CN113536992A - 一种岩体浅表结构面识别方法、设备及可读存储介质 - Google Patents

一种岩体浅表结构面识别方法、设备及可读存储介质 Download PDF

Info

Publication number
CN113536992A
CN113536992A CN202110731525.2A CN202110731525A CN113536992A CN 113536992 A CN113536992 A CN 113536992A CN 202110731525 A CN202110731525 A CN 202110731525A CN 113536992 A CN113536992 A CN 113536992A
Authority
CN
China
Prior art keywords
triangular
triangular plates
structural surface
structural
clustering
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
CN202110731525.2A
Other languages
English (en)
Inventor
肖培伟
张溥文
胡艺川
杨兴国
钱洪建
戚顺超
陈军
李海波
吴楠
周家文
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.)
Guodian Jinsha River Xulong Hydropower Development Co ltd
Sichuan University
Original Assignee
Guodian Jinsha River Xulong Hydropower Development Co ltd
Sichuan University
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 Guodian Jinsha River Xulong Hydropower Development Co ltd, Sichuan University filed Critical Guodian Jinsha River Xulong Hydropower Development Co ltd
Priority to CN202110731525.2A priority Critical patent/CN113536992A/zh
Publication of CN113536992A publication Critical patent/CN113536992A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Excavating Of Shafts Or Tunnels (AREA)

Abstract

本发明公开了一种岩体浅表结构面识别方法、设备及可读存储介质，该方法包括以下步骤：获取描述岩体地质几何特征点云数据；对所述点云数据进行表面重构得到重构后的三角网；对三角网中的三角片进行分组；分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片，识别出结构面。本方案在对三角片进行分组后，分别识别筛选出每组三角片中的过渡区、边界区或爆破损伤区的三角片，进一步识别出结构面，其适于钻孔爆破形成的较破碎的复杂掌子面的识别中，且识别效果佳。

Description

一种岩体浅表结构面识别方法、设备及可读存储介质
技术领域
本发明属于工程地质勘察技术领域，具体地涉及一种岩体浅表结构面识别方法、设备及可读存储介质。
背景技术
深埋隧洞施工过程中复杂的地质环境影响着围岩稳定和工程安全。随着隧洞的不断掘进，开挖掌子面出露新鲜岩体的结构面信息反映了施工处的地质状态，对隧洞浅表结构面的快速识别将大大提高掘进过程中超前地质预报的精度。
传统的测量方法主要包括测线法和测网法，均依靠人工采用罗盘逐点测量。该方法主要缺点有:单点式测量费力耗时，所获样本较少、无法获取高处危岩体数据、人工手绘参杂明显主观性等。因此，随着隧洞的开挖掘进，采用传统的测量方法难以及时并全面的记录浅表结构面的几何信息。近年来，非接触的测量技术在岩土工程测量中得到广泛应用。但在应用于掘进隧洞结构面识别过程中，存在对于钻孔爆破形成的较破碎的复杂掌子面识别效果不好等问题。
发明内容
为了解决现有钻孔爆破形成的复杂掌子面识别效果不好的问题，本发明提供一种岩体浅表结构面识别方法、设备及可读存储介质。
本发明通过以下技术方案实现：
本发明第一方面提供一种岩体浅表结构面识别方法，包括以下步骤：
获取用于描述岩体地质几何特征的点云数据；
对所述点云数据进行表面重构得到重构后的三角网；
对三角网中的三角片进行分组；
分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片，识别出结构面。
本方案在对三角片进行分组后，分别识别筛选出每组三角片中的过渡区、边界区或爆破损伤区的三角片，进一步识别出结构面，其适于钻孔爆破形成的较破碎的复杂掌子面的识别中，且识别效果佳。
在一种可能的设计中，所述对三角网中的三角片进行分组包括：
基于三角网中的每个三角片的法向量，对三角网中的三角片进行分组。
在一种可能的设计中，所述对三角网中的三角片进行分组包括：
获取结构面组数最大值T，所述T为大于等于2的自然数；
针对第2组结构面至第T组结构面，采用轮廓系数的K均值聚类算法分别对其进行聚类得到不同组数结构面所对应的聚类结果；
根据聚类结果分别计算不同组数结构面所对应的轮廓系数；
基于轮廓系数确定最优的结构面组数P从而实现分组，其中，2≤P≤T。
在一种可能的设计中，所述采用轮廓系数的K均值聚类算法对其进行聚类得到不同组数结构面所对应聚类结果包括：
A1、在所述三角网中所有的三角片法向量中确定与所述结构面组数对应数量的聚类中心；
A2、计算所述三角网中所有三角片与聚类中心的距离并对其进行聚类，计算每个聚类中心同簇中所有三角片法向量的平均值得到新的聚类中心；
A3、基于新的聚类中心重复步骤A2直至第一准则函数收敛得到聚类结果。
在一种可能的设计中，所述根据该距离筛除每组三角片中属于过渡区或边界区的三角片包括：
根据第二准则函数和删除三角片个数占比确定最优阈值，所述第二准则函数由删除三角片后的三角片法向量密度中心与删除三角片的法向量平均值构建；
筛除三角片的法向量与其对应聚类中心法向量的距离大于该最优阈值的三角片。
在一种可能的设计中，所述识别出结构面包括：
B1、从任意一个顶点为基点开始搜索通过该顶点的三角片，再以搜索出的三角形的其他顶点为基点搜索通过该顶点的三角片，直至搜索出的三角形不再增加即完成一个结构面的识别；
B2、重复步骤B1识别出所有结构面。
本发明第二方面提供一种岩体浅表结构面识别设备，包括依次信号连接的云点数据获取单元、三角网重构单元、三角片分组单元和结构面识别单元，
所述云点数据获取单元用于获取描述岩体地质几何特征点云数据；
所述三角网重构单元用于对所述点云数据进行表面重构得到重构后的三角网；
所述三角片分组单元用于对三角网中的三角片进行分组；
所述结构面识别单元用于分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片，识别出结构面。
在一种可能的设计中，所述结构面识别单元包括第一筛除单元、第二筛除单元和识别单元；
所述第一筛除单元用于计算每组三角片中每个三角片的法向量与其对应聚类中心法向量的距离，根据该距离筛除每组三角片中属于过渡区或边界区的三角片；
所述第二筛除单元用于计算每个三角片的结构面面积，根据结构面面积筛除属于爆破损伤区的三角片；
所述识别单元用于在第一筛除单元和第二筛除单元筛选出的三角片中，从任意一个顶点为基点开始搜索通过该顶点的三角片，再以搜索出的三角形的其他顶点为基点搜索通过该顶点的三角片，直至搜索出的三角形不再增加即完成一个结构面的识别。
本发明第三方面提供一种可读存储介质，所述可读存储介质上存储有被处理器执行的应用程序，所述应用程序被执行时实现第一方面及其任一种可能中所述的一种岩体浅表结构面识别方法。
本发明与现有技术相比，至少具有以下优点和有益效果：
在对三角片进行分组后，分别识别筛选出每组三角片中的过渡区、边界区或爆破损伤区的三角片，进一步识别出结构面，其适于钻孔爆破形成的较破碎的复杂掌子面的识别中，且识别效果佳。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明结构面识别方法的流程图。
图2是某电站导流洞某次钻孔爆破设备安装示意图。
图3是一实例中对点云数据进行表面重构的结果图。
图4是一实例中掌子面岩体结构面较发育情况。
图5是一实例中识别出的结构面情况。
图6为结构面识别设备的原理框图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。
应当理解，还应当注意到在一些备选可能设计中，所出现的功能/动作可能与附图出现的顺序不同。例如,取决于所涉及的功能/动作,实际上可以实质上并发地执行,或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
如图1所示，本发明第一方面公开了一种岩体浅表结构面识别方法，其可适于隧洞掘进过程中岩体浅表结构面识别，也可适于其他环境中的岩体浅表结构面识别，该方法包括以下步骤S01～步骤S04。现以隧洞掘进过程中岩体浅表结构面识别为例，对该方法进行详细说明。
步骤S01、获取用于描述岩体地质几何特征的点云数据，主要是获取三维激光扫描仪采集的数据。
在钻孔爆破隧道在掘进过程中，使用三维激光扫描仪采集识别区域描述岩体地质几何特征的点云数据。基于后视定向技术完成扫描仪局部坐标系到隧道所处工程坐标系的转换。具体的，隧洞工程中，在每一期钻孔爆破后完成出渣待有扫描条件时，在距掌子面1约1.5倍洞径位置架设2～3站三维激光扫描仪完成点云扫描获取描述岩体地质几何特征的点云数据。如图2所示，以某电站导流洞某次钻孔爆破为例，三维激光扫描仪3利用内部自动调平功能保证扫描过程中始终保持水平，并架设全站仪2测量扫描仪中心点坐标及贴设靶标4中心点坐标，建立扫描站点大地坐标系用于后续坐标转换。三维激光扫描仪扫描频率为1200HZ，扫描精度根据点云间距为0.004-0.01m进行控制，单次扫描时间约10min，
步骤S02、对所述点云数据进行表面重构得到重构后的三角网。三角网是由一系列连续三角片构成的网状的平面控制图形。具体的，对完成坐标转换的点云数据进行降噪处理后，删除点云中一些无关信息，该无关信息包括但不限于施工现场的人员、机械。将数据导入Geomagic软件中采用NURBS曲面算法对上述的隧道浅表岩体点云数据进行表面重构，重建后的三角网包括N个三角片，N为大于等于1的自然数，以每个三角片为单元，每个三角片的三个顶点坐标及计算出的三角片法向量保存至PLY文件中。本例中对于设计断面面积为80m2的隧洞爆破产生的掌子面，基于点云间距0.3cm进行NURBS曲面算法表面重构获得较好效果，如图3所示，其将点云数据50929个表面重构生成三角片个数为104352个。
步骤S03、基于三角网中的每个三角片的法向量，对三角网中的三角片进行分组。本实施例优选的采用轮廓系数的K均值聚类算法，具体的，该步骤S03包括步骤S031～步骤S034。
步骤S031、获取结构面组数最大值T，所述T为大于等于2的自然数。结构面组数最大值为技术人员根据实际工程情况总结得到。根据实际工程，结构面组数最大值一般为2～6组，本实施例以结构面组数最大值T为6为例进行说明。
步骤S032、针对第2组结构面至第T组结构面，采用轮廓系数的K均值聚类算法分别对其进行聚类得到聚类结果。即分别针对2组、3组、4组、5组、6组结构面，分别对其进行聚类得到聚类结果。具体的，采用以下步骤A1～A3的方法得到聚类结果。
A1、在所述三角网中所有的三角片法向量中确定与所述结构面组数对应数量的聚类中心：
A2、计算所述三角网中所有三角片与聚类中心的距离并对其进行聚类，计算每个聚类中心同簇中所有三角片法向量的平均值得到新的聚类中心；
A3、基于新的聚类中心重复步骤A2直至第一准则函数收敛得到聚类结果。
现以2组结构面为例，对步骤S032进行详细说明。
步骤S0321、从掌子面点云数据表面重构后的含N个三角片的法向量样本的样本集D＝{(X1，X2，...，XN)}中随机选择2个初始聚类中心，初始聚类中心{C1，C2...Ck}，即此时K为2，其中，XN表示第N个三角片的法向量，Ck表示从N个三角片的法向量中随机选择的一法向量。
步骤S0322、计算样本集D＝{(X1，X2，...，XN)}中所有三角片样本与每个聚类中心的{C1，C2}的距离d(Xi，Cj)，将三角片分配给与其距离最近的聚类中心所在的簇。其中距离定义为夹角余弦相似度，即
Figure BDA0003139553370000061
式中ni为结构面i的单位法向量(xi，yi，zi)，nj为结构面j的单位法向量(xj，yj，zj)。计算每个聚类中心同簇三角片法向量的平均值，以计算新的聚类中心
Figure BDA0003139553370000062
步骤S0323、计算每次聚类结束后的第一准则函数Ji，基于新的聚类中心重复步骤S0312，直到第一准则函数Ji达到收敛，得到聚类结果，现以2组结构面为例，其对应得到的聚类结果为{D1，D2}，其中，D1为与最终确定的第一个聚类中心同簇的所有样本集，D2为与最终确定的第二个聚类中心同簇的所有样本集。第一准则函数为
Figure BDA0003139553370000063
X为该聚类中心Ci所属簇的所有样本，即收敛条件为每个聚类中心所在簇内所有样本X到该聚类中心Ci距离的总和收敛。
同样的，针对4组结构面或其他数量组结构面，其与上述方法相同，唯一不同的是，步骤S0321中需确定4个或其他数量个初始聚类中心，得到4个或其他数量个聚类结果。
步骤S033、根据聚类结果分别计算不同组数结构面即2组结构面至T组结构面所对应的轮廓系数S(k)。轮廓系数(Silhouette Coefficient)，是聚类效果好坏的一种评价方式。S(k)∈[-1，1]，越趋近于1代表聚类结果质量越好。
步骤S034、基于轮廓系数S(k)确定最优的结构面组数P从而实现分组，其中，2≤P≤T。根据不同组数结构面组数对应的轮廓系数S(k)确定最优聚类数，从而确定最优的结构面组P。具体的，一般根据S(k-1)＜S(k)＞S(k+1)确定最优聚类数k，此时，P＝k；但是，若S(2)＞S(3)，则P＝2；若S(2)＜S(3)＜S(4)＜S(5)＜S(6)，则P＝6。
基于图3的实例，其计算结果S(3)＝0.5272＜S(4)＝0.556＞S(5)＝0.532，其最优聚类数为4，该掌子面有4组岩体结构面较发育，如图4所示。
步骤S04：分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片，识别出结构面。具体的，包括以下步骤S041～步骤S043。
步骤S041、分别针对每组三角片，计算三角片法向量与其对应聚类中心法向量的距离，根据该距离筛除每组三角片中属于过渡区或边界区的三角片。
根据三角片的法向量与其对应聚类中心法向量的距离是否大于一阈值来进行筛除，为了提高三角片删除的准确度，该阈值的设定尤为重要，即该阈值为最优阈值时，其准确性越高。具体的，该最优阈值根据第二准则函数和删除三角片个数占比确定最优阈值，所述第二准则函数由删除三角片后的三角片法向量密度中心与删除三角片的法向量平均值构建。定义第二准则函数m＝d(Ndc，Nθ)，Ndc为删除三角片后的三角片法向量密度中心，Nθ为删除三角片的法向量平均值。最优阈值θ通过筛除距离聚类中心角度阈值θ以外的三角片后的准则函数m和删除三角片个数占比s确定。
步骤S042、计算每个三角片的结构面面积，根据结构面面积筛除属于爆破损伤区的三角片。因爆破产生的或者人工开凿的非结构面三角片，面积小且分布不规律。此处根据最小面积阈值删除属于爆破损伤区的三角片。一般将最小面积阈值设置为1-5平方厘米，根据各实际工程的不同，最小面积阈值设置不同，即将小于最小面积阈值的三角片归类为属于爆破损伤区的三角片，将其删除。
步骤S043、识别出结构面，具体包括：
B1、从任意一个顶点为基点开始搜索通过该顶点的三角片，再以搜索出的三角形的其他顶点为基点搜索通过该顶点的三角片，直至搜索出的三角形不再增加即完成一个结构面的识别；
B2、重复步骤B1识别出所有结构面。
采用上述方法，最终识别出207条结构面，如图5所示。
基于上述方法，可实现隧洞掘进过程中浅表结构面的自动识别，更安全、方便、全面的记录隧洞浅表岩体结构面的几何信息，其适于钻孔爆破形成的较破碎的复杂掌子面的识别中，且识别效果佳。
本发明第二方面提供一种岩体浅表结构面识别设备，如图6所示，包括依次信号连接的云点数据获取单元、三角网重构单元、三角片分组单元和结构面识别单元，
所述云点数据获取单元用于获取描述岩体地质几何特征点云数据；
所述三角网重构单元用于对所述点云数据进行表面重构得到重构后的三角网；
所述三角片分组单元用于对三角网中的三角片进行分组；
所述结构面识别单元用于分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片，识别出结构面。
具体的，所述结构面识别单元包括第一筛除单元、第二筛除单元和识别单元；
所述第一筛除单元用于计算每组三角片中每个三角片的法向量与其对应聚类中心法向量的距离，根据该距离筛除每组三角片中属于过渡区或边界区的三角片；
所述第二筛除单元用于计算每个三角片的结构面面积，根据结构面面积筛除属于爆破损伤区的三角片；
所述识别单元用于在第一筛除单元和第二筛除单元筛选出的三角片中，从任意一个顶点为基点开始搜索通过该顶点的三角片，再以搜索出的三角形的其他顶点为基点搜索通过该顶点的三角片，直至搜索出的三角形不再增加即完成一个结构面的识别。
本发明第三方面提供一种可读存储介质，所述可读存储介质上存储有被处理器执行的应用程序，所述应用程序被执行时实现第一方面及其任一种可能所述的一种岩体浅表结构面识别方法。该可读存储介质包括随机存取存储器(Random-Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、闪存(Flash Memory)、先进先出存储器(First InputFirst Output，FIFO)和/或先进后出存储器(First Input Last Output，FILO)等等。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种岩体浅表结构面识别方法，其特征在于，包括以下步骤：
获取用于描述岩体地质几何特征的点云数据；
对所述点云数据进行表面重构得到重构后的三角网；
对三角网中的三角片进行分组；
分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片，识别出结构面。
2.根据权利要求1所述的一种岩体浅表结构面识别方法，其特征在于，所述对三角网中的三角片进行分组包括：
基于三角网中的每个三角片的法向量，对三角网中的三角片进行分组。
3.根据权利要求1或2所述的一种岩体浅表结构面识别方法，其特征在于，所述对三角网中的三角片进行分组包括：
获取结构面组数最大值T，所述T为大于等于2的自然数；
针对第2组结构面至第T组结构面，采用轮廓系数的K均值聚类算法分别对其进行聚类得到不同组数结构面所对应的聚类结果；
根据聚类结果分别计算不同组数结构面所对应的轮廓系数；
基于轮廓系数确定最优的结构面组数P从而实现分组，其中，2≤P≤T。
4.根据权利要求3所述的一种岩体浅表结构面识别方法，其特征在于，所述采用轮廓系数的K均值聚类算法对其进行聚类得到不同组数结构面所对应聚类结果包括：
A1、在所述三角网中所有的三角片法向量中确定与所述结构面组数对应数量的聚类中心；
A2、计算所述三角网中所有三角片与聚类中心的距离并对其进行聚类，计算每个聚类中心同簇中所有三角片法向量的平均值得到新的聚类中心；
A3、基于新的聚类中心重复步骤A2直至第一准则函数收敛得到聚类结果。
5.根据权利要求1所述的一种岩体浅表结构面识别方法，其特征在于，所述分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片包括：
计算每组三角片中每个三角片的法向量与其对应聚类中心法向量的距离，根据该距离筛除每组三角片中属于过渡区或边界区的三角片；
计算每个三角片的结构面面积，根据结构面面积筛除属于爆破损伤区的三角片。
6.根据权利要求5所述的一种岩体浅表结构面识别方法，其特征在于，所述根据该距离筛除每组三角片中属于过渡区或边界区的三角片包括：
根据第二准则函数和删除三角片个数占比确定最优阈值，所述第二准则函数由删除三角片后的三角片法向量密度中心与删除三角片的法向量平均值构建；
筛除三角片的法向量与其对应聚类中心法向量的距离大于该最优阈值的三角片。
7.根据权利要求1所述的一种岩体浅表结构面识别方法，其特征在于，所述识别出结构面包括：
B1、从任意一个顶点为基点开始搜索通过该顶点的三角片，再以搜索出的三角形的其他顶点为基点搜索通过该顶点的三角片，直至搜索出的三角形不再增加即完成一个结构面的识别；
B2、重复步骤B1识别出所有结构面。
8.一种岩体浅表结构面识别设备，其特征在于，包括依次信号连接的云点数据获取单元、三角网重构单元、三角片分组单元和结构面识别单元，
所述云点数据获取单元用于获取描述岩体地质几何特征点云数据；
所述三角网重构单元用于对所述点云数据进行表面重构得到重构后的三角网；
所述三角片分组单元用于对三角网中的三角片进行分组；
所述结构面识别单元用于分别识别并筛除每组三角片中属于过渡区、边界区或爆破损伤区的三角片，识别出结构面。
9.根据权利要求8所述的一种岩体浅表结构面识别设备，其特征在于，所述结构面识别单元包括第一筛除单元、第二筛除单元和识别单元；
所述第一筛除单元用于计算每组三角片中每个三角片的法向量与其对应聚类中心法向量的距离，根据该距离筛除每组三角片中属于过渡区或边界区的三角片；
所述第二筛除单元用于计算每个三角片的结构面面积，根据结构面面积筛除属于爆破损伤区的三角片；
所述识别单元用于在第一筛除单元和第二筛除单元筛选出的三角片中，从任意一个顶点为基点开始搜索通过该顶点的三角片，再以搜索出的三角形的其他顶点为基点搜索通过该顶点的三角片，直至搜索出的三角形不再增加即完成一个结构面的识别。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有被处理器执行的应用程序，所述应用程序被执行时实现权利要求1-8任一所述的一种岩体浅表结构面识别方法。
CN202110731525.2A 2021-06-29 2021-06-29 一种岩体浅表结构面识别方法、设备及可读存储介质 Pending CN113536992A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110731525.2A CN113536992A (zh) 2021-06-29 2021-06-29 一种岩体浅表结构面识别方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110731525.2A CN113536992A (zh) 2021-06-29 2021-06-29 一种岩体浅表结构面识别方法、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN113536992A true CN113536992A (zh) 2021-10-22

Family

ID=78097262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110731525.2A Pending CN113536992A (zh) 2021-06-29 2021-06-29 一种岩体浅表结构面识别方法、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN113536992A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157371A (zh) * 2016-07-11 2016-11-23 南京理工大学 基于自适应周向扩张策略的散乱点云高效网格化方法
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
CN111553292A (zh) * 2020-04-30 2020-08-18 南京工业大学 一种基于点云数据的岩体结构面识别与产状分类方法
CN111859488A (zh) * 2020-07-27 2020-10-30 深圳市纵维立方科技有限公司 支撑结构生成方法、装置、电子设备以及存储介质
WO2021000719A1 (zh) * 2019-06-30 2021-01-07 华中科技大学 一种基于三维点云的小曲率薄壁零件机器人加工边界提取方法
CN112529844A (zh) * 2020-11-24 2021-03-19 成都理工大学 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
CN112598755A (zh) * 2021-03-02 2021-04-02 中国铁建重工集团股份有限公司 一种基于凿岩台车的掌子面智能分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106157371A (zh) * 2016-07-11 2016-11-23 南京理工大学 基于自适应周向扩张策略的散乱点云高效网格化方法
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
WO2021000719A1 (zh) * 2019-06-30 2021-01-07 华中科技大学 一种基于三维点云的小曲率薄壁零件机器人加工边界提取方法
CN111553292A (zh) * 2020-04-30 2020-08-18 南京工业大学 一种基于点云数据的岩体结构面识别与产状分类方法
CN111859488A (zh) * 2020-07-27 2020-10-30 深圳市纵维立方科技有限公司 支撑结构生成方法、装置、电子设备以及存储介质
CN112529844A (zh) * 2020-11-24 2021-03-19 成都理工大学 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
CN112598755A (zh) * 2021-03-02 2021-04-02 中国铁建重工集团股份有限公司 一种基于凿岩台车的掌子面智能分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何秉顺;丁留谦;孙平;: "三维激光扫描系统在岩体结构面识别中的应用", 中国水利水电科学研究院学报, no. 01, 28 February 2007 (2007-02-28) *

Similar Documents

Publication Publication Date Title
CN107762559B (zh) 一种用于评价隧道超欠挖情况的方法及系统
CN108710732B (zh) 一种盾构刀具服役期磨损的评估和预测方法
CN104792274A (zh) 一种圆形隧道收敛变形的测量方法
CN112784403B (zh) 基于点云数据建立节理岩体离散元模型的数值模拟方法
CN113487722B (zh) 一种基于三维激光扫描方法的混凝土构件自动化检测方法
CN110108217A (zh) 一种隧道初支及二衬侵限值和厚度分析方法
CN113051652A (zh) 基于bim和三维扫描的逆向建模技术的工程改扩建方法
CN114332291A (zh) 一种倾斜摄影模型建筑物外轮廓规则提取方法
CN110363855B (zh) 堆石坝透明化建模方法
CN117854060A (zh) 基于深度学习的隧道岩体面状裂隙识别方法及系统
CN113536992A (zh) 一种岩体浅表结构面识别方法、设备及可读存储介质
CN110688767B (zh) 一种评价岩体裂隙网络模型精度的综合差异度的方法
CN111881964A (zh) 一种基于Delaunay三角网的线性建筑物模式识别方法与系统
CN116012613B (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
CN117253205A (zh) 一种基于移动测量系统的道路面点云快速提取方法
CN118096737B (zh) 一种应用于矿山法隧道运营期变形监测方法及系统
Wu et al. Voxel-based marked neighborhood searching method for identifying street trees using vehicle-borne laser scanning data
CN116935231B (zh) 一种隧道围岩结构面信息提取及关键块体识别方法
CN111177886B (zh) 基于物探数据分析的海上测距规划及土厚预测的方法
CN116030022B (zh) 建筑预制构件的质量检测系统及方法
CN113269679B (zh) 一种圆形隧道结构中心线提取方法
CN114092433B (zh) 一种基于三角形质心优化的表观缺陷检测方法
CN117171856B (zh) 一种基于手持Lidar的公路铁路数字信息建模方法
CN114754716B (zh) 管片错台测量方法
Xu et al. Structural plane recognition from three-dimensional laser scanning points using an improved region-growing algorithm based on the robust randomized Hough transform

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