《Journal of Rock Mechanics and Geotechnical Engineering》:Normal vector estimation method for rock mass point clouds with sharp feature preservation via local geometric adjustment
编辑推荐:
准确提取岩体不连续面参数是稳定性评估与工程安全的关键。高分辨率遥感技术推动了自动化提取,但其可靠性高度依赖于精确的法向估计以保障几何真实性。传统方法难以保持边、角等锐利特征,导致精度下降。为此,研究人员提出了一种基于局部几何调整的法向估计方法,在维持锐利几何的
准确提取岩体不连续面参数是稳定性评估与工程安全的关键。高分辨率遥感技术推动了自动化提取,但其可靠性高度依赖于精确的法向估计以保障几何真实性。传统方法难以保持边、角等锐利特征,导致精度下降。为此,研究人员提出了一种基于局部几何调整的法向估计方法,在维持锐利几何的同时增强特征提取。该方法包含四步:(1)点云分类;(2)法向与轴向投影;(3)最小二乘拟合分割线;(4)通过优化局部邻域修正法向。研究人员在计算机辅助设计(CAD)模型、实物及岩体点云上验证了所提方法,并与八种代表性算法对比,包括主成分分析(PCA)、2-Jet PCA、基于Voronoi图的PCA、PCPNet、神经梯度函数(NeuralGF)、低秩表示(LRR)、偏移邻域法向估计(NSN)及成对一致性投票(PCV)。实验结果表明,所提方法在精度与效率上均更优,显著改善了结构面提取效果,并更好地保持了锐利几何特征。
论文解读:《Journal of Rock Mechanics and Geotechnical Engineering》
研究背景与问题提出
岩体结构面(不连续面)的几何、力学与水力参数(产状、间距、迹长、粗糙度、隙宽、充填、渗流、组数、块度等)是岩体稳定分析与工程安全评价的基础。传统采用地质罗盘与皮尺的线测或窗口采样方法存在人为偏差、危险区难达、效率低等局限。
激光雷达(LiDAR)、搭载运动恢复结构(SfM)的无人机及摄影测量等遥感技术可高效获取高精度三维点云,推动半自动/自动结构面参数提取成为主流方向。这类方法通常以点云法向矢量为先验知识,法向估计的精度直接决定结构面提取与稳定性评价的可靠性。
现有法向估计面临四大挑战:采样密度不均、噪声、离群点,以及锐利特征(边、角)保持。经典主成分分析(PCA)通过对局部邻域协方差矩阵特征值分解,取最小特征值对应特征向量作为法向,本质上是一种低通滤波,会在边角处产生平滑过渡弧线,模糊真实几何,影响结构面产状判定。高阶jet方法、Voronoi-PCA可改善光滑曲面但对噪声敏感。深度学习方法(HoughCNN、Nesti-Net、PCPNet、NeuralGF)缓解了空间信息损失,但在岩体工程中仍较初步;后处理策略如低秩表示(LRR)、偏移邻域(NSN)、成对一致性投票(PCV)有所进展,但锐利特征保持仍是难点。在岩体场景中,边角是应力集中与破坏起始区,也是结构面产状定义处,因此研究如何在法向估计中保持锐利特征具有重要工程意义。
研究人员据此开展本研究,提出一种面向岩体点云的、基于局部几何调整的法向估计方法,并在CAD模型、实物点云与真实岩体点云上验证,对比PCA、2-Jet、Voronoi、PCPNet、NeuralGF、LRR、NSN、PCV八种方法,最终得出所提方法在精度、鲁棒性与效率间取得更优平衡,且更好保持锐利特征,提升结构面聚类效果的结论。该研究发表于《Journal of Rock Mechanics and Geotechnical Engineering》。
主要关键技术方法(概要)
研究人员以PCA为基线,设计四步流程:①分类:基于PCA曲率阈值将点分为平面点与锐利特征点;②投影:对锐利特征点分别沿当前法向(法向投影)与最大特征值对应主轴(轴向投影)投影至过目标点的平面,并坐标变换至二维;③分割:从法向投影中提取共面特征点集,从轴向投影中用L1-medial骨架提取中心线,分别对共面特征点集最小二乘拟合两线,计算角平分线作为分割边界,保留与目标点同侧邻域构建最优邻域;④修正:将锐利特征点再分为边点(邻域跨两个平面)与角点(跨多于两个平面);边点用自适应扩展后的最优邻域做PCA,角点则利用已修正的邻域法向进行相似度聚类(内积阈值),选最相似簇心作为修正法向。实现环境为Python+VS Code,对比实验在i9-14900HX/32GB设备上进行,数据集含CAD立方体与八面体(2万点,10%–100%高斯噪声)、实物立方与方锥点云(来自Riquelme等2014)及Rockbench真实岩体点云(美国科罗拉多Ure郡与西班牙Priorat区,约50万–150万点,Optech三维激光扫描仪)。
研究结果
4.1 CAD模型
4.1.1 立方体
研究人员从立方体CAD模型提取2万点并以CloudCompare计算真值法向,添加10%–100%高斯噪声。定性看:PCA、2-jet在锐利处平滑;Voronoi低噪尚可但鲁棒差;监督PCPNet泛化弱;无监督NeuralGF精度优于传统但抗噪有限;LRR、PCV特征保持好;NSN略有误差;所提方法与LRR/PCV相当,锐利保持佳。定量:RMSE(RMS)与坏点数(NBP,阈值10°)统计显示,PCA/2-jet RMS≈0.64–0.68,NBP=3296–3730;Voronoi低噪RMS=0.4696/NBP=1763,但随噪声陡升;PCPNet最差;NeuralGF在10%–50%较好(RMS=0.36–0.51,NBP=1044–2025)但100%时退化;LRR(RMS=0.1041–0.2814,NBP=87–625)与PCV(RMS=0.1041–0.2512,NBP=87–500)优;NSN略逊(RMS=0.1841–0.4201,NBP=274–1408);所提方法RMS=0.1321–0.2505,NBP=132–485,平衡精度与鲁棒性。
4.1.2 八面体
类似流程:八面体CAD点云2万,10%–100%噪声。定性:PCA稳但无特征;2-jet低噪略好;Voronoi低噪优但敏噪;NeuralGF胜PCPNet;LRR/PCV特征保持相近;所提方法相当。定量:PCA RMS=0.6733–0.6875,NBP=3665–3805;2-jet/Voronoi低噪好但鲁棒差;PCPNet最差;NeuralGF在10%–50%较好(RMS=0.3725–0.4687,NBP=1117–1741)但70%–100%退化;LRR(RMS=0.1617–0.3434,NBP=209–936)与PCV(RMS=0.1325–0.2848,NBP=140–641)优;NSN(RMS=0.1926–0.4694,NBP=298–1762)稍弱;所提方法RMS=0.1332–0.2894,NBP=138–652,在10%–70%噪声下最优且鲁棒。
4.1.3 计算效率
传统PCA最快(~0.7s)但无特征保持;2-jet/Voronoi稍慢;LRR极慢(~700s);特征保持类中,NSN均值~20.98s(立方体)/20.21s(八面体),PCV~25.06s/22.41s,所提方法~19.30s/16.56s,快于NSN与PCV,综合性能优。
4.2 真实物体数据
以Riquelme等(2014)实物点云(立方无底60,488点、三角柱37,226点,Konica Minolta Vivid 9i采集)做定性分析。将法向投影到单位球:PCA与NeuralGF在锐利区误差大;PCV优于二者但有两点明显误估;所提方法分布最集中,特征保持最好。八面体(实为三角柱)类似:PCA/NeuralGF模糊;PCV与所提均有少量误估但远优于前两者;所提投影更集中。
4.3 岩体数据
4.3.1 案例A
数据来自Rockbench(美国科罗拉多Ure郡西南,Optech扫描,原始1,515,722点,研究区848,043点)。用PCA/NeuralGF/PCV/所提方法估计法向后聚类提取不连续面。结果:PCA仅靠局部主方向,边缘偏差致聚类误分;NeuralGF边缘略好但仍偏;PCV优化边缘但仍有错分;所提方法边缘法向更准,聚类最清晰,不连续面划分更明确,边角特征保持更好。
4.3.2 案例B
数据来自西班牙加泰罗尼亚Tarragona省Priorat区(Optech扫描,原始1,676,187点,研究区497,961点)。类似流程:PCA边缘偏差致误分;NeuralGF略优但仍有偏;PCV改善未消除误分;所提方法聚类最清,不连续面划分更准,边特征保持优。
4.4 讨论
4.4.1 大规模数据处理能力
所提方法仅对锐利特征点做额外计算,平面点直接用PCA法向;实现中用多进程框架利用多核CPU;可先下采样。案例A(848,043点)耗时46.99s,案例B(497,961点)20.94s,表明在大尺度数据上仍可接受效率。
4.4.2 分类阈值ε选择
参照Zhang等(2013),用点云曲率直方图作为一维信号,通过最小化正则项(平衡系数固定0.5,一阶差分Frobenius范数+L1范数)平滑直方图,取首峰后首次相邻bin差小于10-5的位置作为阈值ε,自动划分平面与锐利点。
4.4.3 聚类阈值τ选择
角点修正时,邻域法向按内积相似度聚类,实践中经验取τ=10°,即两法向夹角≤10°视为同簇。
研究结论(翻译总结)
本研究针对岩体点云法向估计中锐利特征保持难题,提出了一种基于局部几何调整的法向估计方法,通过分类、投影、分割与修正四步实现:①用阈值法将点分为平面点与锐利特征点;②对锐利点做法向与轴向投影提取共面特征集与中心线;③用最小二乘拟合两线并以角平分线分割邻域,构建同侧最优邻域;④将锐利点细分边点与角点,边点用自适应扩展邻域PCA修正,角点用已修正邻域法向聚类选取最相似簇心修正。
研究人员通过CAD模型、实物点云与真实岩体点云三组实验,对比八种代表性方法发现:所提方法继承PCA的鲁棒与高效,同时通过投影与分割增强锐利几何保持,在RMSE、坏点数与计算时间上综合更优,能提升不连续面聚类清晰度。
局限性在于:锐利区额外处理使效率低于PCA;分类误差会传播;稀疏点云邻域不足、点云边界邻域不全、破碎带多结构面共存会影响聚类分割。未来将通过GPU并行与算法加速提升效率,引入多尺度、统计约束或深度学习提升锐利点分类鲁棒性,并基于准确法向构建机器学习与拓扑分析的岩体不连续面识别与稳定性自动评价框架。