基于照片重建点云的隧道围岩结构面解析方法及系统技术方案

本发明专利技术公开了一种基于照片重建点云的隧道围岩结构面解析方法及系统，包括如下步骤：基于

【技术实现步骤摘要】
基于照片重建点云的隧道围岩结构面解析方法及系统


[0001]本专利技术涉及隧道工程
，具体涉及一种基于照片重建点云的隧道围岩结构面解析方法及系统
。

技术介绍

[0002]钻爆法隧道掌子面围岩的稳定性评价是一个至关重要的问题，涉及到支护措施的选择，影响着隧道开挖过程中的安全性和可靠性
。
掌子面围岩结构面的数学几何分布特征是影响掌子面围岩稳定性评价的重要因素，结构面的数学几何分布特征主要是结构面的组数
、
产状
、
间距
。
在传统的隧道地质勘察工作中，测量人员依靠经验来观察和确定掌子面围岩结构面的组数，受主观因素影响造成的误差较大；测量人员利用地质罗盘贴近掌子面测取结构面产状，有安全程度低
、
测量效率低的缺点；测量人员利用长测线测取掌子面间距，测量范围局限，有局部替代整体特征和采样不足的缺点
。

技术实现思路

[0003]为解决现有技术中存在的问题，本专利技术提供了一种基于照片重建点云的隧道围岩结构面解析方法及系统，消除传统钻爆法隧道中测量掌子面围岩结构面的人员主观因素的影响，提升了采样密度的同时提高了测量效率和安全性，解决了上述
技术介绍
中提到的问题
。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于照片重建点云的隧道围岩结构面解析方法，包括如下步骤：
[0005]S1、
基于
SFM
‑
BA
‑
MVS<br/>技术重建隧道高密度点云；
[0006]S2、
运用
PointNet++
点云深度神经网络从步骤
S1
中得到的隧道高密度点云数据智能精细分割出隧道掌子面高密度点云；
[0007]S3、
利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；
[0008]S4、
运用八叉树算法分割经步骤
S3
后得到的掌子面高密度点云，从而得到数据空间分布特征，再利用
RANSAC
随机采样一致算法拟合，得到所有的局部掌子面围岩结构面方程组；
[0009]S5、
运用基于轮廓系数评价的
Kmeans++
算法对所有的局部掌子面围岩结构面方程组聚类分析，得到不同的结构面集，运用
HDBSCAN
算法分割每个结构面集下不同的结构面；
[0010]S6、
根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距
。
[0011]优选的，在步骤
S1
中，基于
SFM
‑
BA
‑
MVS
技术重建隧道高密度点云，包括重建稀疏点云
‑
校准稀疏点云
‑
生成高密度点云三个部分，具体步骤如下：
[0012]S11、
采用局部平移的镜头运动方式拍摄隧道掌子面照片；
[0013]S12、
采用
SFM
算法工作流，首先运用
SIFT
尺度不变特征转换算法对掌子面照片中的特征点进行提取；
[0014]S13、
运用
FLANN
快速近似最近邻搜索算法计算照片之间的相似度，找到每张照片之间的共同特征点并进行匹配，得到匹配特征点，基于得到的匹配特征点，构建一个初步的稀疏点云；
[0015]S14、
通过光束法平差法精确校准稀疏点云；
[0016]S15、
最后通过
MVS
技术进一步增加点云数量，再通过标靶位绝对坐标配准点云，实现重建隧道高密度点云
。
[0017]优选的，在步骤
S2
中，具体包括如下：
[0018]S21、
运用点云数据处理软件标注出隧道高密度点云中掌子面的区域，是掌子面的标记为1，不是掌子面的标记为0；
[0019]S22、
对标注后隧道高密度点云进行预处理，包括点坐标范围归一化
、
统一点的数量和密度，构建用于训练
PointNet++
点云深度神经网络的数据集；
[0020]S23、
将数据集按7：2：1的比例划分为训练集
、
验证集和预测集，将训练集数据输入到
PointNet++
点云深度神经网络中进行训练；
[0021]S24、
使用训练好的
PointNet++
点云深度神经网络模型对隧道高密度点云进行预测分割，提取出掌子面区域，得到隧道掌子面高密度点云
。
[0022]优选的，在步骤
S3
中，具体包括如下：
[0023]S31、
首先利用
K
最近邻算法
KNN
算出每个点云对应
K
领域内的
K+1
个点云集，再用
PCA
主成分分析法拟合点云集，得到每个点云的法向量和曲率；
[0024]S32、
然后通过自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪
。
[0025]优选的，所述步骤
S32
中的自动阈值滤波包括：
[0026]绘制得到点云曲率的正态分布图并确定均值和标准差，计算在均值左侧和右侧各
10
％的标准差范围内的数据的下限和上限，删除曲率落在这些范围之外的点云数据；
[0027]将点云法向量转换为极坐标形式，离散化后统计每个区间内点数并标准化，绘制得到点云法向量正态分布图并确定均值和标准差，计算在均值上侧
、
下侧
、
左侧
、
右侧各
15
％标准差范围内的数据的下限和上限，删除法向量落在这些范围之外的点云数据；
[0028]所述步骤
S32
中的自动平滑滤波包括运用自动平滑滤波除去掌子面高密点云中的高频成分，除去点云中的小尺度噪点和细微的不连续性
。
[0029]优选的，在步骤
S4
中，具体包括：
[0030]S41、
采用确定好深度
、
中心点和边长的八叉树结构分割掌子面高密度点云，得到数据空间分布特征；
[0031]S42、
利用
RANSAC
随机采样一致算法拟合每一个八叉树网格内部的高密度点云，设置
RANSAC
距离阈值参数
、
角度阈值参数和采样次数，在规定的采样次数下，一个拟合平面在规定的距离阈值和角度阈值内，含有点数量最多的平面被认为是该八叉树网格下的掌子面结构面平面方程组，从而得到所有的局部掌子面围岩结构面方程组
。
[0032本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于照片重建点云的隧道围岩结构面解析方法，其特征在于，包括如下步骤：
S1、
基于
SFM
‑
BA
‑
MVS
技术重建隧道高密度点云；
S2、
运用
PointNet++
点云深度神经网络从步骤
S1
中得到的隧道高密度点云数据智能精细分割出隧道掌子面高密度点云；
S3、
利用基于点云曲率和法向量的自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪；
S4、
运用八叉树算法分割经步骤
S3
后得到的掌子面高密度点云，从而得到数据空间分布特征，再利用
RANSAC
随机采样一致算法拟合，得到所有的局部掌子面围岩结构面方程组；
S5、
运用基于轮廓系数评价的
Kmeans++
算法对所有的局部掌子面围岩结构面方程组聚类分析，得到不同的结构面集，运用
HDBSCAN
算法分割每个结构面集下不同的结构面；
S6、
根据掌子面围岩结构面单位法向量计算掌子面围岩结构面的产状和间距
。2.
根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤
S1
中，基于
SFM
‑
BA
‑
MVS
技术重建隧道高密度点云，包括重建稀疏点云
‑
校准稀疏点云
‑
生成高密度点云三个部分，具体步骤如下：
S11、
采用局部平移的镜头运动方式拍摄隧道掌子面照片；
S12、
采用
SFM
算法工作流，首先运用
SIFT
尺度不变特征转换算法对掌子面照片中的特征点进行提取；
S13、
运用
FLANN
快速近似最近邻搜索算法计算照片之间的相似度，找到每张照片之间的共同特征点并进行匹配，得到匹配特征点，基于得到的匹配特征点，构建一个初步的稀疏点云；
S14、
通过光束法平差法精确校准稀疏点云；
S15、
最后通过
MVS
技术进一步增加点云数量，再通过标靶位绝对坐标配准点云，实现重建隧道高密度点云
。3.
根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤
S2
中，具体包括如下：
S21、
运用点云数据处理软件标注出隧道高密度点云中掌子面的区域，是掌子面的标记为1，不是掌子面的标记为0；
S22、
对标注后隧道高密度点云进行预处理，包括点坐标范围归一化
、
统一点的数量和密度，构建用于训练
PointNet++
点云深度神经网络的数据集；
S23、
将数据集按7：2：1的比例划分为训练集
、
验证集和预测集，将训练集数据输入到
PointNet++
点云深度神经网络中进行训练；
S24、
使用训练好的
PointNet++
点云深度神经网络模型对隧道高密度点云进行预测分割，提取出掌子面区域，得到隧道掌子面高密度点云
。4.
根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤
S3
中，具体包括如下：
S31、
首先利用
K
最近邻算法
KNN
算出每个点云对应
K
领域内的
K+1
个点云集，再用
PCA
主成分分析法拟合点云集，得到每个点云的法向量和曲率；
S32、
然后通过自动阈值滤波和自动平滑滤波技术对掌子面高密度点云进行降噪
。5.
根据权利要求4所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：
所述步骤
S32
中的自动阈值滤波包括：绘制得到点云曲率的正态分布图并确定均值和标准差，计算在均值左侧和右侧各
10
％的标准差范围内的数据的下限和上限，删除曲率落在这些范围之外的点云数据；将点云法向量转换为极坐标形式，离散化后统计每个区间内点数并标准化，绘制得到点云法向量正态分布图并确定均值和标准差，计算在均值上侧
、
下侧
、
左侧
、
右侧各
15
％标准差范围内的数据的下限和上限，删除法向量落在这些范围之外的点云数据；所述步骤
S32
中的自动平滑滤波包括运用自动平滑滤波除去掌子面高密点云中的高频成分，除去点云中的小尺度噪点和细微的不连续性
。6.
根据权利要求1所述的基于照片重建点云的隧道围岩结构面解析方法，其特征在于：在步骤
S4
中，具体包括：
S41、
采用确定好深度
、
中心点和边长的八叉树结构分割掌子面高密度点云，得到数据空间分布特征；
S42、
利用
RANSAC
随机采样一致算法拟合每一个八叉树网格内部的高密度点云，设置

【专利技术属性】
技术研发人员：王明年，彭鑫，林鹏，李泽星，易文豪，向露露，孙鸿强，夏覃永，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：