CN117854060B - 基于深度学习的隧道岩体面状裂隙识别方法及系统 - Google Patents

基于深度学习的隧道岩体面状裂隙识别方法及系统 Download PDF

Info

Publication number
CN117854060B
CN117854060B CN202410256874.7A CN202410256874A CN117854060B CN 117854060 B CN117854060 B CN 117854060B CN 202410256874 A CN202410256874 A CN 202410256874A CN 117854060 B CN117854060 B CN 117854060B
Authority
CN
China
Prior art keywords
point
points
point cloud
structural
normal vector
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
CN202410256874.7A
Other languages
English (en)
Other versions
CN117854060A (zh
Inventor
许振浩
牟文墉
潘东东
李轶惠
余腾飞
卜泽华
张一驰
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 CN202410256874.7A priority Critical patent/CN117854060B/zh
Publication of CN117854060A publication Critical patent/CN117854060A/zh
Application granted granted Critical
Publication of CN117854060B publication Critical patent/CN117854060B/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
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional 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
    • G06N3/0499—Feedforward 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
    • G06V10/762—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
    • G06V10/77—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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (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)
  • Image Generation (AREA)

Abstract

本发明涉及隧道掌子面岩体面状裂隙识别技术领域，特别是涉及基于深度学习的隧道岩体面状裂隙识别方法及系统，其中方法包括：获取隧道掌子面岩体三维点云数据；将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量；对点云法向量进行法向一致性调整；采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合；对待选点集合进行分类，得到破碎区；基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计。本发明能够准确的提取隧道掌子面岩体出露结构面信息。

Description

基于深度学习的隧道岩体面状裂隙识别方法及系统
技术领域
本发明涉及隧道掌子面岩体面状裂隙识别技术领域，特别是涉及基于深度学习的隧道岩体面状裂隙识别方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
工程岩体中存在大量节理、裂隙等不连续面，这些岩体不连续结构面对岩体的稳定性和水力特性有重大影响。建设中的隧道经常会遇到岩体密集、复杂的不连续结构面分布，从而导致隧道塌方等事故，造成巨大的经济和生产损失。为了确保隧道开挖过程顺利进行，识别结构面并获取其几何信息对于获取结构面的空间分布特性有重要意义，是隧道稳定性预测、工程岩体质量分级、隧道支护设计等工作的重要依据。
传统方法大多是使用地质罗盘直接测量岩石节理，当测量区域无法到达时，这种方法既费时费力又危险，且测量结果受主观判断和经验影响较大。随着测量技术的发展，激光扫描技术和数字摄影测量等非接触式测量方法已成为获取隧道掌子面岩体三维点云数据的热门方法，相关研究人员开发了多种基于点云数据的岩石结构面半自动或自动提取方法。主要有以下三类：（1）基于聚类的方法，将点云法向量转换为倾向倾角，依据相似性将数据分割成不同类别；（2）基于区域生长的方法，通过选取种子点，依据生长准则判断相邻点是否属于当前类别；（3）基于神经网络的方法，将点云的某些特征作为输入，通过训练模型得到点云结构面分组结果。
以上方法虽然在一定程度上提高了不连续结构面识别的速度和精度，但是又各有缺点。基于聚类的方法通常需要事先设定结构面组数，需要专业人员的参与，此方法更适用于结构面分布较为规律的边坡岩体；基于区域生长的方法精度虽然更高，但通常需要不断测试来确定参数，且对于不同密度的点云需要不断调整参数，鲁棒性较差；基于神经网络的方法通常需要花费大量时间来创建训练集，时间成本较高。
发明内容
为了解决现有技术的不足，本发明提供了基于深度学习的隧道岩体面状裂隙识别方法及系统；首先基于深度学习技术计算岩体点云的法向量，从根本上提高识别的准确率，在此基础上通过改进的区域生长算法对岩体面状裂隙分组并计算产状信息，过程中将地质信息与识别算法相融合，进一步区分岩体面状裂隙与隧道中因施工爆破产生的非岩体结构面，准确的提取隧道掌子面岩体出露结构面信息。
一方面，提供了基于深度学习的隧道岩体面状裂隙识别方法，包括：获取隧道掌子面岩体三维点云数据；将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量；对点云法向量进行法向一致性调整；采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合；对待选点集合进行分类，得到破碎区；基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计。
另一方面，提供了基于深度学习的隧道岩体面状裂隙识别系统，包括：获取模块，其被配置为：获取隧道掌子面岩体三维点云数据；将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量；调整模块，其被配置为：对点云法向量进行法向一致性调整；识别模块，其被配置为：采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合；分类模块，其被配置为：对待选点集合进行分类，得到破碎区；计算模块，其被配置为：基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计。
上述技术方案具有如下优点或有益效果：本发明通过深度学习算法计算点云的法向量，法向量信息是掌子面岩体面状裂隙识别的重要基础信息，相比传统平面拟合来计算法向量的精度要高很多，尤其是在一些平面边缘区域，为后续结构面识别及分组的精确性提供了保证。
本发明通过改进的区域生长算法精细的识别掌子面岩体上的面状裂隙，不需要传统聚类方法来指定分组数量，改善了传统的区域生长法参数难以确定的问题，通过角度差值较小的一次生长和后续二次生长来不断优化识别结果。
本发明将地质信息融合进识别算法，掌子面上的爆破区域通常是法向量变化异常明显的凹凸面集合，以此区分岩体面状裂隙与隧道中因施工爆破产生的非岩体结构面。
本发明提供了一种基于深度学习的隧道岩体面状裂隙识别方法，自动高效精确的识别掌子面上的面状裂隙，计算产状并统计分组信息，为地质信息提取提供了一种可选的智能化方法。
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为实施例一的方法流程图。
图2为实施例一的深度学习模型内部网络架构图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
实施例一：如图1所示，本实施例提供了基于深度学习的隧道岩体面状裂隙识别方法，包括：S101：获取隧道掌子面岩体三维点云数据；将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量；S102：对点云法向量进行法向一致性调整；S103：采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合；S104：对待选点集合进行分类，得到破碎区；S105：基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计。
进一步地，所述S101：获取隧道掌子面岩体三维点云数据，是采用三维激光扫描仪采集，或者拍摄图像后，从图像中获取点云数据。
进一步地，所述S101：将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量，具体包括：模型的输入为（X，Y，Z，R，G，B）的点格式文件，输出为（X，Y，Z，R，G，B，Nx，Ny，Nz）的点格式文件，（Nx，Ny，Nz）为点云的法向量信息；其中，X，Y，Z表示点云的三维坐标信息；R，G，B表示点云的颜色信息。
进一步地，所述S101：将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量，模型的训练过程包括：构建训练集，所述训练集为已知点云法向量的三维点云数据；将训练集，输入到深度学习模型中，对模型进行训练，当模型的损失函数值不再下降，或者迭代次数超过设定次数时，停止训练，得到训练后的深度学习模型。
进一步地，如图2所示，所述S101：将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量，其中，深度学习模型，包括：依次连接的第一下采样层、第二下采样层、第三下采样层、第一上采样层、第二上采样层和第三上采样层；第一下采样层的输入端为深度学习模型的输入端。
其中，第一下采样层的输出端、第二下采样层的输出端和第三下采样层的输出端均与第一拼接单元的输入端连接，第一拼接单元的输出端与第一多层感知机的输入端连接，第一多层感知机的输出端与拉普拉斯计算单元的输入端连接。
第三上采样层的输出端和拉普拉斯计算单元的输出端，均与第二拼接单元的输入端连接，第二拼接单元的输出端与第二多层感知机的输入端连接，第二多层感知机的输出端与加法器的输入端连接，加法器的输出端与第三多层感知机的输入端连接，第三多层感知机的输出端为深度学习模型的输出端；第三上采样层的输出端与加法器的输入端连接。
进一步地，所述第一多层感知机、第二多层感知机和第三多层感知机的内部结构是一样的，所述第一多层感知机，包括：依次连接的线性层、批量归一化层和激活函数层。
进一步地，如图2所示，所述S101：将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量，其中，深度学习模型，用于：输入三维点云数据，对三维点云数据依次进行三次下采样，每次点数量减半，特征维度加倍，法向量计算依赖的原始信息是空间特征（X，Y，Z）信息，初始维度为N×3，N为点云数量，第一次下采样特征为64维，最后通过三个上采样层来恢复原始点云；将三次下采样后的特征通过第一拼接单元在通道维度上进行拼接，随后第一多层感知机进行特征深度融合，生成多尺度特征；将多尺度特征，通过拉普拉斯计算单元的计算，得到边缘特征；； 其中，/>代表计算得到的边缘特征，/>代表点i的局部邻域，/>和/>代表点的多尺度特征，/>和/>代表引入自适应性的两个参数。
将检测到的边缘特征与第三上采样层输出的全局特征，在通道维度上进行拼接，得到拼接特征，将拼接特征输入到第二多层感知机中，将第二多层感知机的输出值与第三上采样层的输出值进行求和，将求和结果送入第三多层感知机，得到法向量计算结果。
应理解地，进行边缘检测找出法向量变化明显的区域来进行后续调整，在计算效率较高的拉普拉茨算子中引入适应性，锐化有用边缘，同时抑制噪声信号。
进一步地，S102：对点云法向量进行法向一致性调整，具体包括：S102-1：通过随机采样一致性算法（RANdom SAmple Consensus，RANSAC）算法对隧道掌子面点云数据进行拟合，得到拟合后的隧道掌子面，将垂直于拟合后的隧道掌子面的法向量作为基准方向，指定朝向基准方向的法向量为基准法向量；S102-2：计算所有待调整法向量与基准法向量的余弦值，若余弦值大于0，则不做调整；若余弦值小于0，则将待调整法向量取相反方向，由（Nx，Ny，Nz）变为（-Nx，-Ny，-Nz）。
进一步地，S103：采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合，具体包括：S103-1：将法向量转换为描述岩体结构面产状的倾向和倾角，并将倾向和倾角投影至二维产状玫瑰图，从二维产状玫瑰图中选择密度最大的点作为生长起始点，点云法向量为（a，b，c），转化后的产状信息倾向为/>，倾角为/>；二维产状玫瑰图最外层是倾向信息，从圆心到最外层是倾角信息；/>；如果，则/>；如果/>，则；如果/>，则/>；如果/>，则/>。
S103-2：以起始点为圆心，三倍点云平均间距为半径，建立三维搜索圆，计算圆内任意点/>与起始点/>的法向量夹角；若夹角小于等于角度阈值/>，与起始点/>为同一结构面，以点/>为圆心继续搜索未知点，计算未知点与起始点/>的夹角；若夹角大于角度阈值/>，将点标记为待选点，无新点增加时，此次搜索结束。
S103-3：第一次搜索结束后，属于结构面的点被放入集合，待选点被放入集合S，在二维产状方位图的剩余点中寻找的密度最大点，以密度最大点作为生长点开始寻找第二组结构面。
S103-4：重复S103-2~ S103-3，当点云中90%的点都标记完毕时，第一次生长结束，剩余点放入集合S，得到结构面集合M：(，/>，/>…/>)，待选点集合S：(/>，/>，/>…/>)。
进一步地，S103：采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合，还包括：S103-5：对结构面集合M：(，/>，/>…/>)中的结构面进行二次生长，/>表示第一次生长后得到的第/>个结构面；首先使用主成分分析算法（Principal Component Analysis, PCA）拟合每个结构面，获得结构面法向量，随机选取一个结构面作为初始结构面，以法向量及距离为生长准则：生长准则一，为设定的结构面法向量角度阈值/>（/>大于/>）；生长准则二，为距离阈值，设定的距离阈值/>为两结构面的垂直距离，设定的距离阈值/>为两结构面中的最远点距离。
S103-6：以初始结构面的法向量为基础，计算初始结构面的法向量与其他结构面的法向量夹角，如果夹角差小于角度阈值，则继续判断初始结构面与其他结构面的垂直距离是否小于距离阈值/>，判断初始结构面与其他结构面的最远点距离离是否小于距离阈值/>；如果初始结构面与其他结构面的垂直距离小于距离阈值/>，且初始结构面与其他结构面的最远点距离离小于距离阈值/>，则两个结构面合并。
S103-7：重复S103-5- S103-7至二次生长结束，结构面已经识别完毕，将最终得到的结构面放入集合N，N：(，/>，/>…/>)。
进一步地，所述S104：对待选点集合进行分类，得到破碎区，具体包括：S104-1：计算待选点集合中的待选点的线性度，判断线性度是否超过设定阈值，如果超过设定阈值，则认为当前待选点为两个结构面之间的法向量突变区域；将线性度超过设定阈值的待选点存储到集合S2；；其中，/>代表线性度，/>和/>为通过主成分分析算法计算得到的点云第一特征值和第二特征值。
S104-2：计算待选点集合中的待选点的点云密度，如果点云密度小于设定阈值，则认定当前待选点为在平坦结构面上的微小凹凸部分；如果点云密度大于设定阈值，则认定当前待选点为因爆破而产生的爆破面，将点云密度小于设定阈值的点存储到集合S1，将点云密度大于设定阈值的点存储到集合S3。
S104-3：对于集合S1中的点，将其纠正为所属结构面内点，通过KD树Kd-tree（k-dimensional树）从所有点云数据中寻找距离设定搜索点的最近的50个点，若50个点中60%的点为区域生长算法识别到的同一结构面点，将当前点并入结构面，否则删除当前点。
S104-4：遍历集合S1中的点，将其纠正为所属结构面内点，通过KD树Kd-tree寻找每个点最近的50个点，若60%的点为此前识别到的同一结构面点，将此点并入结构面，否则删除此点。
S104-5：遍历集合S2中的点，以每个被遍历点为圆心，建立半径为三倍点云平均间距的三维圆，若三维圆内属于结构面的数量大于结构面/>，当前被遍历点属于结构面/>；反之，当前被遍历点属于结构面/>。
S104-6：将集合S3中的点，被标记为破碎区。
通常是掌子面爆破时产生的较多凹凸不平区域的集合，其法向量分布通常异常离散。
进一步地，所述S105：基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计，具体包括：S105-1：掌子面岩体点云全部识别完毕，分为结构面区域N和破碎区区域C，再次对结构面区域N中的结构面计算法向量，将法向量转换至结构面的倾向和倾角，将倾向和倾角投影至二维产状玫瑰图；S105-2：将各个结构面的倾向和倾角，均输入到K均值聚类算法K-means，得到结构面分组信息。结构面就是指面状裂隙，进而得到面状裂隙的分组信息。
应理解地，传统的点云法向量计算通常是选取目标点云邻域内一定数量的点，通过多种数学方法将这些点拟合为最佳平面，计算垂直此平面的向量作为点云的法向量；这些方法过度依赖各种参数的选择且对于密度差异较大的点云计算结果通常较差，在计算平面边缘点的法向量时，很容易受到噪声影响，影响后续面状裂隙识别效果。
本实施例使用深度学习算法计算岩体点云法向量，可以有效的融合点云几何信息的多尺度特征，更好的保留点云的空间结构，对点云数据中不同的噪声水平和密度变化表现出强大的鲁棒性。
本实施例使用高效率的运算符进行边缘检测，在拉普拉斯算子中引入自适应性，以锐化有用边缘，同时抑制噪声信号，最后，通过全局信息补充边缘信息，得到较准确的点云法向量；本实施例法向量计算后通常需要进行全局法向一致性调整，根据规定方向进行统一，确保绝大部分岩体点云法向量朝向正确，避免后续在计算各法向量夹角时出错；传统的区域生长法对分组比较明显的边坡点云较为适用，而掌子面的面状裂隙通常较为分散且受破碎岩体影响较大；结合地质领域的相关知识改进传统的区域生长算法，使用改进后的区域生长算法精细的识别掌子面岩体上的面状裂隙并标记破碎区域。
实施例二：本实施例提供了基于深度学习的隧道岩体面状裂隙识别系统，包括：获取模块，其被配置为：获取隧道掌子面岩体三维点云数据；将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量；调整模块，其被配置为：对点云法向量进行法向一致性调整；识别模块，其被配置为：采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合；分类模块，其被配置为：对待选点集合进行分类，得到破碎区；计算模块，其被配置为：基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计。
此处需要说明的是，上述获取模块、调整模块、识别模块、分类模块和计算模块对应于实施例一中的步骤S101至S105，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
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 (9)

1.基于深度学习的隧道岩体面状裂隙识别方法，其特征是，包括：
获取隧道掌子面岩体三维点云数据；将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量；
对点云法向量进行法向一致性调整；
采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合；所述采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合，具体包括：
将法向量转换为描述岩体结构面产状的倾向和倾角，并将倾向和倾角投影至二维产状玫瑰图，从二维产状玫瑰图中选择密度最大的点作为生长起始点，点云法向量为（a，b，c），转化后的产状信息倾向为/>，倾角为/>；二维产状玫瑰图最外层是倾向信息，从圆心到最外层是倾角信息；
；
如果，则/>；
如果，则/>；
如果，则/>；
如果，则/>；
以起始点为圆心，三倍点云平均间距为半径，建立三维搜索圆，计算圆内任意点/>与起始点/>的法向量夹角；
若夹角小于等于角度阈值，与起始点/>为同一结构面，以点/>为圆心继续搜索未知点，计算未知点与起始点/>的夹角；
若夹角大于角度阈值，将点/>标记为待选点，无新点增加时，此次搜索结束；
第一次搜索结束后，属于结构面的点被放入集合，待选点被放入集合S，在二维产状方位图的剩余点中寻找的密度最大点，以密度最大点作为生长点开始寻找第二组结构面；
当点云中90%的点都标记完毕时，第一次生长结束，剩余点放入集合S，得到结构面集合M：(，/>，/>…/>)，待选点集合S：(/>，/>，/>…/>)；
对待选点集合进行分类，得到破碎区；
基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计。
2.如权利要求1所述的基于深度学习的隧道岩体面状裂隙识别方法，其特征是，将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量，具体包括：
模型的输入为（X，Y，Z，R，G，B）的点格式文件，输出为（X，Y，Z，R，G，B，Nx，Ny，Nz）的点格式文件，（Nx，Ny，Nz）为点云的法向量信息；
其中，X，Y，Z表示点云的三维坐标信息；R，G，B表示点云的颜色信息。
3.如权利要求1所述的基于深度学习的隧道岩体面状裂隙识别方法，其特征是，将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量，其中，深度学习模型，包括：
依次连接的第一下采样层、第二下采样层、第三下采样层、第一上采样层、第二上采样层和第三上采样层；第一下采样层的输入端为深度学习模型的输入端；
其中，第一下采样层的输出端、第二下采样层的输出端和第三下采样层的输出端均与第一拼接单元的输入端连接，第一拼接单元的输出端与第一多层感知机的输入端连接，第一多层感知机的输出端与拉普拉斯计算单元的输入端连接；
第三上采样层的输出端和拉普拉斯计算单元的输出端，均与第二拼接单元的输入端连接，第二拼接单元的输出端与第二多层感知机的输入端连接，第二多层感知机的输出端与加法器的输入端连接，加法器的输出端与第三多层感知机的输入端连接，第三多层感知机的输出端为深度学习模型的输出端；
第三上采样层的输出端与加法器的输入端连接。
4.如权利要求1所述的基于深度学习的隧道岩体面状裂隙识别方法，其特征是，将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量，其中，深度学习模型，用于：
输入三维点云数据，对三维点云数据依次进行三次下采样，每次点数量减半，特征维度加倍，法向量计算依赖的原始信息是空间特征（X，Y，Z）信息，初始维度为N×3，N为点云数量，第一次下采样特征为64维，最后通过三个上采样层来恢复原始点云；
将三次下采样后的特征通过第一拼接单元在通道维度上进行拼接，随后第一多层感知机进行特征深度融合，生成多尺度特征；
将多尺度特征，通过拉普拉斯计算单元的计算，得到边缘特征；
将检测到的边缘特征与第三上采样层输出的全局特征，在通道维度上进行拼接，得到拼接特征，将拼接特征输入到第二多层感知机中，将第二多层感知机的输出值与第三上采样层的输出值进行求和，将求和结果送入第三多层感知机，得到法向量计算结果。
5.如权利要求1所述的基于深度学习的隧道岩体面状裂隙识别方法，其特征是，对点云法向量进行法向一致性调整，具体包括：
通过随机采样一致性算法对隧道掌子面点云数据进行拟合，得到拟合后的隧道掌子面，将垂直于拟合后的隧道掌子面的法向量作为基准方向，指定朝向基准方向的法向量为基准法向量；
计算所有待调整法向量与基准法向量的余弦值，若余弦值大于0，则不做调整；若余弦值小于0，则将待调整法向量取相反方向，由（Nx，Ny，Nz）变为（-Nx，-Ny，-Nz）。
6.如权利要求1所述的基于深度学习的隧道岩体面状裂隙识别方法，其特征是，采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合，还包括：
对结构面集合M：(，/>，/>…/>)中的结构面进行二次生长，/>表示第一次生长后得到的第/>个结构面；首先使用主成分分析算法拟合每个结构面，获得结构面法向量，随机选取一个结构面作为初始结构面，以法向量及距离为生长准则：
生长准则一，为设定的结构面法向量角度阈值，/>大于/>；
生长准则二，为距离阈值，设定的距离阈值为两结构面的垂直距离，设定的距离阈值为两结构面中的最远点距离；
以初始结构面的法向量为基础，计算初始结构面的法向量与其他结构面的法向量夹角，如果夹角差小于角度阈值，则继续判断初始结构面与其他结构面的垂直距离是否小于距离阈值/>，判断初始结构面与其他结构面的最远点距离离是否小于距离阈值/>；
如果初始结构面与其他结构面的垂直距离小于距离阈值，且初始结构面与其他结构面的最远点距离离小于距离阈值/>，则两个结构面合并；
二次生长结束，结构面已经识别完毕，将最终得到的结构面放入集合N，N：(，/>，/>…)。
7.如权利要求1所述的基于深度学习的隧道岩体面状裂隙识别方法，其特征是，对待选点集合进行分类，得到破碎区，具体包括：
计算待选点集合中的待选点的线性度，判断线性度是否超过设定阈值，如果超过设定阈值，则认为当前待选点为两个结构面之间的法向量突变区域；将线性度超过设定阈值的待选点存储到集合S2；
计算待选点集合中的待选点的点云密度，如果点云密度小于设定阈值，则认定当前待选点为在平坦结构面上的微小凹凸部分；如果点云密度大于设定阈值，则认定当前待选点为因爆破而产生的爆破面，将点云密度小于设定阈值的点存储到集合S1，将点云密度大于设定阈值的点存储到集合S3；
对于集合S1中的点，将其纠正为所属结构面内点，通过KD树从所有点云数据中寻找距离设定搜索点的最近的M个点，若M个点中P%的点为区域生长算法识别到的同一结构面点，将当前点并入结构面，否则删除当前点；
遍历集合S1中的点，将其纠正为所属结构面内点，通过KD树Kd-tree寻找每个点最近的M个点，若P%的点为此前识别到的同一结构面点，将此点并入结构面，否则删除此点；
遍历集合S2中的点，以每个被遍历点为圆心，建立半径为三倍点云平均间距的三维圆，若三维圆内属于结构面的数量大于结构面/>，当前被遍历点属于结构面/>；反之，当前被遍历点属于结构面/>；
将集合S3中的点，被标记为破碎区。
8.如权利要求1所述的基于深度学习的隧道岩体面状裂隙识别方法，其特征是，基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计，具体包括：
掌子面岩体点云全部识别完毕，分为结构面区域N和破碎区区域C，再次对结构面区域N中的结构面计算法向量，将法向量转换至结构面的倾向和倾角，将倾向和倾角投影至二维产状玫瑰图；
将各个结构面的倾向和倾角，均输入到K均值聚类算法，得到结构面分组信息。
9.基于深度学习的隧道岩体面状裂隙识别系统，其特征是，包括：
获取模块，其被配置为：获取隧道掌子面岩体三维点云数据；将三维点云数据，输入到训练后的深度学习模型中，得到点云法向量；
调整模块，其被配置为：对点云法向量进行法向一致性调整；
识别模块，其被配置为：采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合；所述采用改进的区域生长算法，对基于调整后的点云法向量进行识别，得到结构面集合和待选点集合，具体包括：
将法向量转换为描述岩体结构面产状的倾向和倾角，并将倾向和倾角投影至二维产状玫瑰图，从二维产状玫瑰图中选择密度最大的点作为生长起始点，点云法向量为（a，b，c），转化后的产状信息倾向为/>，倾角为/>；二维产状玫瑰图最外层是倾向信息，从圆心到最外层是倾角信息；
；
如果，则/>；
如果，则/>；
如果，则/>；
如果，则/>；
以起始点为圆心，三倍点云平均间距为半径，建立三维搜索圆，计算圆内任意点/>与起始点/>的法向量夹角；
若夹角小于等于角度阈值，与起始点/>为同一结构面，以点/>为圆心继续搜索未知点，计算未知点与起始点/>的夹角；
若夹角大于角度阈值，将点/>标记为待选点，无新点增加时，此次搜索结束；
第一次搜索结束后，属于结构面的点被放入集合，待选点被放入集合S，在二维产状方位图的剩余点中寻找的密度最大点，以密度最大点作为生长点开始寻找第二组结构面；
当点云中90%的点都标记完毕时，第一次生长结束，剩余点放入集合S，得到结构面集合M：(，/>，/>…/>)，待选点集合S：(/>，/>，/>…/>)；
分类模块，其被配置为：对待选点集合进行分类，得到破碎区；
计算模块，其被配置为：基于结构面集合和破碎区，计算岩体产状信息，并进行分组统计。
CN202410256874.7A 2024-03-07 2024-03-07 基于深度学习的隧道岩体面状裂隙识别方法及系统 Active CN117854060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410256874.7A CN117854060B (zh) 2024-03-07 2024-03-07 基于深度学习的隧道岩体面状裂隙识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410256874.7A CN117854060B (zh) 2024-03-07 2024-03-07 基于深度学习的隧道岩体面状裂隙识别方法及系统

Publications (2)

Publication Number Publication Date
CN117854060A CN117854060A (zh) 2024-04-09
CN117854060B true CN117854060B (zh) 2024-05-03

Family

ID=90548384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410256874.7A Active CN117854060B (zh) 2024-03-07 2024-03-07 基于深度学习的隧道岩体面状裂隙识别方法及系统

Country Status (1)

Country Link
CN (1) CN117854060B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118053152B (zh) * 2024-04-16 2024-07-09 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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1163302A1 (ru) * 1983-05-19 1985-06-23 Сибирский Научно-Исследовательский Институт Геологии,Геофизики И Минерального Сырья Способ определени генезиса карбонатных пород
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
CN115546116A (zh) * 2022-09-15 2022-12-30 山东大学 全覆盖式岩体不连续面提取与间距计算方法及系统
CN116403124A (zh) * 2022-11-30 2023-07-07 中国铁建昆仑投资集团有限公司 一种基于DResNet-PointNet的三维点云围岩的结构面智能识别方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
SU1163302A1 (ru) * 1983-05-19 1985-06-23 Сибирский Научно-Исследовательский Институт Геологии,Геофизики И Минерального Сырья Способ определени генезиса карбонатных пород
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
CN115546116A (zh) * 2022-09-15 2022-12-30 山东大学 全覆盖式岩体不连续面提取与间距计算方法及系统
CN116403124A (zh) * 2022-11-30 2023-07-07 中国铁建昆仑投资集团有限公司 一种基于DResNet-PointNet的三维点云围岩的结构面智能识别方法
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 (1)

* Cited by examiner, † Cited by third party
Title
基于摄影测量三维点云的岩体结构面自动识别方法;赵佳斌;章杨松;李晓昭;;科学技术与工程;20171008(第28期);全文 *

Also Published As

Publication number Publication date
CN117854060A (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
CN108846888B (zh) 一种古木建筑构件精细尺寸信息自动化提取方法
CN112465948B (zh) 一种保留空间特征的车载激光路面点云抽稀方法
CN117854060B (zh) 基于深度学习的隧道岩体面状裂隙识别方法及系统
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
CN111986115A (zh) 激光点云噪声和冗余数据的精准剔除方法
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN111652241B (zh) 融合影像特征与密集匹配点云特征的建筑物轮廓提取方法
CN110363299B (zh) 面向露头岩层分层的空间案例推理方法
CN113255677B (zh) 一种岩体结构面及产状信息快速提取方法、设备及介质
CN113205529B (zh) 一种基于机载LiDAR点云分割建筑物顶面的方法
CN115546116B (zh) 全覆盖式岩体不连续面提取与间距计算方法及系统
CN111489416A (zh) 隧道轴线拟合方法及在超欠挖方量计算上的应用
CN112033385A (zh) 一种基于海量点云数据的桥墩位姿测量方法
CN112215958A (zh) 一种基于分布式计算的激光雷达点云数据投影方法
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
CN112634447B (zh) 一种露头岩层分层方法、装置、设备及存储介质
Xin et al. Accurate and complete line segment extraction for large-scale point clouds
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
CN116452826A (zh) 基于机器视觉的遮挡情况下煤矸石轮廓估计方法
CN115713627A (zh) 一种基于法向量分割与区域生长的平面特征提取方法
CN115909099A (zh) 基于无人机巡检的边坡危岩识别与监测方法
CN115294302A (zh) 一种基于断裂线约束的机载点云快速滤波方法
Liu et al. Point2Building: Reconstructing Buildings from Airborne LiDAR Point Clouds
CN112862844A (zh) 基于车载点云数据的道路边界交互式提取方法
CN118628682B (zh) 基于三维点云的建筑物3d模型自动化建模方法

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