基于RMLS（Real Estate Macro Information System）的全球盾构隧道节段位移检测技术，具有对不均匀变形的识别能力

《Tunnelling and Underground Space Technology》：RMLS-based global shield tunnel segment dislocation detection with non-uniform deformation awareness

　　摘要

针对现有轨道安装式移动激光扫描（RMLS）方法在检测盾构隧道段错位方面的局限性，这些方法通常仅依赖于局部点云或假设标准圆柱形截面，本文提出了一种全域错位检测方法，能够考虑非均匀变形。首先，该方法提取环形接头并将衬砌划分为多个盾构环。然后使用深度特征聚类模型定位每个盾构环内的径向接头。考虑到截面的椭圆化以及各段的独立变形，建立了一种分段椭圆弧比较模型来检测环形和径向错位。该方法创新性地突破了圆柱形假设，引入了非均匀变形建模框架，全面考虑了隧道截面的椭圆性和各段变形差异，实现了全域错位检测。基于广州地铁2号线和STSD数据集的RMLS点云进行的实验表明，该方法能够克服传统方法的局限性，在非均匀变形条件下实现高精度的全域错位检测。

1. 引言

作为主要的城市轨道交通方式，地铁的安全运行对人们生命财产的安全、国家财产以及城市的正常秩序至关重要。特别是随着中国城市空间的快速发展和地铁规模及数量的不断增加，地铁隧道的安全状态监测、检测和维护变得日益重要。盾构法结合段组装被广泛用于地铁隧道建设。大约经过10年的运营，由于使用寿命的增加、周围地质条件的恶化以及材料老化，大多数地铁隧道不可避免地会出现各种结构问题（Liu等人，2020年）。段错位指的是相邻段之间的偏差，是运营中的主要问题，通常由段与段之间的环境压力不均匀引起（Zhang等人，2024b）。当相邻段之间的压力差超过连接螺栓的承载能力时，会发生相对位移，导致盾构段的接头相对较弱，从而引发不同程度的损坏，甚至导致盾构隧道结构的整体收敛变形，甚至段体脱落和水泄漏（Yin等人，2023年），这严重影响了隧道结构的服务性能，并危及隧道的安全运行。此外，在隧道施工过程中，由于衬砌后方回填灌浆压力不均匀和组装质量不佳等因素，也可能发生段错位（Zhang等人，2024a）。因此，段错位反映了地铁隧道当前的状态，其对地铁的安全运行具有重要的实际意义。

轨道携带式移动激光扫描（RMLS）是一种新的非接触式测量技术，可以通过截面扫描快速捕获整个隧道的三维点云和激光反射强度信息（You和Wang，2025年）。它具有自动化、高精度和高密度的技术优势，为检测盾构隧道中的段错位提供了一种有效的新方法。然而，由于地铁盾构隧道结构复杂以及地下工程的隐蔽性，从庞大的点云中高效准确地获取整个隧道中段错位的空间信息仍然具有很大的挑战性。

现有的基于RMLS点云检测环形和径向错位的方法可以分为以下几类：1）基于曲线拟合比较的环形错位检测（Yu等人，2021年）。该方法首先提取环形接头两侧指定距离处的截面点云，并将其投影到接头位置的隧道法线平面上。然后，对于截面上的任意点P，在P附近的不同截面上进行曲线拟合以获得相应的曲线参数，并以中心到两条拟合曲线的径向距离差作为点P的错位值。专业软件Amberg用于隧道3D点云数据处理和分析就采用了这种方法，但它直接使用截面点进行局部曲线拟合，拟合精度容易受到噪声的影响（Song等人，2024年），从而限制了错位检测的精度。2）基于平面拟合比较的错位检测（Cui等人，2024年；Bao等人，2023年；Guo等人，2023年；Yu等人，2021年）。该方法对环形/径向接头两侧的局部点云进行平面拟合（例如一对螺栓孔之间的两个小区域），然后计算环形/径向接头处两个平面之间的距离作为段错位的值。尽管这种方法对局部变形敏感，但它仅使用段的局部数据进行错位计算，并用拟合平面表示段表面，这不可避免地导致表达误差。3）基于圆拟合比较的环形错位检测（Xie和Lu，2017年；Zhao和Wang，2020年；Yue等人，2021年；Wang，2022年；Lu等人，2022年；Du等人，2022年）。该方法首先提取段接头两侧指定距离处的截面点云，并对每个截面进行圆拟合。然后，将两条拟合曲线叠加，并计算曲线之间的纵向差值来量化环形错位。然而，该方法使用拟合圆来表示隧道截面，没有考虑隧道结构的非均匀变形，这限制了错位检测的精度和适用性。4）基于点间距的径向错位检测（Yue等人，2021年）。该方法使用径向接头两侧段边缘点之间的距离差来表示径向错位信息。然而，它仅使用段的边缘点来检测错位，精度容易受到噪声的影响。5）基于极半径差的径向错位检测（Cui等人，2019年；Xie等人，2023年）。该方法比较径向接头两侧点的极半径差来获得径向错位信息。然而，它仅使用段两侧的点来检测错位，检测精度也容易受到噪声的影响。6）基于拟合圆弧比较的径向错位检测（Du等人，2022年；Xu等人，2022年；Zhang等人，2024a）。该方法首先将径向接头两侧的段点云投影到正交的xoz平面上，生成对应的二维圆弧。然后对获得的圆弧进行圆拟合，并计算接头处拟合圆之间的距离作为环形内部错位。该方法将每个段视为标准圆柱的一部分，这一假设也忽略了隧道结构的非均匀变形，限制了方法的精度和通用性。

总之，现有的基于RMLS的方法主要受到对局部点云的依赖、简化的几何假设以及对噪声的敏感性的限制，这限制了它们在具有非均匀变形的真实盾构隧道中的适用性。为了克服这些局限性，本研究提出了一种全局非均匀变形感知的段错位检测框架。该方法结合了自适应强度和先验几何约束来准确提取环形接头，使用深度特征聚类进行稳健的径向接头定位，并引入了一种分段椭圆弧比较模型，全面考虑了截面椭圆性和段特定变形。与之前的基于圆或平面的方法相比，所提出的方法在抗噪声性、非均匀变形下的检测精度以及在复杂隧道环境中的适用性方面表现更优。基于广州地铁2号线和STSD数据的实验验证表明，该方法实现了高精度的全域错位检测，在精度和完整性上都优于传统技术。

本文的其余部分安排如下：第2节描述了实验RMLS数据，第3节详细介绍了研究方法，第4节提供了实验结果和讨论，第5节总结了结论并提出了未来工作的方向。

2. 实验数据描述

所提出方法的可行性和有效性是利用测量的RMLS数据来验证的。第一组数据来自广州地铁2号线，如图1(a)所示，该线路自2010年开始运营，已经运行了15年。隧道衬砌中存在不同程度的段错位。隧道内部环境复杂，包含多种辅助结构，如电缆、电气设备、燃气管道、维护平台和照明设施。广州地铁2号线的隧道衬砌采用交错接头的模式组装，每个盾构环由6个预制段组成：1个关键段、2个相邻段和3个标准段。隧道的外径为7.13米，内径为5.4米，环宽W为1.4米。

实验数据是使用由中国铁路设计集团有限公司开发的一种自移动智能激光扫描系统（SILSS）获得的。该系统集成了安装在扫描车辆上的高精度激光扫描仪，车辆沿轨道以2公里/小时的速度匀速移动。激光扫描仪进行360°连续旋转测量，垂直于车辆移动方向，截面扫描频率为100个剖面/秒。鉴于车辆速度为2公里/小时，相邻截面之间的纵向间距约为5.6毫米。每个截面包含大约10,160个点，截面内相邻点之间的平均点间距约为5.5毫米。实验数据选自K6+110到K6+212的里程区间，如图1所示。该区间包含72个盾构环，总长度约为102.4米，共计19,047个截面。原始点云数据包括以下信息：3D坐标（x，y（里程），激光反射强度和扫描线序列号等。3D坐标系定义如下：原点o位于扫描仪中心，y轴与移动方向对齐，z轴指向天顶，x轴垂直于yoz平面，所有轴遵循右手规则。

第二组数据来自STSD，这是一个用于地铁隧道点云语义分割的大规模多模态基准数据集。在本研究中，从STSD中选取了三个圆形隧道点云文件，即“round-1-24_2.las”到“round-1-24_4.las”，用于实验验证，如图1(b)所示。所选数据包含23,684,060个点，覆盖了一段长于30.8米的隧道，包括19个完整的盾构环。点间距约为7毫米。圆形盾构隧道的外径为6.2米，内径为5.5米，环宽为1.5米。原始点云数据包括3D坐标（x，y，z）、激光反射强度、语义标签和其他点属性。在原始坐标系中，x坐标大致表示纵向里程方向；然而，由于隧道实际对齐情况，隧道中心线并不严格平行于x轴。因此，所选的STSD数据为进一步评估所提出方法在具有复杂结构和辅助设施的圆形盾构隧道场景中的稳健性和泛化能力提供了一个代表性的公共数据集。

3. 方法论

所提出的基于RMLS的全局段错位检测方法包括三个步骤：1）基于自适应强度和先验距离信息的环形接头提取。2）基于深度特征聚类分析的径向接头提取。3）基于分段椭圆弧比较的段错位检测。详细的工作流程如图2所示。

3.1 基于自适应强度和先验距离信息的环形接头提取

如图3(a)中的局部隧道示例所示，段和环形接头之间的强度差异显著。图3(b)通过各个横截面上激光点的累积强度分布进一步量化了这种差异，主要的观察结果如下：1) 圆周接缝横截面的累积强度值显著低于分段横截面的累积强度值。2) 相邻圆周接缝之间的距离大约等于屏蔽环的宽度。基于这些特征，提出了一种结合自适应强度和预先距离约束信息的圆周接缝提取方法，具体实施过程如下：

#### 圆周接缝定位
通过整合全局强度和预先距离信息进行圆周接缝定位。对于给定的RMLS点云Pk，(1)????={?????(????,????,????,????,????),??=1,...,????,??=1,...,??}，具体步骤如下：
- 下载高分辨率图像（878KB） / 下载全尺寸图像
**图3. 圆周接缝提取过程。** (a) 隧道横截面侧视图；(b) 累积强度值分布；(c) 圆周接缝的初始位置；(d) 圆周接缝的边界；(e) 圆周接缝的提取区域；(f) 横截面侧视图中的提取区域；(g) 最终提取的圆周接缝。其中k是横截面的索引，K是横截面的数量，i是激光点的索引，pi是第i个激光点，(xi, yi, zi)是第i个激光点在笛卡尔坐标系中的坐标，Ii是第i个激光点的强度值，Si是第i个激光点的横截面编号，nk是第k个横截面的激光点数量。计算每个横截面上激光点的累积强度值mk，然后将这些强度值离散化为0–255的灰度范围，从而构建一个横截面特征集{m | m1, …, mk, …, mK}，如图3(b)中的红色实心点所示。接着，选择m中的最小值对应的横截面作为参考圆周接缝位置，如图3(c)中的绿色点所示。最后，基于预先设定的环间隔W，在每个候选位置两侧构建一个N/2个横截面的局部搜索窗口，其中N略大于圆周接缝占据的横截面数量。在窗口内选择累积强度最小的横截面作为最终圆周接缝位置。定位到的圆周接缝在图3(c)中用红色空心点表示，记为cj, j = 1, 2, …, J。

#### 基于自适应局部强度分析的圆周接缝提取
圆周接缝具有一定的宽度，因此需要确定每个圆周接缝的左右边界以实现精确的定位。如图3(c)所示，圆周接缝横截面的累积强度值显著低于相邻分段横截面的累积强度值。利用这一强度差异特性，设计了一种基于自适应局部强度分析的圆周接缝边界提取算法。首先，统计分析圆周接缝位置cj两侧横截面的强度，根据公式(2)计算平均值??????(??????)和标准差??????(??????)，并使用?????????·??????和?????????·??????作为判断指标。然后，识别出与分段强度统计特性偏离的横截面，在窗口内选择累积强度最小的横截面作为最终圆周接缝位置。

#### 基于深度特征聚类的径向接缝提取
与两侧平滑的分段相比，径向接缝具有线性突起结构。因此，设计了一种深度特征聚类分析模型来定位径向接缝。具体步骤如下：
1) **深度特征的定义与表示**：针对圆形盾构隧道在变形过程中观察到的非均匀变形特性和椭圆形横截面，本研究创新性地提出使用椭圆作为参考几何模型来表示隧道横截面的变形形式。在此基础上，定义深度特征（每个衬砌点相对于参考椭圆的径向偏差），以表征目标的突起特性。首先，采用RANSAC椭圆拟合算法为横截面点云建立最优椭圆模型（以第k个横截面为例，见图4(a)）。其参数包括椭圆中心Ok = (Xk, Yk, Zk)、半长轴ak、半短轴bk、旋转角θk以及两个焦点??1??=(???1??,???1??,???1??),??2??=(???2??,???2??,???2??)（见图4(b)）。需要注意的是，隧道内的管道、轨道平台等辅助结构与衬砌表面存在显著偏差，这些偏差在点云中表现为噪声，直接影响椭圆拟合的准确性。因此，在进行最优椭圆拟合之前需要先去除这些噪声点。本文采用Wang等人（2025年）提出的基于椭圆拟合的方案：对于上部不含或少含非衬砌点的每个横截面点，计算其到拟合椭圆的距离dik。
2) **局部深度最大点聚类**：如图5所示，这表示第k个横截面内激光点的深度信息扩展图，其中水平轴是激光点在横截面内的极角θ（θ可以通过公式(4)转换为笛卡尔坐标获得），垂直轴是横截面点的深度。
3) **径向接缝提取**：考虑到径向接缝的局部突起特性，提出了一种基于局部深度极值的径向接缝定位方案。首先应用局部极值检测算法从展开的深度场中提取极值点，得到径向接缝的定位点集。在此基础上，考虑到径向接缝沿隧道轴的连续性特征，对离散的极值点进行空间聚类分析（见图6中的算法工作流程），将空间相邻的极值点聚合成相同的径向接缝候选区域。此外，为了解决实际场景中由于遮挡导致的径向接缝断裂问题，提出了一种基于几何特征的聚类合并策略：对每个独立簇进行最小二乘线性拟合，获得表示其空间方向的斜率和截距参数；当两条线的斜率差Δk小于预设阈值εk且截距差Δb小于阈值εb时，判断它们属于同一径向接缝的分段，然后进行合并操作。最后，通过评估聚类结果在隧道轴线（Y方向）上的投影长度与屏蔽环宽度的匹配程度，实现径向接缝的准确识别（见图7）。

#### 缓冲区分析下的径向接缝提取
径向接缝具有局部突起特性，具有一定的宽度和占据一定的面积，因此设计了一种基于缓冲区分析的径向接缝提取方案。以识别出的径向接缝簇中心线为中心，以径向接缝的实际宽度为半径构建线性缓冲区（见图8左侧）。然后提取缓冲区内深度特征值大于零的点云，并将其标记为单独的径向接缝（见图8右侧）。

#### 基于分段椭圆弧比较的分段错位检测
传统的基于圆拟合比较的圆周错位检测方法可以获得整个隧道周长的错位信息，但其隐含的均匀结构变形假设与实际工程中常见的非均匀变形特性严重不符，从而限制了整体变形反演的准确性。而基于曲线和平面拟合比较的圆周错位检测方法在噪声鲁棒性和空间表示维度上存在固有缺陷，容易导致错位空间分布的扭曲。因此，构建了一个在非均匀变形条件下鲁棒的圆周错位解释模型，以提高局部错位检测的准确性和整体变形分析的能力。考虑到屏蔽环由多个预制段组成，且每个段在实际操作中表现出非均匀变形特性，本文突破了传统整体检测的局限性，提出了一种基于分段单元的分段比较策略。同时，针对实际项目中横截面的常见非均匀变形现象（尤其是椭圆形变形特征），创新性地提出了一种分段椭圆弧比较模型来检测环与环之间的错位。具体实施过程如下：
- **分段分离**：利用识别出的圆周和径向接缝，将隧道点云分割成独立段落（见图9(b)）。
- **片段数据提取**：基于识别的圆周接缝，在圆周接缝两侧指定距离处对称提取两段屏蔽环点云，并分别标记为片段数据aj和bj（见图9(b)）。
- **片段数据投影**：将片段数据正交投影到xoz平面坐标系中（见图9(d)）。
- **椭圆几何特征提取**：对投影的2D点集进行椭圆拟合，建立包含椭圆中心坐标、半长轴、半短轴、旋转角以及有效弧的起止角度的参数化椭圆方程。
- **圆周错位量化**：以0.05°为间隔计算成对椭圆弧之间的径向偏差，作为圆周错位的大小，并明确标识最大错位值及其对应的起止角度（见图9(f)）。通过比较成对的椭圆弧的方法可以有效地补偿由于缺失截面点而导致的不完整位错检测（如图9(d)和(e)所示）。下载：下载高分辨率图像（558KB）下载：下载全尺寸图像图9. 圆周位错检测过程。(a) 两个相邻的屏蔽环；(b) 部分分离结果；(c) 件数据a和b的提取；(d) 件数据a和b的投影；(e) 拟合后的椭圆弧；(f) 检测到的圆周位错。类似地，也可以建立基于椭圆弧比较的径向位错检测模型。具体实施过程（图10）如下：部分单元分割和投影。根据识别的径向接缝信息，将屏蔽环分割成独立的部分单元（图10(b)）。随后，每个部分的3D点云进行正交投影到xoz平面上，形成2D点集。椭圆拟合。使用RANSAC算法对投影的点云进行椭圆拟合，提取每个部分的椭圆弧参数。径向位错量化。计算每个径向接缝处相邻椭圆弧之间的法线距离作为径向位错。下载：下载高分辨率图像（202KB）下载：下载全尺寸图像图10. 径向位错检测过程。(a) 一个屏蔽环；(b) 部分分离结果；(c) 检测到的径向位错。4. 实验结果与讨论4.1. 关节提取的实验结果和准确性评估在3.1节中提出的基于自适应强度和先验距离信息的圆周关节提取方法，以及3.2节中基于深度特征聚类分析的径向关节提取方法，将这两种方法应用于RMLS点云数据进行实验验证。广州地铁2号线数据集和STSD数据集的相应结果分别显示在图11和图12中。下载：下载高分辨率图像（381KB）下载：下载全尺寸图像图11. 地铁2号线的圆周和径向关节提取。(a) 3D视图；(b) 2D视图。下载：下载高分辨率图像（518KB）下载：下载全尺寸图像图12. STSD的圆周和径向关节提取。(a) 3D视图；(b) 2D视图。广州地铁2号线数据集和STSD数据集的圆周和径向关节提取结果分别显示在图11和图12中。如图11所示，所提出的算法能够准确且连续地提取圆周和径向关节。圆周关节沿隧道轴线均匀分布，并且与部分边界对齐良好，而径向关节在每个屏蔽环内清晰可见。尽管存在电缆、管道和照明系统等复杂附属设施，但没有观察到明显的缺失或重复检测，这证明了所提出方法在复杂工程环境中的鲁棒性。对于STSD数据集（图12），由于隧道的纵向方向并不严格与单一坐标轴对齐，因此关节提取任务比地铁2号线数据集更具挑战性。在原始的STSD坐标系统中，x轴仅大致表示隧道的推进方向，而实际隧道中心线并不平行于x轴。这种非轴对齐的情况可能导致环间隔估计、圆周关节定位以及径向关节展开表示的偏差。尽管如此，所提出的方法仍然能够沿实际隧道延伸方向连续提取圆周关节，并在开发的视图中正确识别径向关节。这表明所提出的关节提取策略并不强烈依赖于理想的轴对齐坐标系统，可以适应隧道点云对齐的实际偏差。结合地铁2号线的结果，STSD的结果进一步证明了所提出方法的鲁棒性和泛化能力。为了定量评估所提出的关节提取方法的性能，采用了以下指标。详细结果见表1。表1. 地铁2号线和STSD数据集上圆周和径向关节提取的定量准确性评估。关节类型精确度召回率F1分数I型错误II型错误IoU地铁2号线圆周关节93.82%94.71%94.26%6.18%5.29%89.15%径向关节94.63%95.48%95.05%5.37%4.52%90.54%STSD圆周关节93.14%93.14%93.14%7.28%6.43%87.16%径向关节92.60%93.45%93.03%7.40%6.55%86.96%精确度、召回率和F1分数定义如下：(5)??????????????????=????????+?????(6)????????????=????????+?????(7)???1=2·????????????????????????·??????????????????????????????????+????????????????其中TP、FP和FN分别表示真阳性、假阳性和假阴性。I型错误（假阳性率）和II型错误（假阴性率）定义如下：(8)???????????????????????????=????????+?????(9)???????????????????????????=????????+?????交并比（IoU）定义如下：(10)??????=????????+?????+?????如表1所示，所提出的算法在地铁2号线和STSD数据集上都实现了高精度的关节提取。对于地铁2号线数据集，圆周和径向关节提取的F1分数分别为94.26%和95.05%，相应的IoU值分别为89.15%和90.54%，两种关节类型的平均值为94.66%和89.85%。这些结果表明提取的关节与手动标注的结果高度一致。径向关节提取在地铁2号线上的表现略优于圆周关节提取，这可能是因为径向关节在深度特征空间中的局部凸起特征更为明显。对于STSD数据集，尽管精度略低于地铁2号线数据集，但圆周和径向关节的F1分数仍分别达到了93.14%和93.03%，IoU值分别为87.16%和86.96%。STSD数据集上两种关节类型的平均F1分数和IoU分别为93.09%和87.06%。综合考虑两个数据集的关节提取结果，总体平均F1分数和IoU分别为93.87%和88.45%。这表明所提出的关节提取算法在不同的数据源和坐标条件下都能保持稳定的提取性能。此外，I型和II型错误都保持在相对较低的水平，表明该算法有效控制了错误检测和遗漏检测。4.2. 位错检测的实验结果和准确性评估基于提取的圆周和径向关节，应用第3.3节中提出的分段椭圆弧比较模型来检测部分位错。本节展示了圆周和径向位错检测的实验结果，并进行了定量准确性评估，以进一步验证所提出的位错检测算法的可靠性。如图13和图14所示，所提出的方法可以清晰地描绘出地铁2号线数据集和STSD数据集中圆周位错的空间分布。在3D可视化图中，检测到的位错点主要分布在相邻屏蔽环之间的圆周关节上，表明提取的关节为后续的位错量化提供了可靠的几何约束。在2D展开视图中，位错分布可以更直观地沿隧道的纵向和圆周方向观察。高值区域并没有在整个周长上均匀分布，而是显示出明显的局部和分段聚集特征。这种现象表明部分位错与局部部分变形和关节约束密切相关，而不仅仅是两个理想圆形屏蔽环之间的简单全局偏移。下载：下载高分辨率图像（693KB）下载：下载全尺寸图像图13. 地铁2号线检测到的圆周位错的可视化。(a) 3D视图；(b) 2D视图。下载：下载高分辨率图像（563KB）下载：下载全尺寸图像图14. STSD检测到的圆周位错的可视化。(a) 3D视图；(b) 2D视图。对于地铁2号线数据集，代表性屏蔽环对 quantified 的圆周位错结果列在表2中。所选环对的最大圆周位错值范围从0.00834米到0.02252米。其中，最大的位错出现在屏蔽环3和4之间，角度位置为162.05°处，最大位错为0.02252米。结果表明，所提出的方法不仅可以提供最大位错幅度，还可以确定其角度位置和角度范围。这对于实际隧道检查非常重要，因为它可以直接识别出圆周方向上可能不利的区域。此外，检测到的位错区间通常限制在某些角度范围内，进一步证明了屏蔽隧道部分位错的局部和非均匀特性。表2. 地铁2号线上quantified的圆周位错量。屏蔽环的索引最大位错量（米）最大位错的角度位置（度）位错的起始角度（度）位错的结束角度（度）1–20.01231100.9598.85100.152–30.0122204.15168.35204.853–40.02252162.05140.35162.154–50.0115191.7590.2591.855–60.0083487.1580.2587.25STSD数据集进一步用于评估所提出方法的准确性和泛化能力。如图14(b)所示，表3中的索引对应于2D展开视图中的二十个粉红色标记的位置，这些位置被选为quantified比较的代表性圆周位错样本。与最小二乘拟合法和基于RANSAC的拟合法相比，所提出的方法通常获得的结果更接近真实值。基于这二十个比较样本，所提出方法的平均绝对误差为0.00082米，低于LSF的0.00121米和RANSAC的0.00144米。相应的RMSE也降低到0.00232米，而LSF为0.00282米，RANSAC为0.00270米。此外，所提出方法获得的20个样本中有18个的绝对误差在1毫米以内，表明分段椭圆弧比较策略能够在非均匀变形条件下有效提高位错估计的稳定性。表3. 不同方法和真实值之间STSD上圆周位错检测结果的比较。索引真实值（米）LSF（米）RANSAC（米）我们方法（米）索引真实值（米）LSF（米）RANSAC（米）我们方法（米）10.00550.00690.00390.0053110.00150.00170.00130.001620.00390.00290.00560.0039120.00360.00290.00490.003630.00170.00090.00240.0017130.0040.00460.00340.003940.00330.00350.0030.0033140.00640.0080.00480.005650.00260.00280.00240.0026150.00590.00530.00650.005960.00670.00670.00580.0061160.01040.01230.00850.00770.03520.03570.03360.0255170.00140.00150.00120.001380.00520.00470.00560.0053180.01350.00140.001290.013590.00330.00230.00470.0033190.00430.00450.0040.0046100.0010.00080.01210.0018200.01660.0170.01510.0168为了进一步解释检测到的位错值的工程意义，引入了《运营期间盾构隧道结构安全评估和病害处理技术规范》（DB 31/T 310019–2024）中规定的分级标准（江苏省交通运输厅，2024年）。根据该规范，部分位错状态根据测量得到的位错体积与穿螺栓孔预留间隙之间的关系进行分类。相应的分级标准总结在表4中。表4. 部分位错的分级表。空白单元等级1等级2等级3判定标准位错体积 ≤ D-dD-d＜位错体积 ≤ D-3/4dD-3/4d＜位错体积 ≤ D-3/5d其中D是穿螺栓孔直径，d是穿螺栓外径。根据表4，等级1的阈值由D - d确定。对于本研究中使用的两个数据集，穿螺栓孔直径D和穿螺栓外径d分别为0.076米和0.040米，以及0.060米和0.023米。因此，相应的等级1阈值分别为0.036米和0.037米。地铁2号线数据集中检测到的最大圆周位错低于此阈值，所有STSD比较样本也低于等级1的限值。这表明测试的隧道部分总体上处于轻微位错状态，没有观察到严重的部分位错。然而，局部集中的高值区域仍应被视为后续检查和长期变形监测的关键区域。在评估了相邻屏蔽环之间的圆周位错后，进一步应用基于分段椭圆弧比较模型的径向位错检测方案来分析每个屏蔽环内的内部位错。与圆周位错不同，径向位错主要反映了同一屏蔽环内径向关节两侧相邻部分之间的相对偏移。因此，径向位错为评估盾构隧道部分的局部组装和变形状态提供了补充信息。地铁2号线数据集和STSD数据集上的径向位错检测可视化结果分别显示在图15和图16中。下载：下载高分辨率图像（405KB）下载：下载全尺寸图像图15. 地铁2号线检测到的径向位错。(a) 3D视图；(b) 2D视图。下载：下载高分辨率图像（462KB）下载：下载全尺寸图像图16. STSD检测到的径向位错。(a) 3D视图；(b) 2D视图。如图15和图16所示，检测到的径向位错位于每个屏蔽环内的径向接缝处。在所提出的表示方法中，每个径向接缝对应一个quantified的径向位错值，该值描述了接缝两侧两个相邻部分单元之间的相对偏移。为了便于可视化，这个单一的位错值被分配到相应的径向接缝的点云中，以便其空间位置可以在3D和2D展开视图中直观显示。3D视图显示了隧道衬砌表面上检测到的径向接头的实际位置，而2D展开视图使得它们的纵向和周向位置更加清晰可见。结果表明，径向位移在所有径向接头中并不是均匀分布的，而是在屏蔽环和段落接头之间存在局部差异。这进一步证明了在非均匀变形条件下进行分段建模的必要性。对于2号线数据集，前五个屏蔽环的代表性径向位移结果列在表5中。检测到的径向位移值介于0.00159米到0.01911米之间，最大值出现在第三个屏蔽环。大多数检测到的径向位移都在毫米级别，表明在测试的隧道段中相邻段落之间的相对位移通常较小。具体来说，大多数值集中在0.001–0.010米的范围内，而一些相对较大的值，如第一个屏蔽环的0.01434米、第二个屏蔽环的0.01382米、第三个屏蔽环的0.01911米和第五个屏蔽环的0.01339米，表明存在需要进一步关注的局部段落变形。需要注意的是，表5中的N/A条目并不表示检测失败或异常值，而是表示相应的屏蔽环在指定位置没有径向接头；因此，该位置没有径向位移值。

STSD数据集还被用来评估所提出的径向位移检测方法的准确性和泛化能力。如表6所示，与最小二乘拟合方法和基于RANSAC的拟合方法相比，所提出的方法通常能获得更接近真实值的结果。基于18个比较样本，所提出方法的平均绝对误差为0.00064米，低于LSF（0.00074米）和RANSAC（0.00158米）。此外，所提出方法得到的18个样本中有17个的绝对误差在1米以内，这证明了所提出的分段椭圆弧比较策略在径向位移估计中的稳定性。尽管由于第14个索引处的较大偏差，所提出方法的RMSE略高于LSF，但它仍然显著低于RANSAC。这表明所提出的方法在不同隧道数据条件下的径向位移检测具有良好的整体准确性和鲁棒性。

根据表4中的分级标准，两个数据集中检测到的径向位移值都低于相应的1级阈值。对于2号线数据集，表5中的最大径向位移值为0.01911米，低于1级阈值0.036米。对于STSD数据集，表6中的所有比较样本也都低于1级阈值0.037米。这表明，从采用的分层位移分级标准来看，测试的隧道段中没有观察到严重的径向位移。尽管如此，局部集中的高值区域仍应被视为后续检查和长期变形监测的关键位置。

为了进一步评估参数是否依赖于数据集，对2号线和STSD数据集进行了N的敏感性分析。这里，N = α·nj，其中nj是周向接头物理宽度占据的剖面数量，α是一个无量纲的扩展系数。因此，α代表了局部搜索和统计范围相对于实际接头宽度的相对扩大，使得参数减少了对特定数据集的绝对点间距或环宽度的依赖。如图17(a)所示，两个数据集的IoU曲线显示出相似的趋势，并且在α介于1–2之间时保持稳定，表明参数在不同数据集间的适用性良好。当α < 1时，IoU略有下降，因为局部搜索窗口可能太窄，无法纠正图3(c)中的初始接头位置，而方程(2)中使用的剖面数量减少可能会扭曲局部强度阈值，导致边界提取不准确。当α > 2时，搜索和统计范围可能包括不相关的段落表面点或局部强度波动，减弱了接头和相邻段落表面之间的对比度。因此，α = 1–2提供了位置容忍度和统计可靠性之间的合理平衡。此外，α不能设置为0，因为N = 0将消除局部搜索窗口，使得方程(2)中的自适应统计无效。

第二个参数是t，表示RANSAC椭圆拟合后的内点比阈值。从屏蔽隧道的结构角度来看，衬砌表面形成连续的圆形或略微椭圆形的轮廓，而辅助设施、接头、遮挡物和局部凸起只占据有限区域。因此，拟合的椭圆应该主要受到主导连续衬砌点的约束，而不是所有扫描点的约束。如图17(b)所示，当t从0.1增加到0.3时，每个屏蔽环中保留的点数量明显增加，表明过小的t可能无法保留足够的有效衬砌点来表示主要隧道轮廓。当t ≥ 0.3时，对于2号线和STSD数据集，保留的点数量几乎保持稳定，表明主导的衬砌结构已经提供了足够的几何约束用于椭圆拟合。尽管由于点密度和隧道几何形状的不同，两个数据集之间的绝对保留点数量有所不同，但两条曲线显示出相似的趋势，表明t的选择并不强烈依赖于数据集。在本研究中，采用了t = 0.5，因为它位于稳定范围内，并且可以确保保留足够的衬砌点进行稳健的椭圆拟合，同时不会不必要地增加局部噪声或非衬砌结构的影响。

第三个参数是Td，用于在深度特征提取过程中移除非衬砌点的同时保留径向接头凸起。与α和t不同，Td与径向接头的实际结构深度密切相关。如图17(c)所示，对于2号线，最佳Td值约为0.15米；对于STSD隧道，最佳Td值约为0.09米，这与两个隧道的先前径向接头深度一致。如果Td太小，可能会移除有效的径向接头凸起点，导致深度特征不完整；如果Td太大，则可能会保留非衬砌结构和局部噪声，干扰深度极值提取和接头聚类。因此，Td应根据每个数据集中径向接头的先前结构深度来确定，最佳值之间的差异反映了不同隧道结构中接头几何形状的变化。

第四个参数是用于径向接头提取的缓冲宽度r，定义为r = β·wr，其中wr表示径向接头的先前宽度，β是一个无量纲的缩放系数。因此，β代表了提取缓冲区相对于实际径向接头宽度的相对扩大。如图17(d)所示，当β = 1时，2号线和STSD数据集的径向接头IoU达到最大值，表明先前径向接头宽度为缓冲区构建提供了适当的结构约束。当β < 1时，缓冲区比实际接头区域窄，因此可能会遗漏部分径向接头点，尤其是在提取的中心线略微偏离真实接头中心时。当β > 1时，缓冲区逐渐包含更多的相邻段落表面点和局部噪声，降低提取精度。因此，将r设置为与先前径向接头宽度相等可以在提取完整性和准确性之间提供最佳平衡。

总的来说，对两个数据集的敏感性分析表明，当参数根据屏蔽隧道接头的结构特性进行选择时，所提出的方法可以实现稳定的性能。

为了弥补现有RMLS段落位移检测方法的局限性，这些方法由于依赖于局部点云而难以描述全面的位移，并通过简化圆柱模型忽略了实际的非均匀变形，因此提出了一种考虑非均匀变形的全域位移检测框架。该方法通过以下方式实现了积分段位移检测：1）通过自适应强度和先验距离融合精确提取周向接头；2）通过深度特征聚类定位径向接头；3）创新地建立了一个分段椭圆弧比较模型，该模型考虑了隧道横截面的椭圆化和单个段落的变形差异。在广州地铁2号线和STSD RMLS数据上的验证表明，该方法克服了传统方法对变形段落几何形状的过度简化，实现了在非均匀变形下的全域位移检测。这为屏蔽隧道的结构健康监测提供了更可靠的解决方案。目前，该方法仅限于圆形隧道段落，不能直接应用于其他隧道几何形状（例如矩形或双O形隧道）。未来的工作应集中在扩展该方法，以适应不同的隧道形状，同时保持其在不同变形模式下的鲁棒性。

作者贡献声明：
Ze You：撰写——原始草稿、可视化、软件、方法论、调查
Liying Wang：撰写——审稿与编辑、验证、监督、资金获取、正式分析、概念化
Zhiwei Qin：验证、监督、项目管理
Chunxi Xie：验证、监督、数据整理