CN112598755A - 一种基于凿岩台车的掌子面智能分析方法 - Google Patents

Abstract

本发明提供了一种基于凿岩台车的掌子面智能分析方法，采用了一种掌子面智能感知系统，智能感知系统包括图像采集组件和电脑；两组图像采集组件安装在台车的驾驶室两侧；图像采集组件包括云台和相机；通过电脑中的软件系统，能使电脑与相机、云台通信。智能分析方法包括以下步骤：标定相机，得出相机参数；拍摄掌子面左右图像并进行三维重建；获取掌子面点云数据和三角网格；利用区域生长算法识别结构面产状，计算出结构面平均倾向和平均倾角。本发明将相机和云台集成在台车上，操作人员在驾驶室就能调节拍摄角度，并实时拍摄掌子面，提高了施工效率和安全性；通过三维重建的方式提取掌子面的三维产状信息，减少人员测量误差，提升产状计算的精度。

Description

一种基于凿岩台车的掌子面智能分析方法

技术领域

本发明涉及隧道施工技术领域，具体涉及一种基于凿岩台车的掌子面智能分析方法。

背景技术

隧道掌子面施工过程中，若能根据隧道掌子面蕴含的信息掌握掌子面的岩体地质情况，可为评估围岩稳定性、确定隧道支护方案及施工工艺提供重要依据。

目前，国内隧道施工过程中地质测量人员用皮尺、地质罗盘、游标卡尺等传统工具在现场测量地质信息的情况依然占据多数。测量人员进行地质描述过程中，面临着诸多问题，诸如地质信息采集时间长，导致无法满足工程快速施工的需求。同时，信息测绘很大程度上取决于测量人员的主观判断和相关经验，岩体取样采集困难等。此外，现场测绘使采集人员直接面临岩崩、岩爆等危险。综上所述，施工人员采用人工地质素描技术不能充分提取、分析和利用掌子面信息，无法保证其准确性、可靠性。另外，人工描绘地质信息的更新速度慢，对后面的施工作业不能及时有效的反馈。因此，如何快速 、客观、可靠地获取隧道掌子面的地质信息至关重要。

随着摄影测量技术和激光测量技术的发展，逐渐被广泛应用于隧道掌子面领域中，弥补了人工采集时间长、精度低等不足之处。但在摄影和激光测量过程中仍需人工在隧道开挖面前架设相机、扫面仪等装置采集掌子面图像，人员安全仍不能得到保障。此外，由于隧道施工现场环境比较恶劣，如光线差，粉尘大，而隧道掌子面施工工序安排紧凑，想要在短时间内确定掌子面图像拍摄的位置、时间，进而获取高质量的掌子面图像比较困难。

综上所述，针对实际隧道掌子开挖作业过程中面临的以上问题，研究一种在不影响施工进度下能够方便快速拍摄掌子面高清图像的系统以及掌子面的结构面产状分析方法是非常有必要的。

发明内容

本发明的目的就是为了解决现有技术中存在的问题与困难，提出了一种掌子面智能分析方法，该方法具有快速、便捷、适用范围广、可操作性强等特点，很大程度上提高了施工效率、掌子面地质信息描绘的自动化程度以及施工人员的安全性。

为实现上述目的，本发明提供了一种基于凿岩台车的掌子面智能分析方法，采用了一种掌子面智能感知系统，所述掌子面智能感知系统包括图像采集组件和电脑；图像采集组件设有两组，分别对称安装在台车的驾驶室两侧；图像采集组件包括相机和云台；云台安装在台车上，相机设置在云台上；电脑中安装有软件系统，通过软件系统电脑能与相机、云台通信。

所述掌子面智能分析方法包括以下步骤：

步骤一，利用相机拍摄不同角度下的标定板对相机进行标定，得出相机内部参数；

步骤二，控制云台以左上、左下、中间、右上、右下五个姿态拍摄放置在掌子面前方左上、左下、中间、右上、右下五个位置的标靶，记录各个姿态下各个标靶中心的像素坐标，利用相机-云台-台车运动学建模，得到标靶中心像素坐标在台车坐标系下的坐标值；利用全站仪测量台车坐标系下各标靶中心的坐标值，通过使上述两种方式得到的不同拍摄姿态下掌子面前方不同位置标靶的坐标差值最小，得到修正的运动学建模参数，进而求出两个相机间的位姿关系；

步骤三，操作电脑中的软件系统采集掌子面图像并自动存储，应用开发的双目成像算法，对拍摄的掌子面进行三维重建，获取掌子面的点云数据以及三角网格；

步骤四，利用区域生长算法识别出结构面产状，通过平面拟合算法和k-means聚类算法分别完成平面拟合和结构面分组，计算出每组结构面的平均倾向和平均倾角。

进一步地，所述步骤三中，掌子面的三维重建，具体是利用相机内参和相机之间的位姿关系对两个相机拍摄的图像进行初步校正；然后再将两张初步校正后的图片进行一次双目匹配校正，并得到视差图；其次再将匹配校正后的视差图转换到初步校正后以左图像为基坐标的坐标系下；最后进行三维重建，将求解出的三维结果转换到台车坐标系下。

进一步地，所述步骤四具体是：从掌子面图像三维重建后的点云数据中识别出噪声点并去除后，将点云数据进行三角网格化，引入半边结构给三角网格顶点、边、和面添加索引，采用区域生长算法进行结构面识别，采用随机抽样一致性算法，对同一结构面的点云数据进行结构面拟合，计算出结构面的法向量；并应用k-means无监督聚类算法对识别的结构面分组，其中将轮廓系数作为k-means聚类结果的评价指标来选择出最优结构面组数；结合隧道坐标系与台车坐标系的转化矩阵，计算出每个结构面的倾向和倾角。

进一步地，结构面的识别具体是：结构面整体表现为平面，边缘处表现为棱角状；在三维表面重建后的网格中，多个空间三角面片相互连接形成结构面，它们的法向量方向近似相同，而位于不同结构面边缘部位的三角形面片的法向量变化较大。

进一步地，所述k-means聚类算法具体是：

S1、设定产状最小组数和最大组数，进而确定初始聚类中心K的范围；

S2、结构面的法向量作为数据样本，计算每个样本到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

S3、通过结合内聚度和分离度两种因素的评价指标-轮廓系数对聚类效果进行评价，选择出聚类中心最优K值；

S4、对结构面产状进行分组后，计算每组结构面的倾向、倾角平均值。

进一步地，步骤二中，凿岩台车位于掌子面正前方，驾驶室的操作人员随时观察环境情况，通过操作掌子面系统软件清楚的拍摄掌子面图像，自动保存图像并记录当前拍摄图像的隧道里程。

进一步地，所述相机采用型号为BASLER-acA5472-5gc的工业相机。

进一步地，所述相机内部参数包括相机焦距、畸变系数、像素间距和主点位置。

应用本发明的技术方案，具有以下有益效果：

（1）本发明中，将相机和云台集成在台车上，无需人工搭建拍摄装置，通过电脑与相机、云台通讯，操作人员在驾驶室中操作电脑中的软件系统就能调整云台角度、控制相机拍照，提高了施工效率和安全性。

（2）本发明设计的掌子面智能感知系统在隧道施工过程中随时拍摄出完整、清晰的掌子面图像，方便快捷，不受施工工序安排的影响，同时可以保证图像拍摄质量清晰。

（3）本发明在三维重建过程中对图像进行了左、右图像初步校正和精确投影匹配校正，使得检测左、右图像特征点的准确性更高，三维重建效果更好。

（4）将图像三维重建的方式代替在现场采用三维激光扫描测量的方法来获取点云数据，较大程度上提高了工作效率，保障了工作人员的安全性。此外，该方式能够减少人员测量误差，提升产状计算的精度。

（5）本发明中，采用区域生长、kmeans聚类、随机抽样一致性算法进行结构面识别，并去除了结构面内局部凸起、凹陷部分，使得计算的结构面倾向和倾角更加准确。此外，引入了指标轮廓系数来确定最优结构面组数。计算结果更加精准。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是掌子面智能感知系统示意图；

图2是掌子面图像的三维重建流程图；

图3是三维结构面产状分析流程图；

其中，1、掌子面，2、右相机，3、右云台，4、左相机，5、左云台，6、电脑，7、驾驶室，8、台车。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。

实施例1：

参见图1~图3，一种基于凿岩台车的掌子面智能感知系统，包括右相机2和右云台3、左相机4和左云台5和电脑6；右云台3、左云台5分别安装在台车8的驾驶室7两侧；左相机4设置在左云台5上；右相机2设置在右云台3上，电脑6中安装有软件系统，电脑6能与相机、云台通信；左相机4、右相机2用于采集掌子面1上的图像信息。

如图1所示，台车8的驾驶室7中操作员随时通过电脑6的软件系统调整右云台3和左云台5的旋转角度，控制右相机2和左相机4进行拍摄。拍摄掌子面1图像时，自动保存于电脑以及记录当前掌子面的里程。

一种基于凿岩台车的掌子面智能分析方法，采用了上述智能感知系统，包括以下步骤：

（1）考虑到隧道环境对掌子面图像拍摄质量影响较大，且隧道光亮来自台车上的照明灯，因此为拍摄高清图片选用型号为BASLER-acA5472-5gc的两台工业相机，像素高达2000万。相机选型确定后，借助标定板计算左右相机内部参数并固定，内部参数主要包括焦距、畸变系数、主点位置等。

（2）组装云台和相机并安装在三臂凿岩台车驾驶室两侧，确保相机在安装位置上能够全面覆盖掌子面范围。软件系统安装在驾驶室里面的电脑中，进行调试保证电脑和相机、云台正常通信。

（3）控制云台以左上、左下、中间、右上、右下五个姿态拍摄放置在掌子面前方左上、左下、中间、右上、右下五个位置的标靶，记录各个姿态下各个标靶中心的像素坐标，利用相机-云台-台车运动学建模，得到标靶中心像素坐标在台车坐标系下的坐标值；利用全站仪测量台车坐标系下各标靶中心的坐标值，通过使上述两种方式得到的不同拍摄姿态下掌子面前方不同位置标靶的坐标差值最小，得到修正的运动学建模参数，进而求出两个相机间的位姿关系。值得注意的是本发明利用全站仪设站测量坐标只需进行一次即可，并不会影响后面的施工操作。

（4）在隧道掌子面施工过程中，凿岩台车位于掌子面正前方，驾驶室的操作人员随时观察环境情况，通过操作掌子面系统软件可拍摄清晰的掌子面图像，自动保存图像并记录当前拍摄图像的隧道里程。

这种拍摄方式存在如下几点好处：

① 无需在隧道施工工序中每次确定相机的拍摄时间、相机拍摄位置；

② 无需担心拍摄时间较短，减少环境影响，能够保证拍摄出高质量的图片；

③ 拍摄人员不用每次都位于掌子面正前方架设装置拍摄，提高了安全性。

（5）对掌子面图像进行三维重建

利用步骤（1）求出的相机内参和步骤（2）得出相机之间的位姿关系对两个相机拍摄的图像进行初步的校正；然后将两张初步校正的图片进行一次双目匹配校正，并得到视差图；再将匹配校正后的视差图转换到初步校正后以左图像为基坐标的坐标系下；最后进行三维重建，将求解出的三维结果转换到台车坐标系下。三维重建的流程图如图2所示。

（6）从掌子面图像三维重建后的点云数据中识别出噪声点并去除后，将点云数据进行三角网格化，引入半边结构给三角网格顶点、边、和面添加索引，采用区域生长算法进行结构面识别，并应用k-means无监督聚类算法对识别的结构面分组。在此基础上，采用随机抽样一致性算法，对同一结构面的点云数据进行结构面拟合，计算出结构面的法向量；结合隧道坐标系与台车坐标系的转化矩阵，计算出每个结构面的倾向和倾角。三维结构面产状分析流程如图3所示。

岩体结构面识别原理：结构面表现出一定的规模和方向，近似呈现为平面，而边缘处有棱角。因此，在三维表面重建后的网格中，许多空间三角面片相互连接形成结构面，它们的法向量方向比较接近，而位于结构面边缘部位的三角形面片的法向量变化较大。

区域生长算法遵循原则：

① 相邻三角形面片法向量夹角小于设定阈值

；

② 新增的三角形面片法向量与已有的三角形面片平均法向量夹角小于设定阈值

。

（7）结构面产状k均值聚类与统计分析

①设定产状最小组数和最大组数，进而确定初始聚类中心K的范围；

②结构面的法向量作为数据样本，计算每个样本到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

③通过结合内聚度和分离度两种因素的指标轮廓系数对聚类效果进行评价，选择出聚类中心最优K值。

④对结构面产状进行最优分组后，计算每组结构面的倾向、倾角平均值。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于凿岩台车的掌子面智能分析方法，采用了一种掌子面智能感知系统，其特征在于，所述掌子面智能感知系统包括图像采集组件和电脑；图像采集组件设有两组，分别对称安装在台车的驾驶室两侧；图像采集组件包括相机和云台；云台固定在台车上，相机安装在云台内部；电脑中安装有软件系统，通过软件系统电脑能与相机、云台通信；

所述掌子面智能分析方法包括以下步骤：

步骤一，利用相机拍摄不同角度下的标定板对相机进行标定，得出相机内部参数；

步骤二，控制云台以左上、左下、中间、右上、右下五个姿态拍摄放置在掌子面前方左上、左下、中间、右上、右下五个位置的标靶，记录各个姿态下各个标靶中心的像素坐标，利用相机-云台-台车运动学建模，得到标靶中心像素坐标在台车坐标系下的坐标值；利用全站仪测量台车坐标系下各标靶中心的坐标值，通过使上述两种方式得到的不同拍摄姿态下掌子面前方不同位置标靶的坐标差值最小，得到修正的运动学建模参数，进而求出两个相机间的位姿关系；

步骤三，操作电脑中的软件系统采集掌子面图像并自动存储，应用开发的双目成像算法，对拍摄的掌子面左右图像进行三维重建，获取掌子面的点云数据以及三角网格；

步骤四，利用区域生长算法识别出结构面产状，通过平面拟合算法和k-means聚类算法分别完成平面拟合和结构面分组，计算出每组结构面的平均倾向和平均倾角。

2.根据权利要求1所述的一种基于凿岩台车的掌子面智能分析方法，其特征在于，所述步骤三中，掌子面的三维重建，具体是利用相机内参和相机之间的位姿关系对两个相机拍摄的图像进行初步校正；然后再将两张初步校正后的图片进行一次双目匹配校正，并得到视差图；再将匹配校正后的视差图转换到初步校正后以左图像为基坐标的坐标系下；最后进行三维重建，将求解出的三维结果转换到台车坐标系下。

3.根据权利要求2所述的一种基于凿岩台车的掌子面智能分析方法，其特征在于，所述步骤四具体是：从掌子面图像三维重建后的点云数据中识别出噪声点并去除后，将点云数据进行三角网格化，引入半边结构给三角网格顶点、边、和面添加索引，采用区域生长算法进行结构面识别；采用随机抽样一致性算法，对同一结构面的点云数据进行结构面拟合，计算出结构面的法向量；并应用k-means无监督聚类算法对识别的结构面分组，其中将轮廓系数作为k-means聚类结果的评价指标来选择出最优结构面组数；结合隧道坐标系与台车坐标系的转化矩阵，计算出每组结构面的倾向和倾角。

4.根据权利要求3所述的一种基于凿岩台车的掌子面智能分析方法，其特征在于，结构面的识别具体是：结构面整体表现为平面，边缘处表现为棱角状；在三维表面重建后的网格中，多个空间三角面片相互连接形成结构面，它们的法向量方向相同，而位于不同结构面边缘部位的三角形面片的法向量变化大。

5.根据权利要求4所述的一种基于凿岩台车的掌子面智能分析方法，其特征在于，所述k-means聚类算法具体是：

S1、设定产状最小组数和最大组数，进而确定初始聚类中心K的范围；

S2、结构面的法向量作为数据样本，计算每个样本到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

S3、通过结合内聚度和分离度两种因素的指标轮廓系数对聚类效果进行评价，选择出聚类中心最优K值；

S4、聚类后对结构面产状进行分组，计算每组结构面的倾向、倾角平均值。

6.根据权利要求1~5任意一项所述的一种基于凿岩台车的掌子面智能分析方法，其特征在于，步骤二中，拍摄放置在掌子面不同位置上的标靶时，凿岩台车位于掌子面正前方，驾驶室的操作人员随时观察环境情况，通过操作掌子面系统软件拍摄清晰的掌子面图像，自动保存图像并记录当前拍摄图像的隧道里程。

7.根据权利要求6所述的一种基于凿岩台车的掌子面智能分析方法，其特征在于，所述相机采用型号为BASLER-acA5472-5gc的工业相机。

8.根据权利要求7所述的一种基于凿岩台车的掌子面智能分析方法，其特征在于，所述相机内部参数包括相机焦距、畸变系数、像素间距和主点位置。

Images