基于边界点预分组的岩石隧道掌子面三维点云迹线自动提取

《Applied Sciences》：Automated Trace Extraction of Rock-Tunnel Excavation Face from 3D Point Clouds Based on Boundary Point Pre-Grouping

　　

由于不连续面是控制岩体稳定性的关键因素，精确获取不连续面的几何信息（包括不连续面迹线和产状）对于开展围岩稳定性评估具有重要意义。然而，现有的基于三维（3D）点云的迹线自动提取方法依赖于耗时的三角剖分，并且迹线生长过程极易受到噪声干扰，导致方向偏差和错误连接。本研究提出了一种改进的算法，用于基于方向分组实现无三角剖分的迹线自动提取。研究人员采用主成分分析（PCA）计算三维点云中每个点的法向量。然后，通过二十面体细分方法离散化半球空间来构建均匀基向量，这降低了方向分组的计算成本。为了快速识别主导产状，研究人员使用密度峰值准则和加权快速轮廓指数来非迭代地识别主导产状中心和最佳分组数量。在此基础上，识别不连续面的边界点，随后进行定向收缩以获得更具代表性的特征点。在特征点预分组之后，通过方向约束实现迹线段生长。该算法使用实测隧道点云和公开数据集进行了验证。结果表明，预分组机制能够有效抑制局部噪声干扰，增强复杂场景下迹线提取的鲁棒性，使精确率（precision）、召回率（recall）和F1分数分别提高了约36%、5%和15%。由所提算法识别的迹线数量和平均长度分别为95条和0.28米，而人工识别的结果为86条和0.32米，迹线总数和平均迹线长度的相对误差分别为10.4%和12.5%。这些误差不影响BQ围岩分级。与现有基于三角剖分的方法相比，所提方法的召回率提高了约39%，F1分数提高了约21%，而精确率保持可比，差异在2%以内。在相同计算环境下，处理时间减少了约8.5%。

论文解读：基于边界点预分组的岩石隧道掌子面三维点云迹线自动提取

1. 研究背景与现存问题

山岭隧道工程是交通基础设施建设的核心组成部分，其施工安全与效率直接关系到整体工程质量与经济性。围岩稳定性评估是确保工程施工安全的关键指标，而岩石不连续面（discontinuities，如节理、裂隙和迹线）的特性在很大程度上决定了岩体的力学性质，如强度、变形性和渗透性。因此，快速、准确、客观地识别和提取围岩信息，为岩体稳定性分析提供精确数据至关重要。随着三维激光扫描和数字摄影测量等非接触式测量技术的广泛应用，获取包含数百万个点的岩体三维点云数据已成为常规做法。因此，如何从海量数据中快速、自动化地提取岩体不连续面信息，仍是一个紧迫的工程挑战。

目前，基于三维模型的岩体不连续面几何特征识别方法存在若干局限。一些基于二维图像的方法（如霍夫变换、灰度图像处理、边缘检测和骨架提取）对环境光照条件和图像质量要求苛刻。尽管深度学习算法已被应用于迹线提取研究，但多数研究仍局限于二维迹线的提取，难以生成具备三维结构信息的迹线。为解决二维图像的局限性，研究重点逐渐转向基于三维岩体点云的识别方法。早期方法依赖数字表面模型（DSM）和三角网格（triangular mesh）来提取特征点，虽精度较高，但因网格生成和特征点提取均需大量手动参数调整而导致效率低下。此外，由于岩体表面的自然粗糙度影响，局部几何曲率特征往往无法唯一代表不连续面，导致算法在复杂环境中易将非结构性噪声误判为特征点。为克服这些问题，研究人员引入了岩石不连续面产状的分布特征作为先验约束，通过产状分组筛选特征点，以提高识别算法的自动化和鲁棒性。然而，现有方法在迹线生长过程中对初始种子点的选择敏感，且生长方向易因个别异常点的影响而发生偏离。因此，利用无序点云提高迹线提取的准确性成为该领域的关键研究方向。

2. 研究方法与技术路线

为应对上述挑战，本研究提出了一种基于产状分组的改进型不连续面迹线自动提取算法，无需三角剖分。主要关键技术方法包括：

• •
  基于密度峰值准则的自动产状分组：首先，采用主成分分析（PCA）计算点云中每个点的法向量。其次，通过二十面体细分（icosahedron subdivision）方法离散化半球空间，构建一组近似均匀分布的基向量（basis vectors）。然后，在这些基向量上应用密度峰值聚类（Density Peaks Clustering, DPC）理论，定义局部密度（ρ′）和相对距离（δ′）两个核心变量，并通过综合评分指标（γ′）非迭代地确定产状聚类中心。最后，利用加权快速轮廓指数（weighted fast silhouette index）自动确定最优的分组数量（k）。
• •
  基于产状分组的迹线自动提取：基于产状分组结果，识别位于不同产状组交界区域的边界点（feature points）。随后，采用PCA加权迭代定向收缩（PWI-OC）方法将这些粗糙的边界点收缩成更紧凑的特征点骨架。为解决迹线生长初期对噪声敏感的问题，引入特征点预分组（feature point pre-grouping）机制，即在迹线生长前，根据特征点的方向向量再次进行分组，将后续的局部区域生长限制在同一组内。然后，结合方向约束策略执行贪婪生长（greedy growth），生成初始迹线段。
• •
  基于方向一致性的迹线段合并：针对迹线可能被识别为碎片化或断开线段的问题，采用一种基于端点方向和距离约束的迭代连接算法，以恢复完整的迹线拓扑结构。

3. 研究结果与分析

• •
  基于密度峰值准则的自动产状分组（Section 2）：通过二十面体细分构建基向量，将法向量邻域密度ρ′和相对距离δ′的计算复杂度从O(N2)降至O(N·N_sub)。基于决策图和加权快速轮廓指数，可非迭代地确定产状聚类中心和最优分组数，消除了传统K-means算法需要主观指定组数的弊端。在隧道点云案例中，该方法成功识别出两组主导产状。
• •
  基于产状分组的迹线自动提取（Section 3）：通过识别边界点并进行定向收缩，获得了更具代表性的特征点。引入特征点预分组机制后，将迹线生长过程中的方向偏差和错误连接显著减少。通过与人工标注结果的对比，算法识别的迹线总数和平均长度相对误差分别为10.4%和12.5%，这些误差未影响BQ围岩分类结果。
• •
  关键参数与机制讨论（Section 4）：
  • •
    快速与标准轮廓指数的一致性（Section 4.1）：在不同细分次数N_sub和邻域点数k_nn下，快速轮廓指数与标准轮廓指数在确定最优分组数上表现出高度一致性（Pearson相关系数大多高于0.9），且计算效率更高。
  • •
    邻域点数k_nn的影响（Section 4.2）：比较了k_nn=5, 15, 30的结果。k_nn=5时产状分组过于碎片化；k_nn=15在抑制曲率噪声和保证分组精度间取得最佳平衡，被选为默认值。
  • •
    二十面体细分次数N_sub的影响（Section 4.3）：比较了N_sub=3, 4, 5的结果。N_sub=3时基向量过少导致分组退化；N_sub=5虽精度略有提升但计算成本显著增加。因此，N_sub=4被选为最优值。
  • •
    过渡长度N_trans的影响（Section 4.4）：测试了N_trans=0, 3, 5, 8, 10, ∞六种情况。结果表明提取性能对N_trans不敏感，其中N_trans=5时F1分数最高。
  • •
    特征点预分组的影响（Section 4.5）：对比有无预分组机制的迹线提取结果。加入预分组后，精确率（precision）、召回率（recall）和F1分数分别提高了约36%、5%和15%，表明预分组有效抑制了错误连接，同时保持了有效迹线的恢复能力。
  • •
    与现有研究的对比（Section 4.6）：在Rockbench公开数据集上，将所提方法与Li等人[15]基于三角剖分的方法进行比较。所提方法在处理时间上减少了约8.5%，召回率提高了约39%，F1分数提高了约21%，而精确率相当。

4. 讨论与结论

讨论部分指出，虽然所提方法在抑制噪声和增强迹线提取鲁棒性方面具有优势，但仍存在局限性。迹线提取的准确性很大程度上取决于产状分组的结果。如果岩石不连续面的分布特征过于复杂，产状分组步骤可能会产生偏差，进而直接影响特征点识别和后续的迹线提取。未来研究将聚焦于引入更稳健的产状分组算法，以减少分组偏差对提取结果的影响。

研究结论（翻译自原文Section 5）：

(1) 提出了一种基于二十面体细分和密度峰值准则的自动化高效产状分组方法。通过离散化半球空间构建基向量，将法向量密度ρ′和相对距离δ′的评估复杂度降至O(N·N_sub)。聚类中心从决策图排序中非迭代获得，避免了随机初始化和迭代中心重估。通过加权快速轮廓指数在k=2至8范围内自动确定产状组数，消除了传统K-means工作流所需的主观组数设定，同时保留了大规模点云所需的效率。

(2) 构建了一种无需三角剖分的自动化迹线提取方法，通过利用无序点云克服了三角网格划分的繁琐步骤。基于产状分组结果识别特征点，并通过引入特征点预分组机制执行贪婪生长。然后，基于方向约束，应用迹线段合并算法连接碎片化迹线，从而实现完整迹线拓扑结构的恢复。与人工标注结果相比，迹线总数和平均迹线长度的相对误差分别为10.4%和12.5%。这些误差不影响BQ围岩分类。

(3) 讨论了关键参数和预分组机制对产状分组的影响，并比较了迹线提取性能。

(i) 综合参数分析确定了k_nn=15、N_sub=4和N_trans=5为首选配置。

(ii) 特征点预分组机制的引入将局部区域生长过程约束在同一产状组内，防止了生长方向偏差，减少了复杂场景中错误迹线的产生。经过特征点预分组后，精确率、召回率和F1分数分别提高了约36%、5%和15%。

(iii) 与基于三角剖分的方法相比，所提方法的召回率和F1分数分别提高了约39%和21%。精确率基本不变，相对差异小于2%。在当前计算环境下，所提完整工作流的运行时间比基于三角剖分的实现减少了约8.5%。