基于支持向量机的三维点云岩体结构面半自动识别方法

P642; 结构面在评价岩体力学性质和边坡稳定性方面起着至关重要的作用,相比于传统测量,一种准确、高效的结构面参数识别方法尤为重要.提出了一种基于支持向量机(SVM)的三维点云岩体结构面提取的新方法,首先获取点云坐标、RGB、法向量、曲率和密度等作为机器学习模型的特征向量作为输入,结合人工和自动挑选学习样本,随后把学习样本分为训练集和测试集用于训练SVM模型并测试模型,将被接受的模型用于点云的预测分类,进而识别结构面和提取信息.将该方法应用于公开边坡数据集和发耳镇某采区边坡结构面调查,结果表明:使用LOF与PCA结合方法有效地提高了法向量估计的准确性,而DetRD-PCA方法用于估计单个结构面...

Full description

Saved in:
Bibliographic Details
Published in防灾减灾工程学报 Vol. 45; no. 1; pp. 95 - 103
Main Authors 朱涛, 史文兵, 刘永志, 王勇, 梁风
Format Journal Article
LanguageChinese
Published 贵州大学资源与环境工程学院,贵州 贵阳 550025%贵州大学资源与环境工程学院,贵州 贵阳 550025 2025
贵州大学贵州省山地地质灾害防治工程技术研究中心,贵州 贵阳 550025%喀斯特地质资源与环境教育部重点实验室(贵州大学),贵州 贵阳 550025
Subjects
三维点云
支持向量机
support vector machine
产状计算
orientation calculation
3D point cloud
半自动识别
semi-automatic identi-fication
rock mass structural plane
工程应用
岩体结构面
engineering application
Online AccessGet full text
ISSN1672-2132
DOI10.13409/j.cnki.jdpme.20240607003

Cover

More Information
Summary:P642; 结构面在评价岩体力学性质和边坡稳定性方面起着至关重要的作用,相比于传统测量,一种准确、高效的结构面参数识别方法尤为重要.提出了一种基于支持向量机(SVM)的三维点云岩体结构面提取的新方法,首先获取点云坐标、RGB、法向量、曲率和密度等作为机器学习模型的特征向量作为输入,结合人工和自动挑选学习样本,随后把学习样本分为训练集和测试集用于训练SVM模型并测试模型,将被接受的模型用于点云的预测分类,进而识别结构面和提取信息.将该方法应用于公开边坡数据集和发耳镇某采区边坡结构面调查,结果表明:使用LOF与PCA结合方法有效地提高了法向量估计的准确性,而DetRD-PCA方法用于估计单个结构面的法向量并计算产状时得到结果更加准确;对公开点云数据集的结构面进行识别,SVM识别881 552个点时间仅需9 s,成功提取了四组结构面,与前人结果对比,倾向平均偏差最大3.12°,倾角平均偏差最大1.54°;将方法应用于发耳镇某采区边坡的结构面调查中,SVM识别1 450 148个点仅需18 s,成功提取了两组结构面,与经典的三点法估算比较,倾向和倾角的偏差为0.7°～3.3°和0.1°～3.3°;该方法对于小样本的训练数据依然能够表现出较高的正确率.
ISSN:1672-2132
DOI:10.13409/j.cnki.jdpme.20240607003