CN113838005B - 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 - Google Patents
基于维度转换的岩体裂隙智能识别与三维重构方法及系统 Download PDFInfo
- Publication number
- CN113838005B CN113838005B CN202111021123.XA CN202111021123A CN113838005B CN 113838005 B CN113838005 B CN 113838005B CN 202111021123 A CN202111021123 A CN 202111021123A CN 113838005 B CN113838005 B CN 113838005B
- Authority
- CN
- China
- Prior art keywords
- fracture
- rock mass
- image
- dimensional
- crack
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于维度转换的岩体裂隙智能识别与三维重构方法及系统,包括:获取不同角度拍摄的待识别岩体图像,基于神经网络模型进行岩体裂隙识别;对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配;选择最优视图,进行岩体裂隙的稀疏重构;使用改进的非结构图像的密集重建算法进一步重构,得到3D岩体裂隙模型;从岩体裂隙模型中获取3D坐标,提取裂隙特征点,绘制形成散点图;对散点进行拟合,得到裂隙拟合结果。本发明根据二维裂隙信息重建三维模型,裂隙图像获取便捷,对硬件依赖程度小,获取岩体裂隙图像分辨率提高,重建结果效果和精度也有所提高。
Description
技术领域
本发明涉及岩体裂隙识别与三维重构技术领域,尤其涉及一种基于维度转换的岩体裂隙智能识别与三维重构方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
当前地下空间工程发展迅速,地下工程受岩体结构力学性能影响较大,尤其是岩体裂隙的影响。当隧道等工程开挖到裂隙较为发育的地带时,容易发生塌方、卡机等事故,因此有必要进行岩体裂隙识别与重构,了解岩体内裂隙发育情况,获取岩体裂隙参数,指导地下工程建筑施工设计。
当前岩体裂隙识别主要借助计算机算法,过程复杂繁琐,且识别精度难以保证,影响后续三维重构精度。当前裂隙三维重构,主要通过CT扫描和3D激光扫描后,进行三维重构,实现三维岩体裂隙的转换与重构;但根据剖切面获得的二维表面裂缝和CT断面扫面图复原三维空间裂缝,并不准确,而且,3D扫描无法处理未贯通中断的裂缝,将复杂裂缝逐个进行扫描、拼接,该工作量十分浩大,浪费时间。另外,声发射定位和回流盐浓度监测等方法,误差也较大,并且实现三维重构时,常常存在预处理不当,重构方法不合适,导致裂隙图像重构中存在较多的噪点,过滤后噪点仍然存在,而且三维重构的阀值分割中丢失了很多信息,导致三维重构不准确。上述问题的三维重构后续处理存在困难,计算难度较大。
发明内容
为了解决上述问题,本发明提出了一种基于维度转换的岩体裂隙智能识别与三维重构方法及系统,利用神经模型实现裂隙识别,根据二维裂隙信息重建三维模型,减少了裂隙影像的信息丢失,提高重建精度。
在一些实施方式中,采用如下技术方案:
一种基于维度转换的岩体裂隙智能识别与三维重构方法,包括:
获取不同角度拍摄的待识别岩体图像,基于神经网络模型进行岩体裂隙识别;
对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配;
选择最优视图,进行岩体裂隙的稀疏重构;使用改进的非结构图像的密集重建算法进一步重构,得到3D岩体裂隙模型;
从岩体裂隙模型中获取3D坐标,提取裂隙特征点,绘制形成散点图;利用设定厚度的三角形平面对散点进行拟合,得到裂隙拟合结果。
在另一些实施方式中,采用如下技术方案:
一种基于维度转换的岩体裂隙智能识别与三维重构系统,包括:
岩体裂隙识别模块,用于获取需要进行三维裂隙重构的岩体图像,基于神经网络模型进行岩体裂隙识别;
特征匹配模块,用于对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配;
3D岩体裂隙模型构建模块,用于选择最优视图,进行岩体裂隙的稀疏重构;使用改进的非结构图像的密集重建算法进一步重构,得到3D岩体裂隙模型;
裂隙拟合模块,用于从岩体裂隙模型中获取3D坐标,提取裂隙特征点,绘制形成散点图;通过设定厚度的三角形平面对散点进行拟合,得到裂隙拟合结果。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于维度转换的岩体裂隙智能识别与三维重构方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于维度转换的岩体裂隙智能识别与三维重构方法。
与现有技术相比,本发明的有益效果是:
(1)本发明预先采集岩体裂隙影像序列,根据二维裂隙信息重建三维模型,具有快捷简单、花费代价相对低廉的优势。不仅裂隙图像获取便捷,对硬件依赖程度小,而且获取岩体裂隙图像分辨率提高,重建结果效果和精度也有所提高。
(2)本发明利用神经模型实现裂隙识别,可以不对图像进行过多处理,减少了裂隙影像的信息丢失,在一定程度上也提高了裂隙三维重构的精度和效果。
(3)本发明实现了裂隙识别与重构,在裂隙模型重建过程中,重构模型质量、稳健性和计算效率都有一定提升。
本发明的其他特征和附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本方面的实践了解到。
附图说明
图1为本发明实施例中基于维度转换的岩体裂隙智能识别与三维重构方法流程图;
图2为本发明实施例中特征点散点图;
图3为本发明实施例中拟合裂隙模型示意图;
图4为本发明实施例中岩体裂隙建模结果图;
图5(a)-(c)为相同级别数下,不同分数的网络离散结果示意图;
图6为本发明实施例中稀疏建模结果图;
图7为本发明实施例中稠密建模结果图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种基于维度转换的岩体裂隙智能识别与三维重构方法,参照图1,具体包括如下步骤:
步骤(1):获取不同角度拍摄的待识别岩体图像,基于神经网络模型进行岩体裂隙识别;
具体地,选取需要进行三维裂隙重构的岩体,多角度拍摄岩体裂隙图片。将拍摄的岩体裂隙图片输入到训练好的神经网络模型中,得到裂隙识别结果。
本实施例中,利用拍摄好的多角度裂隙图片建立裂隙图像数据集,分别建立训练集和测试集,先将训练集输入到神经网络模型中,多轮训练学习,利用测试集对训练好的神经网络模型优化验证,得到训练好的神经网络模型。
本实施例中,利用神经网络模型FCN8s进行裂隙识别,实现像素级别的语义分割。FCN8s是在卷积神经网络的基础上进行改进的,将卷积神经网络CNN中的全连接层替换为卷积层,即将VGG16最后3个全连接层转换为全卷积层,可以更好地提取岩体裂隙图像特征。不同神经网络层与层之间,实现不同尺度的特征融合。FCN8在卷积层、池化层后得到特征图,卷积池化部分采用Resnet50编码器实现,可以提取岩体裂隙特征更深层次信息。采用跳跃结构,结合不同池化层的特征图,将图像的整体和细节结合起来,可以得到相对精确地分割结果,比较适合裂隙小特征的提取,实现裂隙识别。
本实施例首先采集了岩体裂隙多角度图像,保证每一张图像的清晰度,使得目标岩体的同一处特征在包含该特征的每一张图像中保持特征的不变,保证提取、匹配物体多角度图像中的特征点的质量,同时也可以提高计算效率;其次,还可以适量提高采集的需要建立裂隙模型的岩体多角度图像的数量,这样能够在保证计算量不至于过大的同时提高密集建模的准确度。
步骤(2):对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配;
具体地,以裂隙像素点作为特征点,对某一特征点进行描述,搜索其他图像中具有此相同特征的特征点;对图像中的每个特征点进行相似性度量,并通过比较特征点的位置来寻找特征对应,输出一组可能存在相同特征点的图像对,以及图像对均具有且对应的相似特征矩阵;完成裂隙特征点的提取和匹配工作。
进行裂隙特征点匹配的目的是;
(1)找到两幅画对应同一位置的像素点。
(2)在多幅影像中获取精确、可靠的同名像点,通过多组同名像点经多视几何中相关核心算法恢复影像的位姿关系。
匹配结果为不同图像中对应的同一点,输出一组图像对。
本实施例中,根据岩体裂隙识别图像进行岩体裂隙重构,首先是特征点的提取和匹配。利用一个函数对特征点进行描述,建立局部特征集,根据这一描述,对多个图像(通过对岩体裂隙进行多角度拍摄得到的图片)中的这一共同特征进行搜索,并计算图像间的欧氏距离,进行相似度量,实现图像两两匹配;利用相似度实现两两匹配的方法有很多,比如:择好的匹配点对。首先用一幅图片中的所得到的关键点,然后通过欧氏距离找出另一副图像中距离最短的点,那么我们所找出来的就是最佳的匹配点。
因为特征匹配存在误匹配的情况,通过几何验证,删除误匹配特征点,完成裂隙特征点的提取和匹配工作,对匹配点进行一致性计算,计算基础矩阵,并剔除不满足基础矩阵条件的匹配对。比如:一幅图中包含某一特征点多次,则应该将其剔除。此时,裂隙仍然为二维裂隙,还未实现三维转换。
本实施例通过相机之间坐标系的变换关系可以得到本质矩阵,本质矩阵为相机位姿的描述。基础矩阵为加入相机内参的约束,条件是:所有匹配点应遵循约束方程,比如同名点几何包含同一幅图多次,将其删除,因为明显可以看出是同一幅图中的多个特征点都匹配了同一个点上,则匹配关系肯定是错误的。
本实施例中裂隙特征点为裂隙像素点,以裂隙作为特征。
裂隙特征点的提取过程如下:使用特征描述函数搜索位置fj处的局部特征集/>对于图像中的某一共同特征,需要保证其在几何变化下保持不变,能够在多个图像中分别准确识别出这一共同特征。
利用函数作为图像中某一特征的描述来搜索其他图像中具有此相同特征的特征点。通过对图像Ib中的每个特征点进行相似性度量,搜索图像Ia以及其他图像中与之对应且最相似的特征点,并通过比较特征点的位置fj来寻找特征对应,之后计算复杂度,输出一组可能存在相同特征点的图像对 以及图像对均具有且对应的相似特征矩阵。
步骤(3):选择最优视图,进行岩体裂隙的稀疏重构;使用改进的非结构图像的密集重建算法进一步重构,得到3D岩体裂隙模型;
三维重构过程,先选用图像对进行初始化,一般选用较复杂的图像进行初始化,提高模型性能。初始化后,依据最优图像选择原则,不断增加图像,计算新加入图像的位姿,通过八点法计算本质矩阵,将本质矩阵进行分解,得到下一个图像的R、T值;R为旋转矩阵,T为平移向量。根据R、T值和影像上的特征点的三维坐标三角化得到三维点。不断加入新图像,重复这个过程,即可完成岩体裂隙的部分重构。
多视图三角化是指在给定多张影像上特征点和影像相机的投影矩阵的情况下,求相机中心到特征点的射线在空间中的交点。过相机的光心以及图像中的点的连线从而找到空间中的交点就是三角化的目的。
本实施例通过对同一物体多角度拍摄的图像,恢复被拍摄物体的三维信息。同一物体在两幅不同影像之间存在的一种映射关系,该关系不依赖于外部任何关系,只与相机的内参数和两幅影像之间的相对位姿关系有关。图像的位姿为:坐标位置,三个方向角。
最优图像的选择原则为,用固定尺寸的网格将图像离散成若干个单元格,长和宽均为Kl,每个单元有两种不同的状态:empty和full。在重建过程中,当一个empty单元内的某一个特征点变得可见时(有裂隙存在时),该单元的状态变为full,图像的分数对应增加一个权重ωl,因此倾向于在图像的一部分聚集点,即只有少数单元格包含所有可见点的情况下更均匀地分布。但是,如果可见点的数量Nt远小于Kl2,每个点都可能落入一个单独的单元中,该方法无法很好地捕捉特征点的分布。
因此,本实施例中,使用不同分辨率的网格离散图像,级别数为l=1…L,在每个连续级别使用更高分辨率Kl=2l对图像进行离散。分数在所有离散级别上累加,权重为分辨率相关权重ωl=Kl2;分数最高的为最优图像。图5(a)-(c)分别给出了级别数L=3时,分数和分数/>的网络离散结果示意图。
利用这个方法,量化了可见点的数量。由于单元格的状态只影响总分一次,因此倾向于在图像的一部分聚集点,即只有少数单元格包含所有可见点的情况下更均匀地分布;得到的稀疏建模结果如图6所示。
使用改进的非结构图像的密集重建算法进一步重构,得到图7所示的稠密建模结果。本实施例在改进的PatchMatch采样方案中嵌入像素法向估计;使用三角剖分角、入射角和基于图像分辨率的几何先验像素视图选择;“时间”视图选择平滑项的集成;自适应窗口支持通过双边光度一致性,以改善边界遮挡的情况;引入多视角几何一致性项,用于深度/法线同时估计和基于图像的融合;深度/正常滤波和融合更加稳定。
上述完成了岩体裂隙二维向三维的转换。
步骤(4):从岩体裂隙模型中获取3D坐标,提取裂隙特征点,绘制形成散点图;利用设定厚度的三角形平面对散点进行拟合,得到裂隙拟合结果。
从输出的三维重构模型中获取像素点的三维坐标,提取图像特征点,生成如图2的特征散点图,并采用具有一定厚度的三角形对散点图进行拟合,将每一个三维裂隙假定成一个圆形薄盘,具有七个维度,分别是圆盘中心点的空间坐标(x,y,z)、圆盘的倾向和倾角、圆盘的直径以及圆盘的厚度。此模型的建立需要预先定义各个参数的概率分布,称之为先验模型,模型遵循以下几个方面的假设:
(1)圆盘的中心点的形成过程是三维泊松点过程;
(2)圆盘的倾向、倾角、直径和厚度都是相互独立的且各自遵循相同的分布。并用厚度代表岩体裂隙开度,使用三角形平面的外接圆作为岩体裂隙圆盘模型,拟合结果如图3所示。
上述即完成了岩体裂隙维度转换,实现了裂隙提取与重构。
本实施例实现对该区域目标岩体裂隙的三维重建之后,依据重建结果获取裂隙相应特征点,即特征点三维坐标,从三维重建结果中分别提取每个裂隙的产状特征点,绘制形成散点图,使用具有一定厚度三角形平面对裂隙特征点的散点进行拟合,并用厚度代表岩体裂隙开度,使用三角形平面的外接圆作为岩体裂隙圆盘模型;对本实例的岩体裂隙重构结果如图4所示。
本实施例对图像进行特征点提取,得到图像中的2D特征点;再对所有图像中得到的2D特征点进行特征点匹配,从97张图像中获取了93706个实际空间中的3D特征点;从计算得到的3D特征点坐标、代表特征点颜色的RGB特征值以及相机参数出发,进行部分重建计算。在得到建模区域或物体的部分重建结果之后,基于此结果,再依次进行计算处理,得到图像的法线贴图,基于此完成岩体裂隙重构得到结果。
实施例二
在一个或多个实施方式中,公开了一种基于维度转换的岩体裂隙智能识别与三维重构系统,包括:
岩体裂隙识别模块,用于获取需要进行三维裂隙重构的岩体图像,基于神经网络模型进行岩体裂隙识别;
特征匹配模块,用于对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配;
3D岩体裂隙模型构建模块,用于选择最优视图,进行岩体裂隙的稀疏重构;使用改进的非结构图像的密集重建算法进一步重构,得到3D岩体裂隙模型;
裂隙拟合模块,用于从岩体裂隙模型中获取3D坐标,提取裂隙特征点,绘制形成散点图;利用设定厚度的三角形平面对散点进行拟合,得到裂隙拟合结果。
需要说明的是,上述各模块的具体实现步骤已经在实施例一中进行了说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的基于维度转换的岩体裂隙智能识别与三维重构方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于维度转换的岩体裂隙智能识别与三维重构方法。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (8)
1.一种基于维度转换的岩体裂隙智能识别与三维重构方法,其特征在于,包括:
获取不同角度拍摄的待识别岩体图像,基于神经网络模型进行岩体裂隙识别;
对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配;
选择最优视图,进行岩体裂隙的稀疏重构;使用改进的非结构图像的密集重建算法进一步重构,得到3D岩体裂隙模型;
所述选择最优视图,进行岩体裂隙的稀疏重构,具体包括:
对图像对进行初始化,依据最优图像选择原则,不断增加不同角度的裂隙图像,通过八点法计算本质矩阵,将本质矩阵进行分解,得到下一个图像的旋转矩阵R和平移向量T值,根据旋转矩阵R、平移向量T和图像特征点的三维坐标三角化得到三维点,以实现岩体裂隙的重构;
所述最优图像选择的原则为:
使用不同分辨率的网格单元离散图像,级别数为l=1…L,在每个连续级别使用更高分辨率Kl=2l对图像进行离散;
每个单元有两种不同的状态:empty和full;当一个empty单元内有裂隙存在时,该单元的状态变为full,图像的分数对应增加一个权重ωl;将图像的分数在不同离散级别上累加,分数最高的为最优图像;
所述使用改进的非结构图像的密集重建算法进一步重构,包括:
在改进的PatchMatch采样方案中嵌入像素法向估计;使用三角剖分角、入射角和基于图像分辨率的几何先验像素视图选择;“时间”视图选择平滑项的集成;自适应窗口支持通过双边光度一致性;引入多视角几何一致性项,用于深度/法线同时估计和基于图像的融合;深度/正常滤波和融合更加稳定;
从岩体裂隙模型中获取3D坐标,提取裂隙特征点,绘制形成散点图;利用设定厚度的三角形平面对散点进行拟合,得到裂隙拟合结果。
2.如权利要求1所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法,其特征在于,基于神经网络模型进行岩体裂隙识别,具体包括:
获取多角度裂隙图片建立裂隙图像数据集,分别建立训练集和测试集,将训练集输入到神经网络模型中进行训练,利用测试集对训练好的神经网络模型优化验证,得到训练好的神经网络模型;
将需要进行三维裂隙重构的岩体图像输入到训练好的神经网络模型中,得到裂隙识别结果。
3.如权利要求1所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法,其特征在于,对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配,具体包括:
以裂隙像素点作为特征点,对某一特征点进行描述,搜索其他图像中具有此相同特征的特征点;对图像中的每个特征点进行相似性度量,并通过比较特征点的位置来寻找特征对应,输出一组存在相同特征点的图像对,以及图像对均具有且对应的相似特征矩阵;完成裂隙特征点的提取和匹配工作。
4.如权利要求1所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法,其特征在于,对散点进行拟合,得到裂隙拟合结果,具体包括:
采用设定厚度的三角形对散点图进行拟合,将每一个三维裂隙假定成一个具有七个维度的圆形薄盘,预先定义所述圆形薄盘各个参数的概率分布,构建先验模型,用厚度代表岩体裂隙开度,使用三角形平面的外接圆拟合得到岩体裂隙圆盘模型。
5.如权利要求4所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法,其特征在于,所述先验模型满足:
(1)圆盘中心点的形成过程是三维泊松点过程;
(2)圆盘的倾向、倾角、直径和厚度都是相互独立的且各自遵循相同的分布。
6.一种基于维度转换的岩体裂隙智能识别与三维重构系统,其特征在于,包括:
岩体裂隙识别模块,用于获取需要进行三维裂隙重构的岩体图像,基于神经网络模型进行岩体裂隙识别;
特征匹配模块,用于对裂隙识别图像提取裂隙特征点,并对不同图片同一位置的裂隙特征进行匹配;
3D岩体裂隙模型构建模块,用于选择最优视图,进行岩体裂隙的稀疏重构;使用改进的非结构图像的密集重建算法进一步重构,得到3D岩体裂隙模型;
所述选择最优视图,进行岩体裂隙的稀疏重构,具体包括:
对图像对进行初始化,依据最优图像选择原则,不断增加不同角度的裂隙图像,通过八点法计算本质矩阵,将本质矩阵进行分解,得到下一个图像的旋转矩阵R和平移向量T值,根据旋转矩阵R、平移向量T和图像特征点的三维坐标三角化得到三维点,以实现岩体裂隙的重构;
所述最优图像选择的原则为:
使用不同分辨率的网格单元离散图像,级别数为l=1…L,在每个连续级别使用更高分辨率Kl=2l对图像进行离散;
每个单元有两种不同的状态:empty和full;当一个empty单元内有裂隙存在时,该单元的状态变为full,图像的分数对应增加一个权重ωl;将图像的分数在不同离散级别上累加,分数最高的为最优图像;
所述使用改进的非结构图像的密集重建算法进一步重构,包括:
在改进的PatchMatch采样方案中嵌入像素法向估计;使用三角剖分角、入射角和基于图像分辨率的几何先验像素视图选择;“时间”视图选择平滑项的集成;自适应窗口支持通过双边光度一致性;引入多视角几何一致性项,用于深度/法线同时估计和基于图像的融合;深度/正常滤波和融合更加稳定;
裂隙拟合模块,用于从岩体裂隙模型中获取3D坐标,提取裂隙特征点,绘制形成散点图;利用设定厚度的三角形平面对散点进行拟合,得到裂隙拟合结果。
7.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-5任一项所述的基于维度转换的岩体裂隙智能识别与三维重构方法。
8.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的基于维度转换的岩体裂隙智能识别与三维重构方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021123.XA CN113838005B (zh) | 2021-09-01 | 2021-09-01 | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111021123.XA CN113838005B (zh) | 2021-09-01 | 2021-09-01 | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113838005A CN113838005A (zh) | 2021-12-24 |
CN113838005B true CN113838005B (zh) | 2023-11-21 |
Family
ID=78961882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111021123.XA Active CN113838005B (zh) | 2021-09-01 | 2021-09-01 | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113838005B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546113A (zh) * | 2022-09-15 | 2022-12-30 | 山东大学 | 掌子面裂隙图像与前方三维结构参数预测方法及系统 |
CN115546116A (zh) * | 2022-09-15 | 2022-12-30 | 山东大学 | 全覆盖式岩体不连续面提取与间距计算方法及系统 |
CN115993376B (zh) * | 2022-12-06 | 2023-09-15 | 东北石油大学 | 一种基于随机生长法的页岩基质数字岩心重构方法 |
CN116645602B (zh) * | 2023-04-28 | 2024-05-07 | 长安大学 | 石窟风化裂隙智能识别和三维重构方法、系统和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867302A (zh) * | 2012-08-30 | 2013-01-09 | 四川大学 | 基于三维图像信息处理的岩心裂缝识别方法 |
CN110634131A (zh) * | 2019-08-29 | 2019-12-31 | 南京理工大学 | 一种裂缝图像识别与建模方法 |
CN112785709A (zh) * | 2021-01-15 | 2021-05-11 | 山东大学 | Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备 |
-
2021
- 2021-09-01 CN CN202111021123.XA patent/CN113838005B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867302A (zh) * | 2012-08-30 | 2013-01-09 | 四川大学 | 基于三维图像信息处理的岩心裂缝识别方法 |
CN110634131A (zh) * | 2019-08-29 | 2019-12-31 | 南京理工大学 | 一种裂缝图像识别与建模方法 |
CN112785709A (zh) * | 2021-01-15 | 2021-05-11 | 山东大学 | Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113838005A (zh) | 2021-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113838005B (zh) | 基于维度转换的岩体裂隙智能识别与三维重构方法及系统 | |
Zhang et al. | Reference pose generation for long-term visual localization via learned features and view synthesis | |
Sun et al. | Neural 3d reconstruction in the wild | |
Fuhrmann et al. | Mve-a multi-view reconstruction environment. | |
Tola et al. | Efficient large-scale multi-view stereo for ultra high-resolution image sets | |
CN110111345B (zh) | 一种基于注意力网络的3d点云分割方法 | |
CN111815757A (zh) | 基于图像序列的大型构件三维重建方法 | |
WO2015135323A1 (zh) | 一种摄像机跟踪方法及装置 | |
Kamencay et al. | Improved Depth Map Estimation from Stereo Images Based on Hybrid Method. | |
KR102219561B1 (ko) | 대응점 일관성에 기반한 비지도 학습 방식의 스테레오 매칭 장치 및 방법 | |
AU2019268184B2 (en) | Precise and robust camera calibration | |
Havlena et al. | Randomized structure from motion based on atomic 3D models from camera triplets | |
Xu et al. | Pm-pm: Patchmatch with potts model for object segmentation and stereo matching | |
CN111462206A (zh) | 一种基于卷积神经网络的单目结构光深度成像方法 | |
CN110176064B (zh) | 一种摄影测量生成三维模型的主体对象自动识别方法 | |
CN112232391A (zh) | 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法 | |
McKinnon et al. | Towards automated and in-situ, near-real time 3-D reconstruction of coral reef environments | |
CN113192200B (zh) | 一种基于空三并行计算算法的城市实景三维模型的构建方法 | |
CN113538501A (zh) | 低空图像dsm生成建筑物边缘精细化方法 | |
CN115330940A (zh) | 一种三维重建方法、装置、设备和介质 | |
CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
CN113345072A (zh) | 一种多视角遥感地形影像点云重建方法及系统 | |
Gothandaraman et al. | Virtual models in 3D digital reconstruction: detection and analysis of symmetry | |
CN117351078A (zh) | 基于形状先验的目标尺寸与6d姿态估计方法 | |
Jisen | A study on target recognition algorithm based on 3D point cloud and feature fusion |
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 |