CN115131295A - 工程岩体裂隙网络构建方法、系统与装置 - Google Patents

工程岩体裂隙网络构建方法、系统与装置 Download PDF

Info

Publication number
CN115131295A
CN115131295A CN202210628047.7A CN202210628047A CN115131295A CN 115131295 A CN115131295 A CN 115131295A CN 202210628047 A CN202210628047 A CN 202210628047A CN 115131295 A CN115131295 A CN 115131295A
Authority
CN
China
Prior art keywords
fracture
image
rock mass
characteristic information
outcrop
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.)
Granted
Application number
CN202210628047.7A
Other languages
English (en)
Other versions
CN115131295B (zh
Inventor
王明阳
王聪聪
王恩志
刘晓丽
卢宇杭
刘驰
王芳
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210628047.7A priority Critical patent/CN115131295B/zh
Publication of CN115131295A publication Critical patent/CN115131295A/zh
Application granted granted Critical
Publication of CN115131295B publication Critical patent/CN115131295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/22—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Remote Sensing (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供了一种工程岩体裂隙网络构建方法、系统与装置，通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；获取所述目标区域内各裂隙的结构特征信息；根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。极大提高了裂隙智能捕捉与统计工作、裂隙网络构建和统计分析的效率，进而可以提高之后的工程岩体稳定性评价效率。

Description

工程岩体裂隙网络构建方法、系统与装置
技术领域
本申请涉及工程地质技术领域，特别涉及一种工程岩体裂隙网络构建方法、系统与装置。
背景技术
在工程地质领域，寻找合适的工程场址以及对岩体的稳定性评价是学科的核心内容之一，是保证后期工程施工和运营安全的基础。
然而长期以来，面对复杂严苛的自然环境，即使有可获取的地质图像、遥感图像或航拍图作为参考，工程选址勘察工作仍然要依靠地质工作者长途跋涉，观察和手动测量沿途遇到的岩体，寻找适合人类工程活动需求而又不损害地质环境的工程场址。在评价岩体的结构特征时，往往采用测线法或窗口测量来获取露头上的节理裂隙信息，再根据节理裂隙信息评价岩体的稳定性，这一系列工作不仅历时久、效率低、针对性差，还可能威胁到地质工作者的生命安全(特别是涉及无人区、高寒区的工程建设时)。
因此，目前岩体结构特征测量工作繁复，几何信息统计能力不高，进而导致工程岩体稳定性评价效率低下。
发明内容
基于此，本申请提出一种工程岩体裂隙网络构建方法、系统、装置、计算机设备、计算机可读存储介质和计算机程序产品，以通过裂隙网络提高工程岩体稳定性评价的效率。
第一方面，本申请提供了一种工程岩体裂隙网络构建方法，所述方法包括：
通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
获取所述目标区域内各裂隙的结构特征信息；
根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；
根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。
在其中一个实施例中，所述通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像，包括：
通过混合视觉系统针对目标区域采集第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像，其中所述第一裂隙图像的尺度大于所述第二裂隙图像的尺度，所述第三裂隙图像的尺度大于所述第四裂隙图像的尺度；
所述第三裂隙图像为所述第二裂隙图像内裂隙露头区域对应的图像，所述第四裂隙图像为所述第三裂隙图像中包括目标地质现象区域的图像。
在其中一个实施例中，所述获取所述目标区域内各裂隙的结构特征信息，包括：
通过搭载在所述混合视觉系统上的激光测距仪和测角仪器，获取所述目标区域内各裂隙的结构特征信息，所述结构特征信息包括所述裂隙的产状、张开度和长度。
在其中一个实施例中，所述根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息，包括：
通过图像分割模型对所述第三裂隙图像和所述第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像；
根据所述特征图像及所述目标区域内各裂隙的结构特征信息，确定各所述裂隙的工程岩体结构特征信息。
在其中一个实施例中，所述根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络，还包括：
对各所述裂隙的所述工程岩体结构特征信息进行统计，得到统计信息；
通过施密特下半球等面积投影网法，根据所述统计信息对各所述裂隙进行优势分组，得到多个裂隙组；
确定各个所述裂隙组中的所述裂隙服从概率分布的基本参数；
通过蒙特卡罗方法，基于所述基本参数构建裂隙网络。
第二方面，本申请还提供了一种工程岩体裂隙网络构建系统，所述系统包括：
混合视觉系统，用于获取目标区域内不同尺度的裂隙露头图像；
操作平台，用于接收所述不同尺度的裂隙露头图像，获取所述目标区域内各裂隙的结构特征信息，根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像确定各所述裂隙的工程岩体结构特征信息，根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络；
无线传输装置，用于将所述混合视觉系统获取的所述裂隙露头图像传输给所述操作平台。
第三方面，本申请还提供了一种工程岩体裂隙网络构建装置，所述装置包括：
数据采集模块，用于通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
数据获取模块，用于获取所述目标区域内各裂隙的结构特征信息；
数据处理模块，用于根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；
裂隙网络构建模块，用于根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。
在其中一个实施例中，所述数据采集模块，还用于通过混合视觉系统针对目标区域采集第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像，其中所述第一裂隙图像的尺度大于所述第二裂隙图像的尺度，所述第三裂隙图像的尺度大于所述第四裂隙图像的尺度；所述第三裂隙图像为所述第二裂隙图像内裂隙露头区域对应的图像，所述第四裂隙图像为所述第三裂隙图像中包括目标地质现象区域的图像。
在其中一个实施例中，所述数据获取模块，还用于通过搭载在所述混合视觉系统上的激光测距仪和测角仪器，获取所述目标区域内各裂隙的结构特征信息，所述结构特征信息包括所述裂隙的产状、张开度和长度。
在其中一个实施例中，所述数据处理模块还用于通过图像分割模型对所述第三裂隙图像和所述第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像；根据所述特征图像及所述目标区域内各裂隙的结构特征信息，确定各所述裂隙的工程岩体结构特征信息。
在其中一个实施例中，所述裂隙网络构建模块，还用于对各所述裂隙的所述工程岩体结构特征信息进行统计，得到统计信息；通过施密特下半球等面积投影网法，根据所述统计信息对各所述裂隙进行优势分组，得到多个裂隙组；确定各个所述裂隙组中的所述裂隙服从概率分布的基本参数；通过蒙特卡罗方法，基于所述基本参数构建裂隙网络。
第四方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
获取所述目标区域内各裂隙的结构特征信息；
根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；
根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。
第五方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
获取所述目标区域内各裂隙的结构特征信息；
根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；
根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。
第六方面，本申请还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
获取所述目标区域内各裂隙的结构特征信息；
根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；
根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。
本申请提供的工程岩体裂隙网络构建方法、系统、装置、计算机设备、计算机可读存储介质和计算机程序产品，通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；获取所述目标区域内各裂隙的结构特征信息；根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。上述工程岩体裂隙网络构建方法、系统、装置、计算机设备、计算机可读存储介质和计算机程序产品，采用混合视觉系统获取不同尺度的裂隙露头图像后，根据裂隙的结构特征信息和裂隙露头图像，最终实现裂隙网络的构建，相对于现有技术来说，本公开实施例提供的工程岩体裂隙网络构建方法不需要地质工作者去到现场手工测量，基本实现了裂隙检测、裂隙网络构建的智能化和无人化，因此极大提高了裂隙智能捕捉与统计工作、裂隙网络构建和统计分析的效率，通过裂隙网络简化了岩体结构特征测量工作，提高几何信息统计能力，进而可以提高之后的工程岩体稳定性评价效率。
附图说明
图1为一个实施例中工程岩体裂隙网络构建方法流程示意图；
图2为一个实施例中裂隙露头的示意图；
图3为一个实施例中采集不同尺度的裂隙露头图像的流程图；
图4为一个实施例中步骤106中的流程示意图；
图5为一个实施例中特征图像的示意图；
图6为一个实施例中步骤108中的流程示意图；
图7为一个实施例中裂隙面法线的赤平面投影图；
图8为一个实施例中裂隙的极点等密度图；
图9为一个实施例中裂隙的玫瑰花图；
图10为一个实施例中裂隙的直方图；
图11为一个实施例中裂隙网络表征裂隙空间位置的示意图；
图12为一个实施例中工程岩体裂隙网络构建方法的步骤模块图；
图13为一个实施例中工程岩体裂隙网络构建方法的流程示意图；
图14为一个实施例中工程岩体裂隙网络构建系统的结构框图；
图15为一个实施例中工程岩体裂隙网络构建装置的结构框图；
图16为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种工程岩体裂隙网络构建方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤102，通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像。
其中，目标区域为研究人员需要进行工程岩体稳定性评价的工程场址。裂隙露头为岩体可见到开裂的地方，如图2所示。在视觉信息输入装置方面，想获得准确、高精、完整、丰富的周围环境信息，仅依靠单目、双目、全向单个视觉往往是不可靠的，将它们中的两个或多个组合起来即为混合视觉系统。混合视觉系统为利用多个角度、多个不同尺度的影像信息(大于等于3个视角)对多个目标或单一目标不同角度信息描述的系统。混合视觉系统可以一定程度上弥补单种视觉系统的缺点，提高获取的信息的准确性。研究人员可以根据目标区域的所需拍摄范围和现场实时天气状况选择合适的相机来组成混合视觉系统。混合视觉系统可以包括无人机装置和地面装置。举例来说，无人机装置一般选用DJI Mavic3Cine型号和DJI悟Inspire 1ProRAW型号的无人机，但是对于一些空旷、植被覆盖面较小、天气较为晴朗的气候条件时可以选用DJI经纬Matrice 200型号的测量用无人机。
示例性的，在实际应用过程中，混合视觉系统的移动方式可以包括固定地面式测量方法和移动式测量方法。固定地面式测量方法适用于对某一岩体裸露面环绕式、详尽的测量与描述工作，移动式测量方法适用于对区域节理岩体露头的快速无人化地质作业和危险区域岩体露头检测与测量的工作。其中，固定地面式测量方法中混合视觉系统可以包括一台无人机和两台地面拍摄测量装置，无人机采用环绕式飞行对测量目标进行拍摄与测量地面拍摄测量装置的视野盲区，地面拍摄测量装置则对距离地面相对较低且植被遮挡较差的岩体露头进行详细的拍摄与测量。移动式测量方法中，混合视觉系统可以包括一台可操控小车的双目测量系统和一台无人机，测量精度较低，但是效率较高。对于初勘和对大面积研究区的工程岩体裂隙露头的检测和裂隙网络构建可以利用移动式测量方法，而对于危岩体和开挖面则可以采用固定地面式测量方法，以获得更加详细的岩体结构几何信息以及露头的节理裂隙信息(包括裂隙的坐标信息，产状信息、几何尺寸信息、表面形态信息、充填物信息、风化程度、力学性质等信息)。
步骤104，获取目标区域内各裂隙的结构特征信息。
其中，研究人员可以通过地面装置上的激光测距仪和测角仪器，使用激光三角测量法捕捉各裂隙的结构特征信息，裂隙的结构特征信息为从目标区域内的三维裂隙实际测量得到的信息。裂隙的结构特征信息可以包括裂隙的产状、张开度和长度。裂隙的产状也可以称为结构面产状。岩体是由结构面和岩石构成的，岩石指肉眼可见的岩石块体，结构面指的是两块或多块岩石之间存在裂缝处裸露出来的面。裂隙的产状可以包括裂隙的走向、倾向和倾角。测量结构特征信息的裂隙数量可以根据研究人员根据实际需要确定。
步骤106，根据目标区域内各裂隙的结构特征信息和裂隙露头图像，确定各裂隙的工程岩体结构特征信息。
其中，裂隙的工程岩体结构特征信息可以包括裂隙的位置、长度、张开度、形态、频率、产状等。裂隙的位置、长度、张开度、形态、频率等信息可以根据裂隙露头图像识别或计算得出。但裂隙露头图像为二维图像，无法直接通过二维图像信息获取裂隙的产状，但是可以通过系数校准的间接方法，即根据各裂隙的结构特征信息反算出裂隙露头图像中各裂隙的产状。
步骤108，根据各裂隙的工程岩体结构特征信息构建裂隙网络。
其中，裂隙网络是一种可以表征裂隙的空间位置等信息的网络模型。研究人员可以根据裂隙网络进一步对工程岩体的稳定性进行评价。根据各裂隙的工程岩体结构特征信息可以计算得到构建裂隙网络的基本参数，从而根据基本参数生成随机的裂隙网络。
上述工程岩体裂隙网络构建方法采用混合视觉系统获取不同尺度的裂隙露头图像后，根据裂隙的结构特征信息和裂隙露头图像，最终实现裂隙网络的构建，相对于现有技术来说，本公开实施例提供的工程岩体裂隙网络构建方法不需要地质工作者去到现场手工测量，基本实现了裂隙检测、裂隙网络构建的智能化和无人化，因此极大提高了裂隙智能捕捉与统计工作、裂隙网络构建和统计分析的效率，通过裂隙网络简化了岩体结构特征测量工作，提高几何信息统计能力，进而可以提高之后的工程岩体稳定性评价效率。
在一个实施例中，步骤102中，通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像，可以包括：
通过混合视觉系统针对目标区域采集第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像，其中第一裂隙图像的尺度大于第二裂隙图像的尺度，第三裂隙图像的尺度大于第四裂隙图像的尺度；第三裂隙图像为第二裂隙图像内裂隙露头区域对应的图像，第四裂隙图像为第三裂隙图像中包括目标地质现象区域的图像。
其中，第一裂隙图像为超大尺度图像，涉及研究总体范围内的图像或影像信息，可以根据混合视觉系统的最大拍摄范围拍摄目标区域得到。第二裂隙图像为大尺度图像，可以包括至少一处工程岩体露头信息及覆盖噪声信息(噪声数据包括植被、积雪、积水、落石等)。研究人员可以搜集目标区域的地质、地形地貌、地震、矿产和附近地区的工程地质资料，初步圈定勘察范围，勘察范围可以根据工程类型，分为块状、条带状等。启动混合视觉系统中的移动装置，如果勘查范围为块状，则移动混合视觉系统至其视角覆盖勘查范围，调整焦距和焦点，获取高清、畸变少的视觉图像或视频，得到第二裂隙图像。如果勘查范围为条带状，则移动混合视觉系统沿条状区域的中心线移动，扫描勘查范围得到第二裂隙图像。
第三裂隙图像为中尺度图像，也为第二裂隙图像内裂隙露头区域对应的图像。第三裂隙图像完全包括且仅包括工程岩体露头信息。可以执行裂隙露头-目标检测模块，提取第二裂隙图像内可见、可测的裂隙露头区域，并对其进行标号。研究人员可以根据研究目的在标号完成的所有裂隙露头区域中筛选出需要进行研究的裂隙露头区域，并移动混合视觉系统，使其最佳的视角范围覆盖这些裂隙露头区域，逐个对的可见的裂隙露头区域进行近距离、超清、多角度的拍摄，获取高清图像/影像数据，得到第三裂隙图像。
举例来说，裂隙露头-目标检测模块可以采用深度学习目标检测模型实现。目标检测模型可以采用DETR模型(DEtection Transformer，是facebook基于transformer模型提出的物体检测模型)，利用收集到的各角度、各尺度的裂隙露头图像进行训练，并将训练后的目标检测模型用于裂隙露头-目标检测。其中目标检测模型训练采用的训练数据集、验证数据集、测试数据集比例为7:2:1，学习率参数采用从初始值0.002逐迭代步下降的方式进行训练，以达到最好的检测效果和模型鲁棒性。
第四裂隙图像为小尺度图像，可以包括至少一处工程岩体节理露头和结构面露头，用于描述目标区域内的节理裂隙状态和结构面产状。由于不同类别的岩体具有不同的特征信息，研究人员可以对第三裂隙图像中裂隙露头区域筛选并分类，并对每一类的各裂隙露头区域内一个或多个目标地质现象区域进行详细调查，通过移动混合视觉系统和调整焦距拍摄目标地质现象区域中某一条或几条裂隙，得到更全面的图像或影相资料，即为第四裂隙图像。目标地质现象区域可以为研究人员感兴趣的或需要调查的区域，也可以为典型地质现象。典型地质现象包括但不限于正断层、逆断层、走滑断层、韧性剪切带、S-C面理组构、气孔构造、杏仁构造、溶蚀现象等。
示例性的，研究人员对第三裂隙图像中裂隙露头区域筛选并分类时，可以按岩体的成分进行分类，比如，花岗岩岩体、石灰岩岩体、大理岩岩体、玄武岩岩体、页岩岩体、砂岩岩体等；也可以按照岩体的结构、构造进行分类，比如，块状构造岩体、柱状节理岩体、层状结构岩体、碎裂结构岩体、散体结构岩体等。上述通过混合视觉系统拍摄的第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像可以利用无线传输的方式发送给研究人员。
示例性的，通过混合视觉系统针对目标区域采集的第二裂隙图像、第三裂隙图像和第四裂隙图像可以如图3所示。在采集到第二裂隙图像后，可以执行裂隙露头-目标检测模块，提取第二裂隙图像内可见、可测的裂隙露头区域，无人机装置向这些可见、可测的裂隙露头区域近景飞行，逐个对的可见的裂隙露头区域进行近距离、超清、多角度的拍摄，获取高清图像/影像数据，得到第三裂隙图像。可以通过地面装置拍摄第三裂隙图像中研究人员感兴趣的或需要调查的区域，进行小尺度特写，得到更全面的图像或影相资料，即为第四裂隙图像。
本申请实施例中，在通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像之前，还需要根据实际拍摄的角度调整混合视觉系统中不同相机的感光度、白平衡、色温、对焦方式等参数并记录，对混合视觉系统进行外参标定，获取不同相机之间的坐标变换参数，为后续数据融合提供基础。即进行空间信息校准和姿态获取工作。首先，操作人员利用远程的操作平台建立与无人机的通信，获取无人机的GPS(全球定位系统，GlobalPositioning System)坐标与姿态。然后对地面装置进行编号，假设地面装置由两组相机组成时，分别定义为Camera0和Camera1。以Camera0为原点，N极为x轴正方向，E为y轴正方向，铅垂向上的方向为z轴正方向，建立相对三维笛卡尔坐标系。结合地面GPS功能，获取相机的实际坐标，建立绝对三维笛卡尔坐标系。对相机固定云台的水准进行校正，对搭载在混合视觉系统上的激光测距仪和测角仪器的功能进行校正，为之后开启裂隙露头图像的拍摄与裂隙的结构特征信息测量工作奠定基础。
在一个实施例中，步骤104中，接收目标区域内各裂隙的结构特征信息，可以包括：
通过搭载在混合视觉系统上的激光测距仪和测角仪器，获取目标区域内各裂隙的结构特征信息，结构特征信息包括裂隙的产状、张开度和长度。
其中，激光测距仪和测角仪器可以搭载在混合视觉系统中的地面装置上。研究人员可以通过地面装置上的激光测距仪和测角仪器，使用激光三角测量法捕捉各裂隙的结构特征信息，如产状(走向、倾角和倾向)、张开度和长度。激光三角测量法是比较成熟的方法，即由测量的激光点处向待测面发射一道激光，可以得到激光的方位角和距离，这就可以在极坐标系中获得打在待测面上点的坐标，每测量三个不同线的点可以构成一个面，这个面的外法线向量即可求得结构面的产状。
示例性的，在对混合视觉系统进行外参标定，建立绝对三维笛卡尔坐标系后，可以根据目标裂隙的位置，确定目标裂隙上的多个测量点，通过多个不同方位的地面装置获取各测量点的几何参数信息，几何参数信息表示各测量点分别与每个地面装置之间的位置关系。进一步的，根据各测量点的几何参数信息，确定各测量点在三维坐标系中的坐标信息，根据各测量点在三维坐标系中的坐标信息，可以确定目标裂隙的产状信息。
本申请实施例中通过激光测距仪和测角仪器获取目标区域内裂隙的结构特征信息，为之后步骤总获取各裂隙的工程岩体结构特征信息提供数据基础。
在一个实施例中，如图4所述，步骤106中，根据目标区域内各裂隙的结构特征信息和裂隙露头图像，确定各裂隙的工程岩体结构特征信息，可以包括：
步骤402，通过图像分割模型对第三裂隙图像和第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像。
其中，图像分割模型可以为Unet++模型，目标区域的第三裂隙图像和第四裂隙图像输入图像分割模型后，编码器将第三裂隙图像和第四裂隙图像编码、扁平化处理，将多个二维数组处理为一维数组后，解码器将一维数组处理为一张二维图像数据，即对应的特征图像。图像分割模型输出的特征图像如图5所示，可以为一张黑白图像。编码器可以为Densenet201模型。Unet++模型和Densenet201模型的组合具有对图像中显示微小信息数据提取的优势，可以将第三裂隙图像和第四裂隙图像中裂隙的信息提取得更加详尽，便于之后的裂隙网络模型构建工作。
步骤404，根据特征图像及目标区域内各裂隙的结构特征信息，确定各裂隙的工程岩体结构特征信息。
其中，裂隙的工程岩体结构信息特征可以包括裂隙的位置、长度、张开度、形态、频率、产状等。根据图像分割模型输出的特征图像可以直接识别提取得到目标区域内裂隙的位置、长度、张开度、形态、频率。根据各裂隙的结构特征信息可以反算出上述裂隙对应的产状。举例来说，已知混合视觉系统与裂隙在绝对三维笛卡尔坐标系中的位置关系，即可得知特征图像中已经通过激光三角测量法测量得出产状信息的裂隙，与未测量产状信息的裂隙之间的空间关系，通过各裂隙的结构特征信息与空间关系相似变换，可以反算出特征图像中未实际测量产状信息的裂隙的产状。
在一个实施例中，如图6所述，步骤108中，根据各裂隙的工程岩体结构特征信息构建裂隙网络，可以包括：
步骤602，对各裂隙的工程岩体结构特征信息进行统计，得到统计信息。
其中，可以先利用离散裂隙网络(DFN-Discrete fracture network)研究方法结合研究的目的和需求，决定是否对图像分割模型提取到的特征图像中裂隙的工程岩体结构特征信息进行筛选，例如可以在大中尺度裂隙的研究中忽略特征图像中尺寸较小的裂隙的影响，然后再进行信息统计。统计是一种数学方法，得到的统计信息为工程岩体结构特征信息中各种特征信息的分布情况，例如产状的分布、张开度的分布等。
示例性的，对产状信息进行统计，可以生成极点等密度图和玫瑰花图。极点等密度图是将裂隙面法线投影到赤平面上得到的。如图7所述，从赤平面圆心O到极点D的向量
Figure BDA0003678614050000121
的方向表示裂隙的倾向，图7中极点D代表的倾向是东E，极点到赤平面圆心的距离
Figure BDA0003678614050000122
表示裂隙倾角的大小，离赤平面圆心越远，倾角越大。如果极点在赤平面圆心，则表示裂隙所在平面为一水平面(倾角为0°)，如果极点在圆周上，则表示裂隙所在平面为一垂直面(倾角为90°)，
Figure BDA0003678614050000123
和倾角的对应关系取决于采用的投影网格(常见的有施密特网、吴尔福网、极等面积网、极等角度网)。
极点等密度图可以在极点图的基础上根据极点分布的集中程度生成，参见图8，极点图可以基于施密特下半球等面积投影绘制，每个极点对应一条裂隙。极点等密度图用等值线来表示图内极点密度分布的特征和规律，△代表极点(裂隙)，提供裂隙的产状信息，极点密度集中的区域反映了目标区域内裂隙发育的优势方向。
玫瑰花图是指状似玫瑰花的表明裂隙走向或倾向和条数的统计图，如图9所述。玫瑰花图可以反映目标区域内各组裂隙的发育程度，并能明显地看出优势方位。图9展示了图8中裂隙的玫瑰花图，每个扇形的圆心角都是10°，每个扇形的半径大小和走向在该范围内的裂隙数量成正比。
对裂隙的张开度(宽度)和长度(迹长)进行统计，可以生成如图10所述的直方图。
步骤604，通过施密特下半球等面积投影网法，根据统计信息对各裂隙进行优势分组，得到多个裂隙组。
其中，由于裂隙的生成方式不同，裂隙的倾向、倾角也不同，可以通过施密特下半球等面积投影网法根据统计信息，将特征图像中各裂隙分成多组。每个裂隙组的产状具有不同的分布形式，以区分不同作用产生的裂隙。
步骤606，确定各个裂隙组中的裂隙服从概率分布的基本参数。
其中，每个裂隙组具有不同的产状分布，即每个裂隙组都服从不同的概率分布。通过施密特下半球等面积投影网法根据统计信息，可以得到每个裂隙组产状的概率分布的参数。可以基于迹长(裂隙的长度)长度反算裂隙面大小的分布函数，得到每个裂隙组裂隙面大小的概率分布的参数。基于裂隙间距(裂隙的频率)计算裂隙密度，得到每个裂隙组密度的概率分布的参数。基本参数可以包括上述得到的每个裂隙组产状的概率分布的参数、裂隙面大小的概率分布的参数和密度的概率分布的参数。
步骤608，通过蒙特卡罗方法，基于基本参数构建裂隙网络。
其中，可以将基本参数输入到蒙特卡罗方法中，蒙特卡罗方法生成随机裂隙网络的构建参数，通过构建参数即可构建裂隙网络。生成的裂隙网络可以表征目标区域的裂隙的空间位置等信息，将会被用于岩体稳定性的评价。裂隙网络表征目标区域的裂隙的空间位置可以如图11所示。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
示例性的，为了可以更好地理解本申请提供的工程岩体裂隙网络构建方法，图12-图13提供本申请实施例中工程岩体裂隙网络构建方法的详细步骤流程。如图12所示，可以分为检测-测量流程和图像分割-裂隙网络构建流程两个流程。检测-测量流程：首先通过混合视觉系统采集第二裂隙图像，在采集到第二裂隙图像后，可以执行裂隙露头-目标检测模块，检测提取第二裂隙图像内可见、可测的裂隙露头区域，无人机装置逐个对的可见的裂隙露头区域进行近距离、超清、多角度的拍摄，得到第三裂隙图像。通过地面装置拍摄第三裂隙图像中研究人员感兴趣的或需要调查的区域，进行小尺度特写，得到第四裂隙图像。图像分割-裂隙网络构建流程：将第三裂隙图像输入到图像分割模型中提取得到目标区域中各裂隙的工程岩体结构特征信息，并根据各裂隙的工程岩体结构特征信息构建裂隙网络。
如图13所示，首先，根据混合视觉系统的最大拍摄范围拍摄目标区域得到第一裂隙图像。根据实际拍摄的角度调整混合视觉系统中不同相机的感光度、白平衡、色温、对焦方式等参数并记录，对混合视觉系统进行外参标定，获取不同相机之间的坐标变换参数，为后续数据融合提供基础，建立绝对三维笛卡尔坐标系。研究人员可以搜集目标区域的地质、地形地貌、地震、矿产和附近地区的工程地质资料，初步圈定勘察范围，勘察范围可以根据工程类型，分为块状、条带状等。启动混合视觉系统中的移动装置，如果勘查范围为块状，则移动混合视觉系统至其视角覆盖勘查范围，得到第二裂隙图像；如果勘查范围为条带状，则移动混合视觉系统沿条状区域的中心线移动，扫描勘查范围得到第二裂隙图像。执行裂隙露头-目标检测模块，提取第二裂隙图像内可见、可测的裂隙露头区域，并对其进行标号，移动混合视觉系统，使其最佳的视角范围覆盖这些裂隙露头区域，逐个对的可见的裂隙露头区域进行近距离、超清、多角度的拍摄，获取高清图像/影像数据，得到第三裂隙图像。对第三裂隙图像中裂隙露头区域筛选并分类，并对每一类的各裂隙露头区域内一个或多个目标地质现象区域进行详细调查，通过移动混合视觉系统和调整焦距拍摄目标地质现象区域中某一条或几条裂隙，得到第四裂隙图像。上述第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像可以利用无线传输的方式发送给研究人员。其次，通过混合视觉系统中的地面装置上的激光测距仪和测角仪器，使用激光三角测量法，结合目标裂隙在绝对三维笛卡尔坐标系中的空间位置，捕捉各裂隙的结构特征信息，如产状(走向、倾角和倾向)、张开度和长度。通过图像分割模型对第三裂隙图像和第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像，从特征图像可以直接识别提取得到目标区域内裂隙的位置、长度、张开度、形态、频率，并根据各裂隙的结构特征信息可以反算出上述裂隙对应的产状，最终得到各裂隙的工程岩体结构特征信息。最后，可以根据各裂隙的工程岩体结构特征信息构建裂隙网络。
本申请实施例中的工程岩体裂隙网络构建方法不仅适用于地表的工程选址和工程岩体稳定性评价，也适用于隧(巷)道掌子面的裂隙检测和稳定性评价，火星/月球等星球的无人-智能化地形、地质测量，能够有效的提高工程选址工作、岩体结构特征分析工作、节理裂隙智能捕捉与统计工作、裂隙网络智能提取和统计分析的效率，极大减少人为工作带来的风险和成本，基本实现工程选址、裂隙检测、裂隙网络智能生成以及动态施工智能化和无人化，为工程地质行业智能化转型提供参考，为利用基于地质知识的探测机器人实现无人化星球测量提供方法。
在一个实施例中，参见图14，提供了一种工程岩体裂隙网络构建系统1400。工程岩体裂隙网络构建系统1400包括：混合视觉系统1402、操作平台1404和无线传输装置1406。其中，混合视觉系统1402用于获取目标区域内不同尺度的裂隙露头图像。操作平台1404用于接收不同尺度的裂隙露头图像，获取目标区域内各裂隙的结构特征信息，根据目标区域内各裂隙的结构特征信息和裂隙露头图像确定各裂隙的工程岩体结构特征信息，根据各裂隙的工程岩体结构特征信息构建裂隙网络。无线传输装置1406用于将混合视觉系统1102获取的裂隙露头图像传输给操作平台1404。
本申请实施例中，工程岩体裂隙网络构建系统实现工程岩体裂隙网络构建的方法参照前述实施例的相关描述即可，本申请实施例中在此不再赘述。
上述工程岩体裂隙网络构建系统采用混合视觉系统获取不同尺度的裂隙露头图像后，根据裂隙的结构特征信息和裂隙露头图像，最终实现裂隙网络的构建，相对于现有技术来说，不需要地质工作者去到现场手工测量，基本实现了裂隙检测、裂隙网络构建的智能化和无人化，因此极大提高了裂隙智能捕捉与统计工作、裂隙网络构建和统计分析的效率，进而可以提高之后的工程岩体稳定性评价效率。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的工程岩体裂隙网络构建方法的工程岩体裂隙网络构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个工程岩体裂隙网络构建装置实施例中的具体限定可以参见上文中对于工程岩体裂隙网络构建方法的限定，在此不再赘述。
在一个实施例中，参见图15，提供了一种工程岩体裂隙网络构建装置1500。工程岩体裂隙网络构建装置1500包括：
数据采集模块1502，用于通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
数据获取模块1504，用于获取目标区域内各裂隙的结构特征信息；
数据处理模块1506，用于根据目标区域内各裂隙的结构特征信息和裂隙露头图像，确定各裂隙的工程岩体结构特征信息；
裂隙网络构建模块1508，用于根据各裂隙的工程岩体结构特征信息构建裂隙网络。
上述工程岩体裂隙网络构建装置采用混合视觉系统获取不同尺度的裂隙露头图像后，根据裂隙的结构特征信息和裂隙露头图像，最终实现裂隙网络的构建，相对于现有技术来说，不需要地质工作者去到现场手工测量，基本实现了裂隙检测、裂隙网络构建的智能化和无人化，因此极大提高了裂隙智能捕捉与统计工作、裂隙网络构建和统计分析的效率，进而可以提高之后的工程岩体稳定性评价效率。
在一个实施例中，数据采集模块1502还用于通过混合视觉系统针对目标区域采集第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像，其中第一裂隙图像的尺度大于第二裂隙图像的尺度，第三裂隙图像的尺度大于第四裂隙图像的尺度；第三裂隙图像为第二裂隙图像内裂隙露头区域对应的图像，第四裂隙图像为第三裂隙图像中包括目标地质现象区域的图像。
在一个实施例中，数据获取模块1504还用于通过搭载在混合视觉系统上的激光测距仪和测角仪器，获取目标区域内各裂隙的结构特征信息，结构特征信息包括裂隙的产状、张开度和长度。
在一个实施例中，数据处理模块1504还用于通过图像分割模型对第三裂隙图像和第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像；根据特征图像及目标区域内各裂隙的结构特征信息，确定各裂隙的工程岩体结构特征信息。
在一个实施例中，裂隙网络构建模块1508还用于对各裂隙的工程岩体结构特征信息进行统计，得到统计信息；通过施密特下半球等面积投影网法，根据统计信息对各裂隙进行优势分组，得到多个裂隙组；确定各个裂隙组中的裂隙服从概率分布的基本参数；通过蒙特卡罗方法，基于基本参数构建裂隙网络。
上述工程岩体裂隙网络构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图16所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储车辆的位置信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆室内定位方法。
本领域技术人员可以理解，图16中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；获取目标区域内各裂隙的结构特征信息；根据目标区域内各裂隙的结构特征信息和裂隙露头图像，确定各裂隙的工程岩体结构特征信息；根据各裂隙的工程岩体结构特征信息构建裂隙网络。
上述工程岩体裂隙网络构建计算机设备采用混合视觉系统获取不同尺度的裂隙露头图像后，根据裂隙的结构特征信息和裂隙露头图像，最终实现裂隙网络的构建，相对于现有技术来说，不需要地质工作者去到现场手工测量，基本实现了裂隙检测、裂隙网络构建的智能化和无人化，因此极大提高了裂隙智能捕捉与统计工作、裂隙网络构建和统计分析的效率，进而可以提高之后的工程岩体稳定性评价效率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过混合视觉系统针对目标区域采集第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像，其中第一裂隙图像的尺度大于第二裂隙图像的尺度，第三裂隙图像的尺度大于第四裂隙图像的尺度；第三裂隙图像为第二裂隙图像内裂隙露头区域对应的图像，第四裂隙图像为第三裂隙图像中包括目标地质现象区域的图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过搭载在混合视觉系统上的激光测距仪和测角仪器，获取目标区域内各裂隙的结构特征信息，结构特征信息包括裂隙的产状、张开度和长度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：通过图像分割模型对第三裂隙图像和第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像；根据特征图像及目标区域内各裂隙的结构特征信息，确定各裂隙的工程岩体结构特征信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对各裂隙的工程岩体结构特征信息进行统计，得到统计信息；通过施密特下半球等面积投影网法，根据统计信息对各裂隙进行优势分组，得到多个裂隙组；确定各个裂隙组中的裂隙服从概率分布的基本参数；通过蒙特卡罗方法，基于基本参数构建裂隙网络。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；获取目标区域内各裂隙的结构特征信息；根据目标区域内各裂隙的结构特征信息和裂隙露头图像，确定各裂隙的工程岩体结构特征信息；根据各裂隙的工程岩体结构特征信息构建裂隙网络。
上述工程岩体裂隙网络构建计算机可读存储介质采用混合视觉系统获取不同尺度的裂隙露头图像后，根据裂隙的结构特征信息和裂隙露头图像，最终实现裂隙网络的构建，相对于现有技术来说，不需要地质工作者去到现场手工测量，基本实现了裂隙检测、裂隙网络构建的智能化和无人化，因此极大提高了裂隙智能捕捉与统计工作、裂隙网络构建和统计分析的效率，进而可以提高之后的工程岩体稳定性评价效率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过混合视觉系统针对目标区域采集第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像，其中第一裂隙图像的尺度大于第二裂隙图像的尺度，第三裂隙图像的尺度大于第四裂隙图像的尺度；第三裂隙图像为第二裂隙图像内裂隙露头区域对应的图像，第四裂隙图像为第三裂隙图像中包括目标地质现象区域的图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过搭载在混合视觉系统上的激光测距仪和测角仪器，获取目标区域内各裂隙的结构特征信息，结构特征信息包括裂隙的产状、张开度和长度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：通过图像分割模型对第三裂隙图像和第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像；根据特征图像及目标区域内各裂隙的结构特征信息，确定各裂隙的工程岩体结构特征信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对各裂隙的工程岩体结构特征信息进行统计，得到统计信息；通过施密特下半球等面积投影网法，根据统计信息对各裂隙进行优势分组，得到多个裂隙组；确定各个裂隙组中的裂隙服从概率分布的基本参数；通过蒙特卡罗方法，基于基本参数构建裂隙网络。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种工程岩体裂隙网络构建方法，其特征在于，包括：
通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
获取所述目标区域内各裂隙的结构特征信息；
根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；
根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。
2.如权利要求1所述的工程岩体裂隙网络构建方法，其特征在于，所述通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像，包括：
通过混合视觉系统针对目标区域采集第一裂隙图像、第二裂隙图像、第三裂隙图像和第四裂隙图像，其中所述第一裂隙图像的尺度大于所述第二裂隙图像的尺度，所述第三裂隙图像的尺度大于所述第四裂隙图像的尺度；
所述第三裂隙图像为所述第二裂隙图像内裂隙露头区域对应的图像，所述第四裂隙图像为所述第三裂隙图像中包括目标地质现象区域的图像。
3.如权利要求1所述的工程岩体裂隙网络构建方法，其特征在于，所述获取所述目标区域内各裂隙的结构特征信息，包括：
通过搭载在所述混合视觉系统上的激光测距仪和测角仪器，获取所述目标区域内各裂隙的结构特征信息，所述结构特征信息包括所述裂隙的产状、张开度和长度。
4.如权利要求2所述的工程岩体裂隙网络构建方法，其特征在于，所述根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息，包括：
通过图像分割模型对所述第三裂隙图像和所述第三裂隙图像对应的第四裂隙图像进行特征提取，得到对应的特征图像；
根据所述特征图像及所述目标区域内各裂隙的结构特征信息，确定各所述裂隙的工程岩体结构特征信息。
5.如权利要求1所述的工程岩体裂隙网络构建方法，其特征在于，所述根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络，还包括：
对各所述裂隙的所述工程岩体结构特征信息进行统计，得到统计信息；
通过施密特下半球等面积投影网法，根据所述统计信息对各所述裂隙进行优势分组，得到多个裂隙组；
确定各个所述裂隙组中的所述裂隙服从概率分布的基本参数；
通过蒙特卡罗方法，基于所述基本参数构建裂隙网络。
6.一种工程岩体裂隙网络构建系统，其特征在于，包括：
混合视觉系统，用于获取目标区域内不同尺度的裂隙露头图像；
操作平台，用于接收所述不同尺度的裂隙露头图像，获取所述目标区域内各裂隙的结构特征信息，根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像确定各所述裂隙的工程岩体结构特征信息，根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络；
无线传输装置，用于将所述混合视觉系统获取的所述裂隙露头图像传输给所述操作平台。
7.一种工程岩体裂隙网络构建装置，其特征在于，包括：
数据采集模块，用于通过混合视觉系统针对目标区域采集不同尺度的裂隙露头图像；
数据获取模块，用于获取所述目标区域内各裂隙的结构特征信息；
数据处理模块，用于根据所述目标区域内各裂隙的结构特征信息和所述裂隙露头图像，确定各所述裂隙的工程岩体结构特征信息；
裂隙网络构建模块，用于根据各所述裂隙的所述工程岩体结构特征信息构建裂隙网络。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN202210628047.7A 2022-06-06 2022-06-06 工程岩体裂隙网络构建方法、系统与装置 Active CN115131295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210628047.7A CN115131295B (zh) 2022-06-06 2022-06-06 工程岩体裂隙网络构建方法、系统与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210628047.7A CN115131295B (zh) 2022-06-06 2022-06-06 工程岩体裂隙网络构建方法、系统与装置

Publications (2)

Publication Number Publication Date
CN115131295A true CN115131295A (zh) 2022-09-30
CN115131295B CN115131295B (zh) 2023-08-29

Family

ID=83377326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210628047.7A Active CN115131295B (zh) 2022-06-06 2022-06-06 工程岩体裂隙网络构建方法、系统与装置

Country Status (1)

Country Link
CN (1) CN115131295B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441235A (zh) * 2016-09-23 2017-02-22 湖南科技大学 基于无人飞机机载成像的混凝土裂缝宽度识别系统及方法
CN107507170A (zh) * 2017-07-28 2017-12-22 中国民航大学 一种基于多尺度图像信息融合的机场跑道裂缝检测方法
CN112132965A (zh) * 2020-09-25 2020-12-25 中国矿业大学 一种岩土体孔裂隙结构多尺度表征方法
CN112307803A (zh) * 2019-07-25 2021-02-02 中国石油天然气股份有限公司 数字地质露头裂缝提取方法及装置
CN113252700A (zh) * 2021-07-01 2021-08-13 湖南大学 一种结构裂缝检测方法、设备及系统
CN113848209A (zh) * 2021-08-23 2021-12-28 浙江工业大学 一种基于无人机与激光测距的堤坝裂缝检测方法
CN113963130A (zh) * 2021-10-25 2022-01-21 中国石油大学(华东) 一种针对岩心裂隙的裂隙网络模型的构建方法
CN114049356A (zh) * 2022-01-17 2022-02-15 湖南大学 一种结构表观裂缝检测方法、装置及系统
CN114494240A (zh) * 2022-02-17 2022-05-13 京沪高速铁路股份有限公司 基于多尺度协作深度学习的无砟轨道板裂缝测量方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106441235A (zh) * 2016-09-23 2017-02-22 湖南科技大学 基于无人飞机机载成像的混凝土裂缝宽度识别系统及方法
CN107507170A (zh) * 2017-07-28 2017-12-22 中国民航大学 一种基于多尺度图像信息融合的机场跑道裂缝检测方法
CN112307803A (zh) * 2019-07-25 2021-02-02 中国石油天然气股份有限公司 数字地质露头裂缝提取方法及装置
CN112132965A (zh) * 2020-09-25 2020-12-25 中国矿业大学 一种岩土体孔裂隙结构多尺度表征方法
CN113252700A (zh) * 2021-07-01 2021-08-13 湖南大学 一种结构裂缝检测方法、设备及系统
CN113848209A (zh) * 2021-08-23 2021-12-28 浙江工业大学 一种基于无人机与激光测距的堤坝裂缝检测方法
CN113963130A (zh) * 2021-10-25 2022-01-21 中国石油大学(华东) 一种针对岩心裂隙的裂隙网络模型的构建方法
CN114049356A (zh) * 2022-01-17 2022-02-15 湖南大学 一种结构表观裂缝检测方法、装置及系统
CN114494240A (zh) * 2022-02-17 2022-05-13 京沪高速铁路股份有限公司 基于多尺度协作深度学习的无砟轨道板裂缝测量方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁威等: ""基于深度学习和无人机的混凝土结构裂缝检测方法"", pages 1 *
兰志广: ""复杂结构裂隙岩体三维统计连通率研究—以广西大藤峡泄水闸坝基岩体为例"", pages 3 - 4 *

Also Published As

Publication number Publication date
CN115131295B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Kong et al. Development and application of UAV-SfM photogrammetry for quantitative characterization of rock mass discontinuities
Tziavou et al. Unmanned Aerial Vehicle (UAV) based mapping in engineering geological surveys: Considerations for optimum results
Hassani Documentation of cultural heritage; techniques, potentials, and constraints
Abellán et al. Terrestrial laser scanning of rock slope instabilities
Zekkos et al. Lessons learned from the application of UAV-enabled structure-from-motion photogrammetry in geotechnical engineering
Bates et al. High-resolution LiDAR and photogrammetric survey of the Fumanya dinosaur tracksites (Catalonia): implications for the conservation and interpretation of geological heritage sites
CN104569972B (zh) 一种植物根系三维构型无损检测方法
CN103759713B (zh) 一种基于全景影像的危岩落石调查方法
Ozturk et al. A low-cost approach for determination of discontinuity orientation using smartphone images and application to a part of Ihlara Valley (Central Turkey)
Matthews et al. THEAPPLICATION OF PHOTOGRAMMETRY, REMOTE SENSING AND GEOGRAPHIC INFORMATIONSYSTEMS (GIS) TO FOSSIL RESOURCE MANAGEMENT
Chiabrando et al. A comparison among different optimization levels in 3D multi-sensor models. A test case in emergency context: 2016 Italian earthquake
Kim et al. Applicability assessment of UAV mapping for disaster damage investigation in Korea
Karantanellis et al. 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery
Vileikis et al. Application of digital heritage documentation for condition assessments and monitoring change in Uzbekistan
Bouziani et al. Comparison assessment of digital 3D models obtained by drone-based lidar and drone imagery
CN115131295A (zh) 工程岩体裂隙网络构建方法、系统与装置
CN115601517A (zh) 岩体结构面信息采集方法、装置、电子设备及存储介质
Zheng et al. Accuracy comparison of rock discontinuity geometric parameters in photogrammetry based on two georeferencing methods: Control points and geotagged photos
Vasilakos et al. Comparison of terrestrial photogrammetry and terrestrial laser scanning for earthquake response management
Casierra et al. Methodology for Infrastructure Site Monitoring using Unmanned Aerial Vehicles (UAVs)
Cleveland et al. Principles and applications of digital photogrammetry for geotechnical engineering
Sobak et al. Terrestrial laser scanning assessment of generalization errors in conventional topographic surveys
TWI597405B (zh) System and method for monitoring slope with tree displacement
White et al. Measuring sky view factor of urban canyons using hacked Gopro hemispheric video processing
Romo et al. Reconnaissance documentation of geologic structure using close-range terrestrial photogrammetry

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