[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有效
申请号: | 202310548752.0 | 申请日: | 2023-05-16 |
公开(公告)号: | CN116258972B | 公开(公告)日: | 2023-08-01 |
发明(设计)人: | 郑琅;马国超;梁瑞锋;马松;李力生;贾虎军;徐陈;罗玉婷;胡光中;张婧;唐琴;尹恒;唐尧;王蕾;薛丁菡;汤欣雨;李念柯 | 申请(专利权)人: | 四川安信科创科技有限公司;四川省安全科学技术研究院 |
主分类号: | G06V20/10 | 分类号: | G06V20/10;G06V10/82;G06N3/08;G06N3/0464 |
代理公司: | 西安正华恒远知识产权代理事务所(普通合伙) 61271 | 代理人: | 陈选中 |
地址: | 610000 四川省成都市*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 岩质高陡边坡 结构 提取 方法 | ||
本发明公开了一种基于深度学习的岩质高陡边坡结构面提取方法,包括对该三维点云数据进行预处理;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;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;对最近临近点集合进行平面拟合,并计算拟合后平面的法向量;将平面拟合图像作为训练集样本;基于Softmax函数构建VGGNet模型;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。本发明利用深度学习的VGGNet改进网络模型,在具有提高识别效率和准确性的基础上,同时避免了手动选取主观性强的缺点。
技术领域
本发明属于提取岩质边坡结构面的技术领域,具体涉及一种基于深度学习的岩质高陡边坡结构面提取方法。
背景技术
目前,国内外提取岩质边坡结构面的方法主要分为两个类型:第一个类型是利用三维点云数据直接提取,对岩石表面原始三维激光点云数据开展核密度估计算法识别优势组,再采取RANSAC算法、DBSCAN算法、MeanShift聚类算法等算法公式对各个优势组进行分割,提取结构面;第二个类型是利用数字表面模型提取,利用原始的边坡三维点云数据基于三角不规则网络(TIN)生成岩石数字表面模型,计算相似的三角网法向量确定优势组,再基于Delaunay三角网生长算法计算各优势组中的单个结构面,进而识别边坡结构面。
利用三维点云数据直接提取的方法需要人工对结构面产状分组进行确定,导致工作效率较低,同时结构面的粗糙程度对共面测试结果产生很大影响,影响提取结果精度。利用数字表面模型提取方法主要不足是扫描数据点需要手动选取,主观性较高,同时在生成数字表面模型时,离散数据会影响其生成精度,形成误差,导致提取结果精度降低。
发明内容
本发明的目的在于针对现有技术中的上述不足,提供一种基于深度学习的岩质高陡边坡结构面提取方法,以解决现有利用三维点云数据的岩质高陡边坡结构面提取存在效率较低以及精度不足的问题。
为达到上述目的,本发明采取的技术方案是:
一种基于深度学习的岩质高陡边坡结构面提取方法,其包括以下步骤:
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。
进一步地,步骤S2具体包括:
采用Knnsearch函数计算原始点
进一步地,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
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于四川安信科创科技有限公司;四川省安全科学技术研究院,未经四川安信科创科技有限公司;四川省安全科学技术研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310548752.0/2.html,转载请声明来源钻瓜专利网。