# 点云测距算法性能分析报告

> 分析时间：2026-06-25  
> 算法版本：`train_measurement_system_v2.2`  
> 入口类：`TaskManager`（`src/task_manager.py`）  
> 测试环境：INTEL SSDSC2KB01（SATA SSD，~394 MB/s）；CPU 128 核  
> 配置文件：`config/measurements_0618.yaml`（20 个测量任务）

---

## 执行流程总览

```
train_measurement_run.py (adapter)
    ├─ tm.pointcloud_path_override = pc_path
    ├─ tm.load_config()               # 读 YAML，解析 20 个任务
    ├─ tm.load_point_cloud()          # 一次性加载整车点云到内存  ← 瓶颈1
    └─ tm.run_all_tasks()
           ├─ 任务1: plane_to_plane
           │      ├─ ROIExtractor.extract_bbox_points()  # numpy 布尔索引，O(N)
           │      ├─ PlaneFitter.fit() × 2               # RANSAC，O(k×M)
           │      └─ distance calculation
           ├─ 任务2: plane_to_plane ... (× 10 个)
           ├─ 任务n: point_to_point  ... (× 3 个)
           ├─ 任务n: point_to_plane  ... (× 3 个)
           ├─ 任务n: plane_to_plane + 4_hole_center ... (× 2 个)
           └─ 任务n: point_to_point + hole_center   ... (× 2 个)
```

---

## 各步骤详细说明与时间估算

### 第一阶段：I/O — 加载点云

| # | 步骤 | 代码位置 | 说明 | 估算时间 |
|---|---|---|---|---|
| 1 | `PointCloudLoader.load_ply` | `pointcloud_loader.py:11` | 逐点 `struct.unpack` for loop，**O(N) 次 Python 调用** ← 瓶颈 | **~3 min（10亿点）** |

**关键问题**：当前 `_read_binary_ply` 使用 `struct.unpack` 逐点循环，实测 ~5 M 点/s。对比 `np.frombuffer`（~30 M 点/s）慢 6×，10 亿点需要约 3 分钟仅用于读取。

```python
# 当前实现：每个点一次 Python 函数调用
for _ in range(vertex_count):                     # ← N次循环
    data = struct.unpack(fmt, f.read(struct_size)) # ← N次 struct.unpack
    points.append(data[:3])

# 理想实现：一次性内存操作
data = f.read(vertex_count * struct_size)
arr  = np.frombuffer(data, dtype=record_dtype)    # ← 1次调用，~6× 更快
```

---

### 第二阶段：每个测量任务的执行（共 20 个）

每个任务共享同一份全量点云 `self.point_cloud`（已加载到内存），按序独立执行。

#### 子步骤 A：ROI 裁剪

| # | 步骤 | 代码位置 | 说明 | 估算时间（单任务） |
|---|---|---|---|---|
| 2 | `ROIExtractor.extract_bbox_points` | `roi_extractor.py:10` | numpy 全量布尔掩码，O(N) | **~2–5 s（10亿点）** |

> **重要**：每个任务都调用一次 `extract_bbox_points`，对 10 亿点全量 numpy 数组做 3 列比较。20 个任务 × 2–5 s = **~40–100 s 只用于 ROI 掩码**，而 ROI 内实际只有 100–10 万个点。

各任务 ROI 尺寸与预期点数（10 亿点密度下）：

| 任务 | 类型 | source ROI 尺寸 (mm) | source 预期点数 |
|---|---|---|---|
| 任务21_侧门高度 | plane_to_plane | `[1000, 4, 20]` | ~221 pts |
| 任务2_车体长度 | plane_to_plane | `[4, 400, 1600]` | ~7,091 pts |
| 任务43_窗口下沿高度 | plane_to_plane | `[1210, 2, 5]` | ~33 pts |
| 任务44_车顶高度 | plane_to_plane | `[10449, 2, 474]` | ~27,439 pts |

#### 子步骤 B：平面拟合（plane_to_plane / point_to_plane 任务）

| # | 步骤 | 代码位置 | 默认参数 | 说明 | 估算时间（单任务） |
|---|---|---|---|---|---|
| 3 | `PlaneFitter.fit`（RANSAC） | `plane_fitter.py:44` | `max_iter=1000, threshold=0.1, sample_pts=100` | RANSAC：1000 次随机抽 3 点 + 全 ROI 距离计算 | **< 0.1 s（ROI内千点级）** |
| 4 | SVD 精确平面拟合 | `plane_fitter.py:137` | `max_svd_pts=10000` | 收敛后 SVD 精确拟合；>1 万点自动降采样 | **< 0.1 s** |
| 5 | 计算平面间距离 | `plane_distance.py` | — | 点到平面距离 + 统计 | **< 0.01 s** |

#### 子步骤 C：孔心检测（含 `_hole_center` 的任务）

| # | 步骤 | 代码位置 | 说明 | 估算时间（单任务） |
|---|---|---|---|---|
| 6 | `HoleDetector.detect` | `hole_detect/hole_detector.py` | 圆心检测 + RANSAC 圆拟合 | **~2–5 s** |

---

### 第三阶段：结果输出

| # | 步骤 | 代码位置 | 说明 | 估算时间 |
|---|---|---|---|---|
| 7 | `ExcelExporter.export` | `excel_exporter.py` | openpyxl 生成 xlsx | **~5 s** |
| 8 | `MeasurementLogger.save` | `measurement_logger.py` | JSON 结果落盘 | **< 1 s** |

---

## 总时间汇总（10 亿点输入）

| 阶段 | 估算耗时 | 说明 |
|---|---|---|
| **struct loop 读取 12 GB 点云** | **~3 min** | 10 亿次 Python 调用 |
| **20 次全量 ROI 布尔索引** | **~40–100 s** | 每次 O(N)，共 20 次 |
| 20 个任务实际测量计算 | **~20 s** | ROI 内点数少，RANSAC 极快 |
| 孔心检测（共 6 次） | **~20 s** | — |
| 输出（Excel + JSON） | **~5 s** | — |
| **估算总计** | **~5–6 min** | 远超算法方测试的 ROI 后场景 |

> 算法方基准（~2 min）是直接在 ROI 后的小点云上跑的结果，没有计入全量加载和 20 次全量 ROI 索引的开销。

---

## 主要瓶颈与优化建议

### 瓶颈 1：`struct.unpack` 逐点读取（改算法方可根治）

```
当前：struct.unpack × 10亿次 → ~3 min
优化：np.frombuffer 一次性读 → ~35 s
速度提升：~5×，改动：pointcloud_loader.py _read_binary_ply 约 3 行
```

### 瓶颈 2：20 次全量 numpy 布尔索引（适配器层可缓解）

```
当前：每个任务都对 10亿点数组做 3 列 boolean 比较，共 20 次
优化方案 A：adapter 预处理——用 Open3D 先按整车大 bbox 粗裁剪到 ~1亿点，
           再传给 TaskManager，ROI 索引代价降 10×
优化方案 B：修改 TaskManager，第一次裁剪后缓存点云，
           下一个任务的 ROI 在上次结果上继续裁（层次裁剪）
```

---

## GPU 使用情况

**不使用 GPU。** 所有计算为 CPU + numpy + scipy，无 torch/CUDA 依赖。