GOVANS:一种从三维点云自动提取岩体不连续面产状的鲁棒框架
《Engineering Geology》:GOVANS: A robust framework for automatic extraction of rock mass discontinuity orientations from 3D point clouds
【字体:
大
中
小
】
时间:2026年09月30日
来源:Engineering Geology 10.3
编辑推荐:
• RANSAC–PCA 减少了断层法向量估计中的混合邻域偏差。• 轴向余弦聚类考虑了对非法向量的 180° 等价性。• GWO 改善了聚类初始化和早期收敛。• 19 个激光雷达表面的平均倾向/倾角偏差分别为 3.01°/2.12°。• 在案例 A 基准测试中,GOVANS
• RANSAC–PCA 减少了断层法向量估计中的混合邻域偏差。• 轴向余弦聚类考虑了对非法向量的 180° 等价性。• GWO 改善了聚类初始化和早期收敛。• 19 个激光雷达表面的平均倾向/倾角偏差分别为 3.01°/2.12°。• 在案例 A 基准测试中,GOVANS 的运行时间约为 DSE 总运行时间的 25%。
引言
岩体不连续面(如节理、层理面和断层)是分割岩体并破坏其连续性的关键地质界面。这些不连续面的几何特征(如产状、间距和延展性)从根本上控制了开挖和支护过程中岩体的力学行为、变形模式和渗透性(Chen et al., 2025b; Ge et al., 2022; Askar et al., 2024)。因此,准确获取这些几何参数对于岩体建模和块体运动学分析至关重要(Gigli et al., 2022)。
在传统工程实践中,地质工程师主要依赖使用地质罗盘和扫描线调查的接触式测量方法(Kang et al., 2024; Yakar et al., 2023; Zhang, 2022)。然而,这些方法劳动密集型且受限于现场可达性,往往导致采样不足和统计偏差,难以客观表征岩体的真实结构特征。
为克服这些局限性,非接触遥感技术的发展显著改变了岩土工程中的现场勘查工作流程。激光雷达(LiDAR)扫描和运动恢复结构(SfM)摄影测量等技术能够快速获取岩体出露面的高密度、高精度三维点云数据(Chen and Jiang, 2023; Li et al., 2024; Zhou et al., 2024)。这些大规模点云不仅捕获了详细的表面形态,还为不连续面参数的自动提取提供了数字基础(An et al., 2022)。与稀疏的人工测量相比,基于点云的分析提供了包含数百万数据点的全局视角,使对断裂网络的统计表征更加严格和客观。因此,开发从海量点云数据中自动识别和提取不连续面组的稳健算法已成为岩石力学与计算机视觉交叉领域的关键研究焦点。
现有的自动提取方法一般可分为两类:基于表面重建的方法和基于直接点云分割的方法(Han et al., 2017; Wang et al., 2023; Yi et al., 2025)。前者需要将点云转换为不规则三角网(TIN)或网格模型,这在处理噪声或复杂表面时计算代价高昂且容易产生拓扑错误(Daghigh et al., 2023; Tang et al., 2022)。相比之下,直接分割方法因其无需网格的特性而日益流行。这些方法通常遵循"由局部到整体"的策略,首先估计局部法向量,然后使用 K-means、区域生长(RG)、DBSCAN 或均值漂移等算法对具有相似产状特征的点进行聚类分组(Chen et al., 2024a; Günen and Aliyaz?c?o?lu, 2025; Li et al., 2025; Xu et al., 2025; Yi et al., 2023a)。最近,不连续面识别方法越来越多地整合了密度分析、统计建模和空间分割以提高自动化程度(Chen et al., 2025a; Zhang et al., 2025a; Zhang et al., 2025b)。Klen et al. (2024) 使用 Fisher 分布生成和选择初始中心,从而改进了传统的模糊 K-means(FKM),提出了 Fisher 初始化的模糊 K-means(FFKM);而 Zhou et al. (2024) 将优化模糊聚类与区域生长相结合,用于不连续面组的识别和单个表面的提取。Zhang et al. (2025a) 使用三维高斯混合模型(GMM)进行不连续面分类,而 Zhang et al. (2025b) 将球面投影密度分析与三维超体素聚类相结合。这些研究表明,初始化、成员度建模和空间分割可以通过不同的方法实现。Yi et al. (2023b) 使用改进的鲸鱼优化算法(WOA)进行不连续面组识别,为本研究中将 WOA 作为初始化策略的等预算对比方法提供了该应用领域的基础。然而,一些方法仍在欧几里得特征空间中进行分组(Li et al., 2024a; Li et al., 2024b; Tang et al., 2023);当应用于法向量时,必须明确处理单位球面约束和 180° 轴向等价性。此外,密度峰值方法的结果可能受到截止距离等参数的影响,尤其是当产状高度分散或多个节理组重叠时。Günen (2025) 比较了包括随机森林在内的分类方法,基于几何和空间点云特征进行不连续面组识别,并使用 Shapley 加性解释(SHAP)来解释每个特征的贡献。随后,使用改进的 DBSCAN 算法分离单个不连续面,并通过 RANSAC 平面拟合计算其产状。Günen et al. (2025) 使用全方差准则选择自适应邻域,通过特征选择和 SVM 进行有监督分类,然后通过连通分量分割和平面拟合作确定产状。这些研究强调了邻域尺度、特征表示和分类可解释性的重要性。与这些有监督分类方法不同,本文提出的方法不需要标注样本来训练分类器。相反,在稳健法向量估计之后,它使用基于轴向余弦不相似度的硬分配,随后进行组内空间分割和单个表面的 PCA 拟合。
尽管自动分割技术取得了显著进展,但仍有两个提取问题值得关注。首先,KNN-PCA 方法(Kong et al., 2022; Ma et al., 2024; Yang et al., 2025)在岩体边缘或交汇处往往产生偏离局部主导面产状的法向量,因为搜索邻域可能包含来自不同产状不连续面的点。在几何上,这种估计偏差会使原本尖锐的边缘变得圆钝和模糊,可能改变边界处的产状特征并干扰后续的不连续面分割。其次,单位法向量同时受单位球面约束和轴向等价性 n = ?n 的制约;用于分组的距离度量必须同时考虑这两个性质。此外,迭代算法对初始中心敏感,当处理密度不均匀或产状相似的节理组时,随机初始化可能导致模型陷入局部最优,从而影响分组结果的可靠性(Hou et al., 2023; Klen et al., 2024; Tang et al., 2023)。
为缓解这些问题并提高不连续面提取的稳健性,本研究提出了一个将稳健统计方法与基于搜索的初始化相结合的完全自动化框架。该框架首先使用 K-d 树进行高效的邻域搜索(Chen et al., 2019),并引入了基于 RANSAC 的局部平面拟合算法(Chen et al., 2024b; Liu et al., 2024)。通过在每个邻域内迭代选择内点,该算法减少了跨越边缘的混合邻域的干扰,并为后续分组提供了更可靠的法向量。接下来,为了解决聚类局限性,建立了一个受 von Mises-Fisher(vMF)理论启发(Banerjee et al., 2005; Gopal and Yang, 2014; Mash'al and Hosseini, 2015)并针对轴向等价性进行修正的球面硬聚类模型。该模型采用满足 n = ?n 条件的绝对余弦不相似度,并使用灰狼优化器(GWO)搜索初始聚类中心(Aljarah et al., 2020; Mirjalili et al., 2014; Purushothaman et al., 2020)。GWO 旨在提高初始聚类中心的质量,并为后续的轴向 K-means 细化提供起点。最后,将基于 DBSCAN 的空间分割与基于 PCA 的细化相结合,提取单个岩体表面的产状。
本研究通过消融实验、参数敏感性分析、初始化策略对比和多方法重复运行对比,系统地评估了各模块的作用、提取性能、计算效率和随机稳定性。两个真实案例支持了该框架在 LiDAR 和 SfM 点云上的应用,案例 A 的对比结果进一步展示了其在选定产状偏差指标和计算效率方面的优势。通过结合稳健法向量估计、轴向硬聚类和后续空间分割,GOVANS 提供了不连续面组识别、单个表面分割和产状确定的集成自动化工作流。
节选部分
方法
图 1 展示了本文提出的基于点云数据岩体不连续面自动提取框架的整体工作流程。在本研究中,该框架被命名为 GOVANS。该名称结合了灰狼优化器(GWO)中的"G"和"O"、von Mises-Fisher(vMF)分布中的"v",以及随机样本一致性(RANSAC)中的"ANS",反映了基于 GWO 的初始化搜索、受 vMF 启发的轴向余弦硬聚类和基于 RANSAC 的稳健法向量估计的集成。
数据集与评估方案
为验证所提出的方法,选取了两个公开的真实岩质边坡数据集作为案例研究。案例 A 的参考不连续面组来自现有软件和算法产生的结果。对于案例 B,参考不连续面组由现场罗盘产状范围定义,而单个表面的参考值通过 CloudCompare 中的手动交互测量获得。这两个参考案例代表了两种常见的……
讨论
本研究提出的方法在地质工程领域具有实际意义。通过将无人机(UAV)摄影测量技术整合进来,该方法提供了一种在复杂岩体中调查不连续面的非接触方法。它不仅防止技术人员在恶劣环境中进行高风险操作,还能快速、客观地分析现场表面结构特征。该工作流集成了稳健的 RANSAC-PCA……
结论
本研究提出了一种利用稳健统计方法和群体智能优化从三维点云数据中提取岩体不连续面的完全自动化方法。所提出的框架由四个主要步骤组成:(1)使用 K-d 树建立点云的空间拓扑结构,以实现高效的数据组织和邻域搜索;(2)使用 RANSAC-PCA 减少边缘、交汇处和混合邻域点对局部法向量估计的影响;
作者贡献声明
所有作者均参与了本研究的概念和设计。材料准备、数据收集和分析由桑学佳、陈杰和刘敦龙完成。论文初稿由桑学佳和陈杰撰写,所有作者对先前版本的论文提供了重要反馈。所有作者均已阅读并批准了最终稿件。
CRediT 作者贡献声明
桑学佳:撰写——初稿,方法论,资金获取,数据整理。陈杰:撰写——审阅与编辑,撰写——初稿,方法论,调查研究,概念设计。刘盼利:调查研究,正式分析,数据整理。王倩:可视化,调查研究,数据整理。刘敦龙:撰写——审阅与编辑,调查研究,资金获取,正式分析。温兆飞:可视化,验证。吴倩:验证,监督。
利益冲突声明
作者声明不存在已知的可能影响本研究中工作的竞争性经济利益或个人关系。
致谢
本研究受三峡水库消落区河-库水动力学下的地质灾害特征与防治策略(5000002024CC20004)、国家自然科学基金(编号:42302336)、四川省科学技术厅项目(编号:2024YFHZ0098)、西藏自治区科技计划项目(编号:XZ202403ZY0008)以及中央高校基本科研业务费(编号:KYTZ202278)支持。
桑学佳 | 陈杰 | 刘盼利 | 王倩 | 刘敦龙 | 温兆飞 | 吴倩