仿真分析：可以将三维模型导入到工程仿真软件中，进行力学仿真、流体仿真等分析。
除了上述的技巧与实践，还需要注意数据的可靠性、精度和模型的应用需求。
在具体的建模过程中，可以结合不同软件工具和算法来实现点云到三维模型的重建与分析。
随着数字化技术的发展，CAD建模技术将在更多领域得到广泛的应用。
基于Geomagic Studio的点云数据处理三维建模技术
信 息 技 术DOI：10.16661/ki.1672-3791.2019.21.013基于Geomagic Studio的点云数据处理与三维建模技术李志彦(上海仁渊科技有限公司 上海 200439)摘 要：该项目用到一款点云数据处理软件Geomagic Studio，在处理非大量点云数据时具有一定优势。
该文中，笔者主要介绍利用Geomagic Studio软件处理扫描获取的点云数据生成曲面模型，然后生成三维模型的过程。
从数据预处理、提取特征线、构建曲面、生成三维模型4个基本步骤对基于Geomagic Studio点云数据处理三维建模技术进行了分析和总结。
关键词：点云数据 Geomagic studio 特征线 NURBS曲面中图分类号：TP391 文献标识码：A 文章编号：1672-3791(2019)07(c)-0013-02随着激光技术的快速发展，激光三维扫描技术以其独有的优势正广泛地应用于各个领域。
与传统的三维信息获取技术相比，能快速、精确、无接触完成对复杂表面测量和建模。
目前，市场上涌现出了大量的商业化激光扫描点云数据处理软件。
大致可分为：专用的逆向软件，如Sufacerl0.0、CopyCAD、TRACE、cyclone、Geomagic、polyworks等；以及一些流行的CAD／CAM集成系统中也开始集成了类似模块。
如Uni-graphics中的Point Cloud功能、Cimatron90中的Reverse Engineering功能模块等。
其中，Geomagic studio软件以先进的数学模型、曲面构造理论为基础，被广泛用于点云数据处理工作中。
它不同于传统的点—线—面的曲面构建方式，而是提供了基于多边形网格化快速曲面构建方式，体现了点云数据生成三维模型技术发展的新趋势。
1 Geomagic Studio软件简介Geomagic Studio软件是美国雨滴(Raindrop)公司出品的逆向工程和三维检测软件，它可扫描所得的点阵模型创建良好的多边形模型或网格模型，并转换为NURBS曲面。
基于机载liDAR点云数据的建筑物三维模型重建
基于机载liDAR点云数据的建筑物三维模型重建摘要：为了提高建筑物三维模型重建的效率以及自动化程度，本文结合机载LiDAR扫描技术在空间三维数据获取中的优势，本文提出了一种自动化的基于机载LiDAR点云数据的建筑物三维模型重建方法。
该方法实现建筑物三维模型重建的步骤为：首先，通过布料模拟算法对机载原始LiDAR点云数据进行滤波处理，获取包含建筑物点云的非地面点，在此基础上利用最大类间方差算法提取得到建筑物点云；其次，使用Alpha Shape算法提取建筑边缘点，对提取轮廓线进行规则化处理并实现建筑物方向规则化的屋顶分割算法；最后，利用SharpGL工具包实现建筑物三维模型重建。
以杭州市某地区机载LiDAR点云数据为例进行实验，结果表明本文方法重建建筑物三维模型的效率、精度较高，可以适用于城区高密度机载LiDAR点云数据中建筑物三维模型重建。
关键词：机载LiDAR点云数据；布料模拟滤波算法；最大类间方差法；建筑物模型重建1 引言近年来，随着“新型基础性测绘”、“数字孪生”、“数字城市”等概念的出现，越来越多的测绘新技术、测绘新方法也在不断发展。
作为一种通过测绘技术、仿真虚拟技术对城市全部基础设施、功能等机制进行动态管理，服务大众的技术系统，“数字城市”系统的实现需要多方面数据、技术支撑。
建筑物三维模型是“数字城市”系统中的重要组成部分，目前建筑物三维模型重建的主要技术手段主要包括基于光学影像的摄影测量模型重建、基于机载LiDAR扫描技术模型重建[1-2]。
其中基于光学影像的摄影测量模型重建的大部分工作依靠人工完成，该种方式耗时耗力，因此，机载LiDAR扫描技术为建筑物三维模型重建提供了崭新的途径与数据来源。
目前，基于机载LiDAR扫描点云数据的建筑物三维模型重建方法主要包括两个方面，一是基于点云库的直方图与区域生长算法的建筑物点云提取与模型重建方法，该方法自动化程度高，能够主动获取建筑物关键点[3-4]，但是该方法没有规则化处理边缘轮廓线，构建的模型精度较低；另一种是基于关键点的建筑物三维模型重建方法，该方法能够从“粗”到“细”提取得到建筑物点云并实现关键点搜索，但是该方法自动化程度低，需要过多的人工干预。
基于三维扫描的点云数据人体3D模型骨骼提取
基于三维扫描的点云数据人体3D模型骨骼提取随着科技的不断发展，三维扫描技术的应用越来越广泛，其中之一就是在人体建模领域的应用。
通过三维扫描技术，可以获取到人体的点云数据，这为人体建模提供了更准确、更真实的数据来源。
然而，点云数据中包含了大量的信息，如何从中提取出人体的骨骼信息成为了一个具有挑战性的问题。
在人体建模中，骨骼是一个十分重要的部分，它能够描述人体的姿态、动作和形态等信息。
因此，通过提取人体的骨骼信息，可以实现对人体的动作捕捉、姿态识别等应用。
然而，由于点云数据的复杂性和噪声干扰等因素，骨骼的提取变得十分困难。
为了解决这个问题，研究人员提出了一种基于三维扫描的点云数据人体3D模型骨骼提取方法。
首先，对点云数据进行预处理，包括去除噪声、滤波和对齐等操作，以提高数据的质量和准确性。
然后，通过使用骨骼模型进行拟合，将点云数据与骨骼模型对齐，从而得到初步的骨骼估计结果。
接下来，采用迭代优化的方法，对骨骼进行优化和细化，以提高骨骼的精度和稳定性。
最后，通过与已知的人体模型进行匹配，进一步验证和修正骨骼的准确性。
该方法在实验中取得了良好的效果。
通过对真实人体数据和合成数据的测试，结果显示该方法能够准确地提取出人体的骨骼信息。
同时，该方法能够适应不同人体的形态和姿态变化，具有一定的鲁棒性和普适性。
基于三维扫描的点云数据人体3D模型骨骼提取方法的研究为人体建模领域的发展提供了新的思路和方法。
通过提取人体的骨骼信息，可以实现更多的应用，如虚拟现实、电影制作、医学诊断等领域。
随着技术的不断进步，相信基于三维扫描的点云数据人体3D模型骨骼提取方法将会得到更广泛的应用和推广。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
同济大学土木工程学院
硕士学位论文
基于点云数据的塑像三维建模
姓名：李巧丽
申请学位级别：硕士
专业：摄影测量与遥感
指导教师：程效军
20090301
第三章点云数据的模型重建
（２）圆准则和球面准则【１９１
对于一个严格凸的四边形，其中三点确定一个圆，如果第四个顶点落在圆内，则将第四个项点与其相对的顶点相连，否则将另两个顶点相连。
这就是圆准则。
球面准则可表达为：对于两共面的四面体Ａ和Ｂ，若Ａ的不属于Ｂ的项点位于Ｂ的外接球内，则需要对两个四面体的拓扑关系进行变换，以确保不共面的顶点在另一个四面体外接球外。
（３）ＡＢＮ准则【２１】
在建立的三角网格中，定义每条内边的权值为与之相邻的两个三角面的法矢的夹角。
若两个三角面共面时，权值为零。
对于一个严格凸的四边形三角化时，存在两种对角线连接方式，选择一种权值较小的连接方式作为Ｄｅｌａｕｎａｙ三角化的结果。
（４）光顺准则【２２１
对于一个严格凸的四边形进行三角化时，有两种对角线的连接方式。
对不同的对角线连接方式，分别计算出四边形四条边上的三角形对的夹角中的最小值。
取两种方式所计算出的最小值中更小的一种连接方式作为三角形连接方式。
３．２．３Ｄｅｌａｕｎａｙ三角网格模型
Ｄｅｌａｕｎａｙ是目前最流行的全自动网格生成方法之一，在各种三维三角剖分中，只有Ｄｅｌａｕｎａｙ三角剖分（简称ＤＴ）才同时满足全局和局部最优。
Ｄｅｌａｕｎａｙ三角法的基本原理：在平面域（Ｒｚ）上有Ｎ个节点Ｐ＝－｛Ｐ１，Ｐ２，Ｐ３…Ｉｎ｝，将这些节点连接成三角形，那么存在且只存在～种三角形连接，使任何三个节点构成的三角形的外接圆不包含除此三点之外的任何节点。
如图３．１所示。
图３．１Ｄｅｌａｕｎａｙ三角网格插入节点过程示意图
ＤＴ特别适用于有限元分析应用中的网格生成。
这使得Ｄｅｌａｕｎａｙ三角网具有极大的应用价值，即用Ｄｅｌａｕｎａｙ算法可获得性能优良、形状最佳的三角形单元，因而颇受欢迎，成为三角形单元自动剖分的主要方法。
第三章点云数据的模型重建
３．３三维空间的三角网格化
三维空间的三角网格化指的是将三维空间中任意分布的Ｎ个点用直线段连接起来，形成在空间既不重叠又无间隙的紧邻四面体集的过程。
三维空间的Ｄｅｌａｕｎａｙ三角网格化是一种较合理的三角网格化，它是二维空间的Ｄｅｌａｕｎａｙ三角网格化由平面点集向空间点集的推广，１９３４年俄国数学家证明了二维空间的Ｄｅｌａｕｎａｙ三角网格化方法的特点。
对三维情况而言，其特点是三角网格化结果符合空球判据，即每个划分成的四面体的外接球内不含有原始点集中的其余任一点，使得各四面体尽可能接近于正三棱锥，避免了狭长四面体的存在。
如果所给点集中没有５点共球，则这种剖分是唯一的。
本文以Ｂｏｗｙｅｒ的算法结合Ｗａｔｓｏｎ的算法为基础（称为Ｂｏｗｙｅｒ－Ｗａｔｓｏｎ算法），介绍一种三维Ｄｅｌａｕｎａｙ三角网格化的方法，即逐点插入的Ｄｅｌａｕｎａｙ四面体剖分方法。
３．３。
１基本原理
Ｄｅｌａｕｎａｙ方法建立在严格的计算几何原理上，其基本原理源于ｌ９世纪５０年代Ｄｉｒｉｃｈｌｅｔ提出的Ｄｉｒｉｃｈｌｅｔ镶嵌，或Ｖｏｒｏｎｏｉ图。
将二维Ｄｅｌａｕｎａｙ三角剖分推广至三维情况下即有Ｄｅｌａｕｎａｙ四面体剖分。
对于Ｄｅｌａｕｎａｙ四面体剖分，空问几何体剖分的Ｄｅｌａｕｎａｙ四而体有如下结论：
设点集｛Ｖｉ）为Ｄｅｌａｕｎａｙ四面体剖分的顶点集合。
定理ｌ点集｛Ｖｉ｝若没有五点或更多点共球，则此Ｄｅｌａｕｎａｙ四面体剖分为唯一的。
定理２如果对于一个四面体剖分，其中任意四面体的外接球内部均不含有其它的节点，则认为该四面体剖分是Ｄｅｌａｕｎａｙ四面体剖分。
对于三维问题，假定存在一个初始网格，现在其中加入新点，则凡是外接球内包括新增点的四面体需要重新进行连接，方法是将所有外接球包括新增点的四面体的公共面去掉，连接新点与有关四面体的各顶点，则形成新的网格点分布。
可以验证，这样生成的四面体为Ｄｅｌａｕｎａｙ四面体。
以两个四面体网格为例进行说明，如图３．２所示，原四面体网格为ＡＣＤＥ和ＢＣＤＥ，在其中加入一个新点Ｆ。
显然，两个四面体的外接球都包含了点Ｆ（左图）。
按照上述规则，将两个四面体的公共面ＣＤＥ去掉，重新连接各顶点。
新牛成的四面体网格分别为ＡＣＤＦ、ＡＤＥＦ、ＡＣＦＥ、ＢＣＤＦ、ＢＤＥＦ、ＢＣＥＦ。
这６个四面体满足Ｄｅｌａｕｎａｙ四面体的３个特点：（１）所形成的四面体互不重叠；（２）所形成的四面体可以覆盖整个三维空间；（３）任一点均不位于不包含该点的四面体的外接球内。
第四章塑像点云数据的二维建模
第四章塑像点云数据的三维建模
４．１点云数据获取原理及方法
按照扫描的实际情况．也可采用“固定扫描仪沽”采集＝雄激光扫描数据。
即将扫描仪安放在一个吲定的位置不动，而将扫描对象进行旋转，以获取各个角度和位置的点云数据。
奉实骑扫描的对强尺０较小，方便使Ｊ｛Ｊ“同定扫描仪法”，所以即采用此方法柬设¨实验方案，采集二维激光扫描数据。
由于扫捕仪固定，所以扫描对象必须旋转至不ｌ司向升能保证扫捕卅完整的点孟数据，摒此，设－Ｉ扫描对象－Ｉｚ心固定，每扫描次即旋转个固定的角度进行下玖纠捕，至扫捕一周结束，如｛＿『描０度位置、１２０度位置、２４０鹰位簧等。
扫描仪位置固定即扫描仪坐标系固定．所以０度位置的点云坐标即扫描仪坐标，只需将其余非０度位置的点云堆标转换至扫描仪坐标系ｒ，即·ｔ』将备＿ｌｌｌ｜点云数捌配准在一起。
为了保证扫捕目标的旋转。
｝，心吲定，ｊ｝控制就旋转角度，实验设汁将扫描对象０全站仪同定在起．那幺扫描对象的旋转－ｐ心即为伞站仪的旋转中心——即伞站仪竖辅中心：旋转角度通过伞站仪的水平角度盘来控制，从而采集到Ｔｆ划的点云数据。
另外，将扫捕仪私Ｉ全群，仪均整平，那么在旋转过稗中同…点的ｚ坐标即圊定币变，变化的只是＾ｎ标ｘ、Ｙ。
吱验使用的一维激光扫描仪为美田Ｆａｒｏ公司的ＬａｓｅｒＳｃａｎｎｅｒ８８０，如图４１所小，其技术参数如袁４Ｉ所示。
目４ＩＦａｒｏ公日∞Ｌ…Ｓｃａｎｎｅｒ８８０。