提高岩体结构识别效率的自适应稀疏方法、介质及设备

技术领域

本发明涉及测量；测试的技术领域，特别涉及一种数字化地质调查的岩体结构识别领域的提高岩体结构识别效率的自适应稀疏方法、介质及设备。

背景技术

岩体结构面是指在构造应力作用下岩体中所产生的各种构造遗迹(包括断层、节理、层理和破碎带等)具有一定方向、延展较大、厚度较小的两维面状地质界面，其将岩体切割成既连续又不连续的裂隙体。岩体结构面对边坡岩体开挖的稳定性具有重要意义。

传统的地质调查方法野外工作量大，测量陡坡时，存在一定的风险，获得的数据也非常有限，使得调查结果往往具有主观性。近年来，数字化地质调查方法得到了迅速发展，引起了越来越多的研究兴趣。

地面激光扫描(TLS)技术和摄影测量技术是最常用的两种数字地质调查方法。这两种方法将边坡数字化表征为三维点云模型，通过自动识别分析得到结构面的特征参数。然而，对于一个大型岩质边坡来说，将产生数千万甚至上亿个点云数据。粗略估计，1万平方米的边坡模型在1厘米分辨率下将产生1亿多个点云。这种超大数量的点云对后续的自动识别计算效率和性能都提出了巨大挑战，而岩体结构面特征识别时间过长、对计算机性能要求过高亦将使所谓的数字化方法在实际应用中难以应用。事实上，高分辨率点云数据对岩体的自动识别并不总是必需的，完整的岩体仅需要相对稀疏的点云数据，相反，破碎岩体则需要较密集的点云数据。目前对不同破碎程度的结构面最佳分辨率还没有定论。这些缺点限制了该方法在工程中的进一步推广和应用。

发明内容

本发明解决了现有技术中存在的问题，提供了一种提高岩体结构识别效率的自适应稀疏方法、介质及设备，基于不同岩体破碎程度，采用点云稀疏、聚类分析等技术，建立一套确定最佳点云分辨率的方法，用以提高岩体结构面的自动识别效率。

本发明所采用的技术方案是，一种提高岩体结构识别效率的自适应稀疏方法，所述方法包括以下步骤：

S1设置不同分辨率，将高精度的初始三维点云数据处理为低精度的三维点云数据；

S2通过自动识别，对基于不同分辨率的三维点云模型进行岩体结构面的几何参数识别；几何参数包括结构面的几何中心、产状、迹长；

S3判定基于不同分辨率，各破碎程度的岩体结构面的识别精度；识别精度由自动识别结构面产状、迹长与人工测量结果的偏差来描述；

S4平衡识别效率和识别精度，确定各破碎程度下岩体结构面的自动识别最佳分辨率；以结构面的迹长和宽度之积，即岩体结构面的面积来表征岩体的破碎程度；

S5基于数字地质调查系统获取岩体的三维点云数据，根据此岩体的破碎程度，基于S4的结果，以最佳分辨率进行自动识别。

优选地，S1中，以包围盒法作为稀疏方法，配合不同分辨率将高精度的初始三维点云模型处理为低精度的三维点云模型。

优选地，以不同分辨率构建不同边长的包围盒，分割点云模型所占据的空间，将同一包围盒中的点视为一组；平均每个包围盒内所有点的空间坐标，计算中间位置，得到对应每个包围盒的中值点，删除每个包围框中除此中值点以外的其他点，得到稀疏后的三维点云模型。

优选地，S2包括以下步骤：

S2.1通过临近点搜索和平面迭代，得到处理后的三维点云模型中每点P

S2.2对所有的所述平面以平面法向量为依据进行初步聚类分析，得到各组结构面的点云数据集合；

S2.3以各点的空间位置为依据对每组结构面点云数据进行聚类分析，得到每组结构面中各个结构面的点云数据集合；

S2.4通过结构面的点云数据集合，得到结构面的几何参数。

优选地，所述S2.1包括以下步骤：

S2.1.1对于处理后的三维点云模型中的每个点P

S2.1.2通过最小二乘法拟合得到点P

S2.1.3对于点P

其中，N为该点及其邻点的集合，A

S2.1.4重复S2.1.3直至获得所有邻点与点P

S2.1.5重复S2.1.3、S2.1.4直至α

S2.1.6若存在任一点没有获得最新平面方程，则重复S2.1.3、S2.1.4、S2.1.5，直至获得所有点的最新平面方程。

优选地，S2.2采用基于密度峰值的快速聚类算法(CFSFDP)进行初步聚类分析，所述S2.2包括以下步骤：

S2.2.1遍历计算各点P

S2.2.2获得所有点的局部密度后，取其中局部密度大于ρ

S2.2.3以ρ

S2.2.4将除聚类中心外的点分配进与其夹角最小的聚类中心，得到该组结构面的点云数据集合。

优选地，S2.3中，各组点云数据采取基于密度的噪声应用空间聚类(DBSCAN)进行进一步聚类分析，得到每组结构面中各个结构面的点云数据集合，S2.3包括以下步骤：

S2.3.1选取任一组结构面中的所有点云数据，记作D；

S2.3.2确定两点作为邻点时的最大距离ε和核心点的最少邻点数Min-pts；ε与点云精度关联，可以取作2～3倍点云分辨率，Min-pts在实际运算中为正整数，如取10；

S2.3.3计算每个点在ε邻域内的邻点数，大于Min-pts的视作核心点，核心点的集记作Ω；初始化聚类簇数，即该组结构面数量k＝0，初始化点云集合T＝D；

S2.3.4若集Ω不为空，进行下一步，否则结束，所有核心点都已分配进结构面；

S2.3.5记录当前未访问点云集合Τ

S2.3.6从集Ω的任一核心点出发，将其记作Q，将该核心点从集合Τ中移除；

S2.3.7取出Q的首个点云q，此时Q＝Q-q，当q为核心点时，进行下一步，否则进行S2.3.10；

S2.3.8将该核心点的邻点与集Τ的交集记作集Δ，将集Δ加入队列Q中；在集Τ中移除集Δ；

S2.3.9若Q不为空集，重复S2.3.7～S2.3.8，否则进行下一步；此处可以实现在该组结构面的点云集合中删除S2.3.6选出的核心点所在结构面的所有点云。

S2.3.10k＝k+1，得到当前组结构面的点云数据集合C

优选地，S2.4中，得到：

每个结构面的几何中心(x,y,z)，

每个结构面的产状，

/>

每个结构面的迹长

一种计算机可读存储介质，其上存储有提高岩体结构识别效率的自适应稀疏程序，该程序被处理器执行时实现上述提高岩体结构识别效率的自适应稀疏方法。

一种计算机设备，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计算机程序，所述处理器执行所述程序时，实现上述提高岩体结构识别效率的自适应稀疏方法。

本发明涉及一种提高岩体结构识别效率的自适应稀疏方法、介质及设备，设置不同分辨率，将高精度的初始三维点云数据处理为低精度的三维点云数据，通过自动识别对基于不同分辨率的三维点云模型进行岩体结构面的几何参数识别，判定基于不同分辨率，各破碎程度的岩体结构面的识别精度，平衡识别效率和识别精度，确定各破碎程度下岩体结构面的自动识别最佳分辨率；基于数字地质调查系统获取岩体的三维点云数据，根据此岩体的破碎程度，以最佳分辨率进行自动识别；基于此实现计算机可读存储介质及计算机设备的应用。

本发明的有益效果为：

(1)针对数字地质调查方法得到的岩体三维点云数据，基于不同岩体破碎程度，采用点云稀疏、聚类分析等技术建立一套确定最佳点云分辨率的方法；

(2)可以以现有的计算机实现基于超大数量的点云的自动识别计算效率，满足性能需求，岩体结构面特征识别时间可控，可以实现数字化应用；

(3)获得不同破碎程度的结构面的最佳分辨率，满足在工程中的进一步推广和应用。

附图说明

图1为本发明的方法流程图；

图2为本发明的边坡及其局部放大后的三维点云模型；

图3为本发明中的包围盒法的原理示意图；

图4为本发明中识别结构面的三维点云模型示意图；

图5为本发明中平面迭代原理示意图；

图6为本发明中基于密度峰值的快速聚类算法的结构面组数决策图；

图7为本发明中基于密度的噪声应用空间聚类示意图；

图8、图9为本发明中提取各结构面的几何信息示意图；

图10为本发明中点云分辨率对识别结果的影响示意图。

具体实施方式

下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。

本发明涉及一种提高岩体结构识别效率的自适应稀疏方法，提前通过无人机摄影测量的方式得到边坡的三维点云模型，如图2所示，

如图1所示，所述方法包括以下步骤：

S1设置不同分辨率，将高精度的初始三维点云数据处理为低精度的三维点云数据；

S1中，以包围盒法作为稀疏方法，配合不同分辨率将高精度的初始三维点云数据处理为低精度的三维点云数据。

以不同分辨率构建不同边长的包围盒，分割点云模型所占据的空间，将同一包围盒中的点视为一组，不同分辨率下识别结果不同，进而可以得到不同破碎程度的岩体对应的最佳点云识别分辨率；平均每个包围盒内所有点的空间坐标，计算中间位置，得到对应每个包围盒的中值点，删除每个包围框中除此中值点以外的其他点，得到稀疏后的三维点云模型。

如图3所示，选择一处面积足够大的测窗，采用包围盒法进行稀疏处理，得到分辨率为20mm、40mm、60mm、80mm、100mm的三维点云模型，记录每个点的空间位置坐标信息。

S2通过自动识别，对基于不同分辨率的三维点云模型进行岩体结构面的几何参数识别；

S2包括以下步骤：

S2.1通过临近点搜索和平面迭代，得到处理后的三维点云模型中每点P

所述S2.1包括以下步骤：

S2.1.1对于处理后的三维点云模型中的每个点P

S2.1.2通过最小二乘法拟合得到点P

S2.1.3对于点P

其中，N为该点及其邻点的集合；

S2.1.4重复S2.1.3直至获得所有邻点与点P

S2.1.5重复S2.1.3、S2.1.4直至α

S2.1.6若存在任一点没有获得最新平面方程，则重复S2.1.3、S2.1.4、S2.1.5，直至获得所有点的最新平面方程；对于不在交界处的两个点，其最大夹角一般小于10°，故不需要执行S2.1.4至S2.1.5。

S2.2对所有的所述平面以平面法向量为依据进行初步聚类分析，得到各组结构面的点云数据集合；

S2.2采用基于密度峰值的快速聚类算法(CFSFDP)进行初步聚类分析，所述S2.2包括以下步骤：

S2.2.1遍历计算各点P

S2.2.2获得所有点的局部密度后，取其中局部密度大于ρ

S2.2.3以ρ

S2.2.4将除聚类中心外的点分配进与其夹角最小的聚类中心，得到该组结构面的点云数据集合。

S2.3以各点的空间位置为依据对每组结构面点云数据进行聚类分析，得到每组结构面中各个结构面的点云数据集合；

S2.3中，各组点云数据采取基于密度的噪声应用空间聚类(DBSCAN)进行进一步聚类分析，得到每组结构面中各个结构面的点云数据集合，S2.3包括以下步骤：

S2.3.1选取任一组结构面中的所有点云数据，记作D；

S2.3.2确定两点作为邻点时的最大距离ε和核心点的最少邻点数Min-pts；

S2.3.3计算每个点在ε邻域内的邻点数，大于Min-pts的视作核心点，核心点的集记作Ω；初始化聚类簇数k＝0，初始化未访问样本集合T＝D；

S2.3.4若集Ω不为空，进行下一步，否则结束；

S2.3.5记录当前未访问样本集合Τ

S2.3.6从集Ω的任一核心点出发，将其记作队列Q，将该核心点从集合Τ中移除；

S2.3.7取出队列Q的首个点云q，此时Q＝Q-q，当q为核心点时，进行下一步，否则进行S2.3.10；

S2.3.8将该核心点的邻点与集Τ的交集记作集Δ，将集Δ加入队列Q中；在集Τ中移除集Δ；

S2.3.9若Q不为空集，重复S2.3.7～S2.3.8，否则进行下一步；

S2.3.10k＝k+1，得到当前组结构面的点云数据集合C

S2.4通过结构面的点云数据集合，得到结构面的几何参数。

S2.4中，得到：

每个结构面的几何中心(x,y,z)，

每个结构面的产状，

每个结构面的迹长

如图4～图9，对结果进行自动识别，得到自动识别结构面几何信息。

自动识别结果由四步工作来实现。首先，通过临近点搜索和迭代来确定每个点及其同一结构面邻点的法向量；第二，对点的法向量采用基于密度峰值的快速聚类算法(CFSFDP)对进行聚类分析，得到各组结构面的点云数据集合；第三，对各组点云数据的空间位置采取基于密度的噪声应用空间聚类(DBSCAN)进行聚类分析，得到每组结构面中各个结构面的点云数据集合；第四，提取各结构面的产状、延续性、间距、组数、块体大小等几何信息。

S3判定基于不同分辨率，各破碎程度的岩体结构面的识别精度；识别精度由自动识别结构面产状、迹长与人工测量结果的偏差来描述；

在本实施例中，若自动识别结构面倾向偏差小于5°，倾角偏差小于5°，迹长偏差小于20％视为有效识别；反之，视为无效识别；通过此步骤，可以得到不同分辨率下各结构面的识别精度，在满足识别精度的前提下，选取较稀疏的点云精度，可以有效提高运算效率。

S4平衡识别效率和识别精度，确定各破碎程度下岩体结构面的自动识别最佳分辨率；以结构面的迹长和宽度之积，即岩体结构面的面积来表征岩体的破碎程度；其中，识别效率体现在选取最佳分辨率进行识别。

如图10所示，以结构面的面积来表征岩体的破碎程度，每个分辨率下的无效识别结构面面积的最大值可作为确定最佳分辨要求的标准，得到不同结构面面积的自动识别分辨率推荐表，见表一。

表一自动识别分辨率推荐表

S5基于数字地质调查系统获取岩体的三维点云数据，根据此岩体的破碎程度，基于S4的结果，以最佳分辨率进行自动识别；其中，岩体的破碎程度由结构面的面积确定。

为了实现上述内容，本发明还涉及一种计算机可读存储介质，其上存储有提高岩体结构识别效率的自适应稀疏程序，该程序被处理器执行时实现上述提高岩体结构识别效率的自适应稀疏方法。

为了实现上述内容，本发明还提出一种计算机设备，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计算机程序，所述处理器执行所述程序时，实现上述提高岩体结构识别效率的自适应稀疏方法。

通过计算机可读存储介质、计算机设备，解决限制数字地质调查方法在工程中的进一步推广和应用的问题，实现基于不同岩体破碎程度，采用点云稀疏、聚类分析等技术确定最佳点云分辨率的目的。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。