CN116935231A - 一种隧道围岩结构面信息提取及关键块体识别方法 - Google Patents
一种隧道围岩结构面信息提取及关键块体识别方法 Download PDFInfo
- Publication number
- CN116935231A CN116935231A CN202311183376.6A CN202311183376A CN116935231A CN 116935231 A CN116935231 A CN 116935231A CN 202311183376 A CN202311183376 A CN 202311183376A CN 116935231 A CN116935231 A CN 116935231A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- structural surface
- cloud data
- surrounding rock
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011435 rock Substances 0.000 title claims abstract description 32
- 238000000605 extraction Methods 0.000 title claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000011844 contact investigation Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种隧道围岩结构面信息提取及关键块体识别方法,涉及图像处理领域,包括以下步骤:使用三维激光扫描仪获取隧道围岩的点云数据,并进行降噪处理;对点云数据进行三角剖分,建立三角网格拓扑结构,根据三角网格的拓扑连续性方法消除交点,对点云数据进行精简;将简化的点云数据导入软件,提取结构面,同时将分散细碎的结构面进行合成;将软件合成出的结构面进行全空间赤平投影分析,确定出隧道围岩的可动块体位置,本发明具有计算的结构面产状准确性高,为关键块体的识别和稳定性分析提供了可靠的数据来源的优点。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种隧道围岩结构面信息提取及关键块体识别方法。
背景技术
近些年来,世界隧道工程技术发展迅速,全球隧道建设朝着更长、更复杂的方向发展,确保隧道挖掘的安全已成为隧道建设的最重要和必要的条件。隧道施工中经常会遇到致密而复杂的地质间断点,这有可能导致隧道坍塌,从而造成重大的安全事故和经济损失。为了避免隧道事故的发生,通常需要进行地质调查获取结构面信息,进而进行关键块体的识别和稳定性分析的。
在隧道工程中,传统的地质调查是使用罗盘和卷尺在场测量的接触式调查,直接通过人工测量出结构面信息后确定不稳定块体。然而这种接触式的测量方法不仅效率低下,而且获取的结构面信息通常不完整和不准确。随着数字信息化的发展,地质调查方法逐渐转变为以数字摄影测量这种非接触式调查为主,采用数字图像处理的方法在图像中获取结构面的数据信息,但是这种方法受到光线、粉尘和湿度的影响,获取的结构面数据量和准确度仍然有限。
发明内容
本发明要解决的技术问题是解决传统接触式调查数据量和准确度较低的问题。
为了解决上述技术问题,本发明提供了一种隧道围岩结构面信息提取及关键块体识别方法,包括以下步骤,
(1)使用三维激光扫描仪获取隧道围岩的点云数据,并进行降噪处理;
(2)对点云数据进行三角剖分,建立三角网格拓扑结构,根据三角网格的拓扑连续性方法消除交点,对点云数据进行精简;
(3)将简化的点云数据导入软件,提取结构面,同时将分散细碎的结构面进行合成;
(4)将软件合成出的结构面进行全空间赤平投影分析,确定出隧道围岩的可动块体位置。
作为对本发明的进一步说明,优选地,进行三角剖分前,建立多信息体素空间并做三角面片相交判断,若相交则根据交线环提取算法生成模型相交的轮廓环。
作为对本发明的进一步说明,优选地,生成轮廓环后,提取内部多边形区域并进行内外分类,然后采用ear-cutting算法进行三角剖分。
作为对本发明的进一步说明,优选地,完成三角剖分后,判断相邻三角形之间的角度差和面积差,将形状变化较小的三角形进行合并。
作为对本发明的进一步说明,优选地,采用布尔算法合并三角面片,删除三角网格顶点以减少点云数据。
作为对本发明的进一步说明,优选地,将简化的点云数据导入Geocloud,使用FacetDetect提取结构面,并获取结构面的倾角、倾向和间距数据,通过对比不同结构面的倾角、倾向和间距与设计阈值的值,将小于阈值的结构面进行合并。
作为对本发明的进一步说明,优选地,三维激光扫描仪在扫描前需在扫描站的公共区域放置标靶,并以三个或三个以上的标靶作为一个测站,先进行测站的扫描,然后再对每个标靶进行精确扫描。
作为对本发明的进一步说明,优选地,将扫描的点云数据利用Poly-work进行手动去噪处理,以将明显的外围散乱点剔除。
作为对本发明的进一步说明,优选地,采用Poly-work中的模块将分块的点云数据进行对齐,然后通过best-fitalignment内进行精确对齐。
本发明的上述技术方案具有如下优点:
本发明通过三维激光扫描仪进行隧道围岩的点云数据采集,操作简易、数据采集全面且精准。得到完整的隧道围岩点云数据后,采用三角网格法进行数据化简,在保证准确度的前提下极大的减少了所需计算的点云数量,降低了对设备的要求同时还提高了工作效率。实现了从隧道围岩数据采集到结构面及关键块体识别的一整套解决方案,整体自动化程度高,人力消耗少。
附图说明
图1是本发明的步骤流程图;
图2是本发明的点云数据简化前展示图;
图3是本发明的点云数据简化后展示图;
图4是本发明的结构面简化前展示图;
图5是本发明的结构面简化后展示图;
图6是本发明的块体#1的3个结构面和临空面的全空间赤平投影图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种隧道围岩结构面信息提取及关键块体识别方法,如图1所示,包括以下步骤:
(1)在扫描站的公共区域放置三个或三个以上的标靶,使用三维激光扫描仪对每个测站进行扫描,其中每个测站由三个或三个以上的标靶组成,扫描后再对每个标靶进行精确扫描。通过先分测站后进行分部拼接的方法,将所有站点数据以第一参考站点为准,两两拼接相继传递在同一坐标系下,达到获取海量隧道围岩的点云数据的目的。
获取到隧道围岩的点云数据后,导入至Poly-works对采集到的数据进行手动去噪处理,将明显的外围散乱点剔除。随后使用Poly-works中的IMAlign模块快速且高精度地对齐分块数据。然后在best-fit alignment里进行精确对齐,与此同时可以实时监测到对齐的参数及效果,也可以随时停止迭代运算。
(2)由于隧道围岩结构面密集而复杂,使用高分辨率的三维激光扫描仪获取的隧道围岩点云数据量十分庞大,手动降噪的处理量有限,因此还需进一步简化点云数据。此时将点云数据导入软件内,先设定顶点的序列方向为顺时针还是逆时针,随后根据设定方向遍历每个点,选取三个点剖分出一个三角形,判断该三角形的重心是否位于顶点的集合中,若位于则判断为Ear,将其内的点云删除,只保留三个顶点。
随后建立多信息体素空间并做三角面片相交判断,若相交则根据交线环提取算法生成模型相交的轮廓环,生成轮廓环后,提取内部多边形区域并进行内外分类,然后采用ear-cutting算法再次进行三角剖分,完成三角剖分后,建立三角网格拓扑结构,判断相邻三角形之间的角度差和面积差,将形状变化较小的三角形进行合并,采用布尔算法合并三角面片,删除三角网格顶点以减少点云数据。
根据三角网格的拓扑连续性方法消除交点,在处理复杂结构时具有较好的灵活性,不仅能适应不同的几何形状,而且还能准确对点云数据进行精简,虽然计算量较大,但是能将误差控制在0.05左右,该差值为工程误差内,实现了有效减少点云数量且保持了点云的形状特征。如图2所示,原模型存在24684758个点,简化后如图3所示,剩余1866457个点,在保留原有特征的前提下,相比原点云模型减少了约92%的计算点。
(3)将简化的点云数据导入Geocloud,使用FacetDetect提取结构面,并获取结构面的倾角、倾向和间距数据。由于隧道的岩体比较复杂,结构面的规律性也有所不同,某些平面可能表现出波动,导致平面内单个点的法向量与平面的整体法向量之间存在显著差异。使得同一平面内识别出许多碎片化和小尺寸的分散结构面,在三维激光扫描仪扫描过程中可能由于存在扫描盲区或者遮挡物而产生一些空洞同样也会导致这一问题。而从工程地质学的角度来看,这些分散结构面可以被视为一个单一的完全结构面。因此为了满足工程地质领域的要求,通过对比不同结构面的倾角、倾向和间距与设计阈值的值,将小于阈值的结构面进行合并。如图4和图5所示,通过将一些分散细碎的结构面进行合成,经过合并优化后同一结构面的表现效果得到明显提升。
为了分析该方法的的识别效果,在全局范围内选取10个结构面进行标记。最后,将自动计算结果与经典开源软件CloudCompare手动计算结果进行对比。对比结果见表1。
表1 隧道点云提取结构面对比结果
结果表明,使用本方法的计算结果与CloudCompare的手动计算结果基本吻合,最小误差为0.1°,最大误差仅为4.69°,均在工程可允许的误差范围内。
(4)根据隧道围岩结构面实际的出露位置,将FacetDetect自动识别出的结构面,对其进行全空间赤平投影分析,确定出隧道围岩的可动块体位置。表2为本方法计算出构成块体#1的结构面的产状信息,临空面为隧道的边墙。
表2 本方法计算出构成块体#1的结构面的产状信息
在得到结构面产状信息之后,通过全空间赤平投影来对块体的有限性和可动性进行判别,图6为构成块体#1的3个结构面和临空面的全空间赤平投影图,010为块体#1的编号,下方数字13表示块体沿结构面P1、结构面P3双面滑动;111下方数字0表示该块体已经掉落。从图中可以看出,三个结构面切割出来的结构面锥有:101、100、100、000、001、010、011、111,根据块体理论的块体可动性判别方法,节理锥完全处于边墙、顶拱及临空面构成的空间锥内,判断为可动块体。EP为边墙的下半部分,SP为边墙的上半部分,只有结构面锥010完全位于边墙构成的空间锥内,满足块体理论可动性定理,因此块体#1可在隧道围岩形成可动块体,实现对关键块体的识别。
综上所述,本发明通过三维激光扫描仪进行隧道围岩的点云数据采集,操作简易、数据采集全面且精准。得到完整的隧道围岩点云数据后,采用三角网格法进行数据化简,在保证准确度的前提下极大的减少了所需计算的点云数量,降低了对设备的要求同时还提高了工作效率。在识别结构面中,进行了结构面的合成优化,解决了实际工程中的本属于同一结构面的分散、零散问题,提升了结构面识别效果。本发明计算的结构面产状准确性高,为关键块体的识别和稳定性分析提供了可靠的数据来源,整体自动化程度高,人力消耗少。
最后应说明的是: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:其依然可以对前述各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各实施例技术方案的精神和范围。
Claims (7)
1.一种隧道围岩结构面信息提取及关键块体识别方法,其特征在于:包括以下步骤:
(1)使用三维激光扫描仪获取隧道围岩的点云数据,并进行降噪处理;
(2)将降噪的点云数据导入软件内,先设定顶点的序列方向为顺时针或逆时针,随后根据设定方向遍历每个点,选取三个点剖分出一个三角形,判断该三角形的重心是否位于顶点的集合中,若位于则判断为Ear,将其内的点云删除,只保留三个顶点,随后建立多信息体素空间并做三角面片相交判断,若相交则根据交线环提取算法生成模型相交的轮廓环,生成轮廓环后,提取内部多边形区域并进行内外分类,然后采用ear-cutting算法对点云数据进行三角剖分,建立三角网格拓扑结构,根据三角网格的拓扑连续性方法消除交点,对点云数据进行精简;
(3)将简化的点云数据导入软件,提取结构面,同时将分散细碎的结构面进行合成;
(4)将软件合成出的结构面进行全空间赤平投影分析,确定出隧道围岩的可动块体位置。
2.根据权利要求1所述的一种隧道围岩结构面信息提取及关键块体识别方法,其特征在于:
完成三角剖分后,判断相邻三角形之间的角度差和面积差,将形状变化较小的三角形进行合并。
3.根据权利要求2所述的一种隧道围岩结构面信息提取及关键块体识别方法,其特征在于:
采用布尔算法合并三角面片,删除三角网格顶点以减少点云数据。
4.根据权利要求1所述的一种隧道围岩结构面信息提取及关键块体识别方法,其特征在于:
步骤(3)进一步包括:将简化的点云数据导入Geocloud,使用FacetDetect提取结构面,并获取结构面的倾角、倾向和间距数据,通过对比不同结构面的倾角、倾向和间距与设计阈值的值,将小于阈值的结构面进行合并。
5.根据权利要求1所述的一种隧道围岩结构面信息提取及关键块体识别方法,其特征在于:
所述使用三维激光扫描仪获取隧道围岩的点云数据,包括:三维激光扫描仪在扫描前在扫描站的公共区域放置标靶,并以三个或三个以上的标靶作为一个测站,先进行测站的扫描,然后再对每个标靶进行精确扫描。
6.根据权利要求5所述的一种隧道围岩结构面信息提取及关键块体识别方法,其特征在于:
将扫描的点云数据利用Poly-work进行手动去噪处理,以将明显的外围散乱点剔除。
7.根据权利要求6所述的一种隧道围岩结构面信息提取及关键块体识别方法,其特征在于:
采用Poly-work中的模块将分块的点云数据进行对齐,然后通过best-fitalignment内进行精确对齐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311183376.6A CN116935231B (zh) | 2023-09-14 | 2023-09-14 | 一种隧道围岩结构面信息提取及关键块体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311183376.6A CN116935231B (zh) | 2023-09-14 | 2023-09-14 | 一种隧道围岩结构面信息提取及关键块体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116935231A true CN116935231A (zh) | 2023-10-24 |
CN116935231B CN116935231B (zh) | 2023-11-28 |
Family
ID=88375637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311183376.6A Active CN116935231B (zh) | 2023-09-14 | 2023-09-14 | 一种隧道围岩结构面信息提取及关键块体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116935231B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685080A (zh) * | 2018-12-27 | 2019-04-26 | 中国科学院大学 | 基于霍夫变换与区域生长的多尺度平面提取方法 |
CN112784403A (zh) * | 2020-12-31 | 2021-05-11 | 东北大学 | 基于点云数据建立节理岩体离散元模型的数值模拟方法 |
CN113763563A (zh) * | 2021-09-07 | 2021-12-07 | 岱悟智能科技(上海)有限公司 | 一种基于平面识别的三维点云几何网格结构生成方法 |
CN113781667A (zh) * | 2021-11-10 | 2021-12-10 | 深圳大学 | 三维结构简化重建方法、装置、计算机设备和存储介质 |
US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
CN114419445A (zh) * | 2022-01-24 | 2022-04-29 | 重庆中环建设有限公司 | 一种基于三维激光扫描隧道围岩信息的识别和提取方法 |
US11348269B1 (en) * | 2017-07-27 | 2022-05-31 | AI Incorporated | Method and apparatus for combining data to construct a floor plan |
CN114742852A (zh) * | 2022-03-07 | 2022-07-12 | 华中科技大学 | 一种基于网格求交的高效自由曲面分层方法及其应用 |
US20230147759A1 (en) * | 2017-12-22 | 2023-05-11 | Magic Leap, Inc. | Viewpoint dependent brick selection for fast volumetric reconstruction |
-
2023
- 2023-09-14 CN CN202311183376.6A patent/CN116935231B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11348269B1 (en) * | 2017-07-27 | 2022-05-31 | AI Incorporated | Method and apparatus for combining data to construct a floor plan |
US20230147759A1 (en) * | 2017-12-22 | 2023-05-11 | Magic Leap, Inc. | Viewpoint dependent brick selection for fast volumetric reconstruction |
CN109685080A (zh) * | 2018-12-27 | 2019-04-26 | 中国科学院大学 | 基于霍夫变换与区域生长的多尺度平面提取方法 |
US20220112806A1 (en) * | 2020-10-13 | 2022-04-14 | Institute Of Rock And Soil Mechanics, Chinese Academy Of Sciences | Safety early warning method and device for full-section tunneling of tunnel featuring dynamic water and weak surrounding rock |
CN112784403A (zh) * | 2020-12-31 | 2021-05-11 | 东北大学 | 基于点云数据建立节理岩体离散元模型的数值模拟方法 |
CN113763563A (zh) * | 2021-09-07 | 2021-12-07 | 岱悟智能科技(上海)有限公司 | 一种基于平面识别的三维点云几何网格结构生成方法 |
CN113781667A (zh) * | 2021-11-10 | 2021-12-10 | 深圳大学 | 三维结构简化重建方法、装置、计算机设备和存储介质 |
CN114419445A (zh) * | 2022-01-24 | 2022-04-29 | 重庆中环建设有限公司 | 一种基于三维激光扫描隧道围岩信息的识别和提取方法 |
CN114742852A (zh) * | 2022-03-07 | 2022-07-12 | 华中科技大学 | 一种基于网格求交的高效自由曲面分层方法及其应用 |
Non-Patent Citations (3)
Title |
---|
罗周全;罗贞焱;徐海;张文芬;周吉明;: "采空区激光扫描信息三维可视化集成系统开发关键技术", 中南大学学报(自然科学版), no. 11 * |
葛宝臻;杜朴;孙宇臣;卢波;吕且妮;: "改进的多传感器数据统一算法", 中国图象图形学报, no. 07 * |
许度;冯夏庭;李邵军;吴世勇;邱士利;周扬一;高要辉;: "基于三维激光扫描的锦屏地下实验室岩体变形破坏特征关键信息提取技术研究", 岩土力学, no. 1 * |
Also Published As
Publication number | Publication date |
---|---|
CN116935231B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Battulwar et al. | A state-of-the-art review of automated extraction of rock mass discontinuity characteristics using three-dimensional surface models | |
Chen et al. | Towards semi-automatic discontinuity characterization in rock tunnel faces using 3D point clouds | |
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 | |
CN111553292B (zh) | 一种基于点云数据的岩体结构面识别与产状分类方法 | |
CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
Zhang et al. | A modified method of discontinuity trace mapping using three-dimensional point clouds of rock mass surfaces | |
CN110348138B (zh) | 一种实时生成真实井下巷道模型的方法、装置及存储介质 | |
Kim et al. | Assessment of the accuracy of close distance photogrammetric JRC data | |
CN111797454A (zh) | 基于数字信息化技术的基坑土方量计算方法 | |
CN112033385A (zh) | 一种基于海量点云数据的桥墩位姿测量方法 | |
CN114419445A (zh) | 一种基于三维激光扫描隧道围岩信息的识别和提取方法 | |
CN116977588B (zh) | 基于体元栅格地质模型的截割曲线生成方法和装置 | |
CN112907601B (zh) | 一种基于特征变换的隧道拱架点云自动提取方法及装置 | |
WO2022104251A1 (en) | Image analysis for aerial images | |
Forlani et al. | Building reconstruction and visualization from lidar 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 | |
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 | |
JP2006286019A (ja) | 三次元構造物形状の自動生成装置、自動生成方法、そのプログラム、及びそのプログラムを記録した記録媒体 | |
Zheng et al. | Accuracy comparison of rock discontinuity geometric parameters in photogrammetry based on two georeferencing methods: Control points and geotagged photos | |
CN112347901A (zh) | 一种基于三维激光扫描技术岩体块体分析方法 | |
Teo et al. | Reconstruction of complex buildings using LIDAR and 2D maps | |
Bool et al. | Automated building detection using RANSAC from classified LiDAr point cloud data | |
Truong-Hong et al. | Tunneling appropriate computational models from laser scanning data | |
Wu et al. | A New Method for Automatic Extraction and Analysis of Discontinuities Based on TIN on Rock Mass Surfaces. Remote Sens. 2021, 13, 2894 | |
Donovan et al. | The application of three-dimensional imaging to rock discontinuity characterization |
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 |