基于无人机激光扫描的复杂岩体结构面多级分类识别方法研究

作者及机构
该研究由合肥工业大学资源与环境工程学院的Lei Ma、Chen Zuo、Haichun Ma、Man Yang、Jiazhong Qian团队，太平洋西北国家实验室（Pacific Northwest National Laboratory）的Han Qiu，以及合肥空间地面网络研究所的Chunyin Zhou合作完成，发表于2024年8月的《Rock Mechanics and Rock Engineering》期刊（Volume 57, Pages 10611–10630）。

学术背景

科学领域
研究属于工程地质与岩体力学交叉领域，聚焦岩体结构面（discontinuities）的数字化识别技术。

研究动机
自然环境中，露天边坡的复杂岩体露头（如植被覆盖、碎屑堆积）给结构面测量带来挑战。传统接触式测量存在安全隐患和效率问题，而现有遥感方法（如地面激光扫描TLS）在复杂地形中灵活性不足，且算法对多地理要素（如土壤、植被）干扰的鲁棒性较差。

研究目标
提出一种多级分类策略（Multilevel Classification Strategy, MLCS），通过无人机激光扫描（UAV-MLS）获取点云数据，结合机器学习与改进算法，实现复杂环境下结构面的高精度自动化识别。

研究方法与流程

研究分为五个核心步骤，结合了随机森林（Random Forest, RF）、改进核密度估计（Improved Kernel Density Estimation, IKDE）和基于密度的聚类（DBSCAN）算法：

1. 数据采集与预处理

• 对象：安徽合肥浮槎山采石场边坡（38 m × 20 m）及美国科罗拉多州Ouray公路切坡（案例1）。
  
• 设备：大疆Matrice 300 RTK无人机搭载Zenmuse L1激光雷达（精度3 cm@100 m），生成RGB点云（平均密度3541点/m²）。
  
• 处理：去除传感器噪声（如大气颗粒干扰），保留空间坐标（x, y, z）和颜色信息（r, g, b）。
  

2. 点云特征提取

• 几何特征：通过k近邻（KNN）和主成分分析（PCA）计算曲率（Curvature, C）、平面度（Planarity, P）、球形度（Sphericity, S）和垂直度（Verticality, V）。
  
• 局部描述符：采用半径表面描述符（Radius-based Surface Descriptor, RSD）表征表面变化（rsdmax, rsdmin）。
  
• 颜色特征：色度（Chroma, r’, g’, b’）用于区分植被。
  

3. 结构面点云分类（Level 1）

• 方法：基于贝叶斯优化的随机森林模型（超参数：树数量327，最大分裂数47,195，特征子集数5）。
  
• 样本：40万点（结构面、植被、土壤、破碎区各10万点），训练集与测试集比例8:2。
  
• 性能：测试集准确率87.4%，结构面分类精确率（Precision）96.4%，召回率（Recall）96.3%。
  

4. 主导方向分割（Level 2）

• IKDE算法：
  
  1. 将法向量投影至赤平投影图，计算核密度估计；
     
  2. 检测局部密度峰值，通过密度阈值（ρth=均值）和相似性阈值（δth=30°）过滤伪峰值；
     
  3. 将点分配至相似性最高的主导方向类别。
     
• 案例验证：与半自动软件DSE对比，最大倾向偏差2.7°，倾角偏差2.1°。
  

5. 单结构面精细化分割（Level 3）

• DBSCAN聚类：参数minPts=4，eps=第4近邻距离均值+1.2倍标准差，剔除小簇（点数<200）。
  
• 产状计算：通过PCA拟合平面法向量，转换为倾向（Dip Direction）和倾角（Dip Angle）。
  

主要结果

1. Level 1分类：从356万点云中提取58.6万结构面点，有效区分植被（精确率90.8%）和破碎区（80.7%）。
   
2. Level 2分割：浮槎山案例自动识别4组主导方向，与人工DSE结果一致（最大倾向偏差8.36°，倾角偏差5.11°）。
   
3. Level 3分割：生成221个独立结构面，均方根误差（RMSE）倾向4.02°、倾角2.34°，优于DSE方法（RMSE 5.37°）。
   

结论与价值

科学价值
1. 方法创新：首次将机器学习预处理与密度峰值聚类结合，解决了复杂环境中结构面识别的鲁棒性问题。
2. 算法优化：IKDE通过双阈值过滤伪峰值，避免了传统CVI和CFSFDP算法的计算瓶颈。

应用价值
1. 工程实践：MLCS框架可灵活适配不同算法，适用于高陡边坡、植被覆盖区等传统手段难以测量的场景。
2. 数据兼容性：支持RGB点云输入，为多源数据融合（如摄影测量）提供基础。

研究亮点

1. 多级分类策略（MLCS）：首次提出“点云分类→主导方向分割→单面细化”的三级流程，兼顾效率与精度。
   
2. 自动化IKDE：基于密度峰值与相似性双约束，实现主导方向的自适应判定。
   
3. 特征选择优化：通过冗余分析（如Weinmann et al., 2013）筛选平面结构相关特征，提升模型可解释性。
   

局限性与展望

1. 线性结构面识别：当前方法难以捕捉露头缺失的线状结构面，未来需结合图像纹理分析。
   
2. 泛化能力：模型需针对不同地质环境重新训练，后续可探索迁移学习。
   
3. 参数扩展：需补充间距、延续性等ISRM（1978）建议参数的计算方法。
   

（全文约1800字）