CN114234832B - 一种基于标靶识别的隧道监控量测方法 - Google Patents
一种基于标靶识别的隧道监控量测方法 Download PDFInfo
- Publication number
- CN114234832B CN114234832B CN202111573046.9A CN202111573046A CN114234832B CN 114234832 B CN114234832 B CN 114234832B CN 202111573046 A CN202111573046 A CN 202111573046A CN 114234832 B CN114234832 B CN 114234832B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- target
- max
- tunnel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000007621 cluster analysis Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 16
- 230000002093 peripheral effect Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 238000005286 illumination Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于标靶识别的隧道监控量测方法。包括安装标靶，获取点云数据；将点云数据划分为拱顶点云数据和非拱顶点云数据；分别对拱顶点云数据和非拱顶点云数据中的隧道面点云数据进行平面拟合；根据拟合平面建立缓冲区，并删除缓冲区内的点云数据；对保留的点云数据进行聚类分析，得到标靶的中心坐标，进行隧道监控量测。本发明通过在隧道面内安装标靶，标靶与测点一一对应，可通过标靶位置的变化得到测点位置的变化，适用于进行隧道偏压情况的监测；除此之外本申请中通过建立缓冲区，可减少隧道面点云数据对标靶点云数据的干扰，减少计算量，提高标靶识别精度。
Description
技术领域
本发明涉及隧道监测技术领域，具体涉及一种基于标靶识别的隧道监控量测方法。
背景技术
隧道施工期间，由于隧道周围地质情况复杂且施工过程中岩土力学行为的不断变化等原因，会对隧道产生综合影响从而使隧道产生变形，因此，隧道的监控量测是隧道施工安全控制的重要环节。
现有的隧道监控量测主要有以下几种方式：
一、直接通过三维激光扫描仪扫描隧道断面，得到隧道面点云数据，但通过此方法得到点云数据无法体现出隧道变形的趋势，也不适用于隧道偏压的情况；
二、通过多个扫描仪进行监控量测，成本较高，也无法适用于隧道偏压的情况；
三、在隧道面上设立扫描标靶，通过三维激光扫描，将大量点云数据压缩并规则化后得到标靶位置，降低了标靶识别精度，不适用于隧道监控量测。
四、在隧道面上设立反射片，在同行人员用手电筒对反射片进行照明的同时，通过全站仪、水准仪等仪器人工瞄准反射片中心进行反射片坐标测量，该方法测量效率低，自动化水平低，耗时长，且需要配备的测量人员多。
综上所述，急需一种基于标靶识别的隧道监控量测方法以解决现有技术中存在的问题。
发明内容
本发明目的在于提供一种基于标靶识别的隧道监控量测方法，以解决现有隧道监控量测方法不适用于隧道偏压情况下的监测的问题。
为实现上述目的，本发明提供了一种基于标靶识别的隧道监控量测方法，包括以下步骤：
步骤A：安装标靶，获取点云数据；
步骤B：将点云数据划分为拱顶点云数据和非拱顶点云数据；
步骤C：分别对拱顶点云数据和非拱顶点云数据中的隧道面点云数据进行平面拟合；
步骤D：根据拟合平面建立缓冲区，并删除缓冲区内的点云数据；
步骤E：对保留的点云数据进行聚类分析，得到标靶的中心坐标，进行隧道监控量测。
优选的，所述步骤A中：在隧道测点上安装平面标靶，通过三维激光扫描仪选取每个平面标靶及其周边位置进行扫描，扫描区域边界与平面标靶之间的间距L为0.5倍-1倍平面标靶边长。
优选的，所述步骤B中，针对每一个扫描区域的点云数据，当该扫描区域的点云高程平均值与隧道断面最大设计高程G之间的差值小于拱顶区域阈值时，该扫描区域的点云为拱顶点云数据，否则该扫描区域的点云为非拱顶点云数据。
优选的，所述拱顶区域阈值为0.1G。
优选的，所述步骤C中，对于拱顶点云数据，获取点云数据中横坐标的最大值Xmax和最小值Xmin，选取横坐标位于区间[Xmin，Xmin+df]内的点云数据构建点云集合D1，选取横坐标位于区间[Xmax-df，Xmax]内的点云数据构建点云集合D2，通过稳健特征值法对点云集合D1和D2进行平面拟合，其中df为拱顶边界阈值；
对于非拱顶点云数据，获取点云数据中高程值的最大值Zmax和最小值Zmin，选取高程值位于区间[Zmin，Zmin+dZ]内的点云数据构建点云集合D3，选取横坐标位于区间[Zmax-dZ，Zmax]内的点云数据构建点云集合D4，通过稳健特征值法对点云集合D3和D4进行平面拟合，其中dZ为非拱顶边界阈值。
优选的，所述拱顶边界阈值df满足df≤|Xmax-Xt-max|且df≤|Xmin-Xt-min|，其中Xt-max和Xt-min通过点云分层投影直线探测方法获得；所述非拱顶边界阈值dZ满足dZ≤|Zmax-Zt-max|且dZ≤|Zmin-Zt-min|，Zt-max和Zt-min通过点云分层投影直线探测方法获得。
优选的，所述点云分层投影直线探测方法包括以下步骤：
点云分层：取点云数据中坐标值的中值，并以厚度Δd沿坐标值对应的坐标轴方向向中值两侧进行点云切片，得到N个切片，记录每个切片对应的坐标值；其中2B≤N×Δd≤3B，B为平面标靶边长；
对每个点云切片进行直线检测：通过对点云切片进行投影，得到每个切片对应的点云切片平面二值图像，对每个点云切片平面二值图像进行霍夫变换直线检测，得到点云切片平面二值图像上对应的直线检测结果；
切片坐标值选取：根据直线检测结果选取只包括隧道面点云的切片，并选取符合要求的切片中对应的坐标值的最大值和最小值分别作为Xt-max和Xt-min，或者是作为Zt-max和Zt-min。
优选的，所述步骤D中，以拟合平面为缓冲区中心基面，缓冲区半径为其中/>为拟合平面的法向量，缓冲区方向分别为/>方向和/>方向，令/>其中d′为平面标靶正面图案距离隧道面的最短距离。
优选的，所述步骤E中，根据保留点云数据的反射强度进行区域划分，得到n个标靶点云区域；对每一个标靶点云区域进行聚类分析，求取每一聚类点云的坐标平均值即得到各标靶点云区域的中心点Cj，其中1≤j≤n；再通过n个标靶点云区域的中心点Cj的坐标平均值得到该标靶的中心坐标P。
优选的，所述步骤E中，采用K-means算法进行聚类分析，通过表达式1)得到第j个标靶点云区域的中心点Cj：
其中，xi为选取的k个初始聚类中心中的第i个聚类中心点；
通过表达式2)得到该标靶的中心坐标P：
应用本发明的技术方案，具有以下有益效果：
(1)本发明中，通过在隧道面内安装标靶，标靶与测点一一对应，可通过标靶位置的变化得到测点位置的变化，适用于进行隧道偏压情况的监测；除此之外本申请中通过建立缓冲区，可减少隧道面点云数据对标靶点云数据的干扰，减少计算量，提高标靶识别精度。
(2)本发明中，通过设置合理的扫描区域边界与平面标靶之间的间距，可保证平面标靶本身被全面扫描，且不会扫描到除去平面标靶及其周边隧道面的点云数据之外的数据。
(3)本发明中，通过将各个标靶扫描区域点云进行整理，按照高程值进行分类，将点云数据划分为拱顶点云数据(拱顶标靶所在位置)和非拱顶点云数据(非拱顶标靶所在位置)，分别通过点云分层投影直线探测方法，自动判断拱顶、非拱顶标靶所在位置隧道面点云和标靶点云的几何关系，区分隧道面点云和监测标靶点云所在区域，提高隧道面平面拟合精度，提高方法整体鲁棒性，分别根据横坐标值和高程值建立拟合平面，用以有效去除隧道面点云数据，保证标靶识别的准确性。
(4)本发明中，根据拟合平面建立缓冲区，并删除缓冲区内的点云数据，可将每个标靶扫描区域中的隧道面点云数据去除，仅留下监测标靶点云，便于后续进行标靶中心坐标的识别。
(5)本发明中，根据保留点云数据的反射强度进行区域划分，得到n个标靶点云区域，同一个标靶点云区域内的点云数据的反射强度高度相似，对每一个标靶点云区域进行聚类分析，最终得到该标靶的中心坐标，避免了隧道内照明等因素对于激光扫描标靶识别的影响。
(6)本发明中，标靶识别过程通过算法自动识别，自动化程度高，避免了人为测量时因为隧道内照明和环境对测量结果的人为影响，减少了人为粗差。
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是本申请实施例中一种基于标靶识别的隧道监控量测方法的流程图；
图2是本申请实施例中对拱顶点云数据对应的平面标靶所在区域进行切片的示意图；
图3是本申请实施例中通过点云分层投影直线探测方法获得的直线检测结果示意图一；
图4是本申请实施例中通过点云分层投影直线探测方法获得的直线检测结果示意图二；
图5是本申请实施例中通过点云分层投影直线探测方法获得的直线检测结果示意图三；
图6是本申请实施例中通过点云分层投影直线探测方法获得的直线检测结果示意图四；
图7是本申请实施例中拱顶点云数据中隧道面点云与监测标靶点云位置关系示意图；
图8是本申请实施例中对拱顶点云数据对应的平面标靶所在区域进行切片的示意图；
图9是本申请实施例中非拱顶点云数据中隧道面点云与监测标靶点云位置关系示意图；
图10是本申请实施例中平面标靶与隧道面之间的侧面位置关系示意图；
图11是本申请实施例中缓冲区的设置示意图。
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：
参见图1至图11，一种基于标靶识别的隧道监控量测方法，本实施例应用于隧道变形监测。
一种基于标靶识别的隧道监控量测方法，如图1所示，包括以下步骤：
步骤A：安装标靶，获取标靶及其周边隧道面点云数据；
在隧道测点上安装黑白平面标靶，按照监控量测要求将平面标靶稳固安装在隧道壁上，安装位置远离隧道内风管、水管等设备约两倍平面标靶边长的距离，防止后续进行激光扫描时，在点云数据中引入风管、水管等点云数据，对计算结果造成干扰。
通过三维激光扫描仪选取每个平面标靶及其周边位置进行扫描，扫描区域边界与平面标靶之间的间距L为0.5倍-1倍平面标靶边长。通过此种方式进行扫描，既可保证平面标靶本身被全面扫描，且不会扫到除去平面标靶及其周边隧道面的点云数据，扫描区域边界形状可为矩形或多边形，满足与平面标靶之间的间距要求即可。
步骤B：将点云数据划分为拱顶点云数据和非拱顶点云数据；
将通过三维激光扫描仪精细扫描获取的各个标靶扫描区域点云进行整理，按照高程值进行分类。针对每一个扫描区域的点云数据，当该扫描区域的点云高程平均值与隧道断面最大设计高程G之间的差值小于拱顶区域阈值时，该扫描区域的点云为拱顶点对应的拱顶点云数据，否则该扫描区域的点云为非拱顶点对应的非拱顶点云数据。这是由于拱顶点云数据基本处于同一水平位置，在进行平面拟合时，需根据横坐标值建立拟合平面；而非拱顶点云数据的高程值不同，在进行平面拟合时，可根据高程值建立拟合平面，该步骤保证拟合平面时获得的平面为隧道面大致所在平面，若不满足该条件，可能导致拟合平面与隧道面所在平面相差较大，无法进行后面的步骤，用以保证标靶识别的准确性。
本实施例中，所述拱顶区域阈值为0.1G，即当隧道断面最大设计高程值G为8m时，扫描区域的点云高程平均值为7.2m以上的点云数据为拱顶点云数据。
步骤C：分别对拱顶点云数据和非拱顶点云数据中的隧道面点云数据进行平面拟合；
对于拱顶点云数据，获取点云数据中横坐标(三维坐标系中，X轴上的坐标或Y轴上的坐标)的最大值Xmax和最小值Xmin，选取横坐标位于区间[Xmin，Xmin+df]内的点云数据构建点云集合D1(即标靶X方向最小侧隧道面点云)，选取横坐标位于区间[Xmax-df，Xmax]内的点云数据构建点云集合D2(即标靶X方向最大侧隧道面点云)，其中，点云集合D1和点云集合D2中的点云数据数量均大于1，且二者的点云数据总数至少为3个，通过文献(官云兰,程效军,施贵刚.一种稳健的点云数据平面拟合方法[J].同济大学学报(自然科学版),2008(07):981-984.)中的稳健特征值法对点云集合D1和D2进行平面拟合，其中df为拱顶边界阈值，如图2所示。
对于非拱顶点云数据，获取点云数据中高程值的最大值Zmax和最小值Zmin，选取高程值位于区间[Zmin，Zmin+dZ]内的点云数据构建点云集合D3(即标靶下侧隧道面点云)，选取横坐标位于区间[Zmax-dZ，Zmax]内的点云数据构建点云集合D4(即标靶上侧隧道面点云)，点云集合D3和点云集合D4中的点云数据数量均大于1，且二者的点云数据总数至少为3个，通过稳健特征值法对点云集合D3和D4进行平面拟合，其中dZ为非拱顶边界阈值，如图3所示。
其中拱顶边界阈值df满足df≤|Xmax-Xt-max|且df≤|Xmin-Xt-min|，其中，Xt-max和Xt-min，通过文献(韩富庆,郭国和,杨承昆,吴勇生,王伟力,李彩林.基于点云投影线探测的高墩位姿自动检测方法[J].测绘通报,2021(09):130-135+150.)中点云分层投影直线探测方法对点云文件进行分层投影直线探测获得，具体步骤如下：
1、取点云数据中横坐标值中值为将标靶边长B的1/10记为Δd，在横坐标值为(Xmid-15Δd,Xmid+15Δd)范围内的点云中，以Δd为间距在X轴方向上对点云进行切片，如图2所示(本实施例中，沿X轴方向共有31个切片，本图中仅示意5个切片)；对每个切片对应的X值进行记录。为了保证切片范围对平面标靶实现全面覆盖，同时为了保证切片数量不能太多影响计算效率，且切片数量不能太少不能很好地区分监测标靶点云所在横坐标值范围，应使2B≤N×Δd≤3B，N为切片总数。
2、对各个切片上的点云在垂直于X方向的平面上进行投影，得到每个切片对应的点云切片平面二值图像，对每个点云切片平面二值图像进行霍夫变换直线检测，得到点云切片平面二值图像上对应的直线检测结果，如图3至图6所示，其中，图3中只有一条直线，表示该点云切片对应的是隧道面点云，该点云切片中不包括平面标靶点云；图4中有两条直线，但两条直线之间的夹角小于10°，而标靶平面与隧道面之间的夹角为60±10°，因此，直线1和直线2对应的是两部分的隧道面点云投影形成的直线，该点云切片中不包括平面标靶点云；图5和图6中，均包括两条夹角大于30°的直线1和直线2，直线1对应隧道面点云，直线2对应平面标靶点云；图6中，直线1与直线3之间的夹角小于10°，因此也为两部分隧道面点云投影形成的直线。本实施例中，探测直线的尺度设为2Δd，该设置只会保留长度大于2Δd的直线，可以保证较小的噪点不被探测出来。
3、选取图3和图4对应的点云切片中X值的最小值作为Xt-min，选取图3和图4对应的点云切片中X值的最大值作为Xt-max。
4、选取|Xmax-Xt-max|和|Xmin-Xt-min|中较小的一个作为拱顶边界阈值df，如图7所示。
非拱顶边界阈值dZ满足dZ≤|Zmax-Zt-max|且dZ≤|Zmin-Zt-min|，其中Zt-max和Zt-min同样通过点云分层投影直线探测方法对点云文件进行分层投影直线探测获得，可参照Xt-max和Xt-min的获得步骤进行，不同之处在于以下几点：
1、取点云数据中Z值中值为将标靶边长的1/10记为Δd，在Z坐标值为(Zmid-15Δd,Zmid+15Δd)范围内的点云中，以Δd为间距在Z轴方向上对点云进行切片，如图8所示(本实施例中，沿Z轴方向共有31个切片，本图中仅示意5个切片)；对每个切片对应的Z值进行记录；
2、对各个切片上的点云在垂直于Z方向的平面上进行投影,得到每个切片对应的点云切片平面二值图像，对每个点云切片平面二值图像进行霍夫变换直线检测，得到点云切片平面二值图像上对应的直线检测结果；
3、选取图3和图4对应的点云切片中Z值的最小值作为Zt-min，选取图3和图4对应的点云切片中Z值的最大值作为Zt-max；
4、选取|Zmax-Zt-max|和|Zmin-Zt-min|中较小的一个作为非拱顶边界阈值dZ，如图9所示。
步骤D：根据拟合平面建立缓冲区，并删除缓冲区内的点云数据；
以拟合平面为缓冲区中心基面，根据现有技术建立缓冲区，缓冲区半径为其中为拟合平面的法向量，缓冲区方向分别为/>方向和/>方向，令/>其中d′为平面标靶正面图案距离隧道面的最短距离，优选/>如图10和图11所示。
通过此步骤，可将每个标靶扫描区域中的隧道面点云数据去除，仅留下监测标靶点云，便于后续进行标靶中心坐标的识别。
步骤E：对保留的点云数据进行聚类分析，得到标靶的中心坐标，进行隧道监控量测。
根据保留点云数据的反射强度进行区域划分，得到n个标靶点云区域，同一个标靶点云区域内的点云数据的反射强度相同；对每一个标靶点云区域进行聚类分析，得到该标靶点云区域的中心点Cj，其中1≤j≤n；再通过n个标靶点云区域的中心点Cj，得到该标靶的中心坐标。
其中，聚类分析时采用K-means算法进行聚类分析，通过表达式1)得到第j个标靶点云区域的中心点Cj：
其中，xi为选取的k个初始聚类中心中的第i个聚类中心点。
然后通过表达式2)得到该标靶的中心坐标P：
根据点云数据的反射强度进行区域划分，并进行聚类分析，避免了隧道内照明等因素对于激光扫描的影响。
步骤F：重复步骤B至步骤E，得到每一个平面标靶对应的中心坐标，将各个平面标靶对应的中心坐标运用至现有技术中的隧道监控量测方法中，即可进行隧道监控量测。
通过本申请方法进行隧道监控量测的监测成果如表1和表2所示：
表1 DK155+652.7断面拱顶沉降监测成果对比表
表2 DK155+652.7断面周边收敛监测成果对比表
可以看出，在监控量测方面，扫描仪测值与全站仪测值相似，但相比于全站仪测量方法，扫描仪测量所得监控量测值出现较大波动的情况较少，因为标靶识别过程为算法自动识别，自动化程度高，避免了人为测量时因为隧道内照明和环境对测量结果的人为影响，减少了人为粗差。并且该隧道标靶自动识别方法，因为方法简单，所以计算复杂度低，计算效率高，容易实施。除此之外，在外业数据采集阶段，由于施工隧道内照明不足，传统监测方法需要一人给标靶提供稳定且强度适中的照明，使得另一个测量人员能清楚得看到标靶中心后才能进行测量，而本发明方法无需其他人员对标靶提供稳定的照明，只需要测量人员知道标靶的大致位置，并在仪器内对标靶所在范围进行框选即可，操作简便，减轻了测量人员的工作难度和工作量。
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)
1.一种基于标靶识别的隧道监控量测方法，其特征在于，包括以下步骤：
步骤A：在隧道测点上安装平面标靶，通过三维激光扫描仪选取每个平面标靶及其周边位置进行扫描，扫描区域边界与平面标靶之间的间距L为0.5倍-1倍平面标靶边长，获取点云数据；
步骤B：将点云数据划分为拱顶点云数据和非拱顶点云数据；
步骤C：分别对拱顶点云数据和非拱顶点云数据中的隧道面点云数据进行平面拟合；
步骤D：以拟合平面为缓冲区中心基面，缓冲区半径为其中/>为拟合平面的法向量，缓冲区方向分别为/>方向和/>方向，令/>其中d′为平面标靶正面图案距离隧道面的最短距离，并删除缓冲区内的点云数据；
步骤E：对保留的点云数据进行聚类分析，得到标靶的中心坐标，进行隧道监控量测。
2.根据权利要求1所述的一种基于标靶识别的隧道监控量测方法，其特征在于，所述步骤B中，针对每一个扫描区域的点云数据，当该扫描区域的点云高程平均值与隧道断面最大设计高程G之间的差值小于拱顶区域阈值时，该扫描区域的点云为拱顶点云数据，否则该扫描区域的点云为非拱顶点云数据。
3.根据权利要求2所述的一种基于标靶识别的隧道监控量测方法，其特征在于，所述拱顶区域阈值为0.1G。
4.根据权利要求1或3所述的一种基于标靶识别的隧道监控量测方法，其特征在于，所述步骤C中，对于拱顶点云数据，获取点云数据中横坐标的最大值Xmax和最小值Xmin，选取横坐标位于区间[Xmin，Xmin+df]内的点云数据构建点云集合D1，选取横坐标位于区间[Xmax-df，Xmax]内的点云数据构建点云集合D2，通过稳健特征值法对点云集合D1和D2进行平面拟合，其中df为拱顶边界阈值；
对于非拱顶点云数据，获取点云数据中高程值的最大值Zmax和最小值Zmin，选取高程值位于区间[Zmin，Zmin+dZ]内的点云数据构建点云集合D3，选取横坐标位于区间[Zmax-dZ，Zmax]内的点云数据构建点云集合D4，通过稳健特征值法对点云集合D3和D4进行平面拟合，其中dZ为非拱顶边界阈值。
5.根据权利要求4所述的一种基于标靶识别的隧道监控量测方法，其特征在于，所述拱顶边界阈值df满足df≤|Xmax-Xt-max|且df≤|Xmin-Xt-min|，其中Xt-max和Xt-min通过点云分层投影直线探测方法获得；所述非拱顶边界阈值dZ满足dZ≤|Zmax-Zt-max|且dZ≤|Zmin-Zt-min|，Zt-max和Zt-min通过点云分层投影直线探测方法获得；
其中，Xt-max为点云切片中X值的最大值，Xt-min为点云切片中X值的最小值，Zt-max为点云切片中Z值的最大值，Zt-min为点云切片中Z值的最小值。
6.根据权利要求5所述的一种基于标靶识别的隧道监控量测方法，其特征在于，所述点云分层投影直线探测方法包括以下步骤：
点云分层：取点云数据中坐标值的中值，并以厚度Δd沿坐标值对应的坐标轴方向向中值两侧进行点云切片，得到N个切片，记录每个切片对应的坐标值；其中2B≤N×Δd≤3B，B为平面标靶边长；
对每个点云切片进行直线检测：通过对点云切片进行投影，得到每个切片对应的点云切片平面二值图像，对每个点云切片平面二值图像进行霍夫变换直线检测，得到点云切片平面二值图像上对应的直线检测结果；
切片坐标值选取：根据直线检测结果选取只包括隧道面点云的切片，并选取符合要求的切片中对应的坐标值的最大值和最小值分别作为Xt-max和Xt-min，或者是作为Zt-max和Zt-min。
7.根据权利要求6所述的一种基于标靶识别的隧道监控量测方法，其特征在于，所述步骤E中，根据保留点云数据的反射强度进行区域划分，得到n个标靶点云区域；对每一个标靶点云区域进行聚类分析，求取每一聚类点云的坐标平均值即得到各标靶点云区域的中心点Cj，其中1≤j≤n；再通过n个标靶点云区域的中心点Cj的坐标平均值得到该标靶的中心坐标P。
8.根据权利要求7所述的一种基于标靶识别的隧道监控量测方法，其特征在于，所述步骤E中，采用K-means算法进行聚类分析，通过表达式1)得到第j个标靶点云区域的中心点Cj：
其中，xi为选取的k个初始聚类中心中的第i个聚类中心点；
通过表达式2)得到该标靶的中心坐标P：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111573046.9A CN114234832B (zh) | 2021-12-21 | 2021-12-21 | 一种基于标靶识别的隧道监控量测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111573046.9A CN114234832B (zh) | 2021-12-21 | 2021-12-21 | 一种基于标靶识别的隧道监控量测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114234832A CN114234832A (zh) | 2022-03-25 |
| CN114234832B true CN114234832B (zh) | 2023-09-29 |
Family
ID=80760474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111573046.9A Active CN114234832B (zh) | 2021-12-21 | 2021-12-21 | 一种基于标靶识别的隧道监控量测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114234832B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114862788B (zh) * | 2022-04-29 | 2024-05-24 | 湖南联智科技股份有限公司 | 一种三维激光扫描的平面标靶坐标自动识别方法 |
| CN115222629B (zh) * | 2022-08-08 | 2023-05-05 | 西南交通大学 | 基于云厚度估计与深度学习的单幅遥感影像云去除方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014190962A (ja) * | 2013-03-28 | 2014-10-06 | Pasco Corp | データ解析装置、データ解析方法、及びプログラム |
| CN107796363A (zh) * | 2017-10-13 | 2018-03-13 | 北京工业大学 | 一种基于陆基LiDAR弧度隧道断面提取的方法 |
| CN109993697A (zh) * | 2019-03-19 | 2019-07-09 | 中交第二航务工程局有限公司 | 一种隧道三维激光数据预处理的方法 |
| CA3043686A1 (en) * | 2018-07-31 | 2020-01-31 | Middle Chart, LLC | Method and apparatus for augmented virtual models and orienteering |
| CN110940286A (zh) * | 2019-12-06 | 2020-03-31 | 重庆交通大学 | 一种用于隧道围岩变形非接触监测的优化装置 |
| CN111024037A (zh) * | 2019-09-25 | 2020-04-17 | 北京工业大学 | 基于三维激光扫描技术的圆形盾构隧道断面拟合方法 |
| CN111102935A (zh) * | 2019-12-31 | 2020-05-05 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
| CN112102375A (zh) * | 2020-07-22 | 2020-12-18 | 广州视源电子科技股份有限公司 | 一种点云配准可靠性检测的方法、装置、移动智慧设备 |
| US10876392B2 (en) * | 2017-02-28 | 2020-12-29 | Soilmec S.P.A. | Measuring device of an excavation site |
| CN112902873A (zh) * | 2021-03-29 | 2021-06-04 | 湖南联智科技股份有限公司 | 一种扫描定位标靶 |
| CN113777111A (zh) * | 2021-08-23 | 2021-12-10 | 南方电网调峰调频发电有限公司 | 大直径引水隧洞结构缺陷多维检测装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9813343B2 (en) * | 2013-12-03 | 2017-11-07 | Akamai Technologies, Inc. | Virtual private network (VPN)-as-a-service with load-balanced tunnel endpoints |
| NL2020304B1 (en) * | 2018-01-22 | 2019-07-29 | Fugro N V | Method of and apparatus for monitoring positions on an object |
-
2021
- 2021-12-21 CN CN202111573046.9A patent/CN114234832B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014190962A (ja) * | 2013-03-28 | 2014-10-06 | Pasco Corp | データ解析装置、データ解析方法、及びプログラム |
| US10876392B2 (en) * | 2017-02-28 | 2020-12-29 | Soilmec S.P.A. | Measuring device of an excavation site |
| CN107796363A (zh) * | 2017-10-13 | 2018-03-13 | 北京工业大学 | 一种基于陆基LiDAR弧度隧道断面提取的方法 |
| CA3043686A1 (en) * | 2018-07-31 | 2020-01-31 | Middle Chart, LLC | Method and apparatus for augmented virtual models and orienteering |
| CN109993697A (zh) * | 2019-03-19 | 2019-07-09 | 中交第二航务工程局有限公司 | 一种隧道三维激光数据预处理的方法 |
| CN111024037A (zh) * | 2019-09-25 | 2020-04-17 | 北京工业大学 | 基于三维激光扫描技术的圆形盾构隧道断面拟合方法 |
| CN110940286A (zh) * | 2019-12-06 | 2020-03-31 | 重庆交通大学 | 一种用于隧道围岩变形非接触监测的优化装置 |
| CN111102935A (zh) * | 2019-12-31 | 2020-05-05 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
| CN112102375A (zh) * | 2020-07-22 | 2020-12-18 | 广州视源电子科技股份有限公司 | 一种点云配准可靠性检测的方法、装置、移动智慧设备 |
| CN112902873A (zh) * | 2021-03-29 | 2021-06-04 | 湖南联智科技股份有限公司 | 一种扫描定位标靶 |
| CN113777111A (zh) * | 2021-08-23 | 2021-12-10 | 南方电网调峰调频发电有限公司 | 大直径引水隧洞结构缺陷多维检测装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于RANSAC的残缺平面标靶稳健定位方法;薛晓璐;林欢;;测绘工程(第04期);全文 * |
| 移动激光扫描技术下的隧道横断面提取及变形分析;杜黎明;钟若飞;孙海丽;朱强;张震;;测绘通报(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114234832A (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114234832B (zh) | 一种基于标靶识别的隧道监控量测方法 | |
| CN111080627B (zh) | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 | |
| CN109506580A (zh) | 基于线激光三维扫描的锪孔质量检测方法 | |
| US7327857B2 (en) | Non-contact measurement method and apparatus | |
| CN113031005B (zh) | 基于激光雷达的吊车动态障碍物识别方法 | |
| WO2013061976A1 (ja) | 形状検査方法およびその装置 | |
| CN111369609B (zh) | 一种基于点云曲面特征约束的建筑物局部变形分析方法 | |
| JP5806786B1 (ja) | 画像認識装置 | |
| CN108562250A (zh) | 基于结构光成像的键盘键帽平整度快速测量方法与装置 | |
| CN102032875A (zh) | 一种基于图像处理的电缆护套厚度测量方法 | |
| CN113920081A (zh) | 一种刀具磨损度检测方法 | |
| EP2894600B1 (en) | Method of processing 3D sensor data to provide terrain segmentation | |
| CN110533649B (zh) | 一种无人机通用结构裂缝识别检测装置及方法 | |
| CN113324478A (zh) | 一种线结构光的中心提取方法及锻件三维测量方法 | |
| US7649545B2 (en) | Inspection system and method | |
| CN115953400B (zh) | 基于三维点云物体表面的腐蚀坑自动检测方法 | |
| CN111815611A (zh) | 一种面向铆钉孔测量点云数据的圆孔特征提取方法 | |
| CN110047133A (zh) | 一种面向点云数据的列车边界提取方法 | |
| CN105261061B (zh) | 一种识别冗余数据的方法及装置 | |
| CN114005108A (zh) | 一种基于坐标变换的指针式仪表度数识别方法 | |
| CN114998395A (zh) | 一种有效的堤岸三维数据变化检测方法及系统 | |
| Valanis et al. | Automatic target identification for laser scanners | |
| CN115046498B (zh) | 一种单目旋转结构光三维测量系统标定方法 | |
| CN116385356A (zh) | 一种基于激光视觉的正六边形孔特征的提取方法和系统 | |
| WO2023060717A1 (zh) | 一种物体表面高精度定位方法及系统 |
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 |