文摘

检测和映射的岩石开挖期间不连续是重要的。地面激光扫描台盟)技术被广泛用于获取准确的定量。然而,很少有研究对不连续参数对检测的影响。通过3 d打印技术,我们建立了不连续模型与不同的角度进行不同的粗糙度和连接器。因此,我们可以控制扫描中的变量。几个开源包被用于获得点云的信息被台盟收购。结果表明,随断层之间的角度识别效果。此外,粗糙度不连续的存在使它容易导致糟糕的分类检测过程中。该方法成功地提取不连续面倾斜,倾斜方向,从点云自动粗糙度。两个数据集上的应用程序表现出极大的适应性和准确性。 Consequently, the method could meet realistic engineering needs.

1。介绍

检测和映射的岩石开挖期间不连续是重要的。不连续性之间的十字路口,称为故障,关节,和床上用品的飞机,将身体的岩石分成碎片,从上层躯体分离了隧道施工时的岩石。因此,获取精确的定量不连续数据,不受偏见的影响和审查,是至关重要的。字段映射和手持与扫描线方法直接测量或scan-window方法需要直接访问开挖的脸。因此,收集岩石不连续地质信息很困难,费时,并且经常危险,尤其是在不稳定的地区。

最近,应用地质遥感调查的调查岩体迅速改善。最常见的技术用于生成高度详细的3 d点云是地面激光扫描和数字摄影测量1- - - - - -5]。几种方法已经用于构造岩石表面的3 d点云获取数字露头模型对开挖面(DOM)。这些密集的点云形成的DOM允许工程师在电脑上执行信息提取。许多研究人员一直在研究自动提取不连续参数(如朝向、间距、微量持久性和粗糙度)的DOM。Assali et al。6)开发了一种半自动的过程,将岩石不连续分为子集根据他们的方向。陈等人。7)提出了一种新的方法自动提取不连续取向从岩体表面三维点云。陈等人。8]讨论了三维激光扫描技术的准确性,并证明了三维激光扫描技术的潜力来取代传统的窗口映射。Idrees和普拉丹9]研究岩石geostructure洞穴通道发展的影响。他们评估了洞穴的稳定通过确定地区容易受到不同的故障类型使用表面不连续数据提取激光扫描点云。李等人。10)提出了一个自动表征方法岩体不连续使用的3 d点云。定位、跟踪、间距、粗糙度和孔径自动提取的方法。莫萨莉et al。11)生成的dfn描述地下石灰石矿山通过激光扫描的不连续性。

不幸的是,有一些棘手的技术瓶颈。首先,这些研究主要通过统计分析集群点云的三角网格单元的几何特性产生的锡点云。然而,这种方法只考虑的小规模的局部特征点云数据。因此,自动聚类过程是由不均匀岩体表面容易犯错误。第二,这些方法主要是基于k - means算法。这意味着集群选择敏感的初始中心和集群的数量。第三,重新取样过程广泛应用于这些方法得到均匀的点云。因此,不连续的信息可以多变和解雇。

本文提出了一种新颖的方法来从非结构化的原始点云自动提取岩石不连续。我们的主要创新是实现点云分类的目标没有重采样和锡的过程。本文的其余部分组织如下。节2,我们总结提出了激光雷达点云分类方法。节3,我们实验来验证我们的方法的性能。节4,进行了案例研究。最后,本文讨论和结论部分5和6。

2。方法

在本节中,我们介绍该算法从点云提取岩石不连续。2.1节描述了随机森林算法作为点云的分类器。在2.2节中,动态DBSCAN算法。

2.1。随机森林算法

射频(12]总是发现最高执行分类器为点云。RF算法本身是一个多层次,这意味着一个运行的模型可以预测类标签。输出类概率分数代表的比例投票给每个类的树木,和概率的总和等于1的定义。RF我们训练分类器是用于点云分类成不连续和边缘。因此,在这项研究中使用的输入特性是在多尺度几何特性。这些特征背后的主要思想是描述当地的维度属性的场景与不同尺度的每一点。不连续看起来像一个3 d在几毫米级的由于粗糙度和边缘也看起来像一个3 d对象。因此,它是难以区分。在更大的范围内(即。,10 cm), the edge still looks like a 3D. By contrast, the discontinuity now looks more 2D than 3D. When combining geometry information from different scales, we can thus build signatures that identify the discontinuity and edge. Consequently, the eigenvalues of the covariance matrix of the neighborhood pointX,Y,Z与不同尺度坐标,搜索,计算和排序从最大到最小。特征值 ( )然后归一化方程(1)。

的j显示场景的规模。这些比例特征点附近的程度可以被认为是一维,二维或三维。这三个比例计算为每个九27几何特性的现场尺度。

2.2。动态DBSCAN算法

DBSCAN [13]可以找到几个集群基于估计的密度分布的不规则形状的发达density-based聚类算法。它不需要事先知道集群的数量。传统的DBSCAN算法的方法说明了如左边所示图的一部分1。从一个随机的,并且指出,DBSCAN检索所有点在附近一个用户定义的半径ϵ。密度阈值MinPts是所需的最小数量的点形成一个密集的地区。如果至少MinPts点是在ϵ附近,一个将被视为一个核心的观点。及其所有社区将被安排到density-reachable集。然后一个既无点在这组将随机访问,和上面的过程会重复。如果数量的ϵ社区小于Minpts,像B点,将被视为一个边界点。循环将继续,直到没有意义,并且在density-reachable集。另点,像C点,density-unreachable,应该分配到另一个集群或噪音。


图1
动态DBSCAN算法。

然而,在TSL点云,点的密度各向异性和非齐次hyperparametersMinPts和ϵ很难合理地确定。摘要动态DBSCAN算法为了解决这个不足,如右所示图的一部分2。的数量ϵ邻居的每一个点都被视为一个常数MinPts。此外,半径ϵ根据密度是一个变量,而不是一个常数在传统的DBSCAN算法。


图2
不连续集群的工作流。

在边界点是有区别的,搜索操作如图2将进行以下步骤:首先,原始点P我将选中的点云设置R偶然。如果P我不是一个边界点,它的ϵ将检索从邻居点R进组问:否则,手术应该暂停,重复第一步。然后点集问将访问和操作一样P我直到没有既无点问:点集问来自相同的不连续。最后,点集问将被删除的吗R第一步,将重复执行,直到R是空的。如图3,点与点云的动态DBSCAN方法检索应用程序中公认的粗糙表面。其演说将由最好的飞机装配算法计算这些点的方面而不是从三角形网格生成。所以,造成的pseudosurface小规模的粗糙度可以避免理性。


图3
不连续的分割结果。

3所示。实验

本节扫描断层具有不同粗糙度和角度的激光扫描仪学习精度受到影响。首先,介绍了模型和数据准备。然后,粗糙度的不同层次和角度的影响。

3.1。模型设计和数据收集

如图4调查粗糙度和夹角的影响,我们设计一系列板具有不同粗糙度表面和连接器包括不同角度。徕卡的模型扫描C10地面激光扫描仪(图3(b))。扫描仪是定位在1 m的模型和操作尽可能高角分辨率。生成的点云模型表面包含约120万点的point-spacing平均1毫米。根据技术。由于模型是放在桌子上,一个随机旋转进行了随机模型。

(一)
(一)
(b)
(b)
图4
实验设计。

4所示。结果和分析

4.1。分类结果

图5测试点云的分类结果,并可以看出总体分类精度可以稳定在97.3%左右。表1的回忆是分解线条件下不同表面粗糙度、不同的角度。当不连续的粗糙度小于5毫米,和夹角小于130°,分类器可以实现100%的对边界识别的影响。随着角度的增加和结构面粗糙度,分类精度逐渐减少。随着角度的增加,三维特征点云的结线逐渐减少,它显示了一个二维特征在每个规模,所以分为不连续的类别。当粗糙度大,不连续的点云提出了三维特征多尺度领域。分类器将不连续的点云边界类别。


图5
RF的学习曲线。
怎么
召回的分类。
4.2。分割结果

图6显示了不连续的DBSCAN算法的分割效果的条件下,0.5毫米和1毫米不连续的粗糙度。黑色的点云数据确定分解线点。当结构面夹角是170°,两个不连续视为一个单一的表面。因此,不能意识到不连续的分割。

(一)
(一)
(b)
(b)
图6
不连续的分割结果。

图3显示了不连续的分割效果的情况下5毫米粗糙度。可以看出,当结构面夹角的达到150°,分割不能实现。此外,当夹角等于30°时,分割仍然失败,尽管不连续性之间的边界识别。这是因为当不连续的夹角是轻微的,不连续的粗糙度大,附近的两个不连续边界之间的距离相对较近。因此,DBSCAN算法容易交叉搜索时不同的不连续点云之间的邻居,导致错误。

5。案例研究

应用程序在本节介绍了两种情况。情况下由普通多边形扫描在实验室条件;案例B点从岩石的一部分污水,可用http://www.3D-landslide.com/projects/discontinuity/。

5.1。情况下

如图7,两个代表几何形状、立方体和十二面体,选择进行分析。多维数据集表示使用60488点,十二面体用80828点来表示。数据获得使用3 d数字化仪(柯尼卡美能达,生动9 i)通过渐进的旋转对象在一个固定的平台轴和后续的扫描。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图7
自动聚类分析的结果。

图8显示的结果自动分组的多维数据集和十二面体点云。多维数据集可以分为五个不同的不连续性,和十二面体可以分为六个不同的不连续性。不同的颜色代表每个不连续。轮廓有效性指数(SVI)计算评价聚类的有效性如下。


图8
SVI与文献[6在不同数量的集群。固体是描绘动态DBSCAN算法的结果,和空心是结果从文献[6]。

的x我是一个示例的一个集群。一个(x我)被定义为的平均距离x我它的集群中的所有其他样品b(x我)被定义为最低之间的平均距离 在其他集群和样品。S (xi)值接近1表示x我被分配给一个适当的集群。如果年代(x我习)接近1,分类错误和谎言之间的集群。平均SVI所有数据点在整个数据集。SVI如图8并与文献[6]。

轮廓值对应不同的方法如图8。结果从文献[提供的中空的马克6]。作为集群的数量必须手动定义,最大SVI对应3和6的多维数据集和十二面体。然而,preknowledge集群的数量动态DBSCAN算法可以被忽略。此外,在我们的方法中,SVI,由红色固体,比在文献[6]。

5.2。案例B

如图9案例B是岩石边坡的一部分,它占地面积约6米2平均点距0.0055米。分类后点不连续,RANSAC平面拟合的算法考虑了波动,产生客观估计不连续的方向。细节RANSAC方法介绍了文献[8]。图9(b)显示了结果的自动分组的不连续。

(一)
(一)
(b)
(b)
图9
自动聚类的结果。因此,可以获得不连续平面参数。此外,假设是一个平面方程x +By + C(z)+D= 0,不连续面倾角和倾斜方向可以恢复与方程(3)。

倾角和倾斜方向统计图表示10。不连续可以分成五组根据倾角和倾斜方向的密度分布特点:set2:中的217°∠20°,关于我校:277°∠40°,set3: 277°∠40°, sset4: 100°∠15°和set5: 120°∠50°。没有三角和重采样的点云计算过程中,我们可以提取不连续的粗糙度。摘要不连续的粗糙度定义为点云之间的平均距离相同的不连续和拟合平面。如图10(b),可以看出,对于大多数不连续粗糙度小于1厘米,而只有少数的粗糙度超过2厘米。

(一)
(一)
(b)
(b)
图10
提取的不连续信息。

6。讨论

在TSL点云,点的密度各向异性和非齐次hyperparametersMinPts和ϵDBSCSAN算法很难合理地确定。因此,我们提出了一个动态DBSCAN算法,只需要一个hyperparameter。在这项研究中,动态DBSCAN算法的有效性和准确性是由几个因素妥协。这些因素的影响,通过模型试验研究了。当结构面粗糙度的小于5毫米,夹角是170°或更少,可以分段不连续。然而,当结构面粗糙度达到5 mm,不连续需要之间的夹角小于150°实现分割。与此同时,由于粗糙度的增加,当两个不连续的夹角为30°或少,两个不连续的点云太靠近分界线,所以分割往往会失败。

动态DBSCAN算法的计算效率和精度实际使用中是可以接受的,但仍需要改进。案例B,砾石桩两个不连续时,很容易导致错误的结构面分割。点云分类需要大量的计算时间,因为它需要多个周期提取点云的特征在不同尺度。

7所示。结论

提出了一种新颖的算法自动不连续信息提取点云。该方法包括三个步骤:(1)通过随机森林算法(RF),点云自动分类,点云分为平面点和边界点。(2)动态DBSCAN算法段不同不连续的点云数据。(3)相同的平面拟合结构面是由RANSAC算法。倾斜,倾斜方向,计算结构不连续的粗糙度。这个过程可以进行没有人工干预,显示了良好的鲁棒性岩体表面的粗糙度和不均匀。通过物理模型,应用程序表现出极大的适应性和准确性。因此,该方法可以满足实际工程的需要。

未来的研究可以集中在以下几方面改善方法:(1)通过矩阵计算,大量的循环计算的算法避免,和点云的多尺度空间特征提取速度很快;(2)自动干扰删除碎片堆改善信噪比的点云数据。(14- - - - - -17]。

数据可用性

可用的数据集http://www.3D-landslide.com/projects/discontinuity/。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由浙江省交通厅重点项目(2021014)和中国国家自然科学基金(52038008和52038008)。作者欣然承认他们的财政支持。