[发明专利]一种基于深度学习的岩质高陡边坡结构面提取方法

权利要求书

1.一种基于深度学习的岩质高陡边坡结构面提取方法，其特征在于，包括以下步骤：

S1、采集岩质高陡边坡结构面的三维点云数据，并对该三维点云数据进行预处理；

S2、采用Knnsearch函数对三维点云数据进行最临近点搜索，得到初始最近临近点集合；

S3、对初始最近临近点集合进行共面测试，得到最近临近点集合；

S4、对最近临近点集合进行平面拟合，得到平面拟合图像，并计算拟合后平面的法向量；

S5、将平面拟合图像作为训练集样本；

S6、基于Softmax函数构建VGGNet模型；

S7、采用VGGNet模型对训练集样本进行训练，得到岩质高陡边坡结构面分布和岩质高陡边坡结构面产状；

岩质高陡边坡结构面分布，包括：

采用VGGNet模型对训练集样本进行训练，根据VGGNet模型训练结果，将样本正确类别1的值，通过标签定位到三维点云数据，得到岩质高陡边坡结构面分布；

岩质高陡边坡结构面产状，包括：

根据提取的岩质高陡边坡结构面分布，计算岩质高陡边坡结构面的倾角θ和倾向A：

其中，A₀为倾向计算过程值；

当α0，β0 时，A=A₀；

当α0，β0 或α0，β0 时，A=A₀+π；

当α0，β0 时，A=A₀+2π；

当α=0，β0 时，A=90°；

当 α=0，β0 时，A=270°。

2.根据权利要求1所述的基于深度学习的岩质高陡边坡结构面提取方法，其特征在于，所述步骤S2具体包括：

采用Knnsearch函数计算原始点Pi的最近临近点，得到原始点Pi的初始最近临近点集合Qiα。

3.根据权利要求2所述的基于深度学习的岩质高陡边坡结构面提取方法，其特征在于，所述步骤S3具体包括：

采用主成分分析法对初始最近临近点集合进行共面测试，并计算变化比例H_K：

其中，λ₁,λ₂,…,λ_i为特征值，k为最临近点个数；

计算初始最近临近点集中点云的偏差参数η：

剔除偏差参数η大于偏差阈值η_max的初始最近临近点集合，得到最近临近点集合Qi。