基于3D数字测绘的岩体结构面自动化检测：新兴技术、挑战与未来展望——综合评述

《Geocarto International》：A comprehensive review of 3D digital mapping-based automated rock discontinuity detection: emerging technologies, challenges and future prospects

　　

准确检测与表征岩体结构面（rock discontinuities）对于岩质边坡稳定性评价、隧道开挖、落石灾害评估和岩体分类至关重要。传统现场方法，包括地质罗盘测量、测线法（scanline surveys）和人工测绘，仍然重要，但受限于空间覆盖范围有限、操作者主观性、耗时以及在陡峭或难以进入岩体中的安全风险。本综述批判性审视基于3D数字测绘、先进遥感和人工智能（AI）方法的岩体结构面自动化与半自动化检测近期进展。所审视的检测方法包括基于激光雷达（LiDAR）的地面与航空激光扫描、无人机（UAV）摄影测量、高光谱成像（hyperspectral imaging）、3D点云处理以及边缘检测（edge detection）等经典图像处理技术。重点尤其放在AI驱动的结构面检测，包括用于2D图像识别的卷积神经网络（CNN）、U-Net和DeepLabV3⁺等语义分割模型、YOLO、Faster R-CNN、Mask R-CNN、Mask R-CNN–TD和YOLACT⁺⁺等目标与实例分割框架，以及3D点云网络、基于Transformer的模型、图神经网络（GNNs）、迁移学习（TL）和CNN–PointNet等2D–3D混合融合模型等先进架构。本综述表明，LiDAR和UAV衍生点云能够提供可靠的结构面产状、间距、节理组和块体几何信息，支持基于赤平投影（stereonet）的运动学分析、岩体质量评价、岩石质量指标（RQD）估算和潜在不稳定块体识别。尽管取得这些进展，仍存在主要挑战，包括基准数据集有限、模型在异质地质条件下的泛化能力弱、遮挡、植被干扰、光照变化、点密度效应、计算成本、地面验证不足以及与实用岩土设计工作流程的集成有限。未来研究应优先发展标准化开放数据集、不确定性感知与可解释AI、跨场地验证、域适应、稳健的多模态传感–AI融合，以及将自动化结构面输出与岩体评级（RMR）、边坡岩体评级（SMR）、Q系统、地质强度指标（GSI）、离散裂隙网络（DFN）建模和边坡稳定性分析直接集成。

2 方法学
2.1 综述范围与目标
本综述采用系统文献综述方法，聚焦基于3D数字测绘的岩体结构面自动化与半自动化检测。综述围绕四类问题展开：当前用于获取结构面数据的传感与数字测绘技术；从图像、3D点云和光谱数据中提取结构面属性的自动与半自动算法；可获取的结构面参数，包括产状、间距、持续性、粗糙度、张开度、节理组和块体几何；主要技术局限、研究缺口及与岩土设计和岩体分类系统集成的未来方向。检索覆盖Scopus和Web of Science至2025年文献，关键词分为结构面术语、自动化与人工智能（AI）术语、传感与数字测绘术语、岩土与地质应用术语四组，并采用布尔组合检索。综合采用定性主题方法，重点比较图像法与3D点云法：图像法特别是基于卷积神经网络（CNN）的语义分割和目标检测对2D影像中的结构面迹线和裂缝识别有效，但完整3D几何信息恢复能力有限；点云法可直接提供三维结构面几何，包括产状和间距，但对点密度、扫描位置、遮挡和表面重建质量敏感；混合与多模态方法因能结合2D影像视觉细节和3D点云几何可靠性而成为重要新兴方向。文献质量评价考虑数据采集流程、预处理、算法工作流、验证方法、性能指标和岩土应用，含现场验证、定量误差分析、与传统测量对比或真实工程应用者被视为更强。

3 岩体结构面检测基础
岩体具有非均质性，包含节理、层面、裂隙、断层和剪切带等结构面。结构面控制岩体强度、变形性和破坏机制，是应力分布和变形模式的重要控制因素。结构面表征涉及产状、间距、持续性、张开度和充填物等，其中产状决定平面、楔体、直接倾倒和柔性倾倒等运动学失稳；节理组数、间距和粗糙度支撑岩石质量指标（RQD）、岩体评级（RMR）、边坡岩体评级（SMR）、Q系统、地质强度指标（GSI）和岩体指数（RMi）等分类。检测技术包括地质填图、测线调查、半自动和自动技术。
3.1 传统结构面检测技术
传统方法使用地质罗盘和卷尺测定结构面间距与产状，精度较高，但需直接进入坡面；复杂地貌区常不可达且风险高，耗时且难以覆盖大范围。
3.2 半自动与自动技术
半自动技术中，LiDAR或航空影像生成3D点云可自动完成，但结构面识别需在软件窗口中人工追踪以获得倾向、倾角和间距；优点是点云追踪可靠精确，缺点是需要岩体力学专家、软件许可昂贵且大区域人工追踪耗时。全自动技术从点云生成到结构面识别和赤平投影均可自动完成，常基于HIS（hue saturation intensity）颜色系统为每个平面赋色以反映倾角和倾向，数字高程模型（DEM）也可用于分析坡面地貌变化；但相关许可不公开且昂贵，并可能受噪声影响。开源MATLAB工具可从激光扫描和航空摄影测量点云提供产状和间距，自动化程度较高且成本较低，但计算较慢，处理大点云时需分析多个子集。半自动与自动技术的主要局限是不能从3D点云测量地下水条件，而地下水是RMR、SMR和Q系统等分类的重要因素。高分辨率数据采集、计算能力和特征识别算法进步推动全自动发展，但噪声、遮挡、植被覆盖和复杂地质条件仍需现场测量或专家意见验证。

4 岩体结构面自动检测新兴技术
结构面检测正从人工填图转向先进传感与计算技术，以更高速度和分辨率获取详细地质数据，主要包括LiDAR扫描和无人机（UAV）等。
4.1 基于激光的结构面提取
LiDAR通过发射激光并记录反射飞行时间或相位差重建3D点云，按平台分为航空激光扫描（ALS）和地面激光扫描（TLS）。TLS扫描位置应使研究区在仪器最大范围和视场角内获得最大覆盖；分辨率包括距离分辨率和角度分辨率，宜在多位置采用多分辨率扫描。流程包括规划、扫描、数据滤波、配准、地理参考、3D点云和结构面属性提取。配准将多次扫描的任意坐标系统一为单一坐标系统，需至少三个非聚集、非线状分布的目标，方法包括基于目标、基于特征和点对点配准。LiDAR可提取产状、间距和粗糙度（如节理粗糙度系数JRC）等属性，精度和覆盖优于传统地质填图，但仍依赖自动或半自动算法。
4.2 基于UAV摄影测量的结构面属性提取
UAV通过拍摄高分辨率重叠航空影像重建3D点云。流程包括飞行规划（航迹、航高和影像重叠）、布设地面控制点（GCP）用于地理参考、采集影像、利用运动恢复结构（SfM）拼接影像、地理参考、生成3D点云和提取结构面属性。高分辨率相机可生成密集点云，捕获主要和次要结构面；自动与半自动算法可快速提取产状、间距和粗糙度。文中比较不同方法优劣，权衡分辨率、成本、覆盖和环境条件敏感性，总体表明UAV结构面提取较传统地质填图更快、更可靠。

5 基于AI的结构面属性自动提取
人工智能特别是深度学习实现大数据集的分割、分类和量化。岩石图像背景因纹理、颜色和图案高度非均匀，较混凝土和沥青路面裂缝检测更复杂，易将天然表面变化误判为裂缝。深度学习前主要采用边缘检测、阈值和形态学操作，可增强裂缝可见性但对复杂纹理和光照变化不稳；Roberts对噪声敏感，Sobel和Prewitt信噪比较好但较慢且易出现零交叉误差，Canny准确但对角和噪声较弱，LoG、离散小波变换（DWT）和分水岭存在过分割或欠分割及参数调优问题。深度学习显著提高自动化和精度，技术包括语义分割、目标检测和分类。实例分割方法如YOLACT⁺⁺、Mask R-CNN–TD和RockFormer可精确分割节理、裂隙和层面；YOLACT⁺⁺保持实时性和计算效率，Mask R-CNN–TD利用迁移学习和域适应处理光照、纹理和遮挡，RockFormer为U形Transformer网络，具层级编码解码结构和特征细化模块（FRM），可捕获局部细节和全局上下文。CNN已用于正射影像和遥感无人机系统（RPAS）影像，结合SfM和多视图3D增强减少危险人工测线，但受图像质量、人工勾绘和小数据集限制。SegFormer为Transformer架构，可处理深部硬岩不均匀光照、粗糙度和复杂纹理，具有噪声抑制、边界完整和注意力可视化可解释性，可量化迹长、产状、密度和强度，但需大标注数据和较高计算。迁移学习以道路裂缝数据集预训练ResNet-18并微调用于结构面检测，仅需少量场地数据且泛化较好，但依赖源域与目标域相似性，存在负迁移和域偏差风险。图神经网络（GNN）框架可建模非线性参数交互并预测单轴抗压强度，与U-Net、FCN-8s和SegNet语义分割及多阶段聚类拟合结合提取参数，适合复杂非线性关系且与岩体评级一致，但需多模型集成和较高计算复杂度。深度学习流程包括数据收集、图像预处理、模型建模和模型评估；预处理含RGB转灰度、归一化、缩放和Otsu二值化等。

6 操作框架与集成
将LiDAR、UAV和高光谱传感与AI分析集成，可提高结构面表征、现场安全和岩土设计输入可靠性。但密集点云生成仍耗时，常需专用软件和计算资源；调查范围增大导致数据量、冗余和处理时间增加；高分辨率点云精确检测需更强计算能力。文中比较近期集成研究的目标和不足。

7 讨论与自动结构面提取成功案例
结构面改变岩体工程性质并影响稳定性，详细表征对岩土设计至关重要。检测已由传统填图转向数字测绘。案例比较表明，半自动方法可从3D点云提取结构面产状，全自动RANSAC算法可从LiDAR点云提取结构面，数字方法能获得可靠产状。自动流程通常生成高分辨率3D点云并数字提取属性。自动产状可用于赤平投影评估平面、楔体和倾倒破坏；案例利用LiDAR点云运动学分析识别不稳定块体；UAV摄影测量点云结合ShapeMetriX-UAV软件进行运动学分析，识别平面、柔性倾倒和楔体破坏；UAV点云估计节理间距并计算RQD，进而评价岩体质量。

8 研究缺口与未来研究建议
多数自动方法主要检测结构面迹线或估算产状，完整岩体表征还需间距、持续性、粗糙度、张开度、充填、风化、渗流、节理组数、块体尺寸和连通性，以支撑RMR、SMR、Q系统、GSI、RMi及运动学分析、落石建模、离散裂隙网络（DFN）建模和数值模拟。标准化开源数据集稀缺，导致训练不一致和性能比较困难，AI模型需大量微调和再训练，需稳健迁移学习和域适应。混合3D LiDAR点云与2D UAV影像可提高精度，但需有效数据融合和更高处理资源；CNN+PointNet或基于Transformer的2D–3D融合可优化。自动结构面输出与RMR、GSI等分类系统高效集成可加速岩土设计，需标准数据格式或应用程序接口（API）。混合传感–AI系统利用UAV、LiDAR和高光谱等多源地理空间数据及深度学习处理环境干扰和植被遮挡；可解释人工智能（XAI）可提高透明性和可解释性，尤其适用于边坡稳定和隧道施工等安全关键应用。

9 结论
综述总结自动结构面检测技术进展、挑战和未来方向。LiDAR、UAV摄影测量、多光谱与高光谱成像结合AI特别是深度学习，在效率、检测精度和可靠性上较传统人工方法显著提升。CNN、3D点云模型、Transformer、GNN、迁移学习和混合融合框架推动特征提取和上下文理解。真实案例验证其优于传统调查，但计算成本、数据集泛化和地面真值验证仍存挑战。未来趋势包括混合传感–AI框架、多模态数据融合、可解释深度学习和标准化基准。主要发现包括：LiDAR和UAV可生成高保真数据并捕获宏观与微观结构面；CNN模型如YOLO适合2D图像检测但限于表面特征；Transformer模型如ViT和Swin Transformer具上下文感知能力但计算需求高；PointNet等3D模型保留LiDAR点云空间信息但需额外预处理；GNN可深入分析复杂地质结构但大规模计算成本高；迁移学习减少数据需求和训练时间但需地质情境调优；混合或多模态方法如CNN+PointNet通过融合2D和3D数据提高精度但增加计算开销；YOLACT⁺⁺和Mask R-CNN–TD支持实时或域适应实例分割，RockFormer提供像素级语义分割；案例表明基于LiDAR或UAV的自动3D点云工作流可准确捕获结构面产状，支持平面、楔体和倾倒运动学分析及不稳定块体识别，体现自动结构面检测在岩土设计和边坡稳定性评价中的现场适用性。