本文是由东北大学（Northeastern University）资源与土木工程学院的张梓瑞（Zirui Zhang）、郭家腾（Jiateng Guo）、杨天鸿（Tianhong Yang）、朱万成（Wancheng Zhu）和张娟丽（Juanli Zhang）共同完成的一项原创性研究。该研究于2025年7月3日在线发表在岩石力学与岩石工程领域的专业期刊《rock mechanics and rock engineering》上，文章标题为《基于DASP和3D-SPVC的三维点云中岩体不连续面的自动识别与岩体质量评价》。

该项研究旨在解决岩石力学与工程领域中的一个关键且具有挑战性的问题：如何全自动、高精度地识别岩体中的结构面（或称不连续面，discontinuities），并基于此评估岩体质量。岩体结构面的产状（包括倾向和倾角）、间距以及体积节理数等特征是评价岩体质量、分析边坡稳定性、设计支护方案的核心参数。传统方法（如使用罗盘、测斜仪）不仅耗时费力，且存在安全风险。近年来，无人机、三维激光扫描等非接触测量技术虽已能快速获取岩体表面的高精度点云数据，但在后续数据处理中，自动化识别结构面集（discontinuity sets）仍面临瓶颈。现有的主流算法（如K-means聚类、模糊C均值聚类等）通常需要人为预先指定结构面集的数量（K值），这一步骤严重依赖专家的经验和主观判断，引入了人为误差和不一致性，制约了方法的自动化水平和可重复性。因此，开发一种能够自动确定结构面集数量、进而实现全自动识别的算法具有重要的理论意义和工程应用价值。

为攻克上述难题，本研究提出了一种创新的、完整的技术流程，其核心包含两个新算法：立体投影密度分析法（Density Analysis of Stereographic Projection, DASP）和三维点云超体素聚类法（Supervoxel Clustering of Three-Dimensional Point Clouds, 3D-SPVC）。整体工作流程主要包括四个步骤：数据获取与预处理、局部产状计算与结构面集数量自动确定、结构面自动识别与聚类、以及岩体质量评价。

首先，研究团队使用无人机搭载相机对目标岩体（本研究以矿山岩石边坡为例）进行航拍，利用ContextCapture软件处理影像，生成带有精确空间坐标的三维点云数据。随后，采用统计滤波方法去除点云中的离群噪声点，为后续分析提供干净的数据基础。

第二步是计算局部产状并自动确定结构面集的数量和主产状。由于原始点云数据量庞大，直接处理效率低下。研究采用八叉树空间索引对点云进行体素化分割，仅保留包含点数据的体素，每个体素包含25-100个点，可以近似视为一个小平面。对于每个体素内的点集，通过计算其协方差矩阵并进行主成分分析，求得其拟合平面的法向量，进而换算出该体素所代表的不连续面的局部倾向（dip direction）和倾角（dip angle）。获得所有体素的产状后，如何自动确定岩体中共有多少组优势结构面？这正是DASP方法要解决的问题。该方法的核心思想是分析所有体素产状在赤平投影图上的密度分布。首先，将所有体素的产状转换为赤平投影图上的极点坐标。然后，计算投影图上各点的极点密度。接着，将密度图划分为十个梯度，并对每个密度范围内的极点分别进行密度聚类分析，得到每个密度层级下可能的结构面集数量，并记录下各聚类簇中密度峰值点所对应的倾向和倾角作为预选值。由于赤平投影的对称性，某些产状（如倾向相差约180度、倾角相近）实际上属于同一组结构面。DASP算法最后一步就是对所有预选的产状进行归并处理，将实际代表同一组面的产状合并，从而最终自动输出精确的结构面集数量（K值）以及各组结构面的主要倾向和倾角。这一步完全取代了传统方法中需要人工判读赤平投影图来确定K值的过程，是迈向全自动化的关键突破。

第三步是利用3D-SPVC算法对结构面进行自动分类和识别。基于DASP确定的K值及各组主产状，算法首先计算原始点云中每个点的法向量（采用基于半径的邻域搜索和主成分分析，并利用并行计算提升效率）。接着，进行法向量一致性分析：计算每个点的法向量与DASP给出的每一组结构面主产状方向之间的夹角。将夹角小于设定阈值的所有点，归为对应那组结构面的“潜在不连续点集”。对于每一组潜在点集，传统方法可能直接进行区域生长聚类，但边界信息容易丢失。本研究提出的3D-SPVC算法直接在原始点云上操作，能更好地保留结构面边界形态。其原理类似于作用于点云的“区域生长”：从种子点开始，在其邻域半径内搜索，吸收满足条件的点加入当前分类簇，然后以新加入的点为种子点迭代进行，直至遍历完该组所有潜在点，从而获得一个完整的不连续面簇。对每一组潜在点集重复此过程，即可快速得到所有结构面簇的分类结果。

第四步是基于识别出的结构面进行岩体质量评价。研究计算了三个关键指标： 1. 结构面间距：计算各组结构面簇之间的法向欧氏距离的平均值，作为该组结构面的平均间距。文中区分了完全贯通间距和非完全贯通间距的计算方式。 2. 体积节理数：根据Palmström提出的方法，利用各组结构面的平均间距进行计算，即J_v = Σ(1/h_i)，代表了单位体积岩体内的结构面数量。 3. 岩体结构等级：根据计算得到的体积节理数J_v，参照Sonmez和Ulusay建立的对应关系表，将岩体结构定性划分为“块状”、“非常块状”、“块状/扰动”或“解体”等类别，并给出对应的结构评分。

为验证所提方法的正确性、可靠性和实用性，研究团队设计了三个递进式的案例研究。 第一个是合成数据集验证。研究者创建了五个不同特性的合成点云数据集，包括等间距、随机间距、含噪声、组合面以及规则十二面体点云。由于这些合成数据集的“真实”结构面产状和间距是已知的，因此可以精确计算算法结果的误差。实验结果表明，在所有合成数据集上，本方法计算出的产状和间距精度均超过了99.27%，充分证明了方法算法的正确性。 第二个是经典案例对比分析。研究选取了国际岩石力学界广泛使用的、位于美国科罗拉多州Ouray的一处岩石切坡点云数据作为基准。该数据由多位学者使用不同方法分析过，结果可供比较。研究将本文方法识别出的五组主要结构面，与Riquelme等人（2014）、Kong等人（2020）、Sun等人（2021）的方法结果以及传统手工测量结果进行了详细对比。对比数据显示，本文方法得到的产状与手工测量结果之间的偏差，与其他先进方法的结果偏差水平相当，甚至在某些方面更优，从而证实了本方法在实际复杂岩体上的可靠性。 第三个是真实矿山边坡应用。研究团队在中国云南大红山铁矿采集了真实的矿山边坡数据。应用本文提出的全流程方法，自动识别出三组结构面（产状分别为281.1°/82.0°、114.0°/80.2°、359.0°/81.6°），计算出体积节理数J_v为3.7914，评价岩体结构为“非常块状”。为进行验证，研究者一方面使用CloudCompare软件进行半自动识别，另一方面在生成的三维模型上进行人工选点测量。将三种方法的结果对比后发现，本方法结果与人工测量结果在倾向和倾角上的平均误差仅为1.5°和0.9°，显示了其在实际工程应用中的高精度和稳健性。此外，研究还将本方法与商业软件Discontinuity Set Extractor的处理效率进行了对比，结果显示本方法在总耗时上显著更短，体现了其高效性。

本研究的主要结论是，提出并验证了一种基于DASP和3D-SPVC的岩体不连续面全自动识别与质量评价方法。该方法的核心贡献在于：通过DASP算法实现了结构面集数量的自动确定，完全摆脱了对人工干预的依赖；结合3D-SPVC算法实现了高效、准确的结构面聚类识别；并最终可自动计算岩体质量评价的关键指标。经过合成数据、经典案例和真实矿山边坡的三重验证，证明了该方法具有高精度、高可靠性和高实用性的特点。这项创新技术为岩石工程领域，特别是矿山边坡的日常巡检、稳定性评估、维护扩帮与灾害预警，提供了强有力的自动化数据支持工具。

本研究的亮点在于：第一，提出了全新的DASP方法，用于自动计算岩体不连续面集的数量，解决了现有聚类算法需要预设K值的核心瓶颈。第二，采用了改进的3D-SPVC算法进行不连续面的自动分类与识别，该算法直接作用于点云，能更好地保留结构面边界特征。第三，实现了从点云到岩体质量评价（包括间距、体积节理数和结构等级）的完整、自动化工作流程。第四，成功地将该方法应用于复杂的真实矿山岩石边坡，证明了其有效性和自适应性。

此外，研究在讨论部分还深入分析了影响方法性能的几个关键参数，如八叉树分割深度、邻域半径、采样尺寸、密度范围和梯度数量等，为后续研究和应用提供了重要的参数选择指导。研究也坦承了当前方法的局限性，例如对于人工开挖导致原始结构面特征不明显的掌子面，可能需要辅以半自动方法，并指出自动确定结构面粗糙度、风化程度和充填物性质等参数将是未来的研究方向。总体而言，这项研究是岩体结构信息化、智能化识别与评价方向上的一个重要进展。