CN114332518A - 基于随机森林和动态dbscan算法的结构面识别方法 - Google Patents
基于随机森林和动态dbscan算法的结构面识别方法 Download PDFInfo
- Publication number
- CN114332518A CN114332518A CN202111601170.1A CN202111601170A CN114332518A CN 114332518 A CN114332518 A CN 114332518A CN 202111601170 A CN202111601170 A CN 202111601170A CN 114332518 A CN114332518 A CN 114332518A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- point cloud
- structural surface
- dynamic
- 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
Links
Images
Abstract
本发明公开了一种基于随机森林和动态dbscan算法的结构面识别方法,解决了目前结构面识别操作繁琐不便,易造成真实信息丢失存在结构面起伏误差的弊端,其技术方案要点是通过采用三维激光扫描仪采集获取结构面的原始点云数据,计算并提取点云多尺度空间特征值,基于随机森林分类算法进行点云分类,将区域内所有点云分为平面点和交界线点,对原始点云数据设定邻点检索量,并通过最近邻算法,确定每个点云的邻域范围,最后通过动态dbscan算法对不同结构面的点云进行分割,完成对结构面的识别,本发明的一种基于随机森林和动态dbscan算法的结构面识别方法,无需重采样和网格化,有效地保留了结构面信息,更加精准、便捷。
Description
技术领域
本发明涉及岩体结构面识别技术,特别涉及一种基于随机森林和动态dbscan算法的结构面识别方法。
背景技术
在岩石力学计算和稳定性分析中,岩体结构面的特征和分布形式对岩体应力传导具有重要影响,因此必须对结构面进行调查与统计。
由于传统的采用罗盘和皮尺的人工测量方式效率极低,且覆盖范围有限、危险性较高,无法全面反映岩体结构面的特征。需要通过三维激光进行岩体的三维重构,采集到的三维点云是不带任何标识的点云坐标数据,因此必须对属于不同结构面的点云进行分割。以往多是通过重采样构建均匀分布的点云数据,将点云网格化,通过网格产状进行聚类分析,往往会造成真实信息的丢失和由结构面起伏引起的误差。
发明内容
本发明的目的是提供一种基于随机森林和动态dbscan算法的结构面识别方法,无需重采样和网格化,有效地保留了结构面信息,更加精准、便捷。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种基于随机森林和动态dbscan算法的结构面识别方法,包括有以下步骤:
采用三维激光扫描仪采集获取结构面的原始点云数据,计算并提取点云多尺度空间特征值;
基于随机森林分类算法进行点云分类,将区域内所有点云分为平面点和交界线点;
对原始点云数据设定邻点检索量,并通过最近邻算法,确定每个点云的邻域范围;
通过动态dbscan算法对不同结构面的点云进行分割,完成对结构面的识别。
综上所述,本发明具有以下有益效果:
通过结合随机森林与动态dbscan算法,可以实现无需重采样和网格化条件下利用原始数据直接对结构面进行识别,最大限度地保留了结构面的表面特征,在岩体结构分析中有很好的应用前景。
附图说明
图1为本方法的流程示意图;
图2为实例中本方法的效果图;
图3为实例中点云数据分割出的单一结构面数据图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
根据一个或多个实施例,公开了一种基于随机森林和动态dbscan算法的结构面识别方法,如图1所示,包括有以下步骤:
S1、采用三维激光扫描仪采集获取结构面的原始点云数据,计算并提取点云多尺度空间特征值;
S2、基于随机森林分类算法进行点云分类,将区域内所有点云分为平面点和交界线点;
S3、对原始点云数据设定邻点检索量,并通过最近邻算法,确定每个点云的邻域范围;
S4、通过动态dbscan算法(动态聚类算法)对不同结构面的点云进行分割,完成对结构面的识别。
步骤S1的点云多尺度空间特征值提取具体为:
通过计算点云最近邻点间距,确定最近邻点分布特征,根据分布特征删除离群点,并确定最小计算空间尺度,记为r0;
对点云数据中每个点分别提取R1、R2、R3……Rn邻域范围内的子空间点云数据(D1、D2、D3……Dn),计算其协方差矩阵(C1、C2、C3……Cn),并求得每个矩阵的归一化后按从大到小排列的特征值,构成3╳n个特征值。
S2中,随机森林分类算法通过构造训练集,将训练样本通过人工标记赋予结构面点和界线点两类,对随机森林分类器进行训练直至收敛,再将计算获取的特征值输入分类器进行分类,进而得到点云的类别。
S3中,设原始点云数据集为A,点云数量为N,设定邻点检索量为ne,通过最近邻算法,确定每个点云在邻点为ne的情况下检索半径分别为(ρ1、ρ2、ρ3………ρN)
S4中,动态dbscan算法对不同结构面的点云的分割具体为:
S41、通过点云分类,在原始点云数据集A中删除界线点的点云类别,得到集合A1。
S42、在集合A1中任选一个点pi作为检索起始点,在A1中搜寻其检索半径ρi中的邻点;若邻点数量等于ne则认为该点pi为结构面内部点,将该点pi放入单一结构面集合J,并将其邻点放入待检索点集合I;若小于ne则认为该点pi为结构面边界点不进行任何操作,并重新随机选择一个点。
S43、在集合I中任选一点,pj,计算其检索半径ρj中的邻点,若邻点数量等于ne则认为该点为结构面内部点,将该点放入单一结构面集合J,并将其邻点放入待检索点集合I;若邻点数量小于ne则认为该点为结构面边界点将该点放入单一结构面集合J,其邻点不记入待检索集合。
S44、重复步骤S43对集合I中的点进行计算判断,直至所有点遍历完毕且无增长,则集合J中的点认为是同一结构面的点。
S45、重复步骤S42对集合A1中的点进行选取判断,直至A1中所有的点遍历完毕,完成点云的分割。
为说明清楚,现举一实例:
如图2所示,通过室内设置两个相交平面,采用三维激光扫描仪获得原始点云数据如图2中(a)所示,并计算其多尺度空间下的特征值。通过随机森林分类器实现了结构面点即平面点与界线点之间的分类,如图2中(b)所示。随后通过dbscan算法实现了不同平面点之间的分割,得到分割结果图2中c所示。如图3所示,为从点云数据中分割出的单一结构面,通过实际应用进行了验证,可见在结构面不平整且局部遮挡的条件下也能完成对岩体结构表面点的分割。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
Claims (5)
1.一种基于随机森林和动态dbscan算法的结构面识别方法,其特征是,包括有以下步骤:
采用三维激光扫描仪采集获取结构面的原始点云数据,计算并提取点云多尺度空间特征值;
基于随机森林分类算法进行点云分类,将区域内所有点云分为平面点和交界线点;
对原始点云数据设定邻点检索量,并通过最近邻算法,确定每个点云的邻域范围;
通过动态dbscan算法对不同结构面的点云进行分割,完成对结构面的识别。
2.根据权利要求1所述的基于随机森林和动态dbscan算法的结构面识别方法,其特征是,计算提取点云多尺度空间特征值具体为:
计算点云最近邻点间距,确定最近邻点分布特征,根据分布特征删除离群点,并确定最小计算空间尺度,记为r0;
对点云数据中每个点分别提取R1、R2、R3……Rn邻域范围内的子空间点云数据(D1、D2、D3……Dn),计算其协方差矩阵(C1、C2、C3……Cn),并求得每个矩阵的归一化后按从大到小排列的特征值,构成3╳n个特征值。
3.根据权利要求1所述的基于随机森林和动态dbscan算法的结构面识别方法,其特征是,随机森林分类算法进行点云分类具体为:
构造训练集,将训练样本通过人工标记赋予结构面点和界线点两类,对随机森林分类器进行训练直至收敛;
将计算获取的特征值输入分类器进行分类得到点云的类别。
4.根据权利要求1所述的基于随机森林和动态dbscan算法的结构面识别方法,其特征是:设原始点云数据集为A,点云数量为N,设定邻点检索量为ne,通过最近邻算法,确定每个点云在邻点为ne的情况下检索半径分别为(ρ1、ρ2、ρ3………ρN)。
5.根据权利要求4所述的基于随机森林和动态dbscan算法的结构面识别方法,其特征是,动态dbscan算法对不同结构面的点云的分割具体为:
通过点云分类,在原始点云数据集A中删除界线点的点云类别,得到集合A1;
在集合A1中任选一个点pi作为检索起始点,在A1中搜寻其检索半径ρi中的邻点;若邻点数量等于ne则认为该点pi为结构面内部点,将该点pi放入单一结构面集合J,并将其邻点放入待检索点集合I;若小于ne则认为该点pi为结构面边界点不进行任何操作,并重新随机选择一个点;
在集合I中任选一点,pj,计算其检索半径ρj中的邻点,若邻点数量等于ne则认为该点为结构面内部点,将该点放入单一结构面集合J,并将其邻点放入待检索点集合I;若邻点数量小于ne则认为该点为结构面边界点将该点放入单一结构面集合J,其邻点不记入待检索集合;
重复对集合I中的点进行计算判断,直至所有点遍历完毕且无增长,则集合J中的点认为是同一结构面的点;
重复对集合A1中的点进行选取判断,直至A1中所有的点遍历完毕,完成点云的分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601170.1A CN114332518A (zh) | 2021-12-24 | 2021-12-24 | 基于随机森林和动态dbscan算法的结构面识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111601170.1A CN114332518A (zh) | 2021-12-24 | 2021-12-24 | 基于随机森林和动态dbscan算法的结构面识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332518A true CN114332518A (zh) | 2022-04-12 |
Family
ID=81013310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111601170.1A Pending CN114332518A (zh) | 2021-12-24 | 2021-12-24 | 基于随机森林和动态dbscan算法的结构面识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114332518A (zh) |
-
2021
- 2021-12-24 CN CN202111601170.1A patent/CN114332518A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287932B (zh) | 基于深度学习图像语义分割的道路阻断信息提取方法 | |
CN105243388B (zh) | 基于动态时间规整和划分算法的波形分类方法 | |
CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
CN111553303A (zh) | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 | |
CN103336305B (zh) | 一种基于灰色理论划分致密砂岩储层岩石物理相的方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN116363520B (zh) | 一种城市绿地规划用景观生态检测系统 | |
CN109934120B (zh) | 一种基于空间密度和聚类的分步点云噪声去除方法 | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
CN112099046A (zh) | 基于多值体素模型的机载lidar三维平面检测方法 | |
CN116030352B (zh) | 融合多尺度分割和超像素分割的长时序土地利用分类方法 | |
CN113269825A (zh) | 基于地基激光雷达技术林木胸径值提取的方法 | |
CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
Li et al. | 3D modeling of laser-scanned trees based on skeleton refined extraction | |
CN111863135B (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
CN116912582A (zh) | 一种基于表征模型的强鲁棒性高光谱目标检测方法 | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
CN104392454A (zh) | 高光谱遥感图像空谱结合分类框架下的基于地物类别隶属度评分的合并方法 | |
CN114332518A (zh) | 基于随机森林和动态dbscan算法的结构面识别方法 | |
CN110569902A (zh) | 一种对对象基于区间数的基本概率分配生成方法 | |
CN116109613A (zh) | 一种基于分布表征的缺陷检测方法和系统 | |
CN114998719A (zh) | 一种基于深度学习和多源遥感数据的林火预测方法 | |
CN108182492A (zh) | 一种资料同化方法及装置 | |
CN114255388A (zh) | 一种地震采集接收装置埋置质量人工智能自动检测方法 | |
CN112818551A (zh) | 一种有效提高地理探测器模型精度的新算法 |
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 |