CN109359680B - 爆破岩块自动识别和块度特征提取方法及装置 - Google Patents
爆破岩块自动识别和块度特征提取方法及装置 Download PDFInfo
- Publication number
- CN109359680B CN109359680B CN201811182419.8A CN201811182419A CN109359680B CN 109359680 B CN109359680 B CN 109359680B CN 201811182419 A CN201811182419 A CN 201811182419A CN 109359680 B CN109359680 B CN 109359680B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- clustering
- super
- adjacent
- rock
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004880 explosion Methods 0.000 title abstract 2
- 239000011435 rock Substances 0.000 claims description 89
- 239000013598 vector Substances 0.000 claims description 54
- 238000005422 blasting Methods 0.000 claims description 49
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 15
- 239000013078 crystal Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20068—Projection on vertical or horizontal image axis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及爆破效果评价领域，特别是一种爆破岩块自动识别和块度特征提取方法及装置。该识别方法包括：步骤1，获取至少2个站点的爆堆表面三维空间原始点云数据；步骤2，原始点云数据预处理；步骤3，由预处理后的原始点云数据计算得到超体聚类点云；步骤4，判别相邻所述超体聚类点云之间的凹凸关系；步骤5，若相邻所述超体聚类点云之间为凸邻接关系，则再聚类形成岩块点云。该特征提取方法包括步骤1，采用上述的识别方法获取岩块点云数据；步骤2，根据各个所述岩块点云所含点数多少，提取特征岩块点云；步骤3，计算所述特征岩块点云的几何特征。该自动识别方法和块度特征提取方法解决了传统方式岩块块度测量效率低和精度低的缺陷。
Description
技术领域
本发明涉及爆破效果评价领域，特别是一种爆破岩块自动识别和块度特征提取方法，以及采用该方法的装置。
背景技术
在爆破工程的试验研究中，由于爆破条件复杂，爆破效果的优劣受多重因素影响，用于评价爆破效果的指标众多，其中爆破块度大小和分布是评价矿山开采爆破效果的主要参数之一。爆破块度可以为爆破参数设计和优化提供基础依据，其直接影响着矿山生产过程中的铲装、运输、机械破碎等后续工艺生产及其经济效益。爆破块度过大，会影响装载效率，过大的岩块还需要进行二次破碎，导致时间和经济成本大大增加，而且二次爆破容易发生飞石伤人等安全事故；块度过小，不仅会产生大量粉尘造成污染，同时也表明使用药量过多，造成了浪费。因此，爆破岩块的快速识别及岩块的块度特征提取，对矿山生产具有重要的指导意义，实现对爆破岩块的识别与特征提取是爆破控制研究迫切需要解决的问题。
目前对爆破块度分布的测量方法主要分为直接测量和间接测量，直接测量存在的耗时耗力，测量难度大，生产效率低等不足。公开号为CN104406983B的中国发明专利采用正面垂直拍摄标准照片的方法对矿石爆堆进行拍摄，在图像处理软件中设置正方形网格，以此正方形网格为基准，对拍摄的照片逐一进行分析，评价爆破块度。该方法获取的爆堆数据完整性较差，认为判断矿石面积在每个方格中的面积准确性欠佳，无法获取单个岩块的具体块度，块度总体分布结果估算误差较大。公开号为CN104463199A的中国发明申请通过提取矿岩块度颜色和纹理特征进行块度分类，对于颜色和纹理特征相似的岩块分类效果欠佳，适用范围受限。
随着三维激光扫描技术的发展，数据获取过程的自动化水平得到了提高，同时仪器设备成本也逐渐降低，因此在越来越多的领域得到广泛的应用。为实现更好的评价效果，如何利用获取的三维点云数据进行爆破块度分析评价，是一个值得深入研究和探索的领域。
发明内容
本发明的目的在于：针对现有爆破块度评价方法存在的用于评价的爆堆数据完整性差、块度分类精度欠佳、方法适用性局限等不足，提供一种基于爆堆三维空间点云数据的爆破岩块自动识别和特征提取方法。
为了实现上述目的，本发明采用的技术方案为：
一种爆破岩块自动识别方法，包括：
步骤1，获取至少2个站点的爆堆表面三维空间原始点云数据；
步骤2，原始点云数据预处理，所述预处理包括拼接、去噪和下采样；
步骤3，由预处理后的点云数据计算得到超体聚类点云；
步骤4，判别相邻所述超体聚类点云之间的凹凸关系；
步骤5，若相邻所述超体聚类点云之间为凸邻接，则再聚类形成岩块点云。
进一步地，所述步骤2中预处理包括原始点云数据拼接、去噪和下采样具体包括下述内容。
拼接
三维激光扫描根据作业面积决定扫描的站数，由于获取的多站点云数据不在同一个坐标系下，所以需要进行点云数据拼接将其放置在同一坐标系中。拼接可以使用靶标进行，待拼接的数据根据四个以上不共面的同名靶标，确定两者的相对位置关系，求得平移向量和旋转矩阵以完成坐标变换。多站数据拼接之后即可获得完整的点云数据。
去噪
三维激光扫描仪在数据获取过程中存在环境和系统噪声，这些噪声点会对后续的数据处理产生干扰，应按使用需要去除。在具体的实施方式中，通过对每一个点的邻域进行统计分析，计算点到邻近点的平均距离，得到所述平均距离的高斯分布，高斯分布由距离的均值和标准差决定，所述平均距离在标准范围之外的点，被定义为离群噪声点予以去除。
下采样
由于原始点云数据量大，对计算机硬件及后续数据处理算法要求高，所以需要对点云数据进行下采样以提高块度识别速度，提高计算效率。本领域技术人员应当知晓，若不考虑经济成本，采用高速计算设备进行数据处理，该步骤不是必须的。在具体的实施方式中，所述下采样采用栅格化算法，使用最小长方体包围盒包围全部的点云，再将点云划分到均匀的立方体网格，如果网格内有点云数据，则使用网格中靠近中心集重心的最近点代替该网格内所有点云数据，网格划分的分辨率决定点云数据的压缩率。
进一步地，所述步骤3包括：
步骤31，采用八叉树空间索引结构划分预处理后的原始点云数据，形成若干体素；
步骤32，指定晶核距离Rseed，体素尺寸Rvoxel和最小聚类尺寸MOV(MinimumOccupied Voxels)；
步骤33，根据差异控制变量D对所述若干体素进行聚类，得到所述超体聚类点云所述差异控制变量为：
其中，Dc为颜色差异变量，Dn为法线差异变量，Ds为距离差异变量,wc，wn，ws表示对应的权重因子。
具体地，所述体素为超体聚类的元素。所述晶核距离Rseed用于将体素化的空间点云网格化，表征了聚类晶核的分辨率，Rseed越大，则聚类结果晶体数越少，反之亦成立。Rvoxel为参与聚类的每个体素的尺寸。MOV为聚类形成的最小晶体所需要包含的最少的体素数量，与最小搜索范围Rsearch对应。Rseed，Rvoxel，MOV的几何关系如图1所示。
具体地，在每个晶核周围搜索最相似的体素，所述最相似的标准即两体素之间采用式(1)计算的D最小，进而将该最相似的体素标记为与该晶核属于同一超体聚类体。然后，该标记体素作为枝节点，其周围也纳入搜索队列，继续采用式(1)搜索最相似的体素，并予以标记，以此类推。最后将标记为同一超体聚类体的体素进行聚类，每个晶核按照该方式同时进行聚类，当搜索到达所有枝节点或者当前级别的搜索没有可供纳入的体素时即完成超体聚类，所有晶核按照此方式同时进行超体聚类，形成所述超体聚类点云。所述超体聚类的搜索过程示意图如图2所示(以2D形式示意)，其中λ，θ为晶核体素(seed voxel)，体素1～9为晶核λ，θ的一级枝节点，体素a～q为晶核λ，θ的二级枝节点，当某枝节点正处于搜索队列时，该枝节点的下一级枝节点暂不加入搜索队列；当某枝节点成为最相似的体素的搜索结果，该枝节点的下一级枝节点加入搜索队列，图2右侧为超体聚类的体素布局(voxellayout)示意。
进一步地，式(1)中Dc为CIELab色彩空间的欧氏距离差异，Dn为FPFH(Fast PointFeature Histograms，快速点特征直方图)空间采用直方图交叉核(HistogramIntersection Kernel)计算的差异。具体的实施方案中，由于体素色彩差异对于后续的岩块聚类采用的算法影响不显著，以及对于岩块识别进行的若干次参数试验和参数敏感性原理分析，式(1)计算D的对应权重取值范围为：wc取值区间为[0,0.5]，ws取值区间为[0.5,1.5]，wn取值区间为[0,5]。优选的实施方式中，wc取0，ws取1，wn取2或3。
步骤3形成所述超体聚类点云，是为步骤4和步骤5进一步再聚类形成所述岩块点云提供过分割的数据准备。
进一步地，步骤4和步骤5采用LCCP(Locally Convex Connected Patches，局部凸连接打包)算法对步骤3得到的所述超体聚类点云进行再聚类，形成所述岩块点云。
进一步地，步骤4中，采用CC判据和SC判据判别所述凹凸关系。
如图3所示，分别为相邻两块所述超体聚类点云的中心向量， 分别为相邻两个所述超体聚类点云的法向量，为相邻所述超体聚类点云中心向量的连线向量，CC判据利用相邻所述超体聚类点云中心连线的向量与其法向量的夹角α1、α2进行判断，当α1<α2时两片点云聚类为图(a)，称为凸邻接；反之如图(b)，称为凹邻接。因为存在噪声和误差，所以在实际使用中还需要设定一个阈值，使得α1-α2超过一定范围才被认为凹关系成立。
可以选择的实施方式中，所述CC判据为CC基础判据：
其中，分别表示相邻的2块所述超体聚类点云，分别为相邻所述超体聚类点云的法向量，为相邻所述超体聚类点云中心向量的连线向量的单位向量，β为法向量与之间的夹角，βThresh为法向量夹角β的阈值。
如果相邻两面中，有一个面是单独的，CC判据是无法将其分开的。为此，需要引入SC判据。如图4所示，分别为相邻两块所述超体聚类点云的中心向量，图中为相邻两块所述超体聚类点云中心向量的连线向量，与相邻两块所述超体聚类点云的法向量同时垂直，SC判据利用两质心相连的向量与两块所述超体聚类点云相交的直线向量的夹角进行判断，夹角越大则越可能形成凸关系。具体地，在图4中(a)、(b)识别为一个整体，而(c)、(d)会被分隔开。
引入夹角的阀值处理小的夹角若则不能形成凸关系，通过法线之间的角度函数设置阀值有一般式：
为法向量之间夹角β的阀值，为夹角β的最大阀值，a为比例系数，βoff为法向量夹角的最小值。具体的实施方式中，由试验得到的参数设置为βoff＝25°，a＝0.25。
因此，所述SC判据为：
其中，为相邻所述超体聚类点云质心相连的向量与相邻所述超体聚类点云相交的直线向量的夹角，为相邻所述超体聚类点云法向量之间夹角的阈值；
采用CC基础判据和SC判据得到的所述凸邻接关系须满足：
优选的实施方式中，为去除一些小噪声引起的误判，引入“第三方验证”，如果某块点云和相邻两块点云都相交，则其凹凸关系必相同。因此，所述CC判据为CC扩充判据：
其中为与和相邻的2块所述超体聚类点云均相交的公共超体聚类点云；所述凸邻接关系须满足：
进一步地，步骤5中，采用区域生长算法将所述超体聚类点云再聚类，形成所述岩块点云；所述再聚类的聚类依据是只允许区域跨越凸边增长。
本发明的另一方面，还提供了一种爆破块度特征提取方法，包括：
步骤1，采用以上所述的爆破岩块自动识别方法获取岩块点云数据；
步骤2，根据各个所述岩块点云所含点数多少，提取特征岩块点云；
步骤3，计算所述特征岩块点云的几何特征。
进一步地，步骤1获取岩块点云数据之后，采用标签存储各点归属的所述岩块点云。
进一步地，步骤3中采用主成分分析算法将岩块点云数据降维为一维数据，计算所述特征岩块点云的长轴长度。
一种爆破岩块自动识别装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的爆破岩块自动识别方法。
一种爆破块度特征提取装置，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的爆破块度特征提取方法。
本发明的有益效果是：
本发明通过对爆堆表面三维点云数据进行聚类分隔，实现了爆破岩块的自动识别。本发明采用三维激光扫描仪自动获取爆堆表面三维数据信息，相对于二维拍摄数据信息更为完整，激光测量精度可达毫米级，并且不受光线影响，岩块识别精度更高；识别方法基于三维点云数据的凹凸特征，无需依赖岩矿的颜色信息和人为干预，适用范围更广。综上，本发明提供的爆破岩块自动识别方法具有高速、高效和高精度的优势。
进一步的技术方案中，基于爆破岩块自动识别方法获取岩块点云数据后获取特定岩块点云的几何特征信息，解决了传统方式测量岩块块度测量效率低和测量精度低等缺陷。综上，本发明提供了一种适应未来智能化、自动化的爆破质量评价解决方案。
附图说明
图1是超体聚类算法Rseed，Rvoxel，MOV的几何关系图；
图2是超体聚类算法聚类搜索过程示意图；
图3是LCCP算法CC判据原理示意图；
图4是LCCP算法SC判据原理示意图；
图5是本发明实施例1岩块自动识别方法流程图；
图6是本发明实施例1原始点云预处理结果图；
图7是本发明实施例1超体聚类点云结果图；
图8是本发明实施例1岩块点云结果图；
图9是本发明实施例2块度特征提取方法流程图；
图10是本发明实施例2提取的5个特征岩块点云结果图。
具体实施方式
下面结合附图，对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例1
本实施例提供一种爆破岩块自动识别方法，流程图如图5所示，包括：
步骤S10，流程开始，获取TLS(Terrestrial Laser Scanning,地面激光扫描)多站爆堆表面三维空间原始点云数据；
步骤S20，对TLS多站爆堆表面三维空间原始点云数据进行拼接；
步骤S30，对拼接后的完整点云数据进行去噪和下采样，此步骤完成之后，形成预处理后的原始点云数据，预处理后的原始点云结果如图6所示；
步骤S40，由预处理后的原始点云数据计算得到超体聚类点云；
步骤S50，使用LCCP算法对所述超体聚类点云再聚类，分割出岩块点云；
步骤S60，输出所述岩块点云结果信息；
步骤S70，结束流程。
所述步骤S40包括：
步骤S401，采用八叉树空间索引结构划分预处理后的原始点云数据，形成若干体素；
步骤S402，晶核距离Rseed取0.2，体素尺寸Rvoxel取0.01和最小聚类尺寸MOV(Minimum Occupied Voxels)取0.1，颜色权重wc取0，距离权重ws取1，wn取2。
步骤S403，根据差异控制变量D对所述若干体素进行聚类，得到所述超体聚类点云；所述差异控制变量为：
其中，Dc为颜色差异变量，Dn为法线差异变量，Ds为距离差异变量。
其中，Dn为FPFH(Fast Point Feature Histograms)空间采用直方图交叉核(Histogram Intersection Kernel)计算的差异。
步骤S40形成所述超体聚类点云，是为步骤S50采用LCCP算法进一步再聚类形成所述岩块点云提供过分割的数据准备。所述超体聚类点云结果包括超体聚类后有xyz和标签(label)的.txt文件，和/或为了在视觉上更容易区分根据不同标签给随机颜色的.pcd文件，根据不同标签给随机颜色的超体聚类点云结果图如图7所示。
具体地，步骤S50中，采用CC判据和SC判据判别所述凹凸关系。
如图3所示，分别为相邻两块所述超体聚类点云的中心向量， 分别为相邻两个所述超体聚类点云的法向量，为相邻所述超体聚类点云中心向量的连线向量，CC判据利用相邻所述超体聚类点云中心连线的向量与其法向量的夹角α1、α2进行判断，当α1<α2时两片点云聚类为图(a)，称为凸邻接；反之如图(b)，称为凹邻接。因为存在噪声和误差，所以在实际使用中还需要设定一个阈值，使得α1-α2超过一定范围才被认为凹关系成立。
可以选择的实施方式中，所述CC判据为CC基础判据：
其中，分别表示相邻的2块所述超体聚类点云，分别为相邻所述超体聚类点云的法向量，为相邻所述超体聚类点云中心向量的连线向量的单位向量，β为法向量与之间的夹角，βThresh为法向量夹角β的阈值。
如果相邻两面中，有一个面是单独的，cc判据是无法将其分开的。为此，需要引入SC判据。如图4所示，分别为相邻两块所述超体聚类点云的中心向量，图中为相邻两块所述超体聚类点云中心向量的连线向量，与相邻两块所述超体聚类点云的法向量同时垂直，SC判据利用两质心相连的向量与两块所述超体聚类点云相交的直线向量的夹角进行判断，夹角越大则越可能形成凸关系。具体地，在图4中(a)、(b)识别为一个整体，而(c)、(d)会被分隔开。
引入夹角的阀值处理小的夹角若则不能形成凸关系，通过法线之间的角度函数设置阀值有一般式：
为法向量之间夹角β的阀值，为夹角β的最大阀值，a为比例系数，βoff为法向量夹角的最小值。由试验得到的参数设置为βoff＝25°，a＝0.25。
因此，所述SC判据为：
其中，为相邻所述超体聚类点云质心相连的向量与相邻所述超体聚类点云相交的直线向量的夹角，为相邻所述超体聚类点云法向量之间夹角的阈值；
采用CC基础判据和SC判据得到的所述凸邻接关系须满足：
优选的实施方式中，为去除一些小噪声引起的误判，引入“第三方验证”，如果某块点云和相邻两块点云都相交，则其凹凸关系必相同。因此，所述CC判据为CC扩充判据：
其中为与和相邻的2块所述超体聚类点云均相交的公共超体聚类点云；所述凸邻接关系须满足：
凹凸关系判定完成之后，采用区域生长算法将所述超体聚类点云再聚类，所述再聚类的聚类依据是只允许区域跨越凸边增长，再聚类形成所述岩块点云。
步骤S60，输出所述岩块点云结果信息。所述岩块点云结果信息包括LCCP算法计算之后数据类型为xyz和标签(label)的.txt文件，和/或为了在视觉上更容易区分的根据不同标签赋随机颜色值的.pcd文件。本实施例根据不同标签随即颜色表示的岩块点云结果如图8所示。
步骤S70，流程结束。
本领域技术人员可以根据所述岩块点云结果信息按需要提取具有各类特征的特征岩块点云，更加精准、多维度地分析所述岩块点云信息，进而更加全面、可靠地对爆破块度和爆破质量进行评价。
实施例2
实施例2提供一种爆破块度特征提取方法，流程图如图9，其中步骤S10～S50采用本发明实施例1的方法获取岩块点云数据。
步骤S50使用LCCP算法再聚类，分割形成所述岩块点云数据之后，进行步骤S60，即提取特征岩块点云。通过对相同标签的岩块点云数据进行提取，分析统计每一聚类岩块点云所含的点数，通过所述点数的多少按分析需要提取出特征岩块点云，例如需要分析较大块度的岩块的特征，按照点数从多到少进行提取；同理，需要分析中等块度或者较小块度的岩块特征，提取点数中等或较少的点云。如图10所示，为按所述岩块点云所含的点数从多到少提取最多的前5个所述特征岩块点云(岩块1、岩块2、岩块4、岩块5、岩块6，标签为岩块3的特征岩块点云后期识别为未去除的噪音点云，不予进行特征提取)。
步骤S70，使用PCA算法计算所述特征岩块点云的块体长轴长度。将所述特征岩块点云数据组合成矩阵并投影到新的空间，通过线性变换将原始数据变换为一组各维度线性无关的表示，将所述特征岩块点云三维点云数据降为一维，主成分分析法(PCA)投影方向是找到方差在该方向上投影最大的那个方向。具体地，将5块所述岩块特征点云数据提取出来并按列组成n行m列矩阵X，其中第1块为15041行3列矩阵X1，第2块为5788行3列矩阵X2，第3块为4448行3列矩阵X4，第4块为3082行3列矩阵X5，第5块为2720行3列矩阵X6。将矩阵X的每一维度进行零均值化，即减去这一列的均值，求出协方差矩阵及协方差矩阵的特征值和对应的特征向量。将特征向量按对应特征值大小从上到下按列排列成矩阵，取前1列组成矩阵P。将原始样本数据乘以矩阵P即为降维到1维后的数据，达到降维的目的。降为一维数据中的最大值减最小值即得到爆破岩块点云长轴的长度。本领域技术人员应当知晓，获取岩块点云长轴长度还可以在点云上直接进行手动量取，但效率相对较低。采用PCA算法计算得到的所述岩块1～岩块6的长轴长度(单位：m)如下：
岩块1：4.54
岩块2：3.98
岩块4：2.58
岩块5：2.59
岩块6：2.50
步骤S80，流程结束。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明具体实施方式的详细说明，而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下，做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (4)
1.一种爆破岩块自动识别方法，其特征在于，包括：
步骤1，获取至少2个站点的爆堆表面三维空间原始点云数据；
步骤2，原始点云数据预处理，所述预处理包括拼接、去噪和下采样；
步骤3，由预处理后的原始点云数据计算得到超体聚类点云；
步骤4，判别相邻所述超体聚类点云之间的凹凸关系；
步骤5，若相邻所述超体聚类点云之间为凸邻接关系，则再聚类形成岩块点云；
步骤2中所述去噪为：通过对每一个点的邻域进行统计分析，计算点到邻近点的平均距离，得到所述平均距离的高斯分布，高斯分布由距离的均值和标准差决定，所述平均距离在标准范围之外的点，被定义为离群噪声点予以去除；
所述下采样采用栅格化算法，使用最小长方体包围盒包围全部的点云，再将点云划分到均匀的立方体网格，如果网格内有点云数据，则使用网格中靠近中心集重心的最近点代替该网格内所有点云数据；
步骤3包括：
步骤31，采用八叉树空间索引结构划分预处理后的原始点云数据，形成若干体素；
步骤32，指定晶核距离Rseed，体素尺寸Rvoxel和最小聚类尺寸MOV；
步骤33，根据差异控制变量D对所述若干体素进行聚类，得到所述超体聚类点云，所述差异控制变量为：
其中，Dc为颜色差异变量，Dn为法线差异变量，Ds为距离差异变量,wc，wn，ws表示对应的权重因子；wc取值区间为[0,0.5]，ws取值区间为[0.5,1.5]，wn取值区间为[0,5]；
步骤4中，采用CC判据和SC判据判别所述凹凸关系，所述CC判据为CC基础判据：
其中，分别表示相邻的2块所述超体聚类点云，分别为相邻所述超体聚类点云的法向量，为相邻所述超体聚类点云中心向量的连线向量的单位向量，β为法向量与之间的夹角，βThresh为法向量夹角β的阈值；
所述SC判据为：
其中，θ为相邻所述超体聚类点云质心相连的向量与相邻所述超体聚类点云相交的直线向量的夹角，为相邻所述超体聚类点云法向量之间夹角的阈值；
所述凸邻接关系须满足：
或者所述CC判据为CC扩充判据：
其中为与相邻的2块所述超体聚类点云均相交的公共超体聚类点云；
所述凸邻接关系须满足：
步骤5中，采用区域生长算法将所述超体聚类点云再聚类，形成所述岩块点云；所述再聚类的聚类依据是只允许区域跨越凸边增长。
2.一种爆破块度特征提取方法，其特征在于，包括：
步骤1，采用权利要求1所述的爆破岩块自动识别方法获取岩块点云数据；
步骤2，根据各个所述岩块点云所含点数多少，提取特征岩块点云；
步骤3，采用主成分分析算法将岩块点云数据降维为一维数据，计算所述特征岩块点云的长轴长度。
3.一种爆破岩块自动识别装置，其特征在于：包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1所述的方法。
4.一种爆破块度特征提取装置，其特征在于：包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求2所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811182419.8A CN109359680B (zh) | 2018-10-11 | 2018-10-11 | 爆破岩块自动识别和块度特征提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811182419.8A CN109359680B (zh) | 2018-10-11 | 2018-10-11 | 爆破岩块自动识别和块度特征提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109359680A CN109359680A (zh) | 2019-02-19 |
| CN109359680B true CN109359680B (zh) | 2019-09-24 |
Family
ID=65349132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811182419.8A Active CN109359680B (zh) | 2018-10-11 | 2018-10-11 | 爆破岩块自动识别和块度特征提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109359680B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109827483B (zh) * | 2019-03-28 | 2021-07-20 | 雅化集团攀枝花鑫祥化工有限公司 | 一种确定二次破碎装药量的方法及系统 |
| CN111091062B (zh) * | 2019-11-21 | 2023-07-04 | 东南大学 | 一种基于3d视觉聚类和匹配的机器人乱序目标分拣方法 |
| CN113486817B (zh) * | 2021-07-09 | 2023-09-08 | 中国矿业大学 | 一种基于激光扫描的采煤工作面煤岩识别方法 |
| CN118196417A (zh) * | 2024-03-27 | 2024-06-14 | 东北大学 | 地下金属矿复杂堆叠条件下爆堆块度识别与统计方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957076A (zh) * | 2016-04-27 | 2016-09-21 | 武汉大学 | 一种基于聚类的点云分割方法及系统 |
| CN106803281A (zh) * | 2017-02-17 | 2017-06-06 | 武汉大学 | 一种开挖边坡岩块信息提取与三维重构方法 |
| CN108171131A (zh) * | 2017-12-15 | 2018-06-15 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945178B (zh) * | 2017-12-19 | 2019-06-21 | 大昌建设集团有限公司 | 一种爆破残孔自动识别及特征提取方法 |
-
2018
- 2018-10-11 CN CN201811182419.8A patent/CN109359680B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105957076A (zh) * | 2016-04-27 | 2016-09-21 | 武汉大学 | 一种基于聚类的点云分割方法及系统 |
| CN106803281A (zh) * | 2017-02-17 | 2017-06-06 | 武汉大学 | 一种开挖边坡岩块信息提取与三维重构方法 |
| CN108171131A (zh) * | 2017-12-15 | 2018-06-15 | 湖北大学 | 基于改进MeanShift的Lidar点云数据道路标识线提取方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Automatic 3D Facet Orientations Estimation from LIDAR Imaging;Ye Duan et al;《Proceedings of 2011 NSF Engineering Research and Innovation Conference》;20111231;1-5 * |
| Object Partitioning using Local Convexity;Simon Christoph Stein et al;《2014 IEEE Conference on Computer Vision and Pattern Recognition》;20141231;正文第2.1-2.2节 * |
| 基于三维激光扫描技术的爆破对象数字化研究;施富强等;《爆破》;20150930;第32卷(第3期);45-48 * |
| 基于三维激光扫描的露天台阶爆破数字化研究;佘勇等;《采矿技术》;20170930;第17卷(第5期);99-101 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109359680A (zh) | 2019-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359680B (zh) | 爆破岩块自动识别和块度特征提取方法及装置 | |
| Vo et al. | Octree-based region growing for point cloud segmentation | |
| Su et al. | Octree-based segmentation for terrestrial LiDAR point cloud data in industrial applications | |
| Limberger et al. | Real-time detection of planar regions in unorganized point clouds | |
| CN105260737B (zh) | 一种融合多尺度特征的激光扫描数据物理平面自动化提取方法 | |
| US7397473B2 (en) | Geometry based search method for 3D CAx/PDM repositories | |
| CN102236794B (zh) | 3d场景中3d对象的识别和姿态确定 | |
| Liu et al. | Automatic segmentation of unorganized noisy point clouds based on the Gaussian map | |
| US20130294197A1 (en) | Automatic extraction and characterization of fault and fracture populations | |
| CN105844602A (zh) | 一种基于体元的机载lidar点云三维滤波方法 | |
| CN109685821A (zh) | 基于高质量体素的区域生长3d岩体点云平面提取方法 | |
| Pound et al. | A patch-based approach to 3D plant shoot phenotyping | |
| CN112099046A (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
| Othmani et al. | A novel computer-aided tree species identification method based on burst wind segmentation of 3d bark textures | |
| Stucker et al. | Supervised outlier detection in large-scale MVS point clouds for 3D city modeling applications | |
| CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 | |
| CN104851092A (zh) | 一种基于图像分析的堆浸铀矿石粒度参数辨识方法 | |
| CN117928385A (zh) | 一种基于远程无人机和传感器的工程施工智能测量方法 | |
| Sun et al. | Rock mass discontinuity extraction method based on multiresolution supervoxel segmentation of point cloud | |
| Zhao et al. | A Review of Point Cloud Segmentation of Architectural Cultural Heritage | |
| CN116579949B (zh) | 适用于城市多噪声环境下机载点云地面点滤波方法 | |
| Li | A super voxel-based Riemannian graph for multi scale segmentation of LiDAR point clouds | |
| WO2015040434A1 (en) | Analysing mri data to determine tumour type | |
| He et al. | Features extraction of point clouds based on Otsu’s algorithm | |
| Garstka et al. | Fast and robust keypoint detection in unstructured 3-D point clouds |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |