基于掌子面三維幾何圖像計(jì)算Jv值的方法研究

曹 勇, 楊 川, 仇文革, 王先毫, 白衡斌, 凌 鵬

(1. 中鐵上海設(shè)計(jì)院集團(tuán)有限公司, 上海 200070; 2. 皖贛鐵路安徽有限責(zé)任公司, 安徽 合肥 230000; 3. 成都天佑智隧科技有限公司, 四川 成都 610031; 4. 西南交通大學(xué) 交通隧道工程教育部重點(diǎn)實(shí)驗(yàn)室,四川 成都 610031; 5. 中鐵十局集團(tuán)第三建筑有限公司, 安徽 合肥 250101)

0 引言

隧道圍巖地質(zhì)情況影響著施工進(jìn)度與安全,故地勘資料的準(zhǔn)確性決定了隧道支護(hù)設(shè)計(jì)的合理性。由于隧道地質(zhì)情況的復(fù)雜多變且受技術(shù)、經(jīng)費(fèi)等限制,地勘資料與真實(shí)地質(zhì)情況往往有較大的出入,導(dǎo)致施工參數(shù)設(shè)置不合理,造成工期延誤和經(jīng)濟(jì)損失。通過分析開挖揭露的掌子面圍巖并確定圍巖等級,對施工參數(shù)動(dòng)態(tài)調(diào)整意義重大。

圍巖完整度是確定圍巖分級的重要參數(shù),掌子面圍巖結(jié)構(gòu)面信息的獲取是圍巖完整度判識的基礎(chǔ)。傳統(tǒng)的圍巖結(jié)構(gòu)面信息獲取方式是采用地質(zhì)素描,但該方式存在數(shù)據(jù)采集困難、作業(yè)效率低等問題;同時(shí),其測量結(jié)果受人員經(jīng)驗(yàn)影響,不利于掌子面圍巖分級評價(jià)[1]。

隨著非接觸測量方法的發(fā)展,有學(xué)者利用數(shù)字照相和激光掃描等技術(shù)進(jìn)行圍巖信息的獲取和完整度的判識。在數(shù)字照相技術(shù)方面: 冷彪[2]采用單目視覺法研究了掌子面圖像地質(zhì)信息的提取,并實(shí)現(xiàn)了已開挖部分隧道地質(zhì)結(jié)構(gòu)的可視化; 王鳳艷等[3]應(yīng)用數(shù)字近景攝影測量建立產(chǎn)狀解算模型對巖體結(jié)構(gòu)面幾何信息進(jìn)行了研究,確定了模型的精度要求;楊民等[4]在數(shù)字圖像上通過像素測量方式能夠準(zhǔn)確、快速獲取結(jié)構(gòu)面間距; 陳建琴等[5]通過單相機(jī)雙目技術(shù)建立高精度掌子面三維模型,實(shí)現(xiàn)了巖體間距和粗糙度的自動(dòng)化提取;謝壯等[6]采用多視幾何法獲取掌子面巖體表觀信息,提高了數(shù)據(jù)采集的靈活性;李赤謀等[7]采用Unet神經(jīng)網(wǎng)絡(luò)算法對掌子面圖像節(jié)理跡線自動(dòng)識別,結(jié)合圍巖強(qiáng)度信息,實(shí)現(xiàn)了掌子面圍巖分級。但數(shù)字照相技術(shù)需手動(dòng)控制相機(jī)采集掌子面全景圖像,存在數(shù)據(jù)采集時(shí)間長和圖像重疊區(qū)域不均等問題。在隧道復(fù)雜、惡劣的工作環(huán)境中,較長的數(shù)據(jù)采集時(shí)間會使同組圖像質(zhì)量難以保證以及會出現(xiàn)圖像上同名點(diǎn)難以匹配等問題[8]。在激光掃描技術(shù)方面: 劉昌軍等[9]、郭登上等[10]、葛云峰等[11]應(yīng)用三維激光掃描獲取巖石邊坡點(diǎn)云,采用模糊聚類算法、區(qū)域生長算法實(shí)現(xiàn)了對圍巖結(jié)構(gòu)面產(chǎn)狀的提取;荊洪迪等[12]在地下礦山工程中,將三維激光掃描和地質(zhì)構(gòu)造分析結(jié)合,實(shí)現(xiàn)了點(diǎn)云數(shù)據(jù)的結(jié)構(gòu)面自動(dòng)獲取;楊輝[13-14]將掌子面三維點(diǎn)云數(shù)據(jù)進(jìn)行三角網(wǎng)重建,結(jié)合結(jié)構(gòu)面空間跡線特征,采用最小路徑代價(jià)算法實(shí)現(xiàn)了結(jié)構(gòu)面跡線提取。但當(dāng)前以Faro等為代表的隧道激光掃描設(shè)備存在體積較大、攜帶不便的問題,且存在無法獲取巖體表面紋理信息的缺陷。綜上所述,目前大多學(xué)者對于非接觸測量的研究僅依托于單一技術(shù)手段,其在現(xiàn)場應(yīng)用中存在一定的缺陷。

隨著激光掃描小型化設(shè)備的發(fā)展,其在車載激光雷達(dá)[15]、無人機(jī)避障[16]和輸電線路數(shù)據(jù)采集[17]等方面有了較多的應(yīng)用。基于此,本文提出一種將小型激光掃描設(shè)備、相機(jī)和云臺結(jié)合的便攜式掌子面圍巖信息采集設(shè)備,可實(shí)現(xiàn)掌子面圍巖信息的快速采集。將激光掃描可獲取探測物體表面三維坐標(biāo)的特點(diǎn)與相機(jī)可獲取目標(biāo)形狀、顏色信息的特點(diǎn)相結(jié)合,建立具有高精度和實(shí)景色彩的掌子面三維模型,并基于卷積神經(jīng)網(wǎng)絡(luò)算法建立一種隧道掌子面圍巖完整度的自動(dòng)化判識方法,以期為隧道地質(zhì)信息編錄提供支持。

1 掌子面三維模型構(gòu)建方法

1.1 掌子面信息采集

在建立高精度掌子面三維模型前,需采集掌子面圍巖地質(zhì)信息數(shù)據(jù)。使用自主研發(fā)的激光雷達(dá)與相機(jī)的組合設(shè)備——智隧慧眼和外置燈光作為數(shù)據(jù)采集工具(見圖1)。相機(jī)圖像數(shù)據(jù)處理基于多視幾何投影技術(shù),相鄰圖像的重疊率需大于30%,故將設(shè)備與云臺結(jié)合,實(shí)現(xiàn)數(shù)據(jù)自動(dòng)采集,降低人為因素干擾。為保證數(shù)據(jù)采集質(zhì)量,減少隧道粉塵對成像質(zhì)量的影響,選擇在出渣排險(xiǎn)后、架立拱架前進(jìn)行數(shù)據(jù)采集。采集時(shí),儀器可在距掌子面5～10 m、邊墻1 m以上的區(qū)域內(nèi)任意擺放。擺放后,借助水平氣泡基本調(diào)平設(shè)備,并使設(shè)備正面對準(zhǔn)掌子面方向,采集過程中需避免人員遮擋和局部強(qiáng)光照射掌子面。數(shù)據(jù)采集示意如圖2所示。

圖1 數(shù)據(jù)采集設(shè)備

圖2 數(shù)據(jù)采集示意圖

1.2 三維模型構(gòu)建

使用SMART EYE軟件對掌子面圍巖信息進(jìn)行處理,建立高精度三維實(shí)景模型。針對掌子面圖像數(shù)據(jù),采用SFM(structure from motion)技術(shù),通過將多張掌子面圖像中的特征點(diǎn)匹配,利用攝影定理計(jì)算得到相機(jī)的位置等場景信息,再將場景信息與原始圖片相結(jié)合,得到物體的三維點(diǎn)云,最后使用泊松表面重建算法(poisson surface reconstruction)將點(diǎn)云連接形成三角網(wǎng)格進(jìn)而構(gòu)建三維曲面,完成圖像三維重構(gòu)。圖像模型通過光學(xué)成像的方式獲取,可準(zhǔn)確記錄掌子面的顏色狀態(tài),具備很高的平面像素精度。

激光雷達(dá)利用飛行時(shí)間(time of flight)探測方法可以準(zhǔn)確計(jì)算發(fā)射及接收電磁波的時(shí)間,測量被測目標(biāo)距設(shè)備的距離,獲取圍巖表面的三維點(diǎn)云坐標(biāo),建立與隧道掌子面實(shí)際尺寸相同的三維點(diǎn)云模型,賦予模型三維矢量信息。

利用圍巖特征信息標(biāo)定的方式獲取圖像重構(gòu)模型和激光模型的內(nèi)外參對應(yīng)關(guān)系,通過矩陣轉(zhuǎn)換的方式將圖像模型投射到點(diǎn)云空間坐標(biāo)系中,使圖像模型和點(diǎn)云模型相結(jié)合,統(tǒng)一坐標(biāo)系。將開挖里程與模型進(jìn)行匹配,實(shí)現(xiàn)模型在設(shè)計(jì)線路中的定位。掌子面重建模型如圖3所示。

(a) 圖像三維模型

1.3 掌子面分割

經(jīng)過三維重建處理后得到的模型由初期支護(hù)、邊墻和掌子面組成。為便于分析開挖輪廓內(nèi)的掌子面圍巖信息,需將模型進(jìn)行分割。在確定模型和設(shè)計(jì)輪廓的尺寸關(guān)系后,結(jié)合里程信息對掌子面三維模型進(jìn)行定位,以確定模型與設(shè)計(jì)線路里程的對應(yīng)關(guān)系。利用現(xiàn)場施工提供的初期支護(hù)里程,完成模型初期支護(hù)的分割。利用掌子面的三角面網(wǎng)格法向量與設(shè)計(jì)線路有明顯的平行關(guān)系,邊墻的三角面網(wǎng)格法向量與設(shè)計(jì)線路有明顯的垂直關(guān)系,完成對模型中掌子面和邊墻的分割。掌子面三維模型分割如圖4所示。

(a) 三維模型

2 掌子面圍巖節(jié)理識別

2.1 模型結(jié)構(gòu)面識別

基于不同結(jié)構(gòu)面的法向量朝向有較大差異的特點(diǎn),可對三維掌子面點(diǎn)云模型的結(jié)構(gòu)面進(jìn)行識別。其實(shí)現(xiàn)方式如下: 1)將掌子面模型結(jié)構(gòu)面分割為不同的封閉小區(qū)域,采用聚類算法將法向量相同的封閉區(qū)域進(jìn)行聚合,不同聚合區(qū)域之間存在的邊界即為結(jié)構(gòu)面的三維跡線; 2)通過計(jì)算三維結(jié)構(gòu)面區(qū)域內(nèi)點(diǎn)云的平整度和結(jié)構(gòu)面跡線的平滑度,剔除加權(quán)和小于設(shè)定閾值的三維結(jié)構(gòu)面; 3)采用投影算法,將三維跡線投影至掌子面二維圖像上,即可得到掌子面的二維結(jié)構(gòu)面跡線。結(jié)構(gòu)面識別和投影如圖5所示。

(a) 三維識別

2.2 卷積神經(jīng)網(wǎng)絡(luò)節(jié)理識別訓(xùn)練

傳統(tǒng)的數(shù)字圖像處理技術(shù)和機(jī)器學(xué)習(xí)算法利用輪廓提取和特征點(diǎn)匹配等方式對掌子面結(jié)構(gòu)面進(jìn)行識別,但針對的場景單一、適用范圍小、正確率低下,不同光照、不同采集角度都會對圖像處理的結(jié)果產(chǎn)生很大影響,且提取得到的輪廓包含了大量的噪點(diǎn),如挖掘機(jī)開挖痕跡等。而卷積神經(jīng)網(wǎng)絡(luò)是目前進(jìn)行圖像模式識別研究最有效的手段之一,可以完成復(fù)雜圖像特征的抽取,故本文選擇卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練軟件完成對掌子面圖像中圍巖節(jié)理跡線的識別和提取。訓(xùn)練流程如下。

1)訓(xùn)練數(shù)據(jù)集建立。地質(zhì)工程師對生成的掌子面圖像進(jìn)行結(jié)構(gòu)面跡線標(biāo)注,同時(shí)剔除機(jī)械劃痕和爆破等人為影響因素。標(biāo)注的結(jié)構(gòu)面跡線圖像數(shù)據(jù)以文本方式記錄,將標(biāo)注后的文本和圖像匯總,與原始圖像一起形成數(shù)據(jù)集。結(jié)構(gòu)面識別訓(xùn)練如圖6所示。

(a) 原始圖像1 (b) 跡線標(biāo)注1

2)數(shù)據(jù)集擴(kuò)展。現(xiàn)場采集的掌子面圖像尺寸較大,直接用于訓(xùn)練對硬件設(shè)備有較高的要求,需要將圖像裁剪為小尺寸圖像,并將不含結(jié)構(gòu)面跡線標(biāo)注的掌子面圖像剔除。為增加數(shù)據(jù)集的多樣性,將訓(xùn)練圖像進(jìn)行隨機(jī)旋轉(zhuǎn),翻轉(zhuǎn),鏡像、亮度與飽和度調(diào)節(jié)等操作,并在處理圖像時(shí),將標(biāo)注的圖像數(shù)據(jù)共同處理,以保持一致性。

3)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練。卷積神經(jīng)網(wǎng)絡(luò)是通過前向計(jì)算輸入與權(quán)值的內(nèi)積得到輸出,通過反向傳播算法不斷迭代更新權(quán)值,結(jié)合梯度下降方法,最后得到整個(gè)網(wǎng)絡(luò)最優(yōu)的權(quán)值。將數(shù)據(jù)集圖像裁剪為800×800像素大小,利用卷積神經(jīng)網(wǎng)絡(luò)監(jiān)督學(xué)習(xí),軟件識別效果達(dá)到設(shè)計(jì)精度要求或設(shè)計(jì)次數(shù)后停止訓(xùn)練。神經(jīng)網(wǎng)絡(luò)訓(xùn)練如圖7所示。

(a) 原始圖像1 (b) 識別訓(xùn)練1 (c) 訓(xùn)練結(jié)果1

4)節(jié)理特征圖像處理。通過神經(jīng)網(wǎng)絡(luò)模型得到的特征圖像是概率分布圖,需經(jīng)過處理才能得到待定結(jié)構(gòu)面區(qū)域,本文采用條件隨機(jī)場算法(CRF)對結(jié)構(gòu)面圖像進(jìn)行標(biāo)記,算法步驟如下:

①設(shè)置隨機(jī)變量Xi∈L={l1,l2,…,lL}表示像素i的標(biāo)簽,并根據(jù)X1,X2,…,XN組成隨機(jī)向量,N表示圖像的像素個(gè)數(shù)。

③在全連接的條件隨機(jī)場模型中,將標(biāo)簽xi的能量表示為E(x)=∑iφu(xi)+∑i

④針對得到的E(x)進(jìn)行閾值判斷,保留概率大于0.5的像素點(diǎn),得到掌子面結(jié)構(gòu)面概率閾值,如圖8所示。

圖8 掌子面結(jié)構(gòu)面概率閾值圖

5)毛刺剔除及節(jié)理分組。首先,對閾值標(biāo)簽圖像進(jìn)行連通區(qū)域提取; 然后,對提取到的連通區(qū)域進(jìn)行線條細(xì)化處理,得到單像素寬度的不規(guī)則線條; 最后,將訓(xùn)練獲取的節(jié)理跡線與三維模型識別投影至二維平面上的結(jié)構(gòu)面跡線進(jìn)行重合度判斷。當(dāng)二維識別結(jié)構(gòu)面最小閉包與三維結(jié)構(gòu)面投影區(qū)域基本重合時(shí),說明二、三維同時(shí)識別了同一結(jié)構(gòu)面。利用兩者角度的絕對差計(jì)算兩者最小閉包矩形重合率,將閉包面積小于預(yù)設(shè)閾值的區(qū)域進(jìn)行剔除。

在對節(jié)理跡線進(jìn)行分組時(shí),為解決0°與360°重合導(dǎo)致無法使用歐式距離進(jìn)行聚類的問題,利用式(1)計(jì)算基于統(tǒng)一參照坐標(biāo)軸的角度,然后利用式(2)將角度映射到圓周上得到位置的坐標(biāo)點(diǎn)。

(1)

式中:θ為跡線角度;x0、y0為原點(diǎn)坐標(biāo);x1、y1為跡線的起點(diǎn)坐標(biāo);x2、y2為跡線的終點(diǎn)坐標(biāo)。

P(x,y)=(sinθ,cosθ)。

(2)

式中P(x,y)為跡線坐標(biāo)點(diǎn)。

將處理后的節(jié)理跡線坐標(biāo)點(diǎn)作為集合,使用Meanshift聚類算法對其進(jìn)行分類。該算法通過隨機(jī)確定中心點(diǎn),將距中心點(diǎn)帶寬之內(nèi)的點(diǎn)作為集合;計(jì)算出中心點(diǎn)與集合中每個(gè)元素的向量,并將向量相加得到偏移值;將中心點(diǎn)沿偏移向量移動(dòng)其模長的距離,直至偏移向量大小滿足設(shè)定的閾值,實(shí)現(xiàn)節(jié)理跡線坐標(biāo)點(diǎn)聚類。聚類后的節(jié)理跡線取數(shù)量最多的前3組作為保留節(jié)理,剩余的組別作為雜亂結(jié)構(gòu)面。掌子面素描結(jié)果如圖9所示。

圖9 掌子面素描結(jié)果

2.3 圍巖Jv值計(jì)算

《鐵路隧道設(shè)計(jì)規(guī)范》采用BQ法對圍巖進(jìn)行評價(jià),該方法是基于巖石堅(jiān)硬程度和巖體完整程度2個(gè)指標(biāo),其中巖體堅(jiān)硬程度由圍巖單軸飽和抗壓強(qiáng)度Rc得出、巖體完整程度通過巖體完整性指數(shù)Kv得出。BQ值計(jì)算見式(3)。

BQ=90+3Rc+250Kv。

(3)

式中: BQ為圍巖基本質(zhì)量指標(biāo);Rc為圍巖單軸飽和抗壓強(qiáng)度;Kv為巖體完整性指數(shù)。

在進(jìn)行BQ值計(jì)算時(shí),Rc值可通過圍巖強(qiáng)度試驗(yàn)直接獲取,Kv值的獲取則為本文的研究目標(biāo)。由規(guī)范可知,Kv值與巖體體積節(jié)理數(shù)Jv值存在對應(yīng)關(guān)系,而Jv值可由掌子面圍巖節(jié)理識別計(jì)算得出。Jv值和Kv值一般情況下的計(jì)算見式(4)[18]。

(4)

式中Jv為巖體體積節(jié)理數(shù)。

間距法是常用的Jv值測量方法。在本文中,卷積神經(jīng)網(wǎng)絡(luò)算法提取掌子面節(jié)理跡線并分組后,通過做虛擬測線的方式可獲取各組節(jié)理跡線之間的間距并求得其平均值,通過式(5)計(jì)算出Jv值。

Jv=S1+S2+…+Sn+Sk。

(5)

式中:Sn為第n組節(jié)理每m長測線上的條數(shù);Sk為每m3巖體非成組節(jié)理?xiàng)l數(shù)。

由式(5)可知,其默認(rèn)假定為各組節(jié)理的法向計(jì)算測線長度均為1 m,但實(shí)際巖體中節(jié)理分布不均,節(jié)理間距存在明顯的離散性,而且當(dāng)節(jié)理組與單位體表面斜交時(shí),其計(jì)算測線長度大于1 m,故實(shí)際計(jì)算Jv值時(shí),乘以1.05～1.1的修正系數(shù)[19]。

3 工程應(yīng)用

本文研究方法在池黃鐵路嶺上村隧道和黃坑隧道進(jìn)行了現(xiàn)場應(yīng)用。其中,黃坑隧道位于黃山市黃山區(qū)境內(nèi),為單洞雙線隧道,隧道全長2 942 m,最大埋深約350 m。勘測資料顯示,隧址區(qū)域構(gòu)造應(yīng)力復(fù)雜,造成區(qū)域內(nèi)褶曲、斷裂交錯(cuò),隧道洞身穩(wěn)定性較差,故在開挖過程中進(jìn)行隧道掌子面圍巖結(jié)構(gòu)面特征信息提取對驗(yàn)證勘察資料和指導(dǎo)施工有著重要意義。

3.1 掌子面模型構(gòu)建及節(jié)理分析

在黃坑隧道DK64+695～+845段共采集18組掌子面數(shù)據(jù)對掌子面圍巖完整性進(jìn)行分析。現(xiàn)以DK64+706斷面掌子面為例,對掌子面圍巖結(jié)構(gòu)面特征獲取進(jìn)行描述。掌子面圍巖信息使用智隧慧眼設(shè)備進(jìn)行采集,在該里程處共采集圖像23張。DK64+706掌子面圖像如圖10所示。將原始數(shù)據(jù)導(dǎo)入SMART EYE軟件后,經(jīng)過拼接、三維點(diǎn)云生成、連接和擬合后,獲得的掌子面三維模型如圖11(a)所示,裁剪后的掌子面如圖11(b)所示。

圖10 DK64+706掌子面圖像

(a) 掌子面三維模型 (b) 裁剪后的掌子面

基于前述方法獲得的DK64+706斷面節(jié)理軟件識別效果如圖12(a)所示。該掌子面包含2組節(jié)理,組1節(jié)理的傾角主方向?yàn)?9°、節(jié)理間距為0.51 m、平均長度為2.85 m; 組2節(jié)理的傾角主方向?yàn)?8°、節(jié)理間距為0.79 m、平均長度為3.26 m; 掌子面圍巖Jv值為3.55、Kv值為0.73。軟件識別結(jié)果與地質(zhì)工程師素描結(jié)果(見圖12(b))進(jìn)行對比,能夠識別出與之對應(yīng)的節(jié)理跡線,驗(yàn)證了該方法在隧道使用中的可行性和準(zhǔn)確性。

(a) 軟件識別效果

3.2 掌子面巖體完整度分析

在黃坑隧道獲取的18組掌子面圍巖節(jié)理信息如表1所示。可以看出: 開挖揭露的掌子面圍巖Kv值處于0.66～0.75,巖體完整程度為完整和較完整,總體來看應(yīng)用段落內(nèi)圍巖完整程度較好,適合隧道開挖施工。

表1 掌子面節(jié)理信息

DK64+695～+845段長150 m,共開挖46 d,施工進(jìn)度反映了本文所用方法對圍巖完整度識別的準(zhǔn)確性。

從現(xiàn)場應(yīng)用可知,相比于傳統(tǒng)的人工獲取隧道圍巖節(jié)理信息的方式,采用本方法可以在不接觸的條件下,靈活、快速地從掌子面模型和圖像中獲取圍巖節(jié)理信息,避免了地質(zhì)工程師暴露在掌子面開挖圍巖下方的風(fēng)險(xiǎn),保證了在圍巖信息采集中的人身安全。此外,結(jié)合現(xiàn)場圍巖回彈試驗(yàn)、點(diǎn)荷載試驗(yàn)或隨鉆監(jiān)測[20]等方式獲取的掌子面圍巖強(qiáng)度信息,可進(jìn)行圍巖分級工作,為隧道地質(zhì)信息編錄和施工調(diào)整提供依據(jù)。

4 結(jié)論與討論

1)提出掌子面圍巖信息快速采集方式,使用自研軟件實(shí)現(xiàn)圖像三維重構(gòu)模型與激光掃描模型的匹配。利用掌子面和邊墻三角面網(wǎng)格模型法向量與設(shè)計(jì)線路的關(guān)系,實(shí)現(xiàn)三維模型的切割。現(xiàn)場應(yīng)用表明,該方法可快速建立掌子面三維實(shí)景模型,并避免了邊墻對圍巖結(jié)構(gòu)面識別的影響,有較好的推廣應(yīng)用價(jià)值。

2)利用三維模型中圍巖結(jié)構(gòu)面法向量的差異,實(shí)現(xiàn)結(jié)構(gòu)面三維識別。利用卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)圍巖結(jié)構(gòu)面的自動(dòng)識別標(biāo)記,結(jié)合Jv值計(jì)算式建立掌子面圍巖完整度判識方法,在黃坑隧道的現(xiàn)場應(yīng)用中驗(yàn)證了該方法的準(zhǔn)確性和可行性。

3)掌子面圍巖分級作為確定隧道設(shè)計(jì)參數(shù)合理性的重要參數(shù),是當(dāng)前的研究熱點(diǎn)。本文研究的內(nèi)容主要是圍巖完整度判識,僅為掌子面圍巖分級參數(shù)中的一部分,下一步將結(jié)合圍巖強(qiáng)度等參數(shù)對掌子面圍巖分級的自動(dòng)判識進(jìn)行研究。

現(xiàn)場應(yīng)用證明: 本文提出的方法可獲得掌子面精確的圍巖結(jié)構(gòu)面特征信息,具有良好的圍巖完整度判識效果; 但在現(xiàn)場應(yīng)用中也表現(xiàn)出圖像模型和掃描模型結(jié)合精度不足、結(jié)構(gòu)面自動(dòng)識別準(zhǔn)確率有待提高等局限,后續(xù)需注重模型結(jié)合算法和結(jié)構(gòu)面識別算法的優(yōu)化。