本發(fā)明屬于巖體結(jié)構(gòu)面識別，具體涉及基于點云深度學(xué)習(xí)的巖體結(jié)構(gòu)面識別與三維網(wǎng)絡(luò)建模方法。

背景技術(shù)：

1、工程實踐表明，失穩(wěn)或臨近失穩(wěn)的巖質(zhì)邊坡中存在的大量軟弱結(jié)構(gòu)面為邊坡破壞提供了幾何邊界和力學(xué)參數(shù)條件，其結(jié)構(gòu)面的幾何特性(厚度、產(chǎn)狀、接觸面積等)充填物的力學(xué)特性(膠結(jié)性、強度等)及空間組合特征等對邊坡巖體變形和破壞機制起著至關(guān)重要的作用。在邊坡巖體的結(jié)構(gòu)分析中，對這些結(jié)構(gòu)面進行精細(xì)分析與表征至關(guān)重要。因此，提出一種適用于復(fù)雜地質(zhì)條件下高陡邊坡結(jié)構(gòu)面識別方法，有助于明晰結(jié)構(gòu)面空間效應(yīng)，預(yù)測結(jié)構(gòu)面在邊坡內(nèi)部的展布特征，是開展工程邊坡穩(wěn)定性研究的基礎(chǔ)，是解決巖質(zhì)邊坡施工期和運維期安全預(yù)測與控制等問題的關(guān)鍵環(huán)節(jié)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的旨在提出一種使用簡便、科學(xué)有效且適應(yīng)工程需要的方法進行巖體結(jié)構(gòu)面識別與三維網(wǎng)絡(luò)模型構(gòu)建。

2、為實現(xiàn)上述目的，本發(fā)明提供了如下方案：基于點云深度學(xué)習(xí)的巖體結(jié)構(gòu)面識別與三維網(wǎng)絡(luò)建模方法，包括以下步驟：

3、s1、獲取巖質(zhì)邊坡巖體結(jié)構(gòu)的精細(xì)三維點云數(shù)據(jù)；

4、s2、采用改進的ocm-pointnet2深度學(xué)習(xí)模型對所述精細(xì)三維點云數(shù)據(jù)提取點云特征數(shù)據(jù)，基于所述點云特征數(shù)據(jù)進行巖體結(jié)構(gòu)面分割，得到分割數(shù)據(jù)，并對所述分割數(shù)據(jù)進行增強處理；基于增強后的所述分割數(shù)據(jù)提取巖體結(jié)構(gòu)面的幾何參數(shù)；

5、所述改進的ocm-pointnet2深度學(xué)習(xí)模型包括：點云特征融合模塊、點云分割模塊以及點云增強模塊；

6、所述點云特征融合模塊用于提取所述點云特征數(shù)據(jù)；

7、所述點云分割模塊用于進行巖體結(jié)構(gòu)面分割，得到所述分割數(shù)據(jù)；所述點云分割模塊包括采樣層、分組層、特征提取層、特征傳播層以及全連接層；

8、所述點云增強模塊用于基于最優(yōu)顏色映射對所述分割數(shù)據(jù)進行增強處理；

9、s3、計算所述結(jié)構(gòu)面幾何參數(shù)的概率函數(shù)，基于所述概率函數(shù)預(yù)測結(jié)構(gòu)面的空間展布，并構(gòu)建三維網(wǎng)絡(luò)模型；

10、所述概率函數(shù)包括：巖體結(jié)構(gòu)面產(chǎn)狀分布特征、巖體結(jié)構(gòu)面跡長分布特征、巖體結(jié)構(gòu)面密度分布特征以及巖體結(jié)構(gòu)面多參數(shù)聯(lián)合概率密度。

11、進一步優(yōu)選地，s1包括以下步驟：

12、s11、解譯研究區(qū)遙感影像中的結(jié)構(gòu)面分布特征，得到ⅰ-ⅲ級結(jié)構(gòu)面幾何圖像；

13、s12、獲取結(jié)構(gòu)面多層級開挖數(shù)據(jù)，辨別結(jié)構(gòu)面類別，得到實測的結(jié)構(gòu)面發(fā)育數(shù)據(jù)；

14、s13、對研究區(qū)進行傾斜攝影測量，得到點云數(shù)據(jù)以及所述點云數(shù)據(jù)與表面紋理對應(yīng)的色彩屬性，進而得到研究區(qū)的三維點云模型；

15、s14、基于所述結(jié)構(gòu)面幾何圖像、所述結(jié)構(gòu)面發(fā)育數(shù)據(jù)以及所述三維模型，確定攝影盲區(qū)與影像模糊畸變區(qū)域，采用多角度貼近測量的方法，獲取全景高分辨率的所述精細(xì)三維點云數(shù)據(jù)。

16、進一步優(yōu)選地，s2中所述點云特征數(shù)據(jù)包括：方向特征、幾何特征以及光學(xué)特征；

17、所述方向特征包括：x、y、z三個方向的法向量 n x、 n y、 n z；

18、所述幾何特征包括：粗糙度、曲率、各向異性、平面性、線性、全方位變化性以及垂直性；

19、所述光學(xué)特征包括：r、g、b顏色特征。

20、進一步優(yōu)選地，采用點云特征融合模塊得到所述點云特征數(shù)據(jù)的方法包括：

21、對于輸入的點云數(shù)據(jù)進行特征提取，得到多維特征；

22、對所述多維特征與原始的所述點云數(shù)據(jù)的坐標(biāo)進行拼接，得到高維的所述點云特征數(shù)據(jù)；

23、基于高維的所述點云特征數(shù)據(jù)進行邊坡結(jié)構(gòu)面識別。

24、進一步優(yōu)選地，s3包括以下步驟：

25、s31、提取結(jié)構(gòu)面產(chǎn)狀、跡長以及間距信息；

26、s32、計算巖體結(jié)構(gòu)面參數(shù)的概率函數(shù)；

27、s33、對所述概率函數(shù)進行蒙特卡洛模擬，得到模擬結(jié)構(gòu)面參數(shù)；將所述模擬結(jié)構(gòu)面參數(shù)與實際獲取的結(jié)構(gòu)面參數(shù)進行對比，將結(jié)構(gòu)面參數(shù)最為相似的模型作為所述三維網(wǎng)絡(luò)模型。

28、進一步優(yōu)選地，所述巖體結(jié)構(gòu)面產(chǎn)狀分布特征包括：

29、，

30、，

31、式中， w i表示第 i條結(jié)構(gòu)面的產(chǎn)狀的權(quán)重； w表示采樣窗口寬度； h表示采樣窗口長度； l i表示第 i個結(jié)構(gòu)面跡長； α i表示第 i個結(jié)構(gòu)面的傾向； β i表示第 i個結(jié)構(gòu)面傾角； α r表示采樣窗口 w邊的傾向； n表示結(jié)構(gòu)面數(shù)量；afi表示結(jié)構(gòu)面的頻率。

32、進一步優(yōu)選地，所述巖體結(jié)構(gòu)面跡長分布特征包括：

33、，

34、式中， m表示測線的數(shù)量； c m表示與 m條測線相交的結(jié)構(gòu)面條數(shù)與預(yù)期條數(shù)的比例； w表示采樣窗口寬度；表示采樣窗口長度； d i表示測線 d的長度； e表示期望值； α i表示第 i個結(jié)構(gòu)面的傾向； θ表示結(jié)構(gòu)面與采樣窗口 w邊的視傾角。

35、進一步優(yōu)選地，所述巖體結(jié)構(gòu)面密度分布特征包括：

36、，

37、式中， e( d2)表示結(jié)構(gòu)面跡長分布的二階矩；表示結(jié)構(gòu)面的法向線密度。

38、進一步優(yōu)選地，所述巖體結(jié)構(gòu)面多參數(shù)聯(lián)合概率密度包括：

39、，

40、式中，表示結(jié)構(gòu)面傾向概率密度；表示結(jié)構(gòu)面傾角概率密度；表示結(jié)構(gòu)面跡長概率密度；表示結(jié)構(gòu)面間距概率密度。

41、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

42、現(xiàn)有技術(shù)往往依賴于有限的人工特征進行結(jié)構(gòu)面識別，無法捕捉局部特征，難以應(yīng)用于復(fù)雜和大規(guī)模的場景。本發(fā)明提出的邊坡巖體結(jié)構(gòu)面識別與三維網(wǎng)絡(luò)模型構(gòu)建方法，一方面，不再依賴人工特征的計算，可以學(xué)習(xí)豐富的高維特征，能夠更精細(xì)的刻畫局部特征。并基于高維特征使用經(jīng)過訓(xùn)練的深度學(xué)習(xí)網(wǎng)絡(luò)對點云進行分割，提高了巖體結(jié)構(gòu)面識別的準(zhǔn)確率與效率；另一方面，可以幫助明晰結(jié)構(gòu)面空間效應(yīng)，預(yù)測結(jié)構(gòu)面在邊坡內(nèi)部的展布特征，實現(xiàn)巖體三維網(wǎng)絡(luò)模型的構(gòu)建。本發(fā)明有助于推動工程邊坡穩(wěn)定性的研究，幫助解決巖質(zhì)邊坡施工期和運維期安全預(yù)測與控制等問題。