企业官网建设流程全解析

简介：《YOLOv11+3D点云-物流仓储场景下的包裹体积测量与分拣系统》是一份38页的技术文档，面向物流自动化、计算机视觉与目标检测领域的研究者、工程师及相关专业学生。文档围绕YOLOv11单阶段检测算法与3D点云处理技术的融合应用，系统阐述包裹定位、体积测量与分拣系统的架构设计、算法原理与工程实现路径，从YOLO系列演进、点云预处理到凸包与三角网格化体积计算，再到系统分层设计与性能评估，内容完整、条理清晰，适合用于毕业设计、课题研究或工业项目预研参考。资源包为单个PDF文件，体积约2.23MB，支持目录跳转与大纲快速定位。已有82人学习，可作为快速了解完整方案的高性价比资料。文档各章节相互关联，既包含原理剖析，也涉及数据融合策略、算法测试与案例应用，能够帮助读者建立从2D检测到3D测量的整体技术视野，并获取可直接借鉴的系统设计思路。

1. YOLOv11 + 3D 点云：包裹体积测量与分拣系统的完整拆解

快递分拣场景里最让人头疼的从来不是“看清包裹”，而是“看清之后算出体积、定好去向”。传统做法是 2D 相机拍个正投影，按像素比例估算长宽，再人工补一个高度——误差常常超过 15%，不规则包裹直接没法算。这套基于 YOLOv11 与 3D 点云的方案，用单阶段检测器先把包裹从图像里定位出来，再用点云数据补足高度与姿态信息，体积测量精度可以稳定压到 5% 以内。适合正在做物流自动化项目选型、或者想把手头 2D 检测系统升级成 3D 测量方案的工程师阅读，读完你能得到一套可直接对照落地的系统层级设计与实现路径。

2. YOLOv11 技术原理：为什么是它来负责“定位”而不是传统方法

2.1 YOLO 家族演进：从网格回归到高精度实时检测

YOLO 系列的核心思想是把目标检测当成一个回归问题，图像进、坐标出，没有两阶段方法里 region proposal 的中间环节。从 YOLOv1 的 S×S 网格、每个格子预测两个框开始，到 YOLOv2 引入 anchor box 与批归一化，再到 YOLOv3 用特征金字塔做多尺度预测，YOLOv4 集成 Mosaic 数据增强与 CSPNet，YOLOv5 把训练部署体验做顺，这个家族一直在“速度与精度的平衡点”上推进。YOLOv11 相比前代，骨干网络对深度可分离卷积和残差连接的搭配更讲究，颈部特征融合路径更合理，让小目标检测能力明显上了一个台阶。

对物流仓储场景来说，包裹在传送带上往往密集排列、尺寸跨度大，一个 5cm×5cm 的小盒子和一个 80cm×60cm 的大箱子会同时出现在画面里。YOLOv1、YOLOv2 那个时代对小目标几乎无解，而 YOLOv11 的多尺度检测头能分别在不同分辨率的特征图上输出预测，这在密集货件场景下是刚需。

2.2 骨干网络与深度可分离卷积：轻量化背后的计算账

YOLOv11 的骨干网络负责从原始图像里提取语义特征，常见做法是用深度可分离卷积代替普通卷积来压缩参数量。普通卷积的输出通道数是“输入通道数 × 输出通道数 × 卷积核尺寸”，而深度可分离卷积把这件事拆成两步：先对每个输入通道单独做空间卷积，再用 1×1 卷积做跨通道融合。参数数量从 K×K×C_in×C_out 缩到 K×K×C_in + C_in×C_out，大约能省到原来的十分之一到三分之一，具体取决于通道数。

import torch import torch.nn as nn class DepthwiseSeparableConv(nn.Module): def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, padding=1): super(DepthwiseSeparableConv, self).__init__() # groups=in_channels 表示每个输入通道单独做卷积，即深度卷积 self.depthwise = nn.Conv2d(in_channels, in_channels, kernel_size=kernel_size, stride=stride, padding=padding, groups=in_channels) # 1x1 逐点卷积，用来完成通道间的信息融合 self.pointwise = nn.Conv2d(in_channels, out_channels, kernel_size=1) def forward(self, x): x = self.depthwise(x) x = self.pointwise(x) return x

这段代码里最关键的是groups=in_channels。如果这个参数不设，深度卷积就退化成普通卷积，计算量直接回到原来的水平。我一般会在骨干网络的中间层插入这种模块，而不是在浅层就用——浅层特征分辨率高，用深度可分离卷积会丢失细粒度边缘信息，对后续体积测量没什么好处。

2.3 CIoU 损失：定位不准，体积必然跟着偏

YOLOv11 的损失函数是综合的，包括边界框回归损失、置信度损失和分类损失三块。边界框回归这里要特别注意，如果只用 MSE 或普通 IoU，预测框与真实框中心不重合、宽高比不一致的问题很难被优化掉。CIoU（Complete IoU）把重叠面积、中心点距离、长宽比一致性三样一起算进损失，对小包裹定位精度的提升非常明显。

import torch def bbox_ciou(box1, box2, eps=1e-7): # box1, box2: [N, 4] 形式为 x1, y1, x2, y2 b1_x1, b1_y1, b1_x2, b1_y2 = box1[:, 0], box1[:, 1], box1[:, 2], box1[:, 3] b2_x1, b2_y1, b2_x2, b2_y2 = box2[:, 0], box2[:, 1], box2[:, 2], box2[:, 3] inter_x1 = torch.max(b1_x1, b2_x1) inter_y1 = torch.max(b1_y1, b2_y1) inter_x2 = torch.min(b1_x2, b2_x2) inter_y2 = torch.min(b1_y2, b2_y2) inter_area = torch.clamp(inter_x2 - inter_x1, min=0) * torch.clamp(inter_y2 - inter_y1, min=0) b1_area = (b1_x2 - b1_x1) * (b1_y2 - b1_y1) b2_area = (b2_x2 - b2_x1) * (b2_y2 - b2_y1) union_area = b1_area + b2_area - inter_area iou = inter_area / (union_area + eps) # 中心点距离 center_b1_x = (b1_x1 + b1_x2) / 2 center_b1_y = (b1_y1 + b1_y2) / 2 center_b2_x = (b2_x1 + b2_x2) / 2 center_b2_y = (b2_y1 + b2_y2) / 2 d = (center_b1_x - center_b2_x) ** 2 + (center_b1_y - center_b2_y) ** 2 # 最小外接矩形对角线长度 c_x1 = torch.min(b1_x1, b2_x1) c_y1 = torch.min(b1_y1, b2_y1) c_x2 = torch.max(b1_x2, b2_x2) c_y2 = torch.max(b1_y2, b2_y2) c = (c_x2 - c_x1) ** 2 + (c_y2 - c_y1) ** 2 # 长宽比一致性惩罚项 w1, h1 = b1_x2 - b1_x1, b1_y2 - b1_y1 w2, h2 = b2_x2 - b2_x1, b2_y2 - b2_y1 v = (4 / (torch.pi ** 2)) * torch.pow(torch.atan(w1 / h1) - torch.atan(w2 / h2), 2) alpha = v / ((1 - iou) + v + eps) return 1 - iou + (d / c) + alpha * v

这里alpha是平衡项，当预测框和真实框重叠度很低时，alpha趋近于 0，损失主要由 IoU 部分主导；重叠度高了以后，长宽比误差才开始起作用。实际训练时我发现一个坑：eps加在分母上的位置很有讲究，加错地方会在极端情况下产生 NaN。还有torch.at an在宽或高为 0 时会报错，需要在前处理把坐标 clamp 到正数。

2.4 推理后处理 NMS：参数调不好，误检漏检一起来

模型输出的原始预测框数量很多，同一个包裹周围可能有七八个重叠框。NMS 的作用就是按置信度排序，逐个剔除与当前最高分框 IoU 超过阈值的候选框。YOLOv11 默认的 NMS 阈值一般在 0.45 到 0.5 之间，物流场景里如果包裹间距小，阈值设太高会把相邻包裹的框抑制掉，设太低又会保留一堆重叠框，干扰后续点云裁剪。

import torch def nms(boxes, scores, iou_threshold=0.45): if boxes.numel() == 0: return torch.empty((0,), dtype=torch.int64, device=boxes.device) x1 = boxes[:, 0] y1 = boxes[:, 1] x2 = boxes[:, 2] y2 = boxes[:, 3] areas = (x2 - x1) * (y2 - y1) order = scores.argsort(descending=True) keep = [] while order.numel() > 0: i = order[0] keep.append(i) if order.numel() == 1: break xx1 = torch.max(x1[i], x1[order[1:]]) yy1 = torch.max(y1[i], y1[order[1:]]) xx2 = torch.min(x2[i], x2[order[1:]]) yy2 = torch.min(y2[i], y2[order[1:]]) w = torch.clamp(xx2 - xx1, min=0) h = torch.clamp(yy2 - yy1, min=0) inter = w * h iou = inter / (areas[i] + areas[order[1:]] - inter) inds = torch.where(iou <= iou_threshold)[0] order = order[inds + 1] return torch.tensor(keep, dtype=torch.int64, device=boxes.device)

order[inds + 1]这行是这段代码最容易写错的地方。inds是相对order[1:]的下标，要加 1 才能映射回原order数组里的位置。漏掉这个 +1，NMS 会随机丢弃框，而且 Bug 很隐蔽——程序能跑、结果看起来也正常，只有对比标注框时才发现少检了包裹。这套系统里我会把 NMS 后的检测框输出成 JSON，再传给下游点云处理模块。

3. 3D 点云处理链路：从原始点云到可计算体积的几何模型

3.1 点云数据来源与预处理：先看噪声长什么样

物流仓储里获取点云的主流设备有三种：激光雷达、结构光传感器、立体视觉。激光雷达精度高、抗环境光干扰强，适合传送带这种需要持续运行的场景，但价格摆在那里；结构光在近距离精度极高，遇到透明包装袋或黑色包裹容易“失手”；立体视觉成本最低，但精度受光照影响明显，仓储环境里灯一换，测量结果就漂。我一般会建议项目起步阶段用结构光方案验证算法，跑通了再考虑换激光雷达降本。

不管用哪种设备，原始点云一定有噪声。传送带震动会产生离群点，包裹表面的反光会产生飞点，这些都会直接影响后续体积计算。统计滤波是处理这类问题最常用的手段——对每个点，统计它到最近 K 个邻居的平均距离，如果这个距离偏离整体均值太大，判定为离群点并移除。

import open3d as o3d pcd = o3d.io.read_point_cloud("package_raw.pcd") # 统计滤波：每个点取最近20个邻居，标准差的2倍作为离群判定阈值 cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0) # 均匀降采样：体素边长5mm，把点云密度压下去，降低后续计算量 downsampled = cl.voxel_down_sample(voxel_size=0.005) o3d.io.write_point_cloud("package_filtered.pcd", downsampled)

std_ratio是统计滤波的核心参数。设成 2.0 是保守做法，适合包裹表面比较光滑的场景；如果包裹是瓦楞纸箱这种表面有纹理的，我会放宽到 3.0，否则容易把纸箱表面的有效点误删。体素降采样的voxel_size同样关键，0.005 米意味着 5 毫米精度——体积测量不需要那么细，但点云配准和法线估计需要。实际项目里我会按体积误差预算反推：允许 1% 的体积误差，体素可以放到 1 厘米。

点云预处理还有一步容易被忽略：坐标变换。激光雷达装在生产线上方，扫出来的点是设备坐标系，跟传送带坐标系、相机坐标系各差一个旋转平移。上系统前必须统一坐标系，否则后面所有融合步骤全部白做。

3.2 点云分割与提取：从场景里把包裹“抠”出来

点云分割的目的是把背景（传送带、货架、其他设备）和前景（包裹）分开。最常用的方法是基于聚类，比如 DBSCAN——它不需要预先指定类别数，只要给定邻域半径eps和最小点数min_points，就能把空间上密集的点聚成一堆。传送带表面本身是平面，离包裹有一段距离，聚类时很容易区分。

但仓储场景有个特殊情况：多个包裹并排放在传送带上，间距小到只有一两厘米。eps设大了两个包裹会聚成一类，设小了同一个包裹又会被拆成两半。我常用的替代方案是：先用 RANSAC 拟合传送带平面，把平面上的点直接移除，剩下的点再做欧式聚类。

import open3d as o3d import numpy as np pcd = o3d.io.read_point_cloud("scene_filtered.pcd") # 用 RANSAC 拟合传送带平面，distance_threshold 控制平面厚度 plane_model, inliers = pcd.segment_plane(distance_threshold=0.01, ransac_n=3, num_iterations=1000) plane_cloud = pcd.select_by_index(inliers) package_cloud = pcd.select_by_index(inliers, invert=True) # 欧式聚类：eps=2cm，最小聚类点数50 labels = np.array(package_cloud.cluster_dbscan(eps=0.02, min_points=50)) # 按聚类标签把点云拆成多个包裹实例 for label_id in np.unique(labels): if label_id < 0: continue # -1 是噪声点 instance = package_cloud.select_by_index(np.where(labels == label_id)[0]) o3d.io.write_point_cloud(f"package_{label_id}.pcd", instance)

distance_threshold设成 0.01 米意味着距离拟合平面 1 厘米以内的点都被视为传送带。这个值要按实际传送带表面平整度调整——如果传送带是橡胶材质、表面有纹路，我一般放大到 0.015 到 0.02 米，否则包裹底部的点会被误删，体积算出来偏小。RANSAC 的num_iterations设 1000 对平面拟合足够了，如果是曲面背景才需要加大。

3.3 包裹体积计算：凸包法与三角网格化的取舍

拿到单个包裹的点云后，体积计算有两种主流方案：基于凸包和基于三角网格化。凸包法先求点云的三维凸包，再算凸包体积，速度快、稳定性好，但会把凹形包裹（比如有凹陷的异形件）的高估——凸包把凹陷部分也包进体积里了。三角网格化（Poisson 重建）能贴合真实表面，精度高，但网格质量受点云密度影响，点太疏会重建出奇怪的曲面。

import open3d as o3d pcd = o3d.io.read_point_cloud("package_instance.pcd") # 方案一：凸包体积 hull, _ = pcd.compute_convex_hull() hull_volume = hull.get_volume() print(f"凸包体积: {hull_volume:.6f} m³") # 方案二：Poisson 三角网格化重建后求体积 # depth 值越大，网格越精细，但计算也越慢；9 是比较折中的选择 mesh, densities = o3d.geometry.TriangleMesh.create_from_point_cloud_poisson(pcd, depth=9) # 裁剪掉密度低的区域，这些通常是重建伪影 densities = np.asarray(densities) vertices_to_remove = densities < np.quantile(densities, 0.05) mesh.remove_vertices_by_mask(vertices_to_remove) mesh_volume = mesh.get_volume() print(f"网格体积: {mesh_volume:.6f} m³")

Poisson 重建的depth是八叉树深度，设 9 意味着 2^9 的分辨率，对 30cm 左右的包裹来说足够精细。注意create_from_point_cloud_poisson返回的网格包含一块密度很低的伪表面——那是算法为了封闭网格自动补的。直接get_volume()会把这块伪表面也算进去，必须按密度裁剪。我一般裁剪densities最低的 5% 顶点，这个比例要按场景微调，伪影多的时候提到 10%。

实际项目里我会把两种方案都跑一遍，输出差值。差值超过 3%，说明包裹形状不规则，提醒质检人工复核；差值很小，直接采用凸包结果，速度快。这套“双方案并行、差值报警”的逻辑，比迷信任何一种算法都稳。

4. YOLOv11 与 3D 点云的融合方案：图像引导点云裁剪

4.1 为什么要融合：平面信息与三维几何的互补

YOLOv11 在 2D 图像上检测包裹，输出的是一个矩形框和类别标签。它能告诉你“这里有一个包裹”，但给不出包裹的高度、厚度、实际体积。3D 点云刚好相反，它精确记录了物体表面的三维坐标，但在这堆坐标点里，哪几万个点属于同一个包裹、哪个是背景、哪个是干扰物，单纯靠几何特征很难稳定区分——尤其是包裹紧挨着放的时候。

融合的本质就是让 YOLOv11 的语义理解能力去指导点云的分割，再把点云的三维信息反馈给检测结果做体积估计。这里的关键问题不是“要不要融合”，而是“融合在哪一层做”。数据层融合简单直接但同步要求高，算法层融合精度更高但实现复杂度翻倍。文档里给出的方案是两层都做，数据层解决“配得上对”的问题，算法层解决“拿得准”的问题。

4.2 数据同步与相机标定：没有这两步，融合无从谈起

时间同步解决“同一时刻”的问题。传送带以 1m/s 的速度跑，相机和激光雷达如果相差 50ms 采集，同一个包裹在两组数据里就差了 5cm 的空间偏移。硬件同步方案是用同一个触发信号同时驱动相机和激光雷达采集，软件方案则是给每帧数据打时间戳，再按时间戳插值对齐。预算有限的场景先做软件同步，能省一笔同步控制器的钱。

空间同步解决“同一个坐标系”的问题。标定过程使用棋盘格标定板，让标定板同时出现在 2D 图像和 3D 点云里，采集多组对应点后求解相机内外参和到激光雷达的外参。这里给出一个相机内参标定的基础流程：

import cv2 import numpy as np # 标定板参数：9x6 内角点，方块边长 25mm pattern_size = (9, 6) square_size = 25.0 # 生成角点的世界坐标（每个角点在标定板坐标系下的位置） objp = np.zeros((pattern_size[0] * pattern_size[1], 3), np.float32) objp[:, :2] = np.mgrid[0:pattern_size[0], 0:pattern_size[1]].T.reshape(-1, 2) * square_size objpoints = [] # 世界坐标 imgpoints = [] # 图像坐标 images = ["calib_01.jpg", "calib_02.jpg", "calib_03.jpg"] # 至少10张 for fname in images: img = cv2.imread(fname) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, corners = cv2.findChessboardCorners(gray, pattern_size, None) if ret: objpoints.append(objp) imgpoints.append(corners) ret, mtx, dist, rvecs, tvecs = cv2.calibrateCamera( objpoints, imgpoints, gray.shape[::-1], None, None ) print("相机内参矩阵:\n", mtx)

标定图像至少要 10 张，而且要覆盖不同角度、不同距离。常见翻车现场是只用五六张正对着拍，标定出来的内参对中心区域精准、边缘畸变严重，融合时 YOLOv11 框的边缘坐标越偏误差越大。标定板要占画面四分之一以上，太小了角点检测不稳定。

4.3 算法层融合：用检测框做点云 RO I 裁剪

拿到相机到激光雷达的外参后，可以把 YOLOv11 输出的 2D 检测框投影到 3D 点云上，形成一个视锥体（frustum）。只保留视锥体内的点，相当于用检测结果指导点云裁剪——不需要在全局点云里做分割，直接把每个包裹的点云“抠”出来。这个方案把那道“聚类分不开相邻包裹”的难题绕开了，因为 2D 检测框天然是分开的，除非包裹在图像上直接重叠。

import numpy as np def project_box_to_frustum(points_3d, camera_matrix, box_2d): """ 用相机内参判断3D点是否落在2D检测框的视锥体内。 points_3d: 激光雷达坐标系下的点云 [N, 3] camera_matrix: 3x3 相机内参 box_2d: [x1, y1, x2, y2] 像素坐标 """ x1, y1, x2, y2 = box_2d # 先做外参变换，把激光雷达坐标转到相机坐标系 # 假设 points_cam = points_3d @ R.T + t，此处省略实际外参变换 points_cam = points_3d.copy() # 投影到像素平面 z = points_cam[:, 2] valid_z = z > 0.1 # 深度大于10cm的点才有意义 fx = camera_matrix[0, 0] fy = camera_matrix[1, 1] cx = camera_matrix[0, 2] cy = camera_matrix[1, 2] x_pixel = points_cam[:, 0] * fx / z + cx y_pixel = points_cam[:, 1] * fy / z + cy inside = ( (x_pixel >= x1) & (x_pixel <= x2) & (y_pixel >= y1) & (y_pixel <= y2) & valid_z ) return points_3d[inside]

这个视锥体裁剪有个前提：相机和激光雷达的外参标定必须准确，否则投影坐标整体偏移，检测框边缘的包裹点会被错误剔除。裁剪后拿到每个包裹的点云，再做 3.3 节里的体积计算。这套流程比全局聚类分割稳定得多，我在这套系统里强烈推荐的做法。

5. 常见问题与排错：标定、测量误差与模型漏检的五个坑

5.1 现象：相机标定后投影偏移 5 厘米以上

原因：外参标定只用了 3 到 5 张图像，且标定板摆放范围过于集中，解算出的旋转平移矩阵精度不够。另一个隐蔽原因是标定板角点排序不一致，部分图像出现翻转，导致世界坐标与图像坐标对应关系错位。

解决：重新采集至少 15 张标定图像，标定板位置要覆盖画面的四个角和中心区域，且每张图像的标定板姿态要有明显变化。采集后先单独看每张图的角点检测结果，再运行标定。标定完成后有一个验证技巧：打印一张 A3 标定板，放在工作区域的不同位置，用投影公式把已知的三维点投到图像上，人工比对误差——误差超过 2 像素就说明外参还有问题。

5.2 现象：体积测量结果整体偏大 8% 以上

原因：大概率是凸包法直接用于所有包裹，遇到凹形或异形包裹时凸包把凹进去的部分也算进了体积。另外如果 Poisson 重建的参数depth太小，重建网格会把表面的凹凸细节抹平，体积也会偏大。

解决：把 5.2 节的双方案并行落地。凸包法和网格法差值超过 3% 的走人工复核，没超过的直接用凸包结果。同时检查输入点云是否包含了包裹下面的传送带平面——RANSAC 平面移除的distance_threshold如果设置偏小，薄薄一层传送带点会混进包裹点云里，像给包裹垫了块地毯，体积自然偏大。

5.3 现象：YOLOv11 漏检透明胶带封装的纸箱

原因：透明胶带在特定光照角度下反光严重，纸箱表面纹理被光斑淹没，模型提取不到有效特征。这属于训练数据里缺少反光样本导致的模型盲区，不是 YOLOv11 本身检测能力的问题。

解决：在训练数据里加入不同光照角度、不同反光强度的纸箱图像，并做针对性数据增强——我常用的做法是随机叠加高光模拟块、调整 HSV 中的明度通道，模拟阳光直射和灯光直射场景。部署层面可以增加一个近红外补光灯，很多透明塑料和胶带在红外波段下不再反光，检测稳定性有明显提升。

5.4 现象：传送带高速运行时，点云与图像对不上

原因：时间同步只做了软件层面的时间戳记录，没有考虑相机曝光时间和激光雷达扫描周期的差异。相机曝光 10ms 期间传送带移动了 1cm，激光雷达一个扫描周期可能走了 3cm，两路数据看似“同一时刻”采集，实际对准的是包裹的两个不同位置。

解决：优先采用硬件触发同步，相机和激光雷达接同一个外部触发源。如果硬件改造受限，软件方案上可以在图像采集前加一个运动补偿：根据传送带的速度和已知时间差，把点云在传送带运动方向上平移一个补偿距离。传送带速度可以用编码器实时读取，补偿公式是delta_x = v * delta_t，其中v是编码器读数，delta_t是两路数据的固定延迟。

5.5 现象：系统运行一段时间后测量精度缓慢下降

原因：这通常不是算法问题，而是设备漂移。相机镜头因为灰尘或温差出现轻微焦距漂移，激光雷达的安装支架在传送带持续震动下产生微小位移，标定参数已经不再匹配实际安装状态。

解决：把这套系统的标定巡检纳入日常维护计划。我用的是一个简单粗暴的方法：在传送带侧面固定一个已知尺寸的标准立方体，每天开机时自动拍一次、扫一次，把测量结果和真值做对比。偏差超过 3% 就触发重新标定流程。这个“每日标定件校验”的习惯，帮我提前排掉了好几次精度漂移的隐患。

6. 体积测量精度验证与调优：我的三分钟自查清单

这套系统上线后，验证精度是收尾阶段最重要的事。我习惯准备一组标准件：三个不同尺寸的立方体，一个圆柱体，一个带凹陷的异形块，分别代表规则件、曲面件、凹形件。每个标准件先用游标卡尺精确测量，记下体积真值，再过一遍系统，对比系统输出与真值。

验证流程分三步走。第一，静态测量：把标准件静止放在传送带对应位置，连续测量 10 次，看结果均值和方差。方差大说明预处理不稳定，优先查滤波参数和点云密度。第二，动态测量：让传送带以正常工作速度运行，标准件随线过一遍，对比静态结果。这一步专门暴露时间同步和运动补偿的问题。第三，遮挡测试：在标准件旁边放一个略矮的小包裹模拟并排场景，验证 YOLOv11 检测框是否会被遮挡干扰，点云裁剪能否准确区分两个包裹。

调优时我遵循一个原则：先确保标定精度没问题，再调滤波参数，最后才动算法。标定误差是系统性的，会影响所有包裹的计算结果；滤波参数影响的是单个包裹的点云质量；算法选择只影响特定形状包裹的准确性——从前往后修，定位问题最快。有一回我在滤波参数上折腾了两天，最后发现是相机支架松了导致外参漂移，浪费了整整两天工时。从那以后我每次排查精度问题都强制先跑一遍每日标定件校验，再谈其他，希望这个习惯也能帮到你。

本文还有配套的精品资源，点击获取