CN117853766B - 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统 - Google Patents

基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统 Download PDF

Info

Publication number
CN117853766B
CN117853766B CN202410256878.5A CN202410256878A CN117853766B CN 117853766 B CN117853766 B CN 117853766B CN 202410256878 A CN202410256878 A CN 202410256878A CN 117853766 B CN117853766 B CN 117853766B
Authority
CN
China
Prior art keywords
fracture
face
borehole
tunnel
coplanarity
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.)
Active
Application number
CN202410256878.5A
Other languages
English (en)
Other versions
CN117853766A (zh
Inventor
潘东东
杨文韬
李轶惠
许振浩
张津源
张一驰
胡安栋
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202410256878.5A priority Critical patent/CN117853766B/zh
Publication of CN117853766A publication Critical patent/CN117853766A/zh
Application granted granted Critical
Publication of CN117853766B publication Critical patent/CN117853766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V10/764—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提出了基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统，涉及隧道裂隙识别领域，对掌子面图像和钻孔高清展开图进行裂隙识别，对裂隙识别图像进行特征增强和裂隙函数拟合，对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，计算各钻孔裂隙面在掌子面上的虚构交线；以虚构交线与掌子面裂隙拟合线的相似度作为禁忌搜索算法的目标函数，对钻孔裂隙面与掌子面出露裂隙进行共面匹配，得到裂隙共面性匹配结果；本发明在对掌子面裂隙图像进行智能识别的基础上，实现掌子面表面裂隙与近前方内部裂隙的联合分析，得到裂隙共面性匹配结果，对后续的裂隙建模过程实行联合约束，为实现高精度三维裂隙建模提供数据基础。

Description

基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统
技术领域
本发明属于隧道裂隙识别领域，尤其涉及基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
隧道工程经常穿越节理裂隙发育的地质体，这些节理裂隙破坏了岩石的完整性和连续性，从岩石强度、结构性、渗透性等多方面对隧道围岩稳定性产生重大影响，甚至造成突水突泥、崩塌滑移等施工事故，对施工安全造成直接威胁。因此，在隧道工程中，根据出露裂隙信息和隧道超前地质预报信息，获取前方裂隙面结构参数和分布规律，进行高精度建模，对隧道的设计、施工、评价等工作的开展具有重要意义。
目前，岩体裂隙建模大多是基于勘察资料的不确定性建模，传统的裂隙建模方法有地球物理勘探、钻孔岩芯分析、地统计方法等；随着现代计算机技术的发展，有学者通过三维激光扫描、摄影测量等测量技术生成岩体三维点云，重建岩体裂隙面三维模型，进而获取基于一定规律的裂隙参数信息；也有学者使用数值模拟方法，如离散元素法（DEM）、有限元素法（FEM）、离散裂隙网络模型等，对裂隙系统进行建模和仿真，模拟裂隙的分布、变形等过程。
在隧道掌子面近前方裂隙建模过程中，上述裂隙建模方法大多建立在单独的某种探测结果或模拟结果上，存在模型不确定性较高、不能充分展示未开挖地质体裂隙结构面真实发育情况等问题，给工程实践带来安全隐患。
发明内容
为克服上述现有技术的不足，本发明提供了基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统，在对掌子面裂隙图像进行智能识别的基础上，实现掌子面表面裂隙与近前方内部裂隙的联合分析，得到裂隙共面性匹配结果，对后续的裂隙建模过程实行联合约束，为实现高精度三维裂隙建模提供数据基础。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种隧道近前方裂隙共面性匹配方法。
基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，包括：
使用语义分割模型对获取的掌子面扫描图像和钻孔高清展开图进行裂隙智能识别，获得掌子面裂隙识别图像和钻孔裂隙识别图像；
对掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强和裂隙函数拟合，得到掌子面裂隙拟合线和钻孔裂隙产状；
根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，基于优势分组和掌子面裂隙拟合线，计算各钻孔裂隙面在掌子面上的虚构交线；
以适应度度量来量化虚构交线与掌子面裂隙拟合线的相似度，以最优适应度度量作为目标函数进行迭代优化，进而实现钻孔裂隙面与掌子面出露裂隙的共面匹配，得到裂隙共面性匹配结果；
其中，所述钻孔裂隙面与掌子面出露裂隙的共面匹配，具体为：
对虚构交线与掌子面裂隙拟合线上的点随机抽样和拟合，通过重复迭代，得到最小的拟合误差；通过预设拟合误差范围，判断两直线的相似度，进而判断交线所在裂隙面与掌子面上裂隙是否能共面匹配。
进一步的，所述得到掌子面裂隙拟合线和钻孔裂隙产状，具体为：
对预处理后的掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强，获得裂隙像素点坐标；
根据裂隙像素点坐标拟合裂隙函数，将裂隙图像数字化；
根据裂隙函数，得到掌子面裂隙拟合线和钻孔裂隙产状。
进一步的，所述特征增强为边缘提取，提取裂隙识别图像中的裂隙边缘线，增强裂隙特征。
进一步的，所述裂隙函数拟合,采用最小二乘法，采用直线对掌子面裂隙进行拟合，采用正弦曲线对钻孔裂隙迹线进行拟合，用拟合函数作为裂隙迹线的拟合线。
进一步的，所述根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，具体为：
采用Mean Shift聚类算法，在钻孔裂隙数据点产状分布密度高的区域不断调整均值的位置，使得均值移动向局部密度的最大值，从而找到聚类中心，得到优势分组。
进一步的，所述计算各钻孔裂隙面在掌子面上的虚构交线，具体为：
对每个钻孔裂隙面，根据其产状优势分组结果及分布位置，将每一个钻孔裂隙面视为一无限延伸的平面，计算在掌子面上的虚构交线的直线方程。
进一步的，还包括：根据裂隙共面性匹配结果，对掌子面近前方裂隙面几何参数进行补充完善。
本发明第二方面提供了基于掌子面和钻孔图像的隧道裂隙共面性匹配系统。
一种隧道掌子面近前方裂隙建模系统，包括裂隙识别模块、裂隙拟合模块、裂隙聚类模块和共面匹配模块：
裂隙识别模块，被配置为：使用语义分割模型对获取的掌子面扫描图像和钻孔高清展开图进行裂隙智能识别，获得掌子面裂隙识别图像和钻孔裂隙识别图像；
裂隙拟合模块，被配置为：对掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强和裂隙函数拟合，得到掌子面裂隙拟合线和钻孔裂隙产状；
裂隙聚类模块，被配置为：根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，基于优势分组和掌子面裂隙拟合线，计算各钻孔裂隙面在掌子面上的虚构交线；
共面匹配模块，被配置为：以适应度度量来量化虚构交线与掌子面裂隙拟合线的相似度，以最优适应度度量作为目标函数进行迭代优化，进而实现钻孔裂隙面与掌子面出露裂隙的共面匹配，得到裂隙共面性匹配结果；
其中，所述钻孔裂隙面与掌子面出露裂隙的共面匹配，具体为：
对虚构交线与掌子面裂隙拟合线上的点随机抽样和拟合，通过重复迭代，得到最小的拟合误差；通过预设拟合误差范围，判断两直线的相似度，进而判断交线所在裂隙面与掌子面上裂隙是否能共面匹配。
本发明第三方面提供了一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行本发明第一方面所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法。
本发明第四方面提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令，
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行如本发明第一方面所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法。
以上一个或多个技术方案存在以下有益效果：
本发明所述的隧道近前方裂隙共面性匹配方法，提出了一种钻孔信息与掌子面图像信息的匹配融合方法，通过对隧道近前方钻孔裂隙与掌子面裂隙的共面性分析，对裂隙面的结构参数进行补充完善，能有效提高传统裂隙建模的精确度和可靠度，实现确定性建模。
本发明所述的隧道近前方裂隙共面性匹配方法，基于计算机图像识别技术和深度学习框架，能够更加精准地对掌子面扫描图像和钻孔高清展开图进行识别和提取，获得裂隙面的位置、迹长、倾向、倾角等参数，从而实现隧道近前方裂隙建模工作的自动化和智能化。
本发明所述的隧道近前方裂隙共面性匹配方法，采用Mean Shift聚类算法对钻孔裂隙产状进行自动聚类，相较于其他聚类方法，Mean Shift聚类算法更适合钻孔产状数据密度大、分布聚集的特征，保证建模工作所需裂隙数据的完整性。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2 为第一个实施例的语义分割模型结构图。
图3 为第一个实施例的语义分割效果图。
图4为第一个实施例的聚类示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本公开的一种实施例中提供了基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，包括如下步骤：
步骤S1：使用语义分割模型对获取的掌子面扫描图像和钻孔高清展开图进行裂隙智能识别，获得掌子面裂隙识别图像和钻孔裂隙识别图像；
步骤S2：对掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强和裂隙函数拟合，得到掌子面裂隙拟合线和钻孔裂隙产状；
步骤S3：根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，基于优势分组和掌子面裂隙拟合线，计算各钻孔裂隙面在掌子面上的虚构交线；
步骤S4：以适应度度量来量化虚构交线与掌子面裂隙拟合线的相似度，以最优适应度度量作为目标函数进行迭代优化，进而实现钻孔裂隙面与掌子面出露裂隙的共面匹配，得到裂隙共面性匹配结果；
其中，所述钻孔裂隙面与掌子面出露裂隙的共面匹配，具体为：
对虚构交线与掌子面裂隙拟合线上的点随机抽样和拟合，通过重复迭代，得到最小的拟合误差；通过预设拟合误差范围，判断两直线的相似度，进而判断交线所在裂隙面与掌子面上裂隙是否能共面匹配。
作为一种实施例，基于掌子面和钻孔图像的隧道裂隙共面性匹配方法的具体实施方式如下，如图1所示：
步骤1：获取隧道掌子面图像和超前探测钻孔孔壁360度全景扫描高清展开图像。
步骤2：使用语义分割模型对掌子面扫描图像和钻孔高清展开图进行裂隙智能识别，获得掌子面裂隙识别图像和钻孔裂隙识别图像，具体分为三个步骤：数据集建立、裂隙识别的语义分割模型建立、裂隙识别。
在数据集建立过程中，获取已开挖掌子面图像和钻孔图像，通过人工识别对有无裂隙并进行标注，建立掌子面图像及钻孔图像的语义分割模型数据集。
建立语义分割模型，以语义分割模型数据集为训练基础数据，搭建卷积神经网络，设置损失函数，分别对掌子面图像语义分割模型和钻孔图像语义分割模型进行训练。
语义分割模型，如图2所示，采用编码器-解码器（Encoder-Decoder）结构，编码器由卷积层和池化层组成，通过各层级的抽象处理捕获输入的原始图像的局部和全局信息；解码器由上采样层和卷积层组成，将编码器输出的低分辨率特征映射恢复到原始图像的分辨率；通过跳跃连接索引（indices）参数，将编码器中的特征图与解码器中对应的层级连接起来；最后，通过一个全连接层激活函数，对解码器输出的特征图进行分类，为每个像素分配对应的语义类别，即将图像中的裂隙与背景分开。
如图3所示，使用训练好的语义分割模型分别对待检的掌子面扫描图像和钻孔高清展开图进行检测，得到掌子面裂隙识别图和钻孔裂隙识别图。
裂隙智能识别前，还对采集图像的预处理，包括几何矫正、图像裁剪旋转和色彩增强等基础处理。
步骤3：根据裂隙识别图和边缘提取算法，提取裂隙识别图像中的裂隙边缘线，对掌子面裂隙和钻孔裂隙的轮廓、位置等特征进行增强，获得裂隙像素点坐标。
步骤4：根据像素点坐标，采用最小二乘法进行裂隙函数拟合，其中掌子面裂隙采用最小二乘法直线拟合，钻孔裂隙采用最小二乘法正弦函数拟合，将拟合出来的函数作为裂隙迹线，具体为：
对钻孔裂隙像素点进行遍历提取，以得到裂隙曲线的各点坐标。为减少噪声和图片分辨率对像素点提取的影响，限定x所对应y的提取范围，当x对应y值位于之外时，认为这些y值为噪声点，不做提取。其中/>为该x所对应所有y值的平均值，s为标准差。
通过上述方法，实现裂隙曲线的较为精准识别和定位，得到相对平滑准确的裂隙曲线坐标分布。
在得到裂痕迹线后，计算孔裂隙产状、迹长等参数，其中产状包括倾向、倾角，产状的具体计算方法为：
裂隙面在钻孔展开图上呈现为正弦曲线，因此可用正弦函数来表示裂隙面几何结构特征；式中/>为正弦函数的初始位置，A为振幅，D为钻孔孔径，/>为相位；其中裂隙面最低点所对位置顺时针方向与正北方向的夹角为倾向α，裂隙面与水平面夹角为倾角β；转换关系：/>，。
步骤5：根据钻孔裂隙产状参数对钻孔裂隙产状进行聚类，获取裂隙结构面产状的优势分组；计算各钻孔裂隙面在掌子面上的虚构交线。
钻孔裂隙的优势分组采用Mean Shift聚类算法；通过在钻孔裂隙数据点产状分布密度较高的区域不断调整均值的位置，使得均值移动向局部密度的最大值，从而找到聚类中心，即优势产状，如图4所示，具体步骤如下：
绘制裂隙产状极点图：假设由识别出来的钻孔裂隙组成的钻孔裂隙产状数据集X={x 1 …x i …x n}的大小为n，维度为d，将其绘制为极点图。
在裂隙产状极点图上，设置窗口带宽进行聚类：用高斯核函数估计样本密度，则钻孔裂隙产状数据集的核密度估计：
其中，是径向对称函数，/>，/>为归一化系数，/>为高斯核函数，其函数形式为/>,/>为核函数窗口带宽。
将每个数据点（即钻孔裂隙）作为一个候选的聚类中心，并为每个数据点初始化一个窗口；计算每个样本的均值漂移向量，并对每个样本以漂移向量/>进行平移，即/>，直至样本收敛，即/>。
其中，均值漂移向量的作用为计算在窗口内的数据点的加权平均，并根据核函数进行加权，漂移向量计算公式为：
其中，，/>表示对k求导，/>为核函数窗口带宽。
获得优势分组和优势产状：根据聚类结果，将各簇的优势产状作为簇内所有钻孔裂隙面的产状，将每一个钻孔裂隙面其视为一无限延伸的平面，使之与掌子面相交，根据其优势产状及分布位置，计算在掌子面上的虚构交线的直线方程。
步骤6：使用RANSAC算法量化掌子面裂隙拟合线和虚构交线的相似度，具体步骤如下：
分别选取一条掌子面裂隙拟合线和虚构交线，将这两条直线上全部的点作为本算法的数据集；从数据集中随机选择一个最小的点集S，假设选择的点集有m个点，随机选择过程可表示为：，其中D为直线上所有点组成的数据集。
对子集S使用最小二乘法进行拟合，计算模型参数。
对剩余数据集中的每一个点，计算其到模型的距离s。
设置距离阈值，判断各点是否为内点或外点。
计算内点上的拟合误差之和作为适应度度量。
假设有个内点，则适应度度量可以表示为：/>，其中,/>为第i个内点的拟合误差。
重复上述步骤直到达到预定的迭代次数或达到停止条件，选择具有最好适应度度量的模型作为最终结果，并得到最优适应度度量f。
用上述方法，对虚构交线与掌子面裂隙直线的相似性进行指标量化，并得到下面裂隙共面性匹配的最优适应度度量。
步骤7：对钻孔裂隙面与掌子面出露裂隙进行共面匹配，得到裂隙共面性匹配结果。
通过步骤6的RANSAC算法，将共面性指标量化，即得到每一个组的最优适应度度量，而如何得到全局匹配方案，是一个遍历的过程，遍历中让所有组的最优适应度度量达到最大，得到全局的最优匹配方案；本实施例中，最优匹配方案通过禁忌搜索算法进行优化，通过在交换匹配对象的邻域解中不断迭代匹配方案，获得最优解，更新禁忌表的过程中，避免陷入局部最优解，找到更好的全局最优解。
具体的，通过禁忌搜索算法遍历全部裂隙的共面匹配，具体的步骤如下：
首先，将所有钻孔裂隙随机匹配一条掌子面裂隙，作为初始解S，定义目标函数为所有解的最优适应度度量之和，并设置初始禁忌表、迭代次数、停止条件等参数。
生成当前解S 的邻域解集N，定义移动操作，如依次改变钻孔裂隙的匹配对象，产生的匹配方案作为邻域解。
评估邻域解集N中各解的目标函数值，从 N 中选择非禁忌解中的最优解 S'，更新当前解 S = S'，并将关键操作，即交换操作加入禁忌表，以避免在接下来的一定迭代内再次选择相同的解。
重复上述搜索过程，直至满足停止条件，结束迭代。
通过禁忌搜索算法，实现了对全体掌子面裂隙与钻孔裂隙面的共面匹配，结合共面掌子面裂隙和钻孔裂隙面的产状、迹长等参数，对掌子面近前方出露裂隙进行高精度建模。
步骤8：根据裂隙共面性匹配结果，对掌子面近前方裂隙面几何参数进行补充完善。
根据钻孔裂隙面与掌子面裂隙的匹配关系，对所有共面裂隙进行整合，即将各方案内若干独立的钻孔裂隙面整合为一完整度更高、范围更大的不连续裂隙面，进而获取各不连续裂隙面的几何参数分布特征，包括迹长、倾向、倾角等信息。
实施例二
本公开的一种实施例中提供了基于掌子面和钻孔图像的隧道裂隙共面性匹配系统，包括裂隙识别模块、裂隙拟合模块、裂隙聚类模块和共面匹配模块：
裂隙识别模块，被配置为：使用语义分割模型对获取的掌子面扫描图像和钻孔高清展开图进行裂隙智能识别，获得掌子面裂隙识别图像和钻孔裂隙识别图像；
裂隙拟合模块，被配置为：对掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强和裂隙函数拟合，得到掌子面裂隙拟合线和钻孔裂隙产状；
裂隙聚类模块，被配置为：根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，基于优势分组和掌子面裂隙拟合线，计算各钻孔裂隙面在掌子面上的虚构交线；
共面匹配模块，被配置为：以适应度度量来量化虚构交线与掌子面裂隙拟合线的相似度，以最优适应度度量作为目标函数进行迭代优化，进而实现钻孔裂隙面与掌子面出露裂隙的共面匹配，得到裂隙共面性匹配结果；
其中，所述钻孔裂隙面与掌子面出露裂隙的共面匹配，具体为：
对虚构交线与掌子面裂隙拟合线上的点随机抽样和拟合，通过重复迭代，得到最小的拟合误差；通过预设拟合误差范围，判断两直线的相似度，进而判断交线所在裂隙面与掌子面上裂隙是否能共面匹配。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例一所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法中的步骤。
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。

Claims (10)

1.基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，其特征在于，包括：
使用语义分割模型对获取的掌子面扫描图像和钻孔高清展开图进行裂隙智能识别，获得掌子面裂隙识别图像和钻孔裂隙识别图像；
对掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强和裂隙函数拟合，得到掌子面裂隙拟合线和钻孔裂隙产状；
根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，基于优势分组和掌子面裂隙拟合线，计算各钻孔裂隙面在掌子面上的虚构交线；
以适应度度量来量化虚构交线与掌子面裂隙拟合线的相似度，以最优适应度度量作为目标函数进行迭代优化，进而实现钻孔裂隙面与掌子面出露裂隙的共面匹配，得到裂隙共面性匹配结果；
其中，所述钻孔裂隙面与掌子面出露裂隙的共面匹配，具体为：
对虚构交线与掌子面裂隙拟合线上的点随机抽样和拟合，通过重复迭代，得到最小的拟合误差；通过预设拟合误差范围，判断两直线的相似度，进而判断交线所在裂隙面与掌子面上裂隙是否能共面匹配。
2.如权利要求1所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，其特征在于，所述得到掌子面裂隙拟合线和钻孔裂隙产状，具体为：
对预处理后的掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强，获得裂隙像素点坐标；
根据裂隙像素点坐标拟合裂隙函数，将裂隙图像数字化；
根据裂隙函数，得到掌子面裂隙拟合线和钻孔裂隙产状。
3.如权利要求2所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，其特征在于，所述特征增强为边缘提取，提取裂隙识别图像中的裂隙边缘线，增强裂隙特征。
4.如权利要求1所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，其特征在于，所述裂隙函数拟合,采用最小二乘法，采用直线对掌子面裂隙进行拟合，采用正弦曲线对钻孔裂隙迹线进行拟合，用拟合函数作为裂隙迹线的拟合线。
5.如权利要求1所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，其特征在于，所述根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，具体为：
采用Mean Shift聚类算法，在钻孔裂隙数据点产状分布密度高的区域不断调整均值的位置，使得均值移动向局部密度的最大值，从而找到聚类中心，得到优势分组。
6.如权利要求1所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，其特征在于，所述计算各钻孔裂隙面在掌子面上的虚构交线，具体为：
对每个钻孔裂隙面，根据其产状优势分组结果及分布位置，将每一个钻孔裂隙面视为一无限延伸的平面，计算在掌子面上的虚构交线的直线方程。
7.如权利要求1所述的基于掌子面和钻孔图像的隧道裂隙共面性匹配方法，其特征在于，还包括：根据裂隙共面性匹配结果，对掌子面近前方裂隙面几何参数进行补充完善。
8.基于掌子面和钻孔图像的隧道裂隙共面性匹配系统，其特征在于，包括裂隙识别模块、裂隙拟合模块、裂隙聚类模块和共面匹配模块：
裂隙识别模块，被配置为：使用语义分割模型对获取的掌子面扫描图像和钻孔高清展开图进行裂隙智能识别，获得掌子面裂隙识别图像和钻孔裂隙识别图像；
裂隙拟合模块，被配置为：对掌子面裂隙识别图像和钻孔裂隙识别图像进行特征增强和裂隙函数拟合，得到掌子面裂隙拟合线和钻孔裂隙产状；
裂隙聚类模块，被配置为：根据钻孔裂隙产状对钻孔裂隙进行聚类，获取裂隙结构面产状的优势分组，基于优势分组和掌子面裂隙拟合线，计算各钻孔裂隙面在掌子面上的虚构交线；
共面匹配模块，被配置为：以适应度度量来量化虚构交线与掌子面裂隙拟合线的相似度，以最优适应度度量作为目标函数进行迭代优化，进而实现钻孔裂隙面与掌子面出露裂隙的共面匹配，得到裂隙共面性匹配结果；
其中，所述钻孔裂隙面与掌子面出露裂隙的共面匹配，具体为：
对虚构交线与掌子面裂隙拟合线上的点随机抽样和拟合，通过重复迭代，得到最小的拟合误差；通过预设拟合误差范围，判断两直线的相似度，进而判断交线所在裂隙面与掌子面上裂隙是否能共面匹配。
9.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行权利要求1-7任一项所述的方法。
10.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令，
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
CN202410256878.5A 2024-03-07 2024-03-07 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统 Active CN117853766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410256878.5A CN117853766B (zh) 2024-03-07 2024-03-07 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410256878.5A CN117853766B (zh) 2024-03-07 2024-03-07 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统

Publications (2)

Publication Number Publication Date
CN117853766A CN117853766A (zh) 2024-04-09
CN117853766B true CN117853766B (zh) 2024-05-10

Family

ID=90534983

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410256878.5A Active CN117853766B (zh) 2024-03-07 2024-03-07 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统

Country Status (1)

Country Link
CN (1) CN117853766B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546113A (zh) * 2022-09-15 2022-12-30 山东大学 掌子面裂隙图像与前方三维结构参数预测方法及系统
CN116912300A (zh) * 2023-08-29 2023-10-20 沈阳工业大学 基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2007248114B2 (en) * 2006-05-04 2010-12-16 Shell Internationale Research Maatschappij B.V. Method of analyzing a subterranean formation using time dependent transient response signals

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115546113A (zh) * 2022-09-15 2022-12-30 山东大学 掌子面裂隙图像与前方三维结构参数预测方法及系统
CN116912300A (zh) * 2023-08-29 2023-10-20 沈阳工业大学 基于表面裂隙与岩体内部岩性智能识别的隧道爆破方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于LHS的坝基岩体三维裂隙网络模拟;岳攀;钟登华;吴含;张亦弛;;水力发电学报;20161025(10);全文 *
综合物探与摄影测量的预选场址断裂影响范围研究;张培兴;李晓昭;章杨松;凡净;宋金龙;;防灾减灾工程学报;20171215(06);全文 *

Also Published As

Publication number Publication date
CN117853766A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN111563442B (zh) 基于激光雷达的点云和相机图像数据融合的slam方法及系统
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
CN113139453B (zh) 一种基于深度学习的正射影像高层建筑基底矢量提取方法
CN115546113B (zh) 掌子面裂隙图像与前方三维结构参数预测方法及系统
CN109658431B (zh) 基于区域生长的岩体点云平面提取方法
CN105180890A (zh) 融合激光点云和数字影像的岩体结构面产状测量方法
Sohn et al. An implicit regularization for 3D building rooftop modeling using airborne lidar data
CN111814597A (zh) 一种耦合多标签分类网络和yolo的城市功能分区方法
CN112037318A (zh) 三维岩体结构模型的构建方法、系统及模型的应用
CN115546116B (zh) 全覆盖式岩体不连续面提取与间距计算方法及系统
CN113838005A (zh) 基于维度转换的岩体裂隙智能识别与三维重构方法及系统
Wang et al. Rock fracture centerline extraction based on Hessian matrix and Steger algorithm
CN111681300A (zh) 轮廓素描线组成的目标区域获取方法
Wang et al. A method for detecting windows from mobile LiDAR data
CN114283343B (zh) 基于遥感卫星图像的地图更新方法、训练方法和设备
CN115375925A (zh) 一种基于相位信息和深度学习的水下声呐图像匹配算法
CN114998395A (zh) 一种有效的堤岸三维数据变化检测方法及系统
CN110942077A (zh) 基于权重局部变化度和l1中值优化的特征线提取方法
Guo et al. SGLBP: Subgraph‐based local binary patterns for feature extraction on point clouds
Liu et al. Roof segmentation from airborne LiDAR using octree-based hybrid region growing and boundary neighborhood verification voting
Sun et al. Semantic Segmentation and Roof Reconstruction of Urban Buildings Based on LiDAR Point Clouds
CN106897683B (zh) 一种遥感图像的地物检测方法及系统
CN117853766B (zh) 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及系统
Honti et al. Automation of cylinder segmentation from point cloud data
CN111402256B (zh) 一种基于模板的三维点云目标检测和姿态估计方法

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
GR01 Patent grant
GR01 Patent grant