CN112529844B - 一种基于三维激光扫描的岩体结构面识别与信息提取方法 - Google Patents
一种基于三维激光扫描的岩体结构面识别与信息提取方法 Download PDFInfo
- Publication number
- CN112529844B CN112529844B CN202011328019.0A CN202011328019A CN112529844B CN 112529844 B CN112529844 B CN 112529844B CN 202011328019 A CN202011328019 A CN 202011328019A CN 112529844 B CN112529844 B CN 112529844B
- Authority
- CN
- China
- Prior art keywords
- plane
- rock mass
- point cloud
- clustering
- structural plane
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了一种基于三维激光扫描的岩体结构面识别与信息提取方法,包括以下步骤:采集岩体点云数据,并计算点云数据的法向量,得到初级处理点云;沿法向量的方向对点云进行HSV颜色空间着色,得到次级处理点云;采用球面k均值聚类算法对得到次级处理点云进行聚类分组,获取聚类平面,得到岩体结构面识别结果;对岩体结构面进行产状、间距和延展性信息提取,得到岩体结构面的信息。本发明能够精准地识别岩体结构面,并且提取结构面的信息,构建算法识别结构面,避免了人工识别过程中容易出现误差的问题,并且识别精度较高和识别效率较高。
Description
技术领域
本发明属于岩体结构面识别领域,具体涉及一种基于三维激光扫描的岩体结构面识别与信息提取方法。
背景技术
岩体结构面识别是岩体结构信息提取的基础,能否精确识别结构面关乎着岩体结构分析的完整性与可靠性。岩体结构分析的首要目标是找出控制岩体发育的结构面。传统的结构面现场调查方法为人工测量法,即使用地质罗盘对结构面的走向、倾向、倾角等方位信息进行测量。这种方法适用于人们能够接触到的结构面。测量过程简单,结果准确,可以为地质工作者提供可靠的研究数据。但对于高陡边坡出露的结构面,人工测量法会对测量人员的生命安全造成威胁,而当结构面出露于无法接触的地方时,人工测量法便无法完成测量。同时,庞大的数据采集量与数据录入量会直接影响工作效率,并且无法保证采集数据的完整性。因此,对于新型测量技术的需要迫在眉睫。
随着科学技术发展,摄影测量与三维激光扫描技术逐渐成熟,进入人们的视线中。尤其是三维激光扫描技术,国内外有许多学者直接将其应用于岩体结构的测量中,使用三维激光扫描仪获取了岩体表面点云,结合现场照片,基于视觉与经验判断,在Polyworks软件中采用多点拟合平面获得平面法向量进而测量其产状信息。该方法能够较为精准的获得结构面产状,但手动拟合的结构面很大程度上受到主观因素影响,并且工作效率较低。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于三维激光扫描的岩体结构面识别与信息提取方法解决了现有技术中存在的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于三维激光扫描的岩体结构面识别与信息提取方法,包括以下步骤:
S1、采集岩体点云数据,并计算点云数据的法向量,得到初级处理点云;
S2、沿法向量的方向对点云进行HSV颜色空间着色,得到次级处理点云;
S3、采用球面k均值聚类算法对得到次级处理点云进行聚类分组,获取聚类平面,得到岩体结构面识别结果;
S4、对岩体结构面进行产状、间距和延展性信息提取,得到岩体结构面的信息。
进一步地,所述步骤S1包括以下分步骤:
S1.1、采集岩体点云数据,确定M个法向量取值范围;
S1.2、以法向量取值范围为容器,构建包含M个容器的Hough变换累加器;
S1.3、设定三元组选取上限以及置信度达标条件;
S1.4、选取一个点云数据作为基础点,并取出其所有相邻点云数据;
S1.5、随机选择两个相邻点云数据与基础点组成三元平面,计算三元平面的法向量,获取T个三元平面的法向量,所述两个相邻点云数据与基础点不位于同一直线;
S1.6、将三元平面的法向量放入对应的容器中,并判断是否达到三元组选取上限,若是,则进入步骤S1.8,否则进入步骤S1.7;
S1.7、判断是否存在容器对应的置信度满足置信度达标条件,若是,则进入步骤S1.8,否则返回步骤S1.5;
S1.8、取出法向量最多的容器,并计算对应的法向量平均值,得到基础点的法向量;
S1.9、遍历所有点云数据,获取所有点云数据的法向量,得到初级处理点云。
进一步地,所述步骤S1.3中三元组选取上限TR具体为:
其中,t=1,2,..,T,m=1,2,..,M,Xm,t表示与三元组平面t的容器m相关的而独立均与分布的随机变量。
进一步地,所述步骤S1.3中信度达标条件具体为:
进一步地,所述步骤S2包括以下分步骤:
S2.1、获取岩体结构面的法向量为(a,b,c),设定正北方为正Y轴方向、正东方为正X轴方向以及垂直于XY平面且背离地心的方向为正Z轴方向,得到大地坐标系;
S2.2、获取岩体结构面在大地坐标系中的倾向α和倾角β,得到点云数据的产状;
S2.3、设定色相分割区间为(0,1),并将色相H分割为360份,得到第一分割值;
S2.4、设定饱和度分割区间为(0,1),并将饱和度S分割为90份,得到第二分割值;
S2.5、将第一分割值与倾向相对应以及将第二分割值与倾角相对应,完成对点云数据的HSV颜色空间着色,得到次级处理点云。
进一步地,所述步骤S2.2中倾向α具体为:
所述倾角β具体为:
β=arccos(c)。
进一步地,所述步骤S3包括以下分步骤:
S3.1、将包括单位法向量的次级处理点云组成数据集P={X1,X2,…,Xn,…,XN};
其中,n=1,2,...,N,Xn=(xn,yn,zn,Nxn,Nyn,Nzn),Xn表示第n个点云数据,(xn,yn,zn)表示Xn的x轴、y轴和z轴坐标,Nxn,Nyn,Nzn分别表示Xn在x轴方向、y轴方向和z轴方向的向量,N表示数据集P中点云数据的总数;
S3.2、随机选取K个点云数据作为聚类中心,得到{μ1,μ2,…,μk,…,μK},其中,μk表示第k个聚类中心,k=1,2,...,K;
S3.3、计算聚类中心μk关于点云数据Xn的聚类编号yn,得到带聚类标识的向量Y={y1,…,yn,…,yN},所述聚类编号yn的具体获取公式为:
其中,yn∈(1,2,...,K);argmax表示参数函数,其用于寻找最大评分的参量;T表示转置。
S3.4、设定Pk={Xn|yn=k},获取第k组聚类的聚类中心μk:
其中,k=1,2,...,K,Pk表示数据集P中第k组聚类的点云数据;
S3.5、重复步骤S3.3-S3.4若干次,并判断最后两次计算的Y值是否相同,若是,获取向量余弦相似度L最大的第k组聚类,得到聚类平面,完成聚类分组流程,否则重复步骤S3.5。
进一步地,所述步骤S3.5中向量余弦相似度L为:
进一步地,所述步骤S4中对岩体结构面进行产状信息提取的具体方法为:
A1、构建结构面的拟合平面方程为:
ax+by+c=d
其中,x表示拟合平面的x坐标,y表示拟合平面的y坐标,d表示平面的位置系数;
A2、将拟合平面方程整理为:
A3、根据结构面上点云数据的坐标(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn),将其输入整理后的拟合平面方程,得到初级结构面平面方程为:
其中,d1,d2,...,dn表示(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn)对应的参数;
A4、根据初级结构面平面方程,构建拟合向量A、变量xA和位置参数dA为:
所述步骤S4中对岩体结构面进行间距信息提取的具体方法为:将属于同一结构面的两个聚类平面合并,根据所有聚类平面的平面位置参数D,将所有聚类平面进行升序排序,并将所有聚类平面上的点云组成点集R,搜索第一个聚类平面上每个点与其他聚类平面点的最近邻近点,获取最邻近的两个点之间的距离,得到最邻近两个点对应的两个聚类平面的间距;
所述步骤S4中对岩体结构面进行延展性信息提取的具体方法为:计算倾向和走向方向上的出露迹线的长度,得到岩体结构面的延展性信息。
进一步地,所述属于同一结构面的两个聚类平面的判断方法为:判断两个聚类平面Q和聚类平面R是否满足共面条件,若是,则聚类平面Q和聚类平面R属于同一结构面,否则聚类平面Q和聚类平面R不属于同一结构面,所述共面条件具体为:
λ×(σQ+σR)≥|DQ-DR|
其中,λ表示两个聚类平面之间为λ时则属于同一聚类平面,σQ表示聚类平面Q中所有点云到其法向量距离的标准差,σR表示聚类平面R中所有点云到其法向量距离的标准差,DQ表示聚类平面Q的位置参数,DR表示聚类平面R的位置参数。
本发明的有益效果为:
(1)本发明通过计算三维点云的法向量,并对拥有法向量的点云进行HSV空间着色,最后采用球面k均值聚类算法对得到次级处理点云进行聚类分组,能够精准地得到岩体结构面识别结果。
(2)本发明使用结构面点云的法向量完成结构面产状信息的提取,并考虑了不连续结构面在计算过程中是否需要合并的问题,实现复杂结构面几何信息的自动提取,有利于对边坡岩体结构的全面认识。
(3)本发明能够精准地识别岩体结构面,并且提取结构面的信息,构建算法识别结构面,避免了人工识别过程中容易出现误差的问题,并且识别精度较高和识别效率较高。
附图说明
图1为本发明提出的一种基于三维激光扫描的岩体结构面识别与信息提取方法。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示,一种基于三维激光扫描的岩体结构面识别与信息提取方法,包括以下步骤:
S1、采集岩体点云数据,并计算点云数据的法向量,得到初级处理点云;
S2、沿法向量的方向对点云进行HSV颜色空间着色,得到次级处理点云;
S3、采用球面k均值聚类算法对得到次级处理点云进行聚类分组,获取聚类平面,得到岩体结构面识别结果;
S4、对岩体结构面进行产状、间距和延展性信息提取,得到岩体结构面的信息。
所述步骤S1包括以下分步骤:
S1.1、采集岩体点云数据,确定M个法向量取值范围;
S1.2、以法向量取值范围为容器,构建包含M个容器的Hough变换累加器;
S1.3、设定三元组选取上限以及置信度达标条件;
S1.4、选取一个点云数据作为基础点,并取出其所有相邻点云数据;
S1.5、随机选择两个相邻点云数据与基础点组成三元平面,计算三元平面的法向量,获取T个三元平面的法向量,所述两个相邻点云数据与基础点不位于同一直线;
S1.6、将三元平面的法向量放入对应的容器中,并判断是否达到三元组选取上限,若是,则进入步骤S1.8,否则进入步骤S1.7;
S1.7、判断是否存在容器对应的置信度满足置信度达标条件,若是,则进入步骤S1.8,否则返回步骤S1.5;
S1.8、取出法向量最多的容器,并计算对应的法向量平均值,得到基础点的法向量;
S1.9、遍历所有点云数据,获取所有点云数据的法向量,得到初级处理点云。
所述步骤S1.3中三元组选取上限TR具体为:
其中,t=1,2,..,T,m=1,2,..,M,Xm,t表示与三元组平面t的容器m相关的而独立均与分布的随机变量,Xm,t=1表示三元组平面t投票给容器m。
所述步骤S1.3中信度达标条件具体为:
所述步骤S2包括以下分步骤:
S2.1、获取岩体结构面的法向量为(a,b,c),设定正北方为正Y轴方向、正东方为正X轴方向以及垂直于XY平面且背离地心的方向为正Z轴方向,得到大地坐标系;
在本实施例中,岩体结构面的法向量应该与结构面上的点法向量保持一致,因为面是由点拟合的,所以这里取面的法向量,实际上就是这个面上点的法向量;
S2.2、获取岩体结构面在大地坐标系中的倾向α和倾角β,得到点云数据的产状;
S2.3、设定色相分割区间为(0,1),并将色相H分割为360份,得到第一分割值;
在本实施例中,第一分割值为(0,0.0028,0.2256,...,1);
S2.4、设定饱和度分割区间为(0,1),并将饱和度S分割为90份,得到第二分割值;
在本实施例中,第二分割值为(1,0.9899,0.9788,...,0);
S2.5、将第一分割值与倾向相对应以及将第二分割值与倾角相对应,完成对点云数据的HSV颜色空间着色,得到次级处理点云。
在本实施例中,将倾向的0°对应第一分割值的0,将倾向的1°对应第一分割值的0.0028,将倾向的2°对应第一分割值的0.2256,沿上述规律直至所有第一分割值对应完成。将倾角的0°对应第二分割值的1,将倾角的1°对应第二分割值的0.9899,将倾角的2°对应第二分割值的0.9788,沿上述规律直至所有第二分割值对应完成。
所述步骤S2.2中倾向α具体为:
所述倾角β具体为:
β=arccos(c)。
所述步骤S3包括以下分步骤:
S3.1、将包括单位法向量的次级处理点云组成数据集P={X1,X2,…,Xn,…,XN};
其中,n=1,2,...,N,Xn=(xn,yn,zn,Nxn,Nyn,Nzn),Xn表示第n个点云数据,(xn,yn,zn)表示Xn的x轴、y轴和z轴坐标,Nxn,Nyn,Nzn分别表示Xn在x轴方向、y轴方向和z轴方向的向量,N表示数据集P中点云数据的总数;
S3.2、随机选取K个点云数据作为聚类中心,得到{μ1,μ2,…,μk,…,μK},其中,μk表示第k个聚类中心,k=1,2,...,K;
S3.3、计算聚类中心μk关于点云数据Xn的聚类编号yn,得到带聚类标识的向量Y={y1,…,yn,…,yN},所述聚类编号yn的具体获取公式为:
其中,yn∈(1,2,...,K);argmax表示参数函数,其用于寻找最大评分的参量;T表示转置。
S3.4、设定Pk={Xn|yn=k},获取第k组聚类的聚类中心μk:
其中,k=1,2,...,K,Pk表示数据集P中第k组聚类的点云数据;
S3.5、重复步骤S3.3-S3.4若干次,并判断最后两次计算的Y值是否相同,若是,获取向量余弦相似度L最大的第k组聚类,得到聚类平面,完成聚类分组流程,否则重复步骤S3.5。
所述步骤S3.5中向量余弦相似度L为:
所述步骤S4中对岩体结构面进行产状信息提取的具体方法为:
A1、构建结构面的拟合平面方程为:
ax+by+c=d
其中,x表示拟合平面的x坐标,y表示拟合平面的y坐标,d表示平面的位置系数;
在本实施例中,d通过点云数据的x轴和y轴坐标以及法向量(a,b,c)获取。A2、将拟合平面方程整理为:
A3、根据结构面上点云数据的坐标(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn),将其输入整理后的拟合平面方程,得到初级结构面平面方程为:
其中,d1,d2,...,dn表示(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn)对应的参数;
A4、根据初级结构面平面方程,构建拟合向量A、变量xA和位置参数dA为:
所述步骤S4中对岩体结构面进行间距信息提取的具体方法为:将属于同一结构面的两个聚类平面合并,根据所有聚类平面的平面位置参数D,将所有聚类平面进行升序排序,并将所有聚类平面上的点云组成点集R,搜索第一个聚类平面上每个点与其他聚类平面点的最近邻近点,获取最邻近的两个点之间的距离,得到最邻近两个点对应的两个聚类平面的间距;
所述步骤S4中对岩体结构面进行延展性信息提取的具体方法为:计算倾向和走向方向上的出露迹线的长度,得到岩体结构面的延展性信息。
所述属于同一结构面的两个聚类平面的判断方法为:判断两个聚类平面Q和聚类平面R是否满足共面条件,若是,则聚类平面Q和聚类平面R属于同一结构面,否则聚类平面Q和聚类平面R不属于同一结构面,所述共面条件具体为:
λ×(σQ+σR)≥|DQ-DR|
其中,λ表示两个聚类平面之间为λ时则属于同一聚类平面,σQ表示聚类平面Q中所有点云到其法向量距离的标准差,σR表示聚类平面R中所有点云到其法向量距离的标准差,DQ表示聚类平面Q的位置参数,DR表示聚类平面R的位置参数。
本发明的有益效果为:
(1)本发明通过计算三维点云的法向量,并对拥有法向量的点云进行HSV空间着色,最后采用球面k均值聚类算法对得到次级处理点云进行聚类分组,能够精准地得到岩体结构面识别结果。
(2)本发明使用结构面点云的法向量完成结构面产状信息的提取,并考虑了不连续结构面在计算过程中是否需要合并的问题,实现复杂结构面几何信息的自动提取,有利于对边坡岩体结构的全面认识。
(3)本发明能够精准地识别岩体结构面,并且提取结构面的信息,构建算法识别结构面,避免了人工识别过程中容易出现误差的问题,并且识别精度较高和识别效率较高。
Claims (9)
1.一种基于三维激光扫描的岩体结构面识别与信息提取方法,其特征在于,包括以下步骤:
S1、采集岩体点云数据,并计算点云数据的法向量,得到初级处理点云;
S2、沿法向量的方向对初级处理点云进行HSV颜色空间着色,得到次级处理点云;
S3、采用球面k均值聚类算法对得到次级处理点云进行聚类分组,获取聚类平面,得到岩体结构面识别结果;
S4、对岩体结构面进行产状、间距和延展性信息提取,得到岩体结构面的信息;
所述步骤S1包括以下分步骤:
S1.1、采集岩体点云数据,确定M个法向量取值范围;
S1.2、以法向量取值范围为容器,构建包含M个容器的Hough变换累加器;
S1.3、设定三元组选取上限以及置信度达标条件;
S1.4、选取一个点云数据作为基础点,并取出其所有相邻点云数据;
S1.5、随机选择两个相邻点云数据与基础点组成三元平面,计算三元平面的法向量,获取T个三元平面的法向量,所述两个相邻点云数据与基础点不位于同一直线;
S1.6、将三元平面的法向量放入对应的容器中,并判断是否达到三元组选取上限,若是,则进入步骤S1.8,否则进入步骤S1.7;
S1.7、判断是否存在容器对应的置信度满足置信度达标条件,若是,则进入步骤S1.8,否则返回步骤S1.5;
S1.8、取出法向量最多的容器,并计算对应的法向量平均值,得到基础点的法向量;
S1.9、遍历所有点云数据,获取所有点云数据的法向量,得到初级处理点云。
4.根据权利要求1所述的基于三维激光扫描的岩体结构面识别与信息提取方法,其特征在于,所述步骤S2包括以下分步骤:
S2.1、获取岩体结构面的法向量为(a,b,c),设定正北方为正Y轴方向、正东方为正X轴方向以及垂直于XY平面且背离地心的方向为正Z轴方向,得到大地坐标系;
S2.2、获取岩体结构面在大地坐标系中的倾向α和倾角β,得到点云数据的产状;
S2.3、设定色相分割区间为(0,1),并将色相H分割为360份,得到第一分割值;
S2.4、设定饱和度分割区间为(0,1),并将饱和度S分割为90份,得到第二分割值;
S2.5、将第一分割值与倾向相对应以及将第二分割值与倾角相对应,完成对点云数据的HSV颜色空间着色,得到次级处理点云。
6.根据权利要求1所述的基于三维激光扫描的岩体结构面识别与信息提取方法,其特征在于,所述步骤S3包括以下分步骤:
S3.1、将包括单位法向量的次级处理点云组成数据集P={X1,X2,…,Xn,…,XN};
其中,n=1,2,...,N,Xn=(xn,yn,zn,Nxn,Nyn,Nzn),Xn表示第n个点云数据,(xn,yn,zn)表示Xn的x轴、y轴和z轴坐标,Nxn,Nyn,Nzn分别表示Xn在x轴方向、y轴方向和z轴方向的向量,N表示数据集P中点云数据的总数;
S3.2、随机选取K个点云数据作为聚类中心,得到{μ1,μ2,…,μk,…,μK},其中,μk表示第k个聚类中心,k=1,2,...,K;
S3.3、计算聚类中心μk关于点云数据Xn的聚类编号yn,得到带聚类标识的向量Y={y1,…,yn,…,yN},所述聚类编号yn的具体获取公式为:
其中,yn∈(1,2,...,K);argmax表示参数函数,其用于寻找最大评分的参量;T表示转置;
S3.4、设定Pk={Xn|yn=k},获取第k组聚类的聚类中心μk:
其中,k=1,2,...,K,Pk表示数据集P中第k组聚类的点云数据;
S3.5、重复步骤S3.3-S3.4若干次,并判断最后两次计算的Y值是否相同,若是,获取向量余弦相似度L最大的第k组聚类,得到聚类平面,完成聚类分组流程,否则重复步骤S3.5。
8.根据权利要求7所述的基于三维激光扫描的岩体结构面识别与信息提取方法,其特征在于,所述步骤S4中对岩体结构面进行产状信息提取的具体方法为:
A1、构建结构面的拟合平面方程为:
ax+by+c=d
其中,x表示拟合平面的x坐标,y表示拟合平面的y坐标,d表示平面的位置系数;
A2、将拟合平面方程整理为:
A3、根据结构面上点云数据的坐标(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn),将其输入整理后的拟合平面方程,得到初级结构面平面方程为:
其中,d1,d2,...,dn表示(x1,y1,z1),(x2,y2,z2),...,(xn,yn,zn)对应的参数;
A4、根据初级结构面平面方程,构建拟合向量A、变量xA和位置参数dA为:
所述步骤S4中对岩体结构面进行间距信息提取的具体方法为:将属于同一结构面的两个聚类平面合并,根据所有聚类平面的平面位置参数D,将所有聚类平面进行升序排序,并将所有聚类平面上的点云组成点集R,搜索第一个聚类平面上每个点与其他聚类平面点的最近邻近点,获取最邻近的两个点之间的距离,得到最邻近两个点对应的两个聚类平面的间距;
所述步骤S4中对岩体结构面进行延展性信息提取的具体方法为:计算倾向和走向方向上的出露迹线的长度,得到岩体结构面的延展性信息。
9.根据权利要求8所述的基于三维激光扫描的岩体结构面识别与信息提取方法,其特征在于,所述属于同一结构面的两个聚类平面的判断方法为:判断两个聚类平面Q和聚类平面R是否满足共面条件,若是,则聚类平面Q和聚类平面R属于同一结构面,否则聚类平面Q和聚类平面R不属于同一结构面,所述共面条件具体为:
λ×(σQ+σR)≥|DQ-DR|
其中,λ表示两个聚类平面之间为λ时则属于同一聚类平面,σQ表示聚类平面Q中所有点云到其法向量距离的标准差,σR表示聚类平面R中所有点云到其法向量距离的标准差,DQ表示聚类平面Q的位置参数,DR表示聚类平面R的位置参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328019.0A CN112529844B (zh) | 2020-11-24 | 2020-11-24 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011328019.0A CN112529844B (zh) | 2020-11-24 | 2020-11-24 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529844A CN112529844A (zh) | 2021-03-19 |
CN112529844B true CN112529844B (zh) | 2022-03-25 |
Family
ID=74992883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011328019.0A Active CN112529844B (zh) | 2020-11-24 | 2020-11-24 | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529844B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362459B (zh) * | 2021-04-02 | 2022-09-27 | 成都理工大学 | 一种岩质滑坡破坏边界的特征提取方法 |
CN113255677B (zh) * | 2021-05-27 | 2022-08-09 | 中国电建集团中南勘测设计研究院有限公司 | 一种岩体结构面及产状信息快速提取方法、设备及介质 |
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 |
CN114049454B (zh) * | 2022-01-12 | 2022-04-15 | 成都理工大学 | 一种基于混合聚类解译岩体结构面产状的方法及系统 |
CN114170402B (zh) * | 2022-02-15 | 2022-05-10 | 南京邮电大学 | 隧洞结构面提取方法、装置 |
CN115452820B (zh) * | 2022-07-21 | 2023-10-27 | 成都华建地质工程科技有限公司 | 基于钻孔电视图像提取结构面特征的方法及装置和介质 |
CN116258972B (zh) * | 2023-05-16 | 2023-08-01 | 四川安信科创科技有限公司 | 一种基于深度学习的岩质高陡边坡结构面提取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896213A (zh) * | 2017-02-22 | 2017-06-27 | 中国地质大学(武汉) | 一种基于点云数据的岩体结构面智能识别与信息提取方法 |
CN108489402A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理规模快速精细取值方法 |
CN108801221A (zh) * | 2018-06-08 | 2018-11-13 | 绍兴文理学院 | 基于数字摄影测量的露天矿山边坡岩体节理规模快速精细取值方法 |
CN111027016A (zh) * | 2019-11-08 | 2020-04-17 | 宁波大学 | 一种基于编网算法的岩体结构面优势产状聚类分析方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02230478A (ja) * | 1989-03-03 | 1990-09-12 | Nec Corp | 3次元物体認識方式 |
JP2002074369A (ja) * | 2000-08-28 | 2002-03-15 | Ntt Data Corp | 動画像による監視システム、方法及びコンピュータ読み取り可能な記録媒体 |
CN102096944A (zh) * | 2010-11-25 | 2011-06-15 | 中国水电顾问集团西北勘测设计研究院 | 地质体结构面三维激光扫描点云识别方法 |
CN105938098A (zh) * | 2016-07-07 | 2016-09-14 | 四川大学 | 一种基于激光诱导击穿光谱的岩土烧失量预测方法及系统 |
CN108507842A (zh) * | 2018-03-06 | 2018-09-07 | 中国科学院武汉岩土力学研究所 | 一种岩石三维自然结构面的制作方法 |
-
2020
- 2020-11-24 CN CN202011328019.0A patent/CN112529844B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896213A (zh) * | 2017-02-22 | 2017-06-27 | 中国地质大学(武汉) | 一种基于点云数据的岩体结构面智能识别与信息提取方法 |
CN108489402A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理规模快速精细取值方法 |
CN108801221A (zh) * | 2018-06-08 | 2018-11-13 | 绍兴文理学院 | 基于数字摄影测量的露天矿山边坡岩体节理规模快速精细取值方法 |
CN111027016A (zh) * | 2019-11-08 | 2020-04-17 | 宁波大学 | 一种基于编网算法的岩体结构面优势产状聚类分析方法 |
Non-Patent Citations (2)
Title |
---|
Numerical simulationsfortheeffectsofnormalloadingonparticle;T. Koyama;《ScienceDirect》;20080409;第1403-1419页 * |
基于一种改进K-means聚类方法的岩体结构面优势分组研究;徐倚晴;《世界有色金属》;20200310;第288-289页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112529844A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529844B (zh) | 一种基于三维激光扫描的岩体结构面识别与信息提取方法 | |
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN108846888B (zh) | 一种古木建筑构件精细尺寸信息自动化提取方法 | |
CN108107444B (zh) | 基于激光数据的变电站异物识别方法 | |
CN111044041B (zh) | 基于重力场三维特征的重力辅助惯性导航适配区选取方法 | |
JP2016161569A (ja) | オブジェクトの3d姿勢およびオブジェクトのランドマーク点の3dロケーションを求める方法、およびオブジェクトの3d姿勢およびオブジェクトのランドマークの3dロケーションを求めるシステム | |
CN111553292B (zh) | 一种基于点云数据的岩体结构面识别与产状分类方法 | |
CN110807781B (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN111915517B (zh) | 适用于室内光照不利环境下rgb-d相机全局定位方法 | |
CN108830317B (zh) | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 | |
CN103954280A (zh) | 一种快速和高鲁棒性自主恒星识别方法 | |
CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 | |
CN107610174B (zh) | 一种鲁棒的基于深度信息的平面检测方法及系统 | |
CN111028345B (zh) | 一种港口场景下圆形管道的自动识别与对接方法 | |
CN113255677B (zh) | 一种岩体结构面及产状信息快速提取方法、设备及介质 | |
CN114998395A (zh) | 一种有效的堤岸三维数据变化检测方法及系统 | |
CN114463338A (zh) | 一种基于图割与后处理的建筑物激光脚点自动提取方法 | |
CN112785596B (zh) | 基于dbscan聚类的点云图螺栓分割和高度测量方法 | |
JPWO2018131163A1 (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 | |
CN109670557B (zh) | 一种基于杆状构筑物的公路点云自动配准方法 | |
CN115830587A (zh) | 一种基于高精度点云数据的结构面快速自动识别方法 | |
CN107220987A (zh) | 一种基于主成分分析的建筑物屋顶边缘快速检测方法 | |
CN115909099A (zh) | 基于无人机巡检的边坡危岩识别与监测方法 | |
CN115131571A (zh) | 一种基于点云预处理六领域的建筑物局部特征点识别方法 | |
CN111879244B (zh) | 综采工作面液压支架支撑高度和顶梁倾角测量方法 |
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 |