分享自:

基于2D图像AI识别掩膜的岩体不连续面提取与传统点云方法对比

期刊:Rock Mechanics and Rock EngineeringDOI:10.1007/s00603-026-06120-8

本文发表于期刊 *Rock Mechanics and Rock Engineering*,由吉林大学(Danyang Wu, Peihua Xu, Tengyue Li, Wen Zhang, Guanglu Xu)、伦敦大学学院(Long Chen)、莱斯特大学(Zhihua Liu, Huiyu Zhou)以及山东大学(Yanni Yang)的研究人员合作完成,为一项针对岩体不连续面智能识别方法的原创性研究。

岩体不连续面(discontinuity)是控制岩体物理力学性质与变形破坏行为的关键结构要素,其准确识别对于岩体质量分级、边坡稳定性评价和地质灾害防治具有重要意义。传统的不连续面识别多依赖罗盘、测尺等接触式量测手段,在高陡边坡等危险环境难以实施。近年来,基于无人机摄影测量与三维点云模型的非接触式识别方法得到发展,但主流算法(如DBSCAN、区域生长法和RANSAC)普遍存在计算效率低、依赖人工阈值调参等问题。深度学习技术的引入为不连续面自动识别提供了新思路,但现有研究大多局限于二维图像空间内的语义分割结果,未能将二维识别结果有效转化为三维几何参数,限制了其工程应用价值。针对这一关键瓶颈,本文提出了一种“先二维识别、后三维重建”的自动识别框架,其核心逻辑是将深度学习在二维图像上的高效识别能力与三维空间几何参数提取需求相结合,从而克服传统点云方法在处理大规模数据时的效率与自动化局限。

研究选取中国金沙江上游徐龙水电站左岸坝肩边坡作为验证对象。徐龙边坡高差200 m,坡度53°,坡向240°,岩性以花岗岩为主,节理裂隙发育,植被稀疏,露头条件良好。研究设置了两个研究窗口:窗口1覆盖约3000 m²,包含3.4×10⁷个点,点间距为0.007 m;窗口2覆盖约1250 m²,包含2.6×10⁷个点,点间距为0.008 m。根据产状特征,窗口内不连续面可初步划分为三组优势结构面。

在数据集构建阶段,研究团队利用大疆经纬M300 RTK无人机搭载禅思P1相机,在中国九个地区共22个边坡采集了2136张高分辨率岩体图像。经过图像筛选和环境噪声去除后,使用Labelme进行像素级标注,并由多名工程地质人员独立完成标注、高级地质专家进行复核与仲裁,以确保标注的客观性与一致性。为增强数据集多样性,研究采用了八倍几何增强策略,包括0°、90°、180°、270°旋转及对应水平翻转。增强后共获得6200张图像,包含363400个标注不连续面。数据集按0.70:0.15:0.15的比例随机划分为训练集(4344张)、验证集(928张)和测试集(928张),测试集仅用于最终性能评估。

模型训练阶段采用YOLOv8-seg实例分割模型。该模型通过C2f模块建立跨阶段稠密梯度连接,结合SPPF模块和FPN-PAN特征金字塔实现双向多尺度特征聚合,并引入YOLACT启发式的原型掩码生成机制,能够准确描述拓扑不规则的不连续面边界。训练采用复合损失函数,由Dice损失和BCE损失组成,以兼顾全局空间重叠与像素级边界精度。模型在四块NVIDIA A800 GPU工作站上训练500个epoch,初始学习率为1e−5,优化器为Adam。训练过程约14小时,在epoch 404达到峰值训练精度90.53%,测试集交并比(IoU)为73.81%。在五个未见图像上与PSPNet和UNet的对比实验中,YOLOv8取得了最高的平均召回率(0.75)、F1分数(0.80)和IoU(0.68),同时保持较高精度(0.86),显示出更优的识别完整性与边界分割能力。

三维不连续面提取是本研究的关键环节。作者设计了三步工作流:首先,将携带识别掩码的多视角图像导入ContextCapture软件进行三维重建。预测的红色掩码以半透明方式叠加在原始图像上,以确保SIFT等关键点描述子仍能检测到断裂迹线、表面粗糙度和高对比度地质纹理,从而不干扰运动恢复结构(SfM)和多视角立体(MVS)重建。其次,利用HSV颜色模型对重建点云进行颜色过滤,通过设定红色掩码的色相、饱和度和明度阈值(030,V>30),从背景岩体和植被中提取不连续面点云。最后,采用基于体素的三维连通分量算法分割单个不连续面。该方法先将点云域划分为等尺寸体素,体素尺寸由八叉树层级n自动确定,n的计算公式为n=⌈log₂(lmax/d)⌉,其中lmax为空间窗口包围盒最大尺寸,d为点云平均最近邻距离。随后将体素的空间邻接关系建模为图,通过连通分量分析识别独立点簇,并设定最小点数阈值(min. p=3000)去除噪声簇。该方法在整个处理流程中无需人工调参,体现了高度自动化的优势。

在参数计算阶段,研究针对每个不连续面点簇利用主成分分析(PCA)拟合平面,通过最小特征值对应的特征向量确定法向量n,进而计算倾向和倾角。迹长采用Riquelme等人提出的多边形最远两点距离方法。间距则计算为同一优势组内相邻不连续面沿其法向量方向的垂直距离。窗口1共识别出201条不连续面,划分为三组优势组,平均产状分别为131°∠72°、153°∠72°和335°∠38°;窗口2识别出154条不连续面,划分为四组优势组,平均产状分别为138°∠76°、205°∠79°、1°∠51°和192°∠38°。

通过与EPS软件人工标注结果的对比验证,窗口1和窗口2的识别准确率分别达到84%和89%。两组窗口的平均倾向误差分别为4.0°和3.8°,平均倾角误差分别为3.3°和5.3°。迹长和间距的统计结果与人工量测基本一致,唯窗口1第3组迹长出现显著偏差(自动法3.52 m,人工法6.05 m)。作者分析认为该偏差源于人工映射对小尺度不连续面( m)的遗漏效应,以及自动法对微裂隙和重构伪影的高敏感性。在施加2 m工程截断阈值后,该组平均迹长修正为5.67 m,与人工结果仅差0.38 m。所有优势组的平均间距误差均较小,平均差值约为0.12 m,进一步验证了方法的可靠性。

与区域生长(region growing)算法的对比实验在相同硬件环境下进行。结果显示,本文方法在两个窗口的处理时间分别减少了81%和77%,识别精度分别提高了17和30个百分点。区域生长算法对法向量阈值(nth)等预设参数高度敏感,较低阈值导致过分割,较高阈值导致欠分割,需反复人工试错才能获得较优结果。本文方法则完全不依赖人工参数调整,展现出更优的鲁棒性与自动化潜力。此外,在安山质凝灰岩、柱状玄武岩、板岩和砂岩等完全未参与训练的岩性图像上,模型仍表现出较强的跨岩性泛化能力,说明其捕捉的断裂边缘阴影对比和表面纹理变化等视觉线索具有跨岩性普适性。

本研究的主要结论如下:第一,构建了包含超过36万条标注不连续面的大规模数据集,为岩体不连续面智能识别提供了高质量数据基础;第二,YOLOv8模型在二维图像分割中取得90.53%的训练精度和73.81%的测试集IoU,分割边界与专家标注高度吻合;第三,提出的“二维识别—三维重建”策略消除了大型点云模型内的复杂迭代计算,并通过颜色过滤和三维连通分量算法实现自动化的单个不连续面提取;第四,与人工标注对比,两窗口识别精度不低于84%,倾向和倾角平均误差分别控制在4.4°和3.9°以内,间距和截断后迹长平均误差分别为0.12 m和0.2 m;第五,相较于区域生长方法,计算效率与识别精度均有显著提升。

本研究的科学价值在于提供了一种将二维深度学习识别结果与三维几何参数提取有效衔接的新范式,突破了现有纯图像方法无法获取空间参数的局限。其工程应用价值体现在高陡边坡、地下洞室等难以直接接触的岩体环境中,该方法可快速、客观、可重复地获取不连续面产状、迹长和间距等关键参数,为岩体质量分级(如RMR和Q系统)、地质强度指标(GSI)估算以及离散裂隙网络(DFN)建模提供定量输入。论文的亮点包括:数据集规模大且经过双层专家复核;模型架构在边界分割与跨岩性泛化方面表现出色;三维提取流程实现了端到端的自动化,无需迭代计算与人工调参;在真实高陡边坡场景中完成了与人工方法及传统点云方法的双重验证。

尽管方法整体性能优越,作者也指出四类主要误差来源:单张图像裁剪导致的大迹长不连续面识别中断(可通过多视角高重叠率影像补偿)、相邻不连续面因颜色与亮度均匀而发生的边界粘连、模型边缘影像覆盖不足导致的边缘建模偏差与散斑噪声、以及微裂隙簇对平均迹长的统计压低效应。针对这些问题,作者建议通过补充多角度摄影、优化标注策略和采用工程截断过滤等方式进行改进。未来研究可进一步扩展数据集的岩性与构造多样性,并发展自适应的识别框架和空间滤波协议。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com