CN117152344A - 基于照片重建点云的隧道围岩结构面解析方法及系统 - Google Patents

基于照片重建点云的隧道围岩结构面解析方法及系统 Download PDF

Info

Publication number
CN117152344A
CN117152344A CN202310775367.XA CN202310775367A CN117152344A CN 117152344 A CN117152344 A CN 117152344A CN 202310775367 A CN202310775367 A CN 202310775367A CN 117152344 A CN117152344 A CN 117152344A
Authority
CN
China
Prior art keywords
face
point cloud
surrounding rock
tunnel
density
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
CN202310775367.XA
Other languages
English (en)
Other versions
CN117152344B (zh
Inventor
王明年
彭鑫
林鹏
李泽星
易文豪
向露露
孙鸿强
夏覃永
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.)
Southwest Jiaotong University
China State Railway Group Co Ltd
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202310775367.XA priority Critical patent/CN117152344B/zh
Publication of CN117152344A publication Critical patent/CN117152344A/zh
Application granted granted Critical
Publication of CN117152344B publication Critical patent/CN117152344B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Graphics (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于照片重建点云的隧道围岩结构面解析方法及系统，包括如下步骤：基于SFM‑BA‑MVS技术重建隧道高密度点云；运用PointNet++点云深度神经网络对隧道高密度点云分割出隧道掌子面高密度点云；利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；运用八叉树算法分割掌子面高密度点云，从而得到数据空间分布特征，再利用RANSAC算法拟合；运用基于轮廓系数评价的Kmeans++算法对方程组聚类分析得到不同的结构面集，再运用HDBSCAN算法分割；根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距。本发明能消除传统钻爆法隧道中测量掌子面围岩结构面的人员主观因素的影响，提升了采样密度的同时提高了测量效率和安全性。

Description

基于照片重建点云的隧道围岩结构面解析方法及系统
技术领域
本发明涉及隧道工程技术领域，具体涉及一种基于照片重建点云的隧道围岩结构面解析方法及系统。
背景技术
钻爆法隧道掌子面围岩的稳定性评价是一个至关重要的问题，涉及到支护措施的选择，影响着隧道开挖过程中的安全性和可靠性。掌子面围岩结构面的数学几何分布特征是影响掌子面围岩稳定性评价的重要因素，结构面的数学几何分布特征主要是结构面的组数、产状、间距。在传统的隧道地质勘察工作中，测量人员依靠经验来观察和确定掌子面围岩结构面的组数，受主观因素影响造成的误差较大；测量人员利用地质罗盘贴近掌子面测取结构面产状，有安全程度低、测量效率低的缺点；测量人员利用长测线测取掌子面间距，测量范围局限，有局部替代整体特征和采样不足的缺点。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于照片重建点云的隧道围岩结构面解析方法及系统，消除传统钻爆法隧道中测量掌子面围岩结构面的人员主观因素的影响，提升了采样密度的同时提高了测量效率和安全性，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于照片重建点云的隧道围岩结构面解析方法，包括如下步骤：
S1、基于SFM-BA-MVS技术重建隧道高密度点云；
S2、运用PointNet++点云深度神经网络从步骤S1中得到的隧道高密度点云数据智能精细分割出隧道掌子面高密度点云；
S3、利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；
S4、运用八叉树算法分割经步骤S3后得到的掌子面高密度点云，从而得到数据空间分布特征，再利用RANSAC随机采样一致算法拟合，得到所有的局部掌子面围岩结构面方程组；
S5、运用基于轮廓系数评价的Kmeans++算法对所有的局部掌子面围岩结构面方程组聚类分析，得到不同的结构面集，运用HDBSCAN算法分割每个结构面集下不同的结构面；
S6、根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距。
优选的，在步骤S1中，基于SFM-BA-MVS技术重建隧道高密度点云，包括重建稀疏点云-校准稀疏点云-生成高密度点云三个部分，具体步骤如下：
S11、采用局部平移的镜头运动方式拍摄隧道掌子面照片；
S12、采用SFM算法工作流，首先运用SIFT尺度不变特征转换算法对掌子面照片中的特征点进行提取；
S13、运用FLANN快速近似最近邻搜索算法计算照片之间的相似度，找到每张照片之间的共同特征点并进行匹配，得到匹配特征点，基于得到的匹配特征点，构建一个初步的稀疏点云；
S14、通过光束法平差法精确校准稀疏点云；
S15、最后通过MVS技术进一步增加点云数量，再通过标靶位绝对坐标配准点云，实现重建隧道高密度点云。
优选的，在步骤S2中，具体包括如下：
S21、运用点云数据处理软件标注出隧道高密度点云中掌子面的区域，是掌子面的标记为1，不是掌子面的标记为0；
S22、对标注后隧道高密度点云进行预处理，包括点坐标范围归一化、统一点的数量和密度，构建用于训练PointNet++点云深度神经网络的数据集；
S23、将数据集按7：2：1的比例划分为训练集、验证集和预测集，将训练集数据输入到PointNet++点云深度神经网络中进行训练；
S24、使用训练好的PointNet++点云深度神经网络模型对隧道高密度点云进行预测分割，提取出掌子面区域，得到隧道掌子面高密度点云。
优选的，在步骤S3中，具体包括如下：
S31、首先利用K最近邻算法KNN算出每个点云对应K领域内的K+1个点云集，再用PCA主成分分析法拟合点云集，得到每个点云的法向量和曲率；
S32、然后通过自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪。
优选的，所述步骤S32中的自动阈值滤波包括：
绘制得到点云曲率的正态分布图并确定均值和标准差，计算在均值左侧和右侧各10％的标准差范围内的数据的下限和上限，删除曲率落在这些范围之外的点云数据；
将点云法向量转换为极坐标形式，离散化后统计每个区间内点数并标准化，绘制得到点云法向量正态分布图并确定均值和标准差，计算在均值上侧、下侧、左侧、右侧各15％标准差范围内的数据的下限和上限，删除法向量落在这些范围之外的点云数据；
所述步骤S32中的自动平滑滤波包括运用自动平滑滤波除去掌子面高密点云中的高频成分，除去点云中的小尺度噪点和细微的不连续性。
优选的，在步骤S4中，具体包括：
S41、采用确定好深度、中心点和边长的八叉树结构分割掌子面高密度点云，得到数据空间分布特征；
S42、利用RANSAC随机采样一致算法拟合每一个八叉树网格内部的高密度点云，设置RANSAC距离阈值参数、角度阈值参数和采样次数，在规定的采样次数下，一个拟合平面在规定的距离阈值和角度阈值内，含有点数量最多的平面被认为是该八叉树网格下的掌子面结构面平面方程组，从而得到所有的局部掌子面围岩结构面方程组。
优选的，在步骤S41中，八叉树结构深度是根据八叉树网格的最小高密度点云数量来确定的；八叉树结构的中心点和边长是根据高密度点云的最大值和最小值来确定的，公式表达如下：
T1＝|PXmax-PXmin|
T2＝|PYmax-PYmin|
Tu＝MAX(T1,T2)
其中，(Xm,Ym)是八叉树中心点的坐标，(PXmax,PXmin)是高密度点云的最大横坐标值和最小横坐标值，(PYmax,PYmin是高密度点云的最大纵坐标值和最小纵坐标值。T1是X方向的边长，T2是Y方向的边长，Tu是八叉树的边长。
优选的，在步骤S6中，具体包括如下：采用笛卡尔坐标系下的法向量与掌子面围岩结构面产状的转换关系，根据掌子面围岩结构面提取和分组的结果，利用掌子面围岩结构面单位法向量计算掌子面围岩结构面产状，包括掌子面围岩结构面倾向和倾角，如下式：
其中，QJ是掌子面围岩结构面倾角，A、B、C是掌子面围岩结构面单位法向量在X、Y、Z轴的分量，其中A2+B2+C2＝1，因此：
QJ＝cos-1|C|
将掌子面围岩结构面单位法向量投影到X-Y平面，求得投影向量与Y轴的夹角，该夹角即是掌子面围岩结构面倾向，先求得倾向系数，如式：
其中，K1是掌子面围岩结构面倾向系数，根据K1、A、C的值求得掌子面围岩结构面倾向QX；
一个掌子面围岩结构面集的法向量相似，求得掌子面围岩结构面集的单位法向量平均值，以代表掌子面围岩结构面集的整体法向量，掌子面围岩结构面集的单位法向量平均值公式表达如下：
其中，(Au，Bu，Cu)是掌子面围岩结构面集的单位法向量平均值，Np是该掌子面围岩结构面集的掌子面围岩结构面数量，(Ai，Bi，Ci)是该掌子面围岩结构面集第i个掌子面围岩结构面的单位法向量；
得到相邻掌子面围岩结构面的间距和掌子面围岩结构面集的平均间距，如下式所示：
其中，dj是掌子面围岩结构面集内第j个相邻掌子面围岩结构面间距，D1和D2表示掌子面围岩结构面集内的两个相邻掌子面围岩结构面，du是掌子面围岩结构面集平均间距。
另一方面，为实现上述目的，本发明还提供了如下技术方案：一种基于照片重建点云的隧道围岩结构面解析系统，所述系统包括：
隧道高密度点云重建模块(110)：基于SFM-BA-MVS技术重建隧道高密度点云；
掌子面高密度点云分割模块(120)：运用PointNet++点云深度神经网络从隧道高密度点云重建模块中得到的隧道高密度点云数据智能精细分割出隧道掌子面高密度点云；
降噪模块(130)：利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；
八叉树分割模块(140)：运用八叉树算法分割经降噪模块后得到的掌子面高密度点云，从而得到数据空间分布特征，再利用RANSAC随机采样一致算法拟合，得到所有的局部掌子面围岩结构面方程组；
聚类分析模块(150)：运用基于轮廓系数评价的Kmeans++算法对所有的局部掌子面围岩结构面方程组聚类分析，得到不同的结构面集，运用HDBSCAN算法分割每个结构面集下不同的结构面；
产状和间距获取模块(160)：根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距。
本发明的有益效果是：本发明方法能消除传统钻爆法隧道中测量掌子面围岩结构面的人员主观因素的影响，提升了采样密度的同时提高了测量效率和安全性。
附图说明
图1为基于照片重建点云的隧道围岩结构面解析方法步骤流程示意图；
图2为照片重建的隧道稀疏点云和隧道高密度点云示意图；图2(a)为稀疏点云，图2(b)为高密度点云；
图3为PointNet++点云深度神经网络训练示意图；
图4为PointNet++神经网络分割掌子面区域的高密度点云示意图，图4(a)为分割前，图4(b)为分割后；
图5为滤波前后的隧道掌子面高密度点云示意图，图5(a)为滤波前，图5(b)为滤波后；
图6为八叉树算法示意图；
图7为八叉树网格分割隧道掌子面高密度点云示意图；图7(a)为八叉树之前，图7(b)为八叉树之后；
图8为基于轮廓系数评价的Kmeans++聚类算法分析隧道掌子面高密度点云得到不同结构面集合示意图，图8(a)为聚类之前，图8(b)为聚类之后；
图9为隧道掌子面结构产状和间距的示意图，图9(a)为产状，图9(b)为间距；
图10为基于照片重建点云的隧道围岩结构面解析系统模块示意图；
图中，110-隧道高密度点云重建模块；120-掌子面高密度点云分割模块；130-降噪模块；140-八叉树分割模块；150-聚类分析模块；160-产状和间距获取模块。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
请参阅图1-5，本发明提供一种技术方案：一种基于照片重建点云的隧道围岩结构面解析方法，如图1所示，包括如下步骤：
S1、基于SFM-BA-MVS技术重建隧道高密度点云，既重建稀疏点云-校准稀疏点云-生成高密度点云。
钻爆法隧道爆破完成，掌子面出渣、排险、通风20分钟后，在隧道掌子面底部中点和掌子面中部两个三分点放置标靶位，采用局部平移的镜头运动方式拍摄隧道掌子面照片，要求相邻拍摄点位的照片重叠率大于60％、每一张照片的分辨率大于2400×1800。获得的掌子面照片数据集需要覆盖掌子面的整体。点击“工作流”选项，将取得的掌子面照片数据集导入到Agisoft Metashape软件，采用SFM(Structure From Motion)算法工作流，如图2所示，首先运用SIFT(尺度不变特征转换)算法对掌子面照片中的特征点进行提取。运用FLANN(快速近似最近邻搜索)算法计算照片之间的相似度，找到每张照片之间的共同特征点并进行匹配。基于得到的匹配特征点，构建一个初步的稀疏点云，如图2(a)所示。通过光束法平差法(Bundle Adjustment)精确校准稀疏点云，最后通过MVS(Multi View Stereo)进一步增加点云数量，再通过标靶位绝对坐标配准点云，实现重建隧道高密度点云，如图2(b)所示，将隧道高密度点云导出，保存为“.las”格式。
利用隧道照片数据集和SFM技术可以高效重建隧道高密度点云，比采用昂贵的激光扫描仪采集点云更具有经济性，实用性和便捷性。重建的隧道高密度点云为克服传统隧道围岩结构面测量工作中的采样不足、人员主观因素造成的误差提供了数据基础。
S2、运用PointNet++点云深度神经网络从S1步骤中得到的隧道高密度点云数据智能精细分割出掌子面区域，得到隧道掌子面高密度点云。
运用CloudCompare点云数据处理软件标注出隧道高密度点云中掌子面的区域，使得点云文件新增一列数据，表示是否为掌子面区域，是掌子面标记为1，不是掌子面标记为0；再对标注后隧道高密度点云进行预处理，包括点坐标范围归一化、统一点的数量和密度等，从而构建训练PointNet++点云深度神经网络的数据集；将数据集按7：2：1的比例划分为训练集、验证集和预测集，训练集数据输入到神经网络模型中进行训练，如图3所示；最后使用训练好的神经网络模型对隧道高密度点云进行预测分割，如图4所示，提取出掌子面区域，PointNet++分割之前的隧道高密度点云如图4(a)所示，分割之后的隧道掌子面高密度点云如图4(b)所示。
PointNet++点云深度神经网络可以实现对掌子面高密度点云的智能化精细分割，能快速精确地切割出掌子面区域的点云，为提取掌子面围岩结构面参数提供了高质量数据支持。
S3、利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪。
KNN(K最近邻)算法算出每个点云对应K领域内的K+1个点云集，再用PCA(主成分分析)拟合点云集得到每个点云的法向量和曲率；自动绘制得到点云曲率的正态分布图并确定均值和标准差，计算在均值左侧和右侧各10％的标准差范围内的数据的下限和上限，删除曲率落在这些范围之外的点云数据；将点云法向量转换为极坐标形式，离散化后统计每个区间内点数并标准化，自动绘制得到点云法向量正态分布图并确定均值和标准差，计算在均值上侧、下侧、左侧、右侧各15％标准差范围内的数据的下限和上限，删除法向量落在这些范围之外的点云数据，以此排除周围的区域可能存在较大的悬挂或凸起的点云；再运用自动平滑滤波除去掌子面高密点云中的高频成分，除去点云中的小尺度噪点和细微的不连续性。
如图5所示，运用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波能够使得点云更具连续性和一致性，提升后续分析的准确性，掌子面围岩结构面的边界往往是曲率突变的区域，以曲率阈值为标准给点云降噪有利于提高结构面自动提取的准确度，降低程序运行时间，降低人的工作量，滤波之前和滤波之后的隧道掌子面高密度点云分别如图5(a)和图5(b)所示。
S4、运用八叉树算法分割在S3得到中的掌子面高密度点云，从而得到数据空间分布特征，再利用RANSAC(随机采样一致)算法拟合局部掌子面围岩结构面平面方程组。
八叉树算法示意图如图6所示，首先设置八叉树结构的深度、中心点和边长，根据八叉树网格的最小高密度点云数量确定八叉树深度，将最小高密度点云数量为20以上的设置为八叉树深度查找的停止迭代条件，此时的八叉树深度认为是结构面拟合的合理深度。根据高密度点云的最大值和最小值确定八叉树的中心点和边长：
T1＝|PXmax-PXmin|
T2＝|PYmax-PYmin|
Tu＝MAX(T1,T2)
其中是(Xm,Ym)八叉树中心点的坐标，(PXmax,PXmin)是高密度点云的最大横坐标值和最小横坐标值，(PYmax,PYmin)是高密度点云的最大纵坐标值和最小纵坐标值。T1是X方向的边长，T2是Y方向的边长，Tu是八叉树的边长。
用确定好深度、中心点和边长的八叉树结构分割掌子面高密度点云。再利用RANSAC(随机采样一致)算法拟合每一个八叉树网格内部的高密度点云，设置RANSAC距离阈值参数、角度阈值参数和采样次数分别为5度、0.01米和500次，在规定的采样次数下，一个拟合平面在规定的距离阈值和角度阈值内，含有点数量最多的平面被认为是该八叉树网格下的掌子面结构面平面方程组。角度阈值参数是拟合平面单位法向量与点单位法向量之间的夹角，如式：
其中A0 2+B0 2+C0 2＝1，所以：
当时：
dpt＝arccos(θ)
当时：
距离阈值参数是拟合平面与点之间的欧式距离，如式：
其中dpp是平面和点之间的欧氏距离，dpt是角度阈值参数，(A0，B0，C0，D0)是掌子面结构面平面方程组的参数，即A0x+B0y+C0z+D0＝0，(A0，B0，C0)是平面单位法向量，(x0，y0，z0)是要计算平面距离的一个高密度点云坐标，是该点的单位法向量。从而得到所有的局部掌子面围岩结构面方程组。
如图7所示，相比于隧道掌子面结构面传统测量中的区域局限性，运用八叉树算法能充分考虑隧道掌子面结构面的空间分布特点，充分分析掌子面结构面，使分析结果更加全面，八叉树之前和八叉树之后的隧道掌子面高密度点云如图7(a)和图7(b)所示。相比于传统人工使用地质罗盘测量掌子面结构面的低效性，使用RANSAC算法拟合隧道掌子面结构面方程组具有更高的测量效率。
S5、运用基于轮廓系数评价的Kmeans++距离聚类算法对所有的局部掌子面围岩结构面方程聚类分析，得到不同的结构面集，运用HDBSCAN(基于密度的具有噪声的层次空间聚类)算法分割每个结构面集下不同的结构面。
随机在样本中抽取一个点的单位法向量作为第一个初始聚类中心，遍历所有高密度点云，计算每一个高密度点云到初始聚类中心的距离，距离为法向量夹角的正弦值，如式：
其中，(nxu,nyu,nzu)是第一个初始聚类中心的单位法向量，(nx1,ny1,nz1)是待计算与第一个初始聚类中心距离的高密度点云，sinθ是高密度点云到初始聚类中心的距离。
求得每个高密度点云到初始聚类中心的距离之后，设置每个高密度点云被抽取为第二个初始聚类中心的概率为：
其中，μ是某高密度点云被选为第二个初始聚类中心的概率，d是某高密度点云到第一个初始聚类中心的距离，dmin是所有高密度点云到第一个初始聚类中心的最小距离，dmax是所有高密度点云到第一个初始聚类中心的最大距离。然后在高密度点云中按照规定概率随机抽取第二个初始聚类中心。
如此抽取多次，以获得K个初始聚类中心，K值通过轮廓系数法得到，对于隧道掌子面围岩的结构面问题，分别取K∈(2,3,4,5)。
计算对应K值下的轮廓系数，如下式：
其中，S表示轮廓系数，S∈[-1,1]，S越靠近1表示聚类效果越好，将S最靠近1时的K值作为初始聚类中心的数量，也是隧道掌子面围岩结构面的组数，N1表示点云数量，a(ii)表示样本点ii到与其属于同一个簇的其他样本点的距离的平均值，b(ii)表示样本点ii到其他簇所有样本平均距离的最小值。
基于轮廓系数评价的Kmeans++算法不断迭代聚类中心，如图8所示，最终获得K个掌子面结构面集。每一个结构面集内部的法向量是相似的，再运用HDBSCAN算法对每一个结构面集单独进行基于密度的再聚类分析，HDASCAN的数量阈值参数设置为4，半径参数设置为1厘米，经过HDBSCAN分析，得到结构面集内每一个单独的结构面平面方程。经过步骤S，得到K个结构面集，每个结构面集内部有划分好的结构面，基于轮廓系数评价的Kmeans++聚类之前和聚类之后的隧道掌子面高密度点云分别如图8(a)和图8(b)所示。
基于轮廓系数评价的Kmeans++和HDBSCAN机器学习算法能基于大量高密度点云自动提取出结构面地质信息，自动确定隧道掌子面结构面组数，克服了传统掌子面结构面测量工作中采样不足的缺点，降低了因测量人员主观因素和隧道特殊环境带来的误差。
S6、根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距，如图9所示。
运用笛卡尔坐标系下的法向量与掌子面围岩结构面产状的转换关系，根据的掌子面围岩结构面提取和分组的结果，利用掌子面围岩结构面单位法向量计算掌子面围岩结构面产状，如图9(a)所示，包括掌子面围岩结构面倾向和倾角，如式：
其中QJ是掌子面围岩结构面倾角，A、B、C是掌子面围岩结构面单位法向量在X、Y、Z轴的分量，其中A2+B2+C2＝1。因此：
QJ＝cos-1|C|
将掌子面围岩结构面单位法向量投影到X-Y平面，求得投影向量与Y轴的夹角，该夹角即是掌子面围岩结构面倾向，先求得倾向系数，如式：
其中K1是掌子面围岩结构面倾向系数，根据K1、A、C的值，即可求到掌子面围岩结构面倾向QX，如表1所示：
表1掌子面围岩结构面倾向QX的取值表
QX A C
K1 [0，+∞) (0，1)
360-K1 (-∞，0) (0，1)
180-K1 (-∞，0] (-1，0)
180+K1 (0，+∞) (-1，0)
一个掌子面围岩结构面集的法向量相似，求得掌子面围岩结构面集的单位法向量平均值，以代表掌子面围岩结构面集的整体法向量，如式：
其中(Au，Bu，Cu)是掌子面围岩结构面集的单位法向量平均值，Np是该掌子面围岩结构面集的掌子面围岩结构面数量，(Ai，Bi，Ci)是该掌子面围岩结构面集第i个掌子面围岩结构面的单位法向量。
于是，如图9(b)所示，相邻掌子面围岩结构面的间距和掌子面围岩结构面集的平均间距即可得到，如下式所示：
其中dj是掌子面围岩结构面集内第j个相邻掌子面围岩结构面间距，D1和D2表示掌子面围岩结构面集内的两个相邻掌子面围岩结构面，du是掌子面围岩结构面集平均间距。
自动计算隧道掌子面结构面的产状和间距，降低了测量人员的工作量，消除了测量过程中人员主观因素的影响，提高测量效率的同时也提高了测量的安全性。
基于与上述方法实施例相同的发明构思，本申请实施例还提供了一种基于照片重建点云的隧道围岩结构面解析系统，该系统可以实现上述方法实施例所提供的功能，如图10所示，该系统包括：
隧道高密度点云重建模块110：基于SFM-BA-MVS技术重建隧道高密度点云；
掌子面高密度点云分割模块120：运用PointNet++点云深度神经网络从隧道高密度点云重建模块中得到的隧道高密度点云数据智能精细分割出隧道掌子面高密度点云；
降噪模块130：利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；
八叉树分割模块140：运用八叉树算法分割经降噪模块后得到的掌子面高密度点云，从而得到数据空间分布特征，再利用RANSAC随机采样一致算法拟合，得到所有的局部掌子面围岩结构面方程组；
聚类分析模块150：运用基于轮廓系数评价的Kmeans++算法对所有的局部掌子面围岩结构面方程组聚类分析，得到不同的结构面集，运用HDBSCAN算法分割每个结构面集下不同的结构面；
产状和间距获取模块160：根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，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 (9)

1.一种基于照片重建点云的隧道围岩结构面解析方法，其特征在于，包括如下步骤：
S1、基于SFM-BA-MVS技术重建隧道高密度点云；
S2、运用PointNet++点云深度神经网络从步骤S1中得到的隧道高密度点云数据智能精细分割出隧道掌子面高密度点云；
S3、利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；
S4、运用八叉树算法分割经步骤S3后得到的掌子面高密度点云，从而得到数据空间分布特征，再利用RANSAC随机采样一致算法拟合，得到所有的局部掌子面围岩结构面方程组；
S5、运用基于轮廓系数评价的Kmeans++算法对所有的局部掌子面围岩结构面方程组聚类分析，得到不同的结构面集，运用HDBSCAN算法分割每个结构面集下不同的结构面；
S6、根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距。
2.根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤S1中，基于SFM-BA-MVS技术重建隧道高密度点云，包括重建稀疏点云-校准稀疏点云-生成高密度点云三个部分，具体步骤如下：
S11、采用局部平移的镜头运动方式拍摄隧道掌子面照片；
S12、采用SFM算法工作流，首先运用SIFT尺度不变特征转换算法对掌子面照片中的特征点进行提取；
S13、运用FLANN快速近似最近邻搜索算法计算照片之间的相似度，找到每张照片之间的共同特征点并进行匹配，得到匹配特征点，基于得到的匹配特征点，构建一个初步的稀疏点云；
S14、通过光束法平差法精确校准稀疏点云；
S15、最后通过MVS技术进一步增加点云数量，再通过标靶位绝对坐标配准点云，实现重建隧道高密度点云。
3.根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤S2中，具体包括如下：
S21、运用点云数据处理软件标注出隧道高密度点云中掌子面的区域，是掌子面的标记为1，不是掌子面的标记为0；
S22、对标注后隧道高密度点云进行预处理，包括点坐标范围归一化、统一点的数量和密度，构建用于训练PointNet++点云深度神经网络的数据集；
S23、将数据集按7：2：1的比例划分为训练集、验证集和预测集，将训练集数据输入到PointNet++点云深度神经网络中进行训练；
S24、使用训练好的PointNet++点云深度神经网络模型对隧道高密度点云进行预测分割，提取出掌子面区域，得到隧道掌子面高密度点云。
4.根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤S3中，具体包括如下：
S31、首先利用K最近邻算法KNN算出每个点云对应K领域内的K+1个点云集，再用PCA主成分分析法拟合点云集，得到每个点云的法向量和曲率；
S32、然后通过自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪。
5.根据权利要求4所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：所述步骤S32中的自动阈值滤波包括：
绘制得到点云曲率的正态分布图并确定均值和标准差，计算在均值左侧和右侧各10％的标准差范围内的数据的下限和上限，删除曲率落在这些范围之外的点云数据；
将点云法向量转换为极坐标形式，离散化后统计每个区间内点数并标准化，绘制得到点云法向量正态分布图并确定均值和标准差，计算在均值上侧、下侧、左侧、右侧各15％标准差范围内的数据的下限和上限，删除法向量落在这些范围之外的点云数据；
所述步骤S32中的自动平滑滤波包括运用自动平滑滤波除去掌子面高密点云中的高频成分，除去点云中的小尺度噪点和细微的不连续性。
6.根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤S4中，具体包括：
S41、采用确定好深度、中心点和边长的八叉树结构分割掌子面高密度点云，得到数据空间分布特征；
S42、利用RANSAC随机采样一致算法拟合每一个八叉树网格内部的高密度点云，设置RANSAC距离阈值参数、角度阈值参数和采样次数，在规定的采样次数下，一个拟合平面在规定的距离阈值和角度阈值内，含有点数量最多的平面被认为是该八叉树网格下的掌子面结构面平面方程组，从而得到所有的局部掌子面围岩结构面方程组。
7.根据权利要求6所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤S41中，八叉树结构深度是根据八叉树网格的最小高密度点云数量来确定的；八叉树结构的中心点和边长是根据高密度点云的最大值和最小值来确定的，公式表达如下：
T1＝|PXmax-PXmin|
T2＝|PYmax-PYmin|
Tu＝MAX(T1，T2)
其中，(Xm，Ym)是八叉树中心点的坐标，(PXmax，PXmin)是高密度点云的最大横坐标值和最小横坐标值，(PYmax，PYmin)是高密度点云的最大纵坐标值和最小纵坐标值。T1是X方向的边长，T2是Y方向的边长，Tu是八叉树的边长。
8.根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤S6中，具体包括如下：采用笛卡尔坐标系下的法向量与掌子面围岩结构面产状的转换关系，根据掌子面围岩结构面提取和分组的结果，利用掌子面围岩结构面单位法向量计算掌子面围岩结构面产状，包括掌子面围岩结构面倾向和倾角，如下式：
其中，QJ是掌子面围岩结构面倾角，A、B、C是掌子面围岩结构面单位法向量在X、Y、Z轴的分量，其中A2+B2+C2＝1，因此：
QJ＝cps-1|C|
将掌子面围岩结构面单位法向量投影到X-Y平面，求得投影向量与Y轴的夹角，该夹角即是掌子面围岩结构面倾向，先求得倾向系数，如式：
其中，K1是掌子面围岩结构面倾向系数，根据K1、A、C的值求得掌子面围岩结构面倾向QX；
一个掌子面围岩结构面集的法向量相似，求得掌子面围岩结构面集的单位法向量平均值，以代表掌子面围岩结构面集的整体法向量，掌子面围岩结构面集的单位法向量平均值公式表达如下：
其中，(Au,Bu,Cu)是掌子面围岩结构面集的单位法向量平均值，Np是该掌子面围岩结构面集的掌子面围岩结构面数量，(Ai,Bi,Ci)是该掌子面围岩结构面集第i个掌子面围岩结构面的单位法向量；
得到相邻掌子面围岩结构面的间距和掌子面围岩结构面集的平均间距，如下式所示：
其中，dj是掌子面围岩结构面集内第j个相邻掌子面围岩结构面间距，D1和D2表示掌子面围岩结构面集内的两个相邻掌子面围岩结构面，du是掌子面围岩结构面集平均间距。
9.一种基于照片重建点云的隧道围岩结构面解析系统，其特征在于：所述系统包括：
隧道高密度点云重建模块(110)：基于SFM-BA-MVS技术重建隧道高密度点云；
掌子面高密度点云分割模块(120)：运用PointNet++点云深度神经网络从隧道高密度点云重建模块中得到的隧道高密度点云数据智能精细分割出隧道掌子面高密度点云；
降噪模块(130)：利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；
八叉树分割模块(140)：运用八叉树算法分割经降噪模块后得到的掌子面高密度点云，从而得到数据空间分布特征，再利用RANSAC随机采样一致算法拟合，得到所有的局部掌子面围岩结构面方程组；
聚类分析模块(150)：运用基于轮廓系数评价的Kmeans++算法对所有的局部掌子面围岩结构面方程组聚类分析，得到不同的结构面集，运用HDBSCAN算法分割每个结构面集下不同的结构面；
产状和间距获取模块(160)：根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距。
CN202310775367.XA 2023-06-28 2023-06-28 基于照片重建点云的隧道围岩结构面解析方法及系统 Active CN117152344B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310775367.XA CN117152344B (zh) 2023-06-28 2023-06-28 基于照片重建点云的隧道围岩结构面解析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310775367.XA CN117152344B (zh) 2023-06-28 2023-06-28 基于照片重建点云的隧道围岩结构面解析方法及系统

Publications (2)

Publication Number Publication Date
CN117152344A true CN117152344A (zh) 2023-12-01
CN117152344B CN117152344B (zh) 2024-05-24

Family

ID=88910749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310775367.XA Active CN117152344B (zh) 2023-06-28 2023-06-28 基于照片重建点云的隧道围岩结构面解析方法及系统

Country Status (1)

Country Link
CN (1) CN117152344B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215820A (zh) * 2020-10-13 2021-01-12 仇文革 一种基于图像数据的隧道掌子面分析方法
CN112529844A (zh) * 2020-11-24 2021-03-19 成都理工大学 一种基于三维激光扫描的岩体结构面识别与信息提取方法
CN112598755A (zh) * 2021-03-02 2021-04-02 中国铁建重工集团股份有限公司 一种基于凿岩台车的掌子面智能分析方法
CN113256082A (zh) * 2021-05-07 2021-08-13 中交第二航务工程局有限公司 一种隧道掌子面智能地质素描及地质评价方法
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
CN114972384A (zh) * 2022-06-08 2022-08-30 沈阳工业大学 一种基于深度学习的隧道岩体智能快速区域分级方法
CN115797256A (zh) * 2022-10-18 2023-03-14 中国科学院武汉岩土力学研究所 基于无人机的隧道岩体结构面信息的处理方法以及装置
CN116012336A (zh) * 2023-01-09 2023-04-25 中国地质大学（北京） 隧道智慧化地质素描及围岩等级判识装置及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215820A (zh) * 2020-10-13 2021-01-12 仇文革 一种基于图像数据的隧道掌子面分析方法
CN112529844A (zh) * 2020-11-24 2021-03-19 成都理工大学 一种基于三维激光扫描的岩体结构面识别与信息提取方法
CN112598755A (zh) * 2021-03-02 2021-04-02 中国铁建重工集团股份有限公司 一种基于凿岩台车的掌子面智能分析方法
CN113256082A (zh) * 2021-05-07 2021-08-13 中交第二航务工程局有限公司 一种隧道掌子面智能地质素描及地质评价方法
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
CN114972384A (zh) * 2022-06-08 2022-08-30 沈阳工业大学 一种基于深度学习的隧道岩体智能快速区域分级方法
CN115797256A (zh) * 2022-10-18 2023-03-14 中国科学院武汉岩土力学研究所 基于无人机的隧道岩体结构面信息的处理方法以及装置
CN116012336A (zh) * 2023-01-09 2023-04-25 中国地质大学（北京） 隧道智慧化地质素描及围岩等级判识装置及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KEQIANG LIU等: "Overview of camera detection and laser scanning detection technology for subway tunnel structural diseases", 《ISCTT 2022》, 29 May 2022 (2022-05-29), pages 578 - 583 *
袁振宇等: "融合多源异构信息的隧道围岩智能分级方法探索", 《隧道建设(中英文)》, vol. 43, no. 3, 31 March 2023 (2023-03-31), pages 429 - 440 *

Also Published As

Publication number Publication date
CN117152344B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
US11193896B2 (en) Multi-sensor pipe inspection utilizing pipe templates to determine cross sectional profile deviations
CN108846888B (zh) 一种古木建筑构件精细尺寸信息自动化提取方法
CN111986115A (zh) 激光点云噪声和冗余数据的精准剔除方法
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
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
CN110544233B (zh) 基于人脸识别应用的深度图像质量评价方法
CN111340723A (zh) 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法
CN115797551B (zh) 基于两步无监督聚类算法的激光点云数据自动建模方法
CN115019010A (zh) 一种基于三维激光扫描+bim技术的隧道结构病害展示方法
CN117854060B (zh) 基于深度学习的隧道岩体面状裂隙识别方法及系统
Ariyachandra et al. Digital twinning of railway overhead line equipment from airborne lidar data
CN114663373A (zh) 一种用于零件表面质量检测的点云配准方法及装置
CN113570722A (zh) 一种围岩裂缝信息提取及完整性系数快速测定方法
CN111028345B (zh) 一种港口场景下圆形管道的自动识别与对接方法
CN115147834A (zh) 一种基于点云的飞机长桁平面特征提取方法、装置及设备
CN114998395A (zh) 一种有效的堤岸三维数据变化检测方法及系统
CN117928385A (zh) 一种基于远程无人机和传感器的工程施工智能测量方法
CN114898118A (zh) 基于多源点云的输电线路房屋拆迁量自动统计方法及系统
CN117706577A (zh) 基于激光雷达三维点云算法的船舶尺寸测量方法
Demir Automated detection of 3D roof planes from Lidar data
CN117152344B (zh) 基于照片重建点云的隧道围岩结构面解析方法及系统
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
CN116412759A (zh) 一种利用三维激光扫描仪进行林业调查的方法
Fretes et al. A review of existing evaluation methods for point clouds quality
Alaudah et al. A curvelet-based distance measure for seismic images

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
TR01 Transfer of patent right

Effective date of registration: 20240603

Address after: No. 111, No. 111, Chengdu City, Sichuan Province, north part of the two ring road

Patentee after: SOUTHWEST JIAOTONG University

Country or region after: China

Patentee after: China National Railway Group Co.,Ltd.

Address before: No. 111, No. 111, Chengdu City, Sichuan Province, north part of the two ring road

Patentee before: SOUTHWEST JIAOTONG University

Country or region before: China

TR01 Transfer of patent right