CN111932669A - 一种基于边坡岩体特征对象的变形监测方法 - Google Patents

一种基于边坡岩体特征对象的变形监测方法 Download PDF

Info

Publication number
CN111932669A
CN111932669A CN202010785644.1A CN202010785644A CN111932669A CN 111932669 A CN111932669 A CN 111932669A CN 202010785644 A CN202010785644 A CN 202010785644A CN 111932669 A CN111932669 A CN 111932669A
Authority
CN
China
Prior art keywords
rock mass
point cloud
deformation
data
point
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.)
Pending
Application number
CN202010785644.1A
Other languages
English (en)
Inventor
陈娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Post Intelligent Construction Wuhan Data Technology Co ltd
Original Assignee
China Post Intelligent Construction Wuhan Data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Post Intelligent Construction Wuhan Data Technology Co ltd filed Critical China Post Intelligent Construction Wuhan Data Technology Co ltd
Priority to CN202010785644.1A priority Critical patent/CN111932669A/zh
Publication of CN111932669A publication Critical patent/CN111932669A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00Measuring arrangements characterised by the use of optical techniques
    • G01B11/02Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00Measuring arrangements characterised by the use of optical techniques
    • G01B11/16Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00Measuring arrangements characterised by the use of optical techniques
    • G01B11/26Measuring arrangements characterised by the use of optical techniques for measuring angles or tapers; for testing the alignment of axes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01BMEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00Measuring arrangements characterised by the use of optical techniques
    • G01B11/28Measuring arrangements characterised by the use of optical techniques for measuring areas
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C15/00Surveying instruments or accessories not provided for in groups G01C1/00 - G01C13/00
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88Radar or analogous systems specially adapted for specific applications
    • G01S13/885Radar or analogous systems specially adapted for specific applications for ground probing
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42Determining position

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种基于边坡岩体特征对象的变形监测方法,包括以下步骤:Ⅰ.对待测边坡岩体进行多期扫描,获取多组点云数据;Ⅱ.将单组点云数据进行拼接,形成整体点云数据后进行建模;Ⅲ.对多组点云数据进行叠加对比,形成点云变化情况的色谱图;Ⅳ.从色谱图中直观判断岩体全局变形情况;Ⅴ.再对单组模型进行结构面提取,并对结构面进行编号;通过提取的结构面组合成块体模型;Ⅵ.对多期的各个块体模型获取旋转、位移和面积变化数据,结合色谱图的数据得到边坡岩体的整体变形趋势数据,本发明具有可全方面准确获取边坡岩体的几何信息数据,并通过多期几何信息数据准确判断变形类型的优点。

Description

一种基于边坡岩体特征对象的变形监测方法
技术领域
本发明涉及测绘技术领域,具体地说,涉及一种基于边坡岩体特征对象的变形监测方法。
背景技术
岩石边坡的稳定性主要受坡体内部大量发育的结构面控制,准确、高效、全面获取岩体结构面信息,对边坡的稳定性分析有着重要意义。此外,边坡变形监测是对边坡稳定性进行预测预警的重要技术手段,通过对边坡大量变形数据的分析,从而为边坡的稳定性预测提供重要依据。
基于对比点云数据的变形检测方法中,两组点云直接相减(点云相减法)是最为常见的方法。通过给定一个变化方向,算出两组点云在该方向的变化量,即可得到该区域的边坡变形情况。然而,在自然条件下,扫描仪获取点云数据的精度几乎是厘米级别的,设备自身带来的误差会直接影响到变形测量。
此外,点云相减法除了精度问题外,还存在以下两方面不足:首先,点云相减法只能检测出指定方向上发生的变化,无法监测到岩块旋转等复杂的变形情况。其次,点云相减法无法定性的判断变形属于岩体的哪个部位。对于岩体而言,变形往往发生在结构面或者岩块等部位,准确的判断出变形属于岩体哪个部位,对未来的变形预判有着重要的意义。
发明内容
为了解决上述现有技术的不足之处,本发明的目的在于提供一种基于边坡岩体特征对象的变形监测方法,以克服现有技术中的缺陷。
为了实现上述目的,本发明提供了一种基于边坡岩体特征对象的变形监测方法,包括以下步骤:
Ⅰ.通过三维激光扫描仪对待测边坡岩体进行多期扫描,获取多组点云数据;
Ⅱ.将单组点云数据进行拼接,形成整体点云数据后导入至点云处理软件内进行建模;
Ⅲ.对多组点云数据进行叠加对比,形成点云变化情况的色谱图;
Ⅳ.从色谱图中直观判断岩体全局变形情况;
Ⅴ.再对单组模型进行结构面提取,并对结构面进行编号;通过提取的结构面组合成块体模型;
Ⅵ.对多期的各个块体模型获取旋转、位移和面积变化数据,结合色谱图的数据得到边坡岩体的整体变形趋势数据,实现对边坡岩体变形监测。
作为对本发明的进一步说明,优选地,加装地质雷达与三维激光扫描仪同时对边坡岩体进行扫描,增加地质雷达探测岩体裂缝走向。
作为对本发明的进一步说明,优选地,拼接点云数据前需进行去噪,随后进行缺口补点,以使点云图像完整。
作为对本发明的进一步说明,优选地,根据体素滤波算法过滤部分点云数据,随后通过对保留的点云数据中的每个点进行曲率值排序,将曲率值最小的点作为种子点进行区域生长,直至该种子点周围的点集不再满足要求的法线角度差值和曲率值时,整合满足法线角度差值和曲率值的点集以获取结构面。
作为对本发明的进一步说明,优选地,通过计算得出的结构面数据与地质雷达探测得出结构面的数据进行逐一对比,并基于误差值来动态调整结构面识别算法的最佳参数,重新进行计算,以使通过算法得出的结构面数据与探测数据相近或相同。
作为对本发明的进一步说明,优选地,通过计算出结构面之间的交线段,提取出三个两两相交的结构面以及六个交线段的顶点,合并其中三个重复的顶点,最终得到四个顶点来代表块体。
作为对本发明的进一步说明,优选地,在通过色谱图发现局部岩体颜色变化时,在块体图中进行对应位置的数据对比,获取该处的位移、旋转和面积变化数据,进一步判断变形类型。
作为对本发明的进一步说明,优选地,在使用三维激光扫描仪以及地质雷达之外,还需全站仪或GPS,以获取测试坐标标靶的绝对坐标。
本发明具有以下有益效果:
本发明针对点云相减法和特征对象分析法各自的优势,将边坡的点云数据分为块体部分和非块体部分,块体变形法用于检测块体的旋转、偏移等变形,点云相减法用于检测非块体部分的变化,通过将两部分结果叠加在一起,综合分析判断边坡的整体变形情况。相较于传统的点云相减法可以准确并且更全面的检测出岩体的变形情况。
附图说明
图1为本发明的步骤逻辑图;
图2是本发明的箱体摆放状态图;
图3是本发明的四个不同时期的箱体点云数据图;
图4是本发明的Tx1和Tx2时期点云的对比图;
图5是本发明的Tx1和Tx3时期点云的对比图;
图6是本发明的Tx1和Tx4时期点云的对比图;
图7是本发明的各个时期的箱体平面提取结果图;
图8是本发明的各个时期的箱体块体提取结果图;
图9是本发明的Tx1时期的块体信息表;
图10是本发明的Tx2时期的块体信息表;
图11是本发明的Tx3时期的块体信息表;
图12是本发明的Tx4时期的块体信息表;
图13是本发明的块体8个顶点示意图;
图14是本发明的块体旋转变形结果表;
图15是本发明的块体三个平面面积变化情况表;
图16是本发明的块体位移情况表。
具体实施方式
为了能够进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例附以附图详细说明如下,本附图所说明的实施例仅用于说明本发明的技术方案,并非限定本发明。
一种基于边坡岩体特征对象的变形监测方法,如图1所示,包括以下步骤:
Ⅰ.通过三维激光扫描仪和地质雷达对待测边坡岩体进行多期扫描,获取多组点云数据;一般进行不少于五组扫描测量,每组间隔时间5天左右,其中所使用的是FAROFocus3D360X扫描仪,该扫描仪25m内的扫描距离系统误差可以控制在±2mm,扫描速度最高可达96.7万/s,具有优良数据获取性能。在使用三维激光扫描仪以及地质雷达之外,还需全站仪或GPS,以获取测试坐标标靶的绝对坐标,便于后期进行结构面的提取。
Ⅱ.将单组点云数据使用FARO扫描仪自带的软件FAROSCENE进行噪点过滤和拼接,以使点云图像完整拼接;形成整体点云数据后导入至点云处理软件3Dreshaper内进行建模;实现边坡岩体的信息提取。
Ⅲ.利用3Dreshaper自带的模型对比插件进行分析。该插件基于色谱分析法对多组点云模型进行对比。
Ⅳ.通过将多期点云数据构建的模型进行叠加,计算一个指定方向上的变化量,用不同的颜色来代表不同的变化范围,最终形成点云变化情况的色谱图。
Ⅴ.用户可以自定义色谱图的颜色数量和颜色所代表的变化范围,通常蓝色等冷色调代表负向变化,红色等暖色调代表正向变化。因此,从色谱图中可以很直观的判断边坡的某个区域是增加还是减少了岩体,为边坡稳定性计算提供更多的依据。所以点云相减法可以有效的分析点云数据之间的变化,从而对边坡进行有效的变形监测。
Ⅵ.再对单组模型进行结构面提取,并对结构面进行编号;通过提取的结构面组合成块体模型;其中加装地质雷达与三维激光扫描仪同时对边坡岩体进行扫描,增加地质雷达探测岩体裂缝走向,后续通过算法找出裂缝所在的结构面。
Ⅶ.对多期的各个块体模型获取旋转、位移和面积变化数据,结合色谱图的数据得到边坡岩体的变形趋势数据,实现对边坡岩体变形监测。
结构面的获取,一般采用体素滤波法和区域生长算法获取结构面。
其中,体素滤波法通过输入的点云数据创建一个三维体素栅格,再用每个体素内所有点的重心来近似表示这个体素,相较于用体素的中心来代表体素的方法,这种用体素重心表示体素的方法会更精确的保留曲面的形状,一般点云数据采样单位是1cm,进行体素滤波时设定的体素单元大小为5cm,在减少点集数量,提高整体算法的运行效率的同时避免删除过多的点,最大化保留边坡岩体的曲面形状。
考虑到岩体表面是崎岖不平的,没有严格意义上的平面,那么考虑比较不同点的法线之间的差距,同时考虑平滑度约束,结合平滑度约束,从点的法线这一局部特征出发,将具有相似平滑度并且法线差距小于某个阈值的点,看作属于一个平面的点,则由上述点组合成的平面即可为结构面。
为了获取上述符合要求的点集,可通过区域生产算法实现,该算法包括以下步骤:
1)求出待分割点云每个点的曲率值,再进行排序,找到曲率值最小的点,将其添加到一个新集合中,把这个集合称作种子点集合,将集合中曲率值最小的点作为种子点进行区域生长,这样做能够避免出现重叠分割的情况发生,增强分割提取得到的平面的准确性和整体算法的效率。
2)对于每个种子点,都要对它的邻近点进行如下操作:
a.计算当前种子点和它的邻近点的法线角度的差值的绝对值,如果这个差值小于设定的阈值,那么该邻近点就被添加到当前种子点的区域中;
b.然后对通过第一步测试的每个点进行曲率值测试,如果他们的曲率值小于设定阈值,那么就把这个邻近点添加到当前种子点的子种子点集合中,即属于当前平面;反之,把这个邻近点从当前区域中删除,即不属于当前平面;
c.从种子点集合中删除当前种子点。
循环执行上述步骤,直到种子序列为空;
设定最终提取到的每个平面的包含的点的个数的最小值min和最大值max,对聚类生成的每一个类进行点数判定,点数不在min和max之间的所有类删除,留下点数在min和max之间的类,即生成了我们最终要提取的平面,再对每个平面用不同的颜色加以区分用于可视化。
从上述算法的介绍可以看到,算法过程中会不断访问和比较某个点的邻近点,那么在算法的一开始确定点云中点的邻近关系即拓扑结构是十分重要的。因不规整的点云很难决定最小立方体的大小应该是多少,立方体太小立方体之间连接不起来,立方体太大立方体内部包含的点数太密集。因此,考虑到岩体点云数据的点数多、分布不均匀的特点,本算法采用KdTree这一数据结构来建立点云数据之间的拓扑关系。
针对三维数据,需要在三个维度上建立点云数据之间的拓扑信息。假设在三维空间中存在a,b,c,d,e,f,g七个点,三个维度分别称作x维度、y维度、z维度,其划分规则如下:
1)首先对x维度上七个点的坐标值进行排序,选出中值点为a,将该点作为根节点,通过点a将点云数据垂直划分为两个区域,在x维度上比点a的值小的点划分到左子树中,在x维度上比点a的值大的点划分到右子树中。其中假设最终b,e,f划分到左子树,c,d,g划分到右子树。
2)根据以上假设,再分别计算左右子树中y维度的中值点。其中假设e是左子树在y维度上的中值点,d是右子树在y维度上的中值点。
3)以此类推,分别计算所有子树中在z维度上的中值点,再沿着z维度进行划分,直到最后一个子树只有一个节点为止。
通过以上方式,解决了用恰当数据结构来构建点云数据之间的拓扑信息问题。
之后采用最小二乘平面拟合估计问题。将估计表面法线的解决方案变成分析一个协方差矩阵的特征矢量和特征值的问题,也即采用PCA(主成分分析)进行求解该问题。
利用PCA求解法向量主要是根据下式求解的,根据下式求解出协方差矩阵的三个特征值后,取特征值最小的,其对应的特征向量即为所求法向量的估计。
Figure DEST_PATH_IMAGE001
Figure DEST_PATH_IMAGE003
式中:C为协方差矩阵,
Figure 833669DEST_PATH_IMAGE004
是点的近邻点中被考虑点的个数,
Figure DEST_PATH_IMAGE005
是近邻点的三维重心。
关于法向量
Figure 307507DEST_PATH_IMAGE006
的取向,对所有的法线定向只需它们一致朝向视点
Figure DEST_PATH_IMAGE007
的方向,既满足:
Figure DEST_PATH_IMAGE009
关于
Figure 325141DEST_PATH_IMAGE004
的取值,根据不同情况选取不同的值,例如当对约136万个点的点云数据进行测试时,
Figure 741079DEST_PATH_IMAGE004
的取值为30~50左右时,建立点云数据之间的拓扑关系较为准确,进而使获取的结构面数据与实际情况更为相符。
为了减少人为主观因素对所提算法精度的影响,通过计算得出的结构面产状结果与地质雷达探测得出结构面的产状进行逐一对比,建立结构面识别算法参数和结果的函数关系,通过寻求全域最优解,以使所提算法得出的结构面产状与实测数据相近或相同,进而确定识别算法的最佳参数。
通过计算出结构面之间的交线段,提取出三个两两相交的结构面以及六个交线段的顶点,合并其中三个重复的顶点,最终得到四个顶点来代表块体。
其中需要进行:
1)基于空间几何理论的平面相交计算。
2)提取出由三个两两相交的结构面构成候选块体。
3)使用Floodfill算法判别“真实块体”和“虚拟块体”。“虚拟块体”指的是外形看起来像是块体,但是实际上只是由三个面组成的“角落”。最后,一旦块体被识别,块体的体积以及其它信息都可以被直接计算出来。
通过将点云数据进行块体信息提取,并且根据多期数据对比,结合全站仪指出的绝对坐标,可明确了解相同块体在不同时间内的位移、旋转和面积变化数据,从而可以判断岩体是否产生了滑移变形、翻转变形、以及膨胀或挤压变形,进而可以判断该处边坡岩体结构是否稳定以及变化趋势,结合力学分析,可以对岩体活动实现准确的预警。方便后续对该边坡岩体进行对应的加固或者其他安全的措施。
为了提高检测效率,可在通过色谱图发现局部岩体颜色变化时,在块体图中进行对应位置的数据对比,获取该处的位移、旋转和面积变化数据,进一步判断变形类型,实现对重点变形处的重点监测,无需对所有的边坡岩体点云数据进行结构面提取以及块体提取,减少运算量。
为验证上述方法的准确性,通过一些箱体模型进行验证。
扫描对象选用8个大小不一的箱子分别进行编号,如图2所示,将它们按照边坡岩体的形状堆砌成箱体模型,并且依然选用FAROFocus3D360X扫描仪做为扫描仪器。
通过移动箱体来模拟岩体偏移;通过取走箱体来模拟落石;通过旋转箱体来模拟块体旋转。具体模拟方式如下:
将X1,X2两个箱子沿X,Y方向分别移动5mm、10mm和15mm,将X3,X4两个箱子取走,将X5,X6两个箱子在XY平面分别旋转5°、10°和15°,X7,X8两个箱子保持不动。
放置好箱体和设置完移动路线之后,下一步将获取箱体不同时期的点云数据。该试验的扫描工作分为四组进行:第一组为Tx1时期的箱体模型扫描,代表的是原始箱体点云;第二组为Tx2时期的箱体模型扫描,代表的是箱体发生5mm偏移、箱体“脱落”和5°旋转后的箱体点云;第三组为Tx3时期的箱体模型扫描,代表的是箱体发生10mm偏移和10°旋转后的箱体点云;第四组为Tx4时期的箱体模型扫描,代表的是箱体发生15mm偏移和15°旋转后的箱体点云。
每组扫描工作一致,具体流程如下:
在场地布置三个球星标靶用于后期的拼接,同时设置四个站点从不同角度对箱体模型进行扫描以确保扫描数据的完整性,后期使用FARO扫描仪自带的软件FAROSCENE对四个站点的数据进行过滤和拼接,最终可以获得四个时期的箱体点云数据(Tx1、Tx2、Tx3和Tx4)。其中Tx1时期的点云共有3,506,505个点,Tx2时期的点云有3,764,175个点,Tx3时期的点云有3,477,686个点,Tx4时期有3,451,527个点,点云分辨率均为2mm。图3展示了四个时期的箱体点云模型。
将四个时期的点云用不同的颜色代替,用某种单色代表Tx1时期的点云,随后将之与其他时期的点云叠加,观察叠加效果,先从视觉的角度判断箱体模型的变化。将每一期的点云和Tx1对比后,可以生成两期数据的变形色谱图。
考虑到本试验设计的位移变形分别是5mm、10mm和15mm,因此本文将色谱图的阈值设为5mm。
图4为Tx1和Tx2时期点云的对比图。在本试验中,Tx2时期的点云主要发生了以下变化:X1和X7两个箱子被拿走、X2和X8两个箱子向x和y方向各移动5mm以及X3和X5旋转5°。从色谱图可以看出,由于X1和X7两个箱子被拿走,此处由于点云缺失无法进行计算,导致这两个位置的点云呈灰色,即属于未定义变化;对于发生了旋转变形的X3和X5两个箱子,在边界处发生了比较明显的变形,这是因为旋转后的箱子越靠近边界的地方位移变化越大。对于发生了5mm移动变形的X2和X8两个箱子,色谱图并未发生明显变化,这是因为基于点云相减法计算平面变形,由于设备自身误差、拼接误差等原因,往往有大约7mm左右的误差,导致变形量被误差量遮盖。
图5为Tx1和Tx3时期点云的对比图。在本试验中,Tx3时期的点云主要发生了以下变化:X1和X7两个箱子被拿走、X2和X8两个箱子向x和y方向各移动10mm以及X3和X5旋转10°。从色谱图可以看出,同Tx2时期一样,X1和X7两个箱子位置的点云呈灰色,仍属于未定义变化;而对于发生了移动的X2和X8两个箱子可以较为明显的判断出其变形量;对于X3和X5两个箱子,箱体呈现出正负两种变形,这是因为旋转变形导致箱体左右两边变形方向相反。
图6为Tx1和Tx4时期点云的对比图。在本试验中,Tx4时期的点云主要发生了以下变化:X1和X7两个箱子被拿走、X2和X8两个箱子向x和y方向各移动15mm以及X3和X5旋转15°。从色谱图可以看出,同Tx1和Tx2时期一样,X1和X7两个箱子位置的点云呈灰色,仍属于未定义变化;对于发生了移动的X2和X8两个箱子,色谱图可以监测出15mm左右的变形;对于X3和X5两个箱子,箱体呈现出较大的正负两种变形,并且在箱体的边界出,出现了未定义区域,这是因为随着旋转角度的变大,边界处的点云无法完成匹配,从而导致该部分数据缺失。
综上所述,对于本试验数据而言,当物体变形大于10mm时,点云相减法可以有效的检测出变形,但是无法准确的检测出10mm以内的变形。与此同时,该方法也无法定量的给出物体旋转变形的角度。
随后对扫描对象进行结构面(箱体面)提取和块体(箱体)的提取,其结果如图7所示,Tx1时期的箱体模型共提取出28个平面,Tx2时期的箱体模型提取出22个面,Tx3时期的箱体模型提取出23个面,Tx4时期的箱体模型一共可以提取出21个面。同时部分平面按照软件随机生成的结构面编号进行了标注。
全部平面提取完毕之后,下面将对箱体模型进行块体的提取。Tx1时期的箱体模型共提取出8个块体,Tx2、Tx3和Tx4时期的箱体模型均提取出6个块体。各个时期的块体提取图如图8所示,块体的颜色由所编程序随机赋予,块体的编号和前面一致。同时,块体的具体信息如图9-12所示,包括信息有构成块体的三个平面标号、每个平面上点的个数以及平面方程。
在提取完块体后,可以获得代表块体的4个顶点坐标。那么决定一个完整块体的就是其8个顶点,又由于块体的六个面是两两平行的,因此只要得到代表块体的4个顶点,就可以推导出其他顶点的位置。如图13所示,已知块体的四个端点(P1、P2、P3和P4),根据平行六面体的几何特征可得块体的8个顶点坐标。
对于两个不同场景下的块体,基础匹配的方式是通过比较两个块体的顶点之间的Euclidean距离,或者两个顶点的绝对值范数。除此之外,还可以考虑边向量的相对位移及扭转角度,重心的位移等等。在这些方式中,Euclidean距离是对顶点坐标的二次项多项式,其余的都可以化为对顶点坐标的一次多项式。因此,可以把匹配问题化为以下形式:假设两个块体已知的顶点坐标向量构成矩阵V1,V2,函数y=F(V1,V2,c),其中c为参数向量,y为二元函数表明两个块体是否匹配,求C=argmax(y)使得匹配结果最佳。
当完成两个块体的匹配后,可以进一步进行块体面的匹配。在面匹配过程中可以用到的信息包括:平面面积,平面法向量,平面重心位置等。其中平面面积会受到块体形变的影响,平面法向量体现了块体的扭转,而平面重心反映了块体的位移程度。对于三种块体变化都有的场景,将综合考虑三者并赋予适当的权重,从而完成平面的匹配。
按照本试验的设计,只有块体3和块体5沿着XY平面分别发生了5°、10°和15°的旋转变形。根据图9-12的块体信息,可以基于构成块体的平面法向量变化求得4个时期块体的旋转变形,计算结果如图14所示。从表中可以看出:块体1和块体7由于被取走而没有变形数据;块体2、块体4、块体6和块体8由于没发生旋转变形,三个面在不同时期的法向量夹角都只有0.01°左右,属于误差范围内的旋转变形;块体3和块体5在不同时期均可以测出发生了大约5°、10°和15°左右的变形,与试验设计值相吻合,误差范围不超过0.05°。基于对以上结果的分析可知,所提方法在判断旋转变形方面有较高的精度,也侧面验证了根据Ransac平面来分析变形具有很高的可靠性。
通过对比匹配块体各个面的面积,可以得到块体面积的变化。由图9-12所包含的面积信息,将块体面积变化信息统计如图15所示。
如图16所示,块体4和块体6作为两个没发生任何变化的块体,在Tx2、Tx3和Tx4时期,构成它们的三个面沿自身法向量方向移动了大约为0.5-1mm,可以视为系统误差;块体2和块体4的三个面移动距离基本与试验设计值相符合,最小误差约为0.3mm,最大误差为1.7mm。同时可以看到在算所有点到面的距离时,期望值与试验值基本吻合,但是方差几乎可以忽略不计,因此证明从Ransac平面方程出发,通过位移监测点可以有效的监测特征块体的位移情况。
需要声明的是,上述发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用,不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理内,当可作各种修改、等同替换或改进。本发明的保护范围以所附权利要求书为准。

Claims (8)

1.一种基于边坡岩体特征对象的变形监测方法,其特征在于,包括以下步骤:
Ⅰ.通过三维激光扫描仪对待测边坡岩体进行多期扫描,获取多组点云数据;
Ⅱ.将单组点云数据进行拼接,形成整体点云数据后导入至点云处理软件内进行建模;
Ⅲ.对多组点云数据进行叠加对比,形成点云变化情况的色谱图;
Ⅳ.从色谱图中直观判断岩体全局变形情况;
Ⅴ.再对单组模型进行结构面提取,并对结构面进行编号;通过提取的结构面组合成块体模型;
Ⅵ.对多期的各个块体模型获取旋转、位移和面积变化数据,结合色谱图的数据得到边坡岩体的整体变形趋势数据,实现对边坡岩体全方位变形监测。
2.根据权利要求1所述的一种基于边坡岩体特征对象的变形监测方法,其特征在于,加装地质雷达与三维激光扫描仪同时对边坡岩体进行扫描,增加地质雷达探测岩体裂缝走向。
3.根据权利要求1所述的一种基于边坡岩体特征对象的变形监测方法,其特征在于,拼接点云数据前需进行去噪,随后进行缺口补点,以使点云图像完整。
4.根据权利要求2所述的一种基于边坡岩体特征对象的变形监测方法,其特征在于,根据体素滤波算法过滤部分点云数据,随后通过对保留的点云数据中的每个点进行曲率值排序,将曲率值最小的点作为种子点进行区域生长,直至该种子点周围的点集不再满足要求的法线角度差值和曲率值时,整合满足法线角度差值和曲率值的点集以拟合这些点集从而获取结构面方程。
5.根据权利要求4所述的一种基于边坡岩体特征对象的变形监测方法,其特征在于,通过计算得出的结构面数据与地质雷达探测得出结构面的数据进行逐一对比,并基于误差值来动态调整结构面识别算法的最佳参数,重新进行计算,以使通过算法得出的结构面数据与探测数据相近或相同。
6.根据权利要求5所述的一种基于边坡岩体特征对象的变形监测方法,其特征在于,通过计算出结构面之间的交线段,提取出三个两两相交的结构面以及六个交线段的顶点,合并其中三个重复的顶点,最终得到四个顶点来代表块体。
7.根据权利要求6所述的一种基于边坡岩体特征对象的变形监测方法,其特征在于,在通过色谱图发现局部岩体颜色变化时,在块体图中进行对应位置的数据对比,获取该处的位移、旋转和面积变化数据,进一步判断变形类型。
8.根据权利要求1所述的一种基于边坡岩体特征对象的变形监测方法,其特征在于,在使用三维激光扫描仪以及地质雷达之外,还需全站仪或GPS,以获取测试坐标标靶的绝对坐标。
CN202010785644.1A 2020-08-06 2020-08-06 一种基于边坡岩体特征对象的变形监测方法 Pending CN111932669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010785644.1A CN111932669A (zh) 2020-08-06 2020-08-06 一种基于边坡岩体特征对象的变形监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010785644.1A CN111932669A (zh) 2020-08-06 2020-08-06 一种基于边坡岩体特征对象的变形监测方法

Publications (1)

Publication Number Publication Date
CN111932669A true CN111932669A (zh) 2020-11-13

Family

ID=73306864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010785644.1A Pending CN111932669A (zh) 2020-08-06 2020-08-06 一种基于边坡岩体特征对象的变形监测方法

Country Status (1)

Country Link
CN (1) CN111932669A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348288A (zh) * 2020-11-30 2021-02-09 河南金源黄金矿业有限责任公司 一种采空区检测与稳定性分析方法
CN113361532A (zh) * 2021-03-10 2021-09-07 江西理工大学 一种图像识别方法、系统、存储介质、设备、终端及应用
CN113538688A (zh) * 2021-06-11 2021-10-22 国网上海市电力公司 一种市政基础设施监测运维方法、系统及存储介质
CN113567603A (zh) * 2021-07-22 2021-10-29 华谱科仪(大连)科技有限公司 色谱谱图的检测分析方法及电子设备
CN116045833A (zh) * 2023-01-03 2023-05-02 中铁十九局集团有限公司 一种基于大数据的桥梁施工变形监测系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348288A (zh) * 2020-11-30 2021-02-09 河南金源黄金矿业有限责任公司 一种采空区检测与稳定性分析方法
CN113361532A (zh) * 2021-03-10 2021-09-07 江西理工大学 一种图像识别方法、系统、存储介质、设备、终端及应用
CN113538688A (zh) * 2021-06-11 2021-10-22 国网上海市电力公司 一种市政基础设施监测运维方法、系统及存储介质
CN113567603A (zh) * 2021-07-22 2021-10-29 华谱科仪(大连)科技有限公司 色谱谱图的检测分析方法及电子设备
CN113567603B (zh) * 2021-07-22 2022-09-30 华谱科仪(大连)科技有限公司 色谱谱图的检测分析方法及电子设备
CN116045833A (zh) * 2023-01-03 2023-05-02 中铁十九局集团有限公司 一种基于大数据的桥梁施工变形监测系统
CN116045833B (zh) * 2023-01-03 2023-12-22 中铁十九局集团有限公司 一种基于大数据的桥梁施工变形监测系统

Similar Documents

Publication Publication Date Title
CN111932669A (zh) 一种基于边坡岩体特征对象的变形监测方法
CN110570428B (zh) 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统
CN108010116B (zh) 点云特征点检测方法和点云特征提取方法
Xu et al. Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor
CN107610061B (zh) 一种基于二维投影的保边点云孔洞修补方法
CN111696210A (zh) 一种基于三维点云数据特征轻量化的点云重构方法及系统
Previtali et al. A flexible methodology for outdoor/indoor building reconstruction from occluded point clouds
CN110807781A (zh) 一种保留细节与边界特征的点云精简方法
CN113012063B (zh) 一种动态点云修复方法、装置及计算机设备
CN111489416A (zh) 隧道轴线拟合方法及在超欠挖方量计算上的应用
CN115690184A (zh) 一种基于三维激光扫描的隧道掌子面位移量测方法
JP6673504B2 (ja) 情報処理装置、データベース生成装置、方法、プログラム、及び記憶媒体
CN115147551A (zh) 远程地面激光扫描技术提取监测对象表面同名特征点的方法
Kaushik et al. Accelerated patch-based planar clustering of noisy range images in indoor environments for robot mapping
Demir Automated detection of 3D roof planes from Lidar data
CN107993242B (zh) 基于机载LiDAR点云数据缺失区域边界提取方法
US20130332110A1 (en) Non-iterative mapping of capped cylindrical environments
CN116012613A (zh) 一种基于激光点云的露天矿的土方量变化测算方法和系统
CN105678708A (zh) 一种适用于已配准多视角有序点云的整体优化方法
CN115909099A (zh) 基于无人机巡检的边坡危岩识别与监测方法
Niu et al. Clustering analysis for secondary breaking using a low-cost time-of-flight camera
Kotthäuser et al. Triangulation-based plane extraction for 3D point clouds
Kim et al. Optimal Pre-processing of Laser Scanning Data for Indoor Scene Analysis and 3D Reconstruction of Building Models
Marshall Automatically inspecting gross features of machined objects using three-dimensional depth data
Li et al. Quality evaluation of point cloud model for interior structure of a common building

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