基于点云的岩体不连续面识别与提取深度学习方法

《Measurement》：Deep learning method for completion and extraction of rock mass discontinuities based on point clouds

　　•几何不完整性会破坏岩体不连续面的特征描述。•基于几何信息的扩散模型可重建缺失的岩体表面特征。•考虑拓扑结构的FCM聚类方法能够更准确地识别不连续面集合。•集成化工作流程可提升定向精度，误差通常低于5°。

引言
岩体中的不连续面，如节理、裂隙和断层，是决定岩体力学行为及工程结构稳定性的重要地质构造[6]。它们的空间形态与几何方位直接影响到岩体边坡、隧道等工程结构的稳定性分析及风险评估的可靠性[7]、[16]、[21]、[32]、[34]、[37]。因此，准确且可靠地识别与描述岩体不连续面一直是工程地质学和岩体力学领域的核心研究课题[10]、[17]、[22]、[25]、[57]、[60]。

在复杂的工程环境中，传统的接触测量方法往往受到安全、效率及可及性方面的限制。随着地面激光扫描技术及摄影测量的发展，高密度、非接触式的3D点云已成为描述岩体表面的主要数据来源，从而实现了不连续面的自动检测[8]、[26]、[27]、[42]、[3]、[4]、[5]。基于点云数据，人们提出了多种岩体结构分析方法，包括基于区域生长、聚类以及机器学习的方法[2]、[5]、[46]、[48]、[49]、[58]、[61]、[18]、[19]、[20]。

然而在实际的工程地质工作中，几何不完整性并非偶然的数据缺陷，而是野外采集点云所固有的、难以避免的特性[28]、[59]。植被遮挡、有限的扫描视角以及复杂的地形常常会将连续的岩体不连续面分割成孤立的区域，从而导致不连续面的错误分组、定向估计偏差，最终影响工程决策的可靠性[11]、[14]。现有的不连续面提取方法通常假设表面信息近乎完整，而这一假设在真实的边坡和地下环境中很少成立[39]、[51]、[58]。因此，数据层面存在的误差会贯穿整个分析流程，无论后续的分割或聚类算法多么复杂。

点云补全方法大致可分为基于体素的方法和基于点的方法两类[15]、[62]。基于体素的方法将点云离散为固定大小的3D体素，通过学习空间依赖关系来预测缺失数据。例如，Sharma等人[38]提出了用于体积表示的卷积去噪自编码器VConv-DAE，这是一种能够从含噪声的输入中学习体素间映射关系的卷积自编码器；而Wang等人[47]则提出了基于体素的点云补全网络VE-PCN，该方法通过将无序点转换为网格，便于生成边缘并实现高精度的结构重建。尽管这类方法在处理大规模数据时效果较好，但往往存在内存占用过高、空间冗余以及几何细节丢失等问题[24]、[41]、[50]。为解决这些问题，Qi等人[33]提出了PointNet，该模型可直接处理无序点集，为基于点的点云处理方法奠定了基础[23]、[29]、[36]、[45]。Pan[31]则开发了基于图卷积的边缘感知ECG网络，该网络能够捕捉多尺度边缘特征并优化几何细节。Achlioptas等人[1]则提出了学习表示与生成模型L-GAN，通过生成对抗学习在潜在空间中完成点云补全。

近年来，诸如PoinTr、AdaPoinTr和GeoFormer之类的深度学习方法，通过自注意力机制强化全局结构建模，在处理一般物体时取得了显著成果[40]。PoinTr[53]将点云补全问题视为一种集合间的转换问题，并引入了几何感知模块以提升结构表示的质量。AdaPoinTr[54]则通过自适应查询与去噪目标进一步提升了补全的效率与精度。GeoFormer[52]则利用多视图一致的典型坐标映射以及多尺度几何感知上采样策略，在全局几何一致性及局部细节恢复方面表现出更优的性能。

不过，这些方法大多基于有监督的确定性生成框架，其核心损失函数（如倒角距离）严重依赖于完整且精确的真实数据，而这类数据在野外地质观测中根本无法获得[13]。因此，这些方法在合成数据集上表现优异，但在处理现实世界中不完整的岩体点云时却往往无法达到理想的补全效果[9]、[43]、[44]。更为关键的是，确定性模型往往只能生成平均化的完整形状，这种处理方式难以体现岩体的复杂几何特征——即大规模连续结构与局部突变边界共存的情况。面对严重的数据缺失和噪声干扰时，这类模型难以在全局连贯性与局部清晰度之间取得平衡，从而大大限制了其在工程应用中的实用性。

扩散模型为点云补全提供了一种具有前景的概率性替代方案，因为它无需完整的真实数据，只需通过迭代去噪过程即可学习数据分布，因此非常适合用于无监督或半监督场景[12]、[30]、[55]。不过，现有的基于扩散模型的方法主要是为一般物体设计的，并未充分考虑岩体的结构特性，尤其是对尖锐不连续界面的保留问题，这限制了它们在地质分析中的应用。

为解决这些局限性，本研究提出了一种基于几何信息的扩散模型，用于在真实的工程条件下对不完整的岩体点云进行结构重建（见图1）。该模型引入了几何感知注意力机制及多分辨率概率生成技术，以便在补全过程中同时保留大规模的结构连续性以及尖锐的不连续界面。在得到完整的结构表示后，进一步结合基于拓扑结构的模糊C均值聚类方法TA-FCM以及自适应密度基空间聚类算法adaptive DBSCAN，以实现可靠的不连续面集合识别及单个结构面的提取。该框架通过公共基准数据集以及具有挑战性的野外岩体边坡数据集进行了验证，证明了其在无真实数据情况下的准确性、稳健性及实际应用价值。

章节摘录
去噪扩散概率模型
受非平衡热力学中扩散过程的启发，将点云X0=xi0i=1N视为从某种底层分布中独立采样的粒子集合。如图2所示，这些粒子会经历一个扩散过程，逐渐从最初的分布状态转变为噪声分布。扩散模型的工作原理是通过逐步向数据中添加随机噪声，然后学习反向去噪过程，从而生成与真实数据相似的新数据。

数据准备与预处理
为全面验证所提出的GA-Diffusion模型及TA-FCM聚类方法的有效性与稳健性，本研究采用了两个具有不同地质背景和采集条件的数据集（见图6）。案例A来自Rockbench数据库中的一个公开岩体边坡点云，该数据是使用Optech ILRIS 3D扫描仪在美国科罗拉多州Ouray附近采集的。在过滤掉植被和噪声后，最终保留了686,374个点。这个被广泛使用的基准数据集包含了典型的……

点云补全模块的消融实验与参数敏感性分析
本节通过系统的消融实验及参数敏感性分析，阐明了点云补全模块提升结构精确度的机制，重点分析了GAAM多分辨率生成策略以及灵活性参数的作用。由于缺乏完整的真实数据作为直接比较依据，本研究采用了单向倒角距离UCD和单向Hausdorff距离UHD来进行客观评估[56]。

几何补全与不连续面提取的协同作用
传统的基于点云的结构分析方法往往直接对不完整的岩体表面进行聚类或分割，隐含地认为后续算法可以弥补缺失的几何信息。然而，在存在严重遮挡和碎片化的野外条件下，这种假设往往不成立。通过在不连续面提取之前先进行几何感知补全，所提出的工作流程能够恢复岩体结构的连续性，减少由……

结论
本研究针对在实际工程条件下采集的岩体点云中普遍存在的几何不完整性问题，提出了一种用于不连续面特征描述的集成化框架。通过基于基准数据集以及具有挑战性的天然岩体边坡案例的系统性验证，可得出以下结论：
(1)几何连续性是实现稳定不连续面特征描述的基本前提。当存在大规模的数据缺失时，直接……

致谢
Xinyi Zhang：撰写——初稿、可视化、验证、监督、方法设计、研究分析、形式化分析、数据整理、概念构建。Hui Chen：撰写——审阅与编辑、项目管理、资金申请、概念构建。Mostafa Sharifzadeh：撰写——审阅与编辑、验证、概念构建。Shuaixing Yan：验证、资源协调。Dongpo Wang：资源协调、项目管理、资金申请。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
作者感谢各位编辑和审稿人提出的宝贵意见，这些意见极大地提升了本文的质量。本研究部分得到了中国国家重点研发计划2024YFB2605500项目的支持，部分得到了四川省科教联合基金会2024NSFSC1952项目的支持，部分得到了四川省自然科学基金2025JDDQ0006项目的支持，还部分得到了……的支持。

Xinyi Zhang|Hui Chen|Mostafa Sharifzadeh|Shuaixing Yan|Dongpo Wang