CN117456280A - 一种岩体结构面识别方法、装置、设备及可读存储介质 - Google Patents
一种岩体结构面识别方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN117456280A CN117456280A CN202311626079.4A CN202311626079A CN117456280A CN 117456280 A CN117456280 A CN 117456280A CN 202311626079 A CN202311626079 A CN 202311626079A CN 117456280 A CN117456280 A CN 117456280A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- slope
- image information
- dense
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 87
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 230000005236 sound signal Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及三维点云岩体结构面识别领域，涉及一种岩体结构面识别方法、装置、设备及可读存储介质，所述方法包括获取图像信息和训练后的神经网络模型；对图像信息进行重构，得到边坡密集三维点云模型；根据边坡密集三维点云模型进行计算，得到第一计算结果，第一计算结果包括密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度；将第一计算结果发送至训练后的神经网络模型中，得到点对应的结构面分组类别；根据点对应的结构面分组类别进行计算，得到第二计算结果，第二计算结果包括结构面分组类别中每个结构面的倾向与倾角，本发明解决了处理三维点云岩体结构面识别与分类问题采用传统算法计算时耗时过长的核心问题。
Description
技术领域
本发明涉及三维点云岩体结构面识别领域，具体而言，涉及一种岩体结构面识别方法、装置、设备及可读存储介质。
背景技术
结构面作为岩体的重要组成部分，很大程度上控制着岩体力学性质与工程稳定性。针对结构面的识别与分类是开展节理岩体计算机模拟和岩体稳定性评价的先决条件，其分析结果对岩体强度参数选取、力学特性研究与工程稳定性评价具有十分重要的现实意义。随着遥感技术的出现，涌现了许多通过无人机摄影获取岩体三维点云数据，并通过统计或回归算法来自动实现岩体结构面识别与分类的方法，也被证明了其可行性与有效性。但实际上，一个坡体的高分辨率点云通常包含数百万甚至数千万个点，统计和回归算法由于要进行循环运算和判断运算，对海量数据的处理往往需要较长的运行时间。
发明内容
本发明的目的在于提供一种岩体结构面识别方法、装置、设备及可读存储介质，以改善上述问题。
为了实现上述目的，本申请实施例提供了如下技术方案：
一方面，本申请实施例提供了一种岩体结构面识别方法，所述方法包括：
获取图像信息和训练后的神经网络模型，所述图像信息包括至少一张目标岩质边坡区域的图像信息；
对所述图像信息进行重构，得到边坡密集三维点云模型；
根据所述边坡密集三维点云模型进行计算，得到第一计算结果，所述第一计算结果包括密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度；
将所述第一计算结果发送至所述训练后的神经网络模型中，得到点对应的结构面分组类别；
根据点对应的结构面分组类别进行计算，得到第二计算结果，所述第二计算结果包括结构面分组类别中每个结构面的倾向与倾角。
第二方面，本申请实施例提供了一种岩体结构面识别装置，所述装置包括：
获取模块，用于获取图像信息和训练后的神经网络模型，所述图像信息包括至少一张目标岩质边坡区域的图像信息；
第一处理模块，用于对所述图像信息进行重构，得到边坡密集三维点云模型；
第二处理模块，用于根据所述边坡密集三维点云模型进行计算，得到第一计算结果，所述第一计算结果包括密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度；
第三处理模块，用于将所述第一计算结果发送至所述训练后的神经网络模型中，得到点对应的结构面分组类别；
第四处理模块，用于根据点对应的结构面分组类别进行计算，得到第二计算结果，所述第二计算结果包括结构面分组类别中每个结构面的倾向与倾角。
第三方面，本申请实施例提供了一种岩体结构面识别设备，所述设备包括存储器和处理器。存储器用于存储计算机程序；处理器用于执行所述计算机程序时实现上述岩体结构面识别方法的步骤。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质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上述岩体结构面识别方法的步骤。
本发明的有益效果为：
本发明通过对图像信息进行重构建立边坡密集三维点云模型，基于边坡密集三维点云模型确定其中每个点的点坐标、法向量、点曲率和点密度得到第一计算结果，并将其发送至训练后的神经网络模型，得到点对应的结构面分组类别，再根据结构面分组类别计算其中单一结构面的倾向和倾角从而完成岩体结构面的识别，本发明结合深度学习方法实现了岩体结构面的识别，避免了现有技术中采用统计和回归算法识别岩石结构面复杂且测量误差大的问题，有效的提高了岩体结构面识别的准确性与效率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的岩体结构面识别方法流程示意图。
图2为本发明实施例中所述的岩体结构面识别装置结构示意图。
图3为本发明实施例中所述的岩体结构面识别设备结构示意图。
图中标注：901、获取模块；902、第一处理模块；903、第二处理模块；904、第三处理模块；905、第四处理模块；9011、获取单元；9012、转换单元；9013、第十处理单元；9014、训练单元；9021、第一处理单元；9022、第二处理单元；9023、第三处理单元；9024、第四处理单元；9031、采集单元；9032、拟合单元；9033、第五处理单元；9034、第六处理单元；9035、第七处理单元；9036、第八处理单元；9037、第九处理单元；9051、第十一处理单元；9052、第十二处理单元；9053、第十三处理单元；800、岩体结构面识别设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种岩体结构面识别方法，可以理解的是，在本实施例中可以铺设一个场景，例如:利用无人机对目标岩质边坡区域进行航拍采集图像信息，并基于图像信息对岩体结构面进行识别分类的场景。
参见图1，图中示出了本方法包括步骤S1、步骤S2、步骤S3、步骤S4以及步骤S5。
步骤S1、获取图像信息和训练后的神经网络模型，所述图像信息包括至少一张目标岩质边坡区域的图像信息；
在本步骤中，利用无人机对目标岩质边坡区域开展航摄作业，根据研究区实际情况设计航线,在充分保证重叠度和分辨率的前提下,获取边坡不同角度的包含位置姿态信息的图像，以得到图像信息，需要说明的是训练后的神经网络模型用于对岩体结构面进行分类。
可以理解的是，在所述步骤S1中还包括步骤S11、步骤S12、步骤S13以及步骤S14，其中具体为：
步骤S11、获取样本集，所述样本集包括边坡密集三维点云模型中包括的点云中至少一个点对应的点坐标、法向量、点曲率和点密度；
步骤S12、将样本集中每个点对应的法向量转换为赤平投影，得到极点立体投影图；
步骤S13、根据极点立体投影图中极点分布情况确定结构面分组类别；
步骤S14、根据所述样本集和所述结构面分组类别对神经网络模型进行训练，得到所述训练后的神经网络模型。
在本实施例中，根据点云数据法向量的极点立体投影图分布情况在每个结构面类别中选择选择10-20个点作为特征点，并计算每个特征点对应的点坐标法向量、曲率和点密度作为样本集、同时根据结构面分组类别生成相应的标签，利用样本集对神经网络模型进行训练需要消除参数规模和维度差异的影响，因此进一步对样本集中的参数进行归一化处理，根据归一化处理后的样本数据和类别标签对神经网络模型进行训练，得到训练后的神经网络模型，需要说明时，在本步骤中神经网络模型采用transformer的深度学习模型，transformer的深度学习模型的网络结构为本领域技术人员所熟知的技术方案，故不在此赘述。
步骤S2、对所述图像信息进行重构，得到边坡密集三维点云模型；
可以理解的是，在所述步骤S2中还包括步骤S21、步骤S22、步骤S23以及步骤S24，其中具体为：
步骤S21、对每张图像信息的特征点进行提取，并将每张所述图像信息的特征点进行匹配，得到匹配结果；
在本步骤中，在采集的每张图像信息中任意选取多个点作为特征点，并在图像间对特征点进行匹配，得到匹配结果。
步骤S22、根据所述匹配结果将每张图像信息进行连接，得到连接后的图像信息；
在本步骤中，将匹配成功的点作为共同特征点，依据共同特征点将多个图像进行连接，形成轨迹可以实现重构出所有的三维场景点。
步骤S23、利用运动恢复结构算法对所述连接后的图像信息进行处理，得到坡体稀疏三维点云模型；
在本步骤中，无人机在拍摄过程中会自动记录云点坐标的数据信息，通过无人机自动记录的云点坐标的数据信息对图像进行匹配和重构,提取每张图片中的特征点,利用运动恢复结构算法(SFM算法)进行整个坡体的稀疏点云生成，得到坡体稀疏三维点云模型。
步骤S24、利用多视立体视觉算法对所述坡体稀疏三维点云模型进行处理，得到坡体密集三维点云模型。
在本步骤中，采用多视立体视觉算法(PMVS)对稀疏点云进行特征点提取和匹配,通过膨胀扩散和插值,得到物体表面的稠密点云集,最后通过表面点云集的过滤和重构得到坡体密集三维点云模型。
步骤S3、根据所述边坡密集三维点云模型进行计算，得到第一计算结果，所述第一计算结果包括密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度；
在本步骤中，通过对边坡密集三维点云模型进行计算，得到密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度作为特征信息，输入至训练后的神经网络以实现岩体结构面的分类，需要说明的，根据所建立的坡体密集三维点云模型中各个点的空间相关关系在规定坐标系中确定每个点的空间坐标，得到每个点的点坐标。
可以理解的是，在所述步骤S3中还包括步骤S31、步骤S32以及步骤S33，其中具体为：
步骤S31、利用K近邻算法采集点云中每个点的K个最邻近点集，得到邻近点信息；
步骤S32、利用最小二乘法对所述邻近点信息进行拟合，得到每个点的拟合平面；
在本步骤中，拟合平面如以下公式：
Apix+Bpiy+Cpiz+Dpi＝0
上式中，p为点云数据集，pi为点云数据集中第i个采样点，A、B、C分别表示法向量的三维坐标，x、y、z分别表示第i个采样点的三维坐标，Dpi为i点到拟合平面中心点的距离。
步骤S33、利用主成分分析法计算每个点的所述拟合平面的法向量，得到密集三维点云模型中每个点的法向量。
在本步骤中，可通过主成分分析法计算拟合平面的法向量，具体计算过程为：
计算点pi的协方差矩阵：
上式中，∑i为邻域的协方差矩阵，为拟合局部平面的质心向量，k为邻近点的数量，然后对点pi的协方差矩阵进行求解，计算其特征值以及对应的特征向量，如下式：
上式中，λj为vj所对应的特征值，vj表示特征向量，设λ0<λ1<λ2，则v0即为该测点k邻近平面的法向量npi＝(Api，Bpi，Cpi)，pi点处的法向量即可用该局部平面的法向量来近似代替，即最终可得到每个点的法向量。
可以理解的是，在所述步骤S3中还包括步骤S34、步骤S35、步骤S36以及步骤S37，其中具体为：
步骤S34、利用K近邻算法确定边坡密集三维点云模型中包括的点云中每个点的邻域矩阵，得到矩阵信息；
在本步骤中，利用K近邻算法搜索选取点附近的邻近点构件邻域矩阵，得到矩阵信息。
步骤S35、根据所述矩阵信息进行计算，得到特征信息，所述特征信息包括每个邻域矩阵的特征值和特征向量；
在本步骤中，计算邻域矩阵的特征值和特征向量原理与计算法向量的过程相同，故不在此赘述。
步骤S36、根据所述特征信息对邻域矩阵中每个点的曲率进行计算，得到曲率信息；
在本步骤中，根据特征信息可以计算出邻域矩阵中每个邻近点对应的曲率。
步骤S37、选取曲率信息中的最小值作为邻域矩阵的点曲率，得到每个点的点曲率。
需要说明的是，点密度的计算方法为：选取一个点，采用K-NN算法确定该点搜索圆内点的数量，根据搜索圆的面积与搜索圆内点的数据进行计算，得到点密度。
步骤S4、将所述第一计算结果发送至所述训练后的神经网络模型中，得到点对应的结构面分组类别；
在本步骤中，将第一计算结果发送至训练后的神经网络模型时，需要对第一计算结果进行归一化处理。
步骤S5、根据点对应的结构面分组类别进行计算，得到第二计算结果，所述第二计算结果包括结构面分组类别中每个结构面的倾向与倾角。
可以理解的是，在所述步骤S5中还包括步骤S51、步骤S52以及步骤S53，其中具体为：
步骤S51、利用空间聚类算法对划分至结构面分组类别中的结构面进行处理，得到聚类结果，所述聚类结果包括至少一个单一结构面；
在本步骤中，由于同一类别结构面中，各个结构面只是具有相似的取向性，但它们之间没有联系，因此需要从各类别结构面组中提取出单一的结构面，通过基于密度的空间聚类算法(DBSCAN)检测存在低点密度的结构面边界上的点从而达到划分单一结构面的作用。使用该算法需要指定两个参数，邻域半径(ε)和密度阈值(Td)，若一个点的ε范围内密度超过了Td，该点则被视为核心点，ε范围内的点与核心点属于同一簇，任何核心点ε范围内都无法连接的点视为噪点，处于簇边界上的点为边界点，同一簇内的核心点与边界点即构成了单一结构面。
步骤S52、计算每个单一结构面的法向量，得到第三计算结果；
在本步骤中，计算每个单一结构面的法向量与计算点云中每个点的法向量原理相同，故不在此赘述。
步骤S53、根据所述第三计算结果进行计算，得到第四计算结果，所述第四计算结果包括每个单一结构面的倾角与倾向。
在本步骤中，为了得到各单一结构面的产状，通常需要结构面倾角α(0°≤α≤90°)与倾向β(0°≤β≤360°)，倾角表示结构面与水平面的夹角，倾向表示空间上结构面所倾斜的方位，在水平面中从北开始顺时针测量。单一结构面的倾角与倾向可以通过对应结构面的拟合法向量计算，计算公式如下：
上式中，A、B、C分别对应单一结构面法向量的三维坐标，将每个类别结构面中所有单一结构面的倾角和倾向的平均值作为对应类别结构面的倾角与倾向值，实现岩体结构面的识别与分别任务。
实施例2：
如图2所示，本实施例提供了一种岩体结构面识别装置，所述装置包括获取模块901、第一处理模块902、第二处理模块903、第三处理模块904以及第四处理模块905，其中具体为：
获取模块901，用于获取图像信息和训练后的神经网络模型，所述图像信息包括至少一张目标岩质边坡区域的图像信息；
第一处理模块902，用于对所述图像信息进行重构，得到边坡密集三维点云模型；
第二处理模块903，用于根据所述边坡密集三维点云模型进行计算，得到第一计算结果，所述第一计算结果包括密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度；
第三处理模块904，用于将所述第一计算结果发送至所述训练后的神经网络模型中，得到点对应的结构面分组类别；
第四处理模块905，用于根据点对应的结构面分组类别进行计算，得到第二计算结果，所述第二计算结果包括结构面分组类别中每个结构面的倾向与倾角。
在本公开的一种具体实施方式中，所述获取模块901中还包括获取单元9011、转换单元9012、第十处理单元9013以及训练单元9014，其中具体为：
获取单元9011，用于获取样本集，所述样本集包括边坡密集三维点云模型中包括的点云中至少一个点对应的点坐标、法向量、点曲率和点密度；
转换单元9012，用于将样本集中每个点对应的法向量转换为赤平投影，得到极点立体投影图；
第十处理单元9013，用于根据极点立体投影图中极点分布情况确定结构面分组类别；
训练单元9014，用于根据所述样本集和所述结构面分组类别对神经网络模型进行训练，得到所述训练后的神经网络模型。
在本公开的一种具体实施方式中，所述第一处理模块902中还包括第一处理单元9021、第二处理单元9022、第三处理单元9023以及第四处理单元9024，其中具体为：
第一处理单元9021，用于对每张图像信息的特征点进行提取，并将每张所述图像信息的特征点进行匹配，得到匹配结果；
第二处理单元9022，用于根据所述匹配结果将每张图像信息进行连接，得到连接后的图像信息；
第三处理单元9023，用于利用运动恢复结构算法对所述连接后的图像信息进行处理，得到坡体稀疏三维点云模型；
第四处理单元9024，用于利用多视立体视觉算法对所述坡体稀疏三维点云模型进行处理，得到坡体密集三维点云模型。
在本公开的一种具体实施方式中，所述第二处理模块903中还包括采集单元9031、拟合单元9032以及第五处理单元9033，其中具体为：
采集单元9031，用于利用K近邻算法采集点云中每个点的K个最邻近点集，得到邻近点信息；
拟合单元9032，用于利用最小二乘法对所述邻近点信息进行拟合，得到每个点的拟合平面；
第五处理单元9033，用于利用主成分分析法计算每个点的所述拟合平面的法向量，得到密集三维点云模型中每个点的法向量。
在本公开的一种具体实施方式中，所述第二处理模块还包括第六处理单元9034、第七处理单元9035、第八处理单元9036以及第九处理单元9037，其中具体为：
第六处理单元9034，用于利用K近邻算法确定边坡密集三维点云模型中包括的点云中每个点的邻域矩阵，得到矩阵信息；
第七处理单元9035，用于根据所述矩阵信息进行计算，得到特征信息，所述特征信息包括每个邻域矩阵的特征值和特征向量；
第八处理单元9036，用于根据所述特征信息对邻域矩阵中每个点的曲率进行计算，得到曲率信息；
第九处理单元9037，用于选取曲率信息中的最小值作为邻域矩阵的点曲率，得到每个点的点曲率。
在本公开的一种具体实施方式中，所述第四处理模块905中还包括第十一处理单元9051、第十二处理单元9052以及第十三处理单元9053，其中具体为：
第十一处理单元9051，用于利用空间聚类算法对划分至结构面分组类别中的结构面进行处理，得到聚类结果，所述聚类结果包括至少一个单一结构面；
第十二处理单元9052，用于计算每个单一结构面的法向量，得到第三计算结果；
第十三处理单元9053，用于根据所述第三计算结果进行计算，得到第四计算结果，所述第四计算结果包括每个单一结构面的倾角与倾向。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了一种岩体结构面识别设备，下文描述的一种岩体结构面识别设备与上文描述的一种岩体结构面识别方法可相互对应参照。
图3是根据示例性实施例示出的一种岩体结构面识别设备800的框图。如图3所示，该岩体结构面识别设备800可以包括：处理器801，存储器802。该岩体结构面识别设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该岩体结构面识别设备800的整体操作，以完成上述的岩体结构面识别方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该岩体结构面识别设备800的操作，这些数据例如可以包括用于在该岩体结构面识别设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-OnlyMemory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该岩体结构面识别设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，岩体结构面识别设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的岩体结构面识别方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的岩体结构面识别方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由岩体结构面识别设备800的处理器801执行以完成上述的岩体结构面识别方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种岩体结构面识别方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的岩体结构面识别方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种岩体结构面识别方法，其特征在于，包括：
获取图像信息和训练后的神经网络模型，所述图像信息包括至少一张目标岩质边坡区域的图像信息；
对所述图像信息进行重构，得到边坡密集三维点云模型；
根据所述边坡密集三维点云模型进行计算，得到第一计算结果，所述第一计算结果包括密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度；
将所述第一计算结果发送至所述训练后的神经网络模型中，得到点对应的结构面分组类别；
根据点对应的结构面分组类别进行计算，得到第二计算结果，所述第二计算结果包括结构面分组类别中每个结构面的倾向与倾角。
2.根据权利要求1所述的岩体结构面识别方法，其特征在于，对所述图像信息进行重构，得到边坡密集三维点云模型，包括：
对每张图像信息的特征点进行提取，并将每张所述图像信息的特征点进行匹配，得到匹配结果；
根据所述匹配结果将每张图像信息进行连接，得到连接后的图像信息；
利用运动恢复结构算法对所述连接后的图像信息进行处理，得到坡体稀疏三维点云模型；
利用多视立体视觉算法对所述坡体稀疏三维点云模型进行处理，得到坡体密集三维点云模型。
3.根据权利要求1所述的岩体结构面识别方法，其特征在于，根据所述边坡密集三维点云模型进行计算，得到第一计算结果，包括：
利用K近邻算法采集点云中每个点的K个最邻近点集，得到邻近点信息；
利用最小二乘法对所述邻近点信息进行拟合，得到每个点的拟合平面；
利用主成分分析法计算每个点的所述拟合平面的法向量，得到密集三维点云模型中每个点的法向量。
4.根据权利要求1所述的岩体结构面识别方法，其特征在于，根据所述边坡密集三维点云模型进行计算，得到第一计算结果，包括：
利用K近邻算法确定边坡密集三维点云模型中包括的点云中每个点的邻域矩阵，得到矩阵信息；
根据所述矩阵信息进行计算，得到特征信息，所述特征信息包括每个邻域矩阵的特征值和特征向量；
根据所述特征信息对邻域矩阵中每个点的曲率进行计算，得到曲率信息；
选取曲率信息中的最小值作为邻域矩阵的点曲率，得到每个点的点曲率。
5.一种岩体结构面识别装置，其特征在于，包括：
获取模块，用于获取图像信息和训练后的神经网络模型，所述图像信息包括至少一张目标岩质边坡区域的图像信息；
第一处理模块，用于对所述图像信息进行重构，得到边坡密集三维点云模型；
第二处理模块，用于根据所述边坡密集三维点云模型进行计算，得到第一计算结果，所述第一计算结果包括密集三维点云模型中每个点的点坐标、法向量、点曲率和点密度；
第三处理模块，用于将所述第一计算结果发送至所述训练后的神经网络模型中，得到点对应的结构面分组类别；
第四处理模块，用于根据点对应的结构面分组类别进行计算，得到第二计算结果，所述第二计算结果包括结构面分组类别中每个结构面的倾向与倾角。
6.根据权利要求5所述的岩体结构面识别装置，其特征在于，所述第一处理模块，包括：
第一处理单元，用于对每张图像信息的特征点进行提取，并将每张所述图像信息的特征点进行匹配，得到匹配结果；
第二处理单元，用于根据所述匹配结果将每张图像信息进行连接，得到连接后的图像信息；
第三处理单元，用于利用运动恢复结构算法对所述连接后的图像信息进行处理，得到坡体稀疏三维点云模型；
第四处理单元，用于利用多视立体视觉算法对所述坡体稀疏三维点云模型进行处理，得到坡体密集三维点云模型。
7.根据权利要求5所述的岩体结构面识别装置，其特征在于，所述第二处理模块，包括：
采集单元，用于利用K近邻算法采集点云中每个点的K个最邻近点集，得到邻近点信息；
拟合单元，用于利用最小二乘法对所述邻近点信息进行拟合，得到每个点的拟合平面；
第五处理单元，用于利用主成分分析法计算每个点的所述拟合平面的法向量，得到密集三维点云模型中每个点的法向量。
8.根据权利要求5所述的岩体结构面识别装置，其特征在于，所述第二处理模块，包括：
第六处理单元，用于利用K近邻算法确定边坡密集三维点云模型中包括的点云中每个点的邻域矩阵，得到矩阵信息；
第七处理单元，用于根据所述矩阵信息进行计算，得到特征信息，所述特征信息包括每个邻域矩阵的特征值和特征向量；
第八处理单元，用于根据所述特征信息对邻域矩阵中每个点的曲率进行计算，得到曲率信息；
第九处理单元，用于选取曲率信息中的最小值作为邻域矩阵的点曲率，得到每个点的点曲率。
9.一种岩体结构面识别设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述岩体结构面识别方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质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如权利要求1至4任一项所述岩体结构面识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311626079.4A CN117456280A (zh) | 2023-11-30 | 2023-11-30 | 一种岩体结构面识别方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311626079.4A CN117456280A (zh) | 2023-11-30 | 2023-11-30 | 一种岩体结构面识别方法、装置、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117456280A true CN117456280A (zh) | 2024-01-26 |
Family
ID=89583814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311626079.4A Pending CN117456280A (zh) | 2023-11-30 | 2023-11-30 | 一种岩体结构面识别方法、装置、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117456280A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118053152A (zh) * | 2024-04-16 | 2024-05-17 | 中国地质大学（武汉） | 基于大体量点云数据的岩体结构面快速测量方法及设备 |
-
2023
- 2023-11-30 CN CN202311626079.4A patent/CN117456280A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118053152A (zh) * | 2024-04-16 | 2024-05-17 | 中国地质大学（武汉） | 基于大体量点云数据的岩体结构面快速测量方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7190842B2 (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
| EP1530157B1 (en) | Image matching system using 3-dimensional object model, image matching method, and image matching program | |
| JP6397379B2 (ja) | 変化領域検出装置、方法、及びプログラム | |
| CN109447121B (zh) | 一种视觉传感器网络多目标跟踪方法、装置及系统 | |
| CN111627065A (zh) | 一种视觉定位方法及装置、存储介质 | |
| JP5800494B2 (ja) | 特定領域選択装置、特定領域選択方法及びプログラム | |
| CN109920055A (zh) | 三维视觉地图的构建方法、装置与电子设备 | |
| CN102959946A (zh) | 基于相关3d点云数据来扩充图像数据的技术 | |
| CN109063549B (zh) | 基于深度神经网络的高分辨率航拍视频运动目标检测方法 | |
| CN112634340A (zh) | 基于点云数据确定bim模型的方法、装置、设备和介质 | |
| CN111323788B (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
| Jung et al. | A line-based progressive refinement of 3D rooftop models using airborne LiDAR data with single view imagery | |
| CN113340312A (zh) | 一种ar室内实景导航方法及系统 | |
| Wang et al. | Concept based hybrid fusion of multimodal event signals | |
| Gojcic et al. | Robust pointwise correspondences for point cloud based deformation monitoring of natural scenes | |
| CN117372604B (zh) | 一种3d人脸模型生成方法、装置、设备及可读存储介质 | |
| CN114283326A (zh) | 一种结合局部感知和高阶特征重构的水下目标重识别方法 | |
| CN114663880A (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
| CN117132649A (zh) | 人工智能融合北斗卫星导航的船舶视频定位方法及装置 | |
| CN117456280A (zh) | 一种岩体结构面识别方法、装置、设备及可读存储介质 | |
| CN113532424B (zh) | 一种获取多维信息的一体化设备与协同测量方法 | |
| Luo et al. | Partial bundle adjustment for accurate three‐dimensional reconstruction | |
| CN114943809A (zh) | 一种地图模型的生成方法、装置及存储介质 | |
| JP2019046278A (ja) | 情報処理装置、制御方法、コンピュータプログラム、記憶媒体、及びモデル作成装置 | |
| CN114550215A (zh) | 一种基于迁移学习的目标检测方法及系统 |
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 |