基于無(wú)人機(jī)貼近攝影的高陡邊坡結(jié)構(gòu)面識(shí)別

陳昌富，何曠宇，余加勇?，毛鳳山，薛現(xiàn)凱，李鋒

（1.建筑安全與節(jié)能教育部重點(diǎn)實(shí)驗(yàn)室（湖南大學(xué)），湖南長(zhǎng)沙 410082；2.湖南大學(xué)土木工程學(xué)院，湖南長(zhǎng)沙 410082）

丘陵、山地區(qū)域在我國(guó)分布廣泛，大量的天然或人工高陡邊坡受到氣候、地質(zhì)構(gòu)造活動(dòng)影響，極易造成嚴(yán)重的地質(zhì)災(zāi)害，因此，對(duì)高陡邊坡的勘察是監(jiān)測(cè)和預(yù)警地質(zhì)災(zāi)害的關(guān)鍵［1］.結(jié)構(gòu)面是巖體中強(qiáng)度較低的不連續(xù)面，是控制巖質(zhì)邊坡穩(wěn)定性的重要因素，因此，結(jié)構(gòu)面參數(shù)的獲取是巖質(zhì)邊坡穩(wěn)定性分析及后續(xù)工程支護(hù)方案設(shè)計(jì)的先行條件.然而，大部分的高陡邊坡受復(fù)雜地形因素的制約，限制了接觸式地質(zhì)調(diào)查工作的開(kāi)展.為滿足高效精細(xì)化地質(zhì)編錄的需求，目前迫切需要新型的巖質(zhì)邊坡調(diào)查方法.

非接觸式調(diào)查方法如干涉雷達(dá)（Synthetic Aperture Radar Interferometry，InSAR）［2］、攝影測(cè)量［3-4］、三維激光掃描［5-6］成為了廣大地質(zhì)工作者大力推崇的調(diào)查手段.地面三維激光掃描技術(shù)憑借其高精度、高信息量、高效率等優(yōu)勢(shì)，在巖土工程領(lǐng)域得到了較為廣泛的應(yīng)用，比如Riquelme 等［7］基于前人三維激光掃描的數(shù)據(jù)，提出巖體結(jié)構(gòu)面半自動(dòng)識(shí)別算法，并成功獲取到了巖體中的產(chǎn)狀信息.但三維激光掃描技術(shù)設(shè)備成本高昂，儀器架設(shè)地點(diǎn)需無(wú)遮擋，對(duì)于復(fù)雜地形容易產(chǎn)生掃描死角，不同站位的點(diǎn)云數(shù)據(jù)拼接也會(huì)影響模型的整體精度［8］.

近年來(lái)，國(guó)內(nèi)外研究者將無(wú)人機(jī)貼近攝影技術(shù)引入到邊坡勘察調(diào)查工作中.Fernández 等［9］使用無(wú)人機(jī)獲取了橄欖林的高分辨率影像，并建立數(shù)字表面模型（Digital Surface Model，DSM）以此進(jìn)行滑坡監(jiān)測(cè)，監(jiān)測(cè)精度達(dá)到10～15 cm.許強(qiáng)等［10］結(jié)合無(wú)人機(jī)和地面雷達(dá)監(jiān)測(cè)技術(shù)獲取了滑坡區(qū)域的地質(zhì)信息，初步分析出該區(qū)域?yàn)?zāi)害的成因機(jī)制和運(yùn)動(dòng)過(guò)程.Hu等［11］通過(guò)無(wú)人機(jī)對(duì)黃土高原滑坡的調(diào)查，觀測(cè)了黃土滑坡的幾何參數(shù)和表面細(xì)節(jié)，推測(cè)出其原始結(jié)構(gòu)特征和滑坡誘發(fā)機(jī)制.Xiang等［12］通過(guò)無(wú)人機(jī)攝影構(gòu)建露天礦的數(shù)字高程模型（Digital Elevation Model，DEM）計(jì)算了礦區(qū)的土方體積變化和可探測(cè)范圍，實(shí)現(xiàn)了動(dòng)態(tài)實(shí)時(shí)監(jiān)測(cè).賈曙光等［13］總結(jié)出無(wú)人機(jī)攝影測(cè)量應(yīng)用于高陡邊坡地質(zhì)調(diào)查的方法，并基于此方法手動(dòng)測(cè)量出邊坡的巖體產(chǎn)狀.

基于無(wú)人機(jī)傾斜攝影的邊坡調(diào)查方法，是通過(guò)無(wú)人機(jī)搭載高清相機(jī)來(lái)獲取邊坡圖像信息，進(jìn)而生成邊坡的三維實(shí)景模型，在此基礎(chǔ)上進(jìn)行結(jié)構(gòu)面識(shí)別、穩(wěn)定性分析及支護(hù)方案設(shè)計(jì).其優(yōu)勢(shì)在于不受限于復(fù)雜的環(huán)境條件，能夠快速機(jī)動(dòng)地接近目標(biāo)，高效率、非侵入式地實(shí)現(xiàn)圖像數(shù)據(jù)采集.因此，無(wú)人機(jī)貼近攝影技術(shù)結(jié)合邊坡結(jié)構(gòu)面的自動(dòng)識(shí)別算法能夠開(kāi)展高效率的地質(zhì)勘探工作，極大節(jié)省人力物力成本.

目前，基于三維點(diǎn)云的結(jié)構(gòu)面信息提取方法在國(guó)內(nèi)外也有較多研究.Riquelme 等［14］基于Knn 算法對(duì)帶有噪聲的三維激光點(diǎn)云數(shù)據(jù)進(jìn)行識(shí)別，得到了表面不同平面的代數(shù)方程.王培濤等［15］探討了Knn算法其敏感性參數(shù)近鄰點(diǎn)個(gè)數(shù)k，夾角閾值j在不同結(jié)構(gòu)面識(shí)別中的應(yīng)用效果，并以過(guò)濾因子f對(duì)點(diǎn)云中的噪聲進(jìn)行了優(yōu)化.Chen 等［16］以K-means 聚類算法對(duì)點(diǎn)云分組，進(jìn)一步通過(guò)點(diǎn)集的分割和優(yōu)化，以RANSAC 方法對(duì)結(jié)構(gòu)面進(jìn)行擬合，在提取結(jié)構(gòu)面產(chǎn)狀上取得了較好的效果.陳娜等［17］通過(guò)改進(jìn)RACSAC 方法和GrahamScan 算法研發(fā)了結(jié)構(gòu)面產(chǎn)狀識(shí)別程序，產(chǎn)狀的誤差達(dá)到了工程應(yīng)用要求.Zheng等［18］對(duì)Fisher 分布描述結(jié)構(gòu)面產(chǎn)狀方法提出了修正算法，提高了結(jié)構(gòu)面分布模擬的正確性.這些研究成果促進(jìn)了結(jié)構(gòu)面信息提取自動(dòng)化的發(fā)展和創(chuàng)新.

為此，本文提出了基于無(wú)人機(jī)貼近攝影的高陡邊坡勘測(cè)的方法，該方法能夠獲取高分辨率的邊坡數(shù)字表面圖像信息，建立誤差極小的三維實(shí)景模型.在識(shí)別方法上，基于DSE（Discontinuities Semiautomatic Estimation）軟件［14］，以Knn 聚類算法及PCA 主成分分析法為主要結(jié)構(gòu)，能夠半自動(dòng)地識(shí)別出邊坡中的結(jié)構(gòu)面信息.通過(guò)驗(yàn)證實(shí)驗(yàn)，證實(shí)了本文方法所構(gòu)建的三維模型精度及結(jié)構(gòu)面產(chǎn)狀識(shí)別精度都較高.最后本方法成果應(yīng)用于長(zhǎng)沙市丁字鎮(zhèn)某高陡巖質(zhì)邊坡的結(jié)構(gòu)面識(shí)別中，并分析了優(yōu)勢(shì)結(jié)構(gòu)面對(duì)邊坡穩(wěn)定性的影響.

1 無(wú)人機(jī)邊坡結(jié)構(gòu)面識(shí)別方法

無(wú)人機(jī)邊坡結(jié)構(gòu)面識(shí)別方法主要包含前期準(zhǔn)備、數(shù)據(jù)獲取、模型構(gòu)建、模型修飾、產(chǎn)狀提取等步驟，如圖1所示.

圖1 結(jié)構(gòu)面識(shí)別流程圖Fig.1 Flowchart of discontinuities identification

1.1 邊坡三維模型重建

在常規(guī)傾斜攝影測(cè)量方法中，無(wú)人機(jī)的飛行高度為固定值，在拍攝地面高度有起伏的目標(biāo)時(shí)，其圖像分辨率不均勻，導(dǎo)致三維模型的精度和紋理細(xì)節(jié)不均勻.本文采用的貼近攝影測(cè)量方法，是為獲取復(fù)雜地形的高分辨率、精度均勻圖像而創(chuàng)立的新型無(wú)人機(jī)攝影方法［19］.貼近攝影的特點(diǎn)在于經(jīng)過(guò)粗略的地質(zhì)勘察之后，設(shè)計(jì)出無(wú)人機(jī)三維航線，使無(wú)人機(jī)在拍攝過(guò)程中與邊坡面的最短距離在30 m 之內(nèi)且基本保持恒定，同時(shí)鏡頭的光軸與坡面保持垂直，如圖2 所示.此方法獲取的高分辨率目標(biāo)圖像，各個(gè)區(qū)域分辨率較均勻，避免了模型重構(gòu)過(guò)程中因局部分辨率不同而導(dǎo)致數(shù)字模型出現(xiàn)分層的問(wèn)題.

圖2 無(wú)人機(jī)三維航線示意圖Fig.2 UAV 3D route diagram

基于運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)（Structure From Motion，SFM）算法重構(gòu)出三維數(shù)字模型是進(jìn)行結(jié)構(gòu)面識(shí)別的前提，無(wú)人機(jī)的飛行高度、相機(jī)傾斜角度、地形、地面控制點(diǎn)的數(shù)量、圖像重疊率是影響精度的重要參數(shù)［20-21］.無(wú)人機(jī)飛行參數(shù)的設(shè)置以上述研究得到的最佳參數(shù)為基礎(chǔ)，根據(jù)現(xiàn)場(chǎng)的情況進(jìn)行適當(dāng)調(diào)整.由于貼近攝影測(cè)量在飛行高度上是不斷變化的，因此飛行高度在此等同于無(wú)人機(jī)與目標(biāo)的垂直距離.同理，認(rèn)為相機(jī)的光軸與坡面垂直時(shí)，角度為0°.基于上述方法，邊坡三維模型重建主要步驟如下：

1）試驗(yàn)前期準(zhǔn)備.前期準(zhǔn)備的重點(diǎn)在于地面控制點(diǎn)的布置.地面控制點(diǎn)應(yīng)提前用全站儀精確測(cè)量，用于在空中三角測(cè)量的過(guò)程中提供強(qiáng)制的坐標(biāo)矯正和后期的精度驗(yàn)證，使得空中三角測(cè)量的坐標(biāo)匹配于真實(shí)的坐標(biāo)上，提高內(nèi)業(yè)成圖的精度.其設(shè)置原則應(yīng)盡量分布均勻，且應(yīng)在區(qū)域的邊緣處有所布置.

2）數(shù)字圖像獲取.無(wú)人機(jī)的航跡規(guī)劃是獲取高質(zhì)量數(shù)字圖像的重點(diǎn).以國(guó)內(nèi)外研究的成果為參考，貼近攝影無(wú)人機(jī)參數(shù)設(shè)置應(yīng)滿足與目標(biāo)的距離基本保持在30 m 之內(nèi)，圖像重疊率達(dá)到80%以上以及相機(jī)傾斜角度為30°左右.

3）圖像匹配與特征提取.相機(jī)從不同的角度獲取的數(shù)字圖像存在著畸變、幾何變形等問(wèn)題，基于尺度不變特征變換（Scale invariant feature transform，SIFT）算法將圖片中局部灰度的極值點(diǎn)作為特征點(diǎn)提取出來(lái)，建立該點(diǎn)與景物之間的對(duì)應(yīng)關(guān)系，從而避免了空間尺度中方向、旋轉(zhuǎn)、亮度等因素的影響.

4）空中三角測(cè)量.解算特征點(diǎn)的三維坐標(biāo)是建立三維模型的重要步驟，基于光束法區(qū)域網(wǎng)平差原理，以下視圖像的精確POS 數(shù)據(jù)、相機(jī)外方位元素和相對(duì)姿態(tài)等參數(shù)，通過(guò)共線方程即可解算出特征點(diǎn)的三維坐標(biāo).少量的地面控制點(diǎn)作為平差條件通過(guò)最小二乘法調(diào)整出精確的三維坐標(biāo).通過(guò)大量特征點(diǎn)的計(jì)算即可建立三維點(diǎn)云模型.

5）實(shí)景模型生成.三維點(diǎn)云進(jìn)一步計(jì)算和連結(jié)即可構(gòu)建出三維三角網(wǎng)格表面模型，將圖像中紋理像素映射到三維網(wǎng)格中，可得到高精度且細(xì)節(jié)豐富的三維表面模型.

1.2 邊坡坡面結(jié)構(gòu)識(shí)別與實(shí)現(xiàn)

以Knn 聚類算法核心搜索某個(gè)點(diǎn)的候選結(jié)構(gòu)面點(diǎn)集，以主成分分析法（Principal Component Analysis，PCA）對(duì)候選點(diǎn)集測(cè)試，判斷其是否滿足構(gòu)成同一平面的要求，之后基于最小二乘法原理擬合出點(diǎn)集的最佳平面并計(jì)算其法向量作為該點(diǎn)的屬性，屬性相同的點(diǎn)不斷加入以確定該結(jié)構(gòu)面的邊界范圍，最終確定結(jié)構(gòu)面的位置和產(chǎn)狀參數(shù)［7，14］.算法的實(shí)現(xiàn)主要基于Matlab平臺(tái)，主要步驟如下：

1）最近鄰點(diǎn)搜索.如圖3（a）所示，對(duì)于三維點(diǎn)云中的任意的原始點(diǎn)pi，需要找到其附近的點(diǎn)共同結(jié)合形成點(diǎn)云集{P}={p1，p2，…，pi，…，pn}，并以｛P｝的所可能形成的平面法向量作為原始點(diǎn)Pi的法向量.搜索鄰點(diǎn)的方式主要分為以距離搜索及以點(diǎn)個(gè)數(shù)搜索這兩種，距離搜索在結(jié)構(gòu)面邊界的確定上會(huì)引起邊界的收縮，因此往往以點(diǎn)的個(gè)數(shù)來(lái)進(jìn)行搜索.為了實(shí)現(xiàn)此功能，目前Knn（K-Nearest Neighbor）算法是在三維點(diǎn)云的鄰點(diǎn)搜索中較為常見(jiàn)的算法之一，它將搜索到用戶指定的K-1 個(gè)與原始點(diǎn)pi最相近的鄰點(diǎn)共同構(gòu)成點(diǎn)云集｛P｝.在本文中，K表示包含原始點(diǎn)pi在內(nèi)所搜索到的鄰近點(diǎn)個(gè)數(shù).

2）共面檢驗(yàn).如圖3（b）所示，點(diǎn)云集｛P｝在計(jì)算其法向量之前，需要確定其是否屬于同一個(gè)平面內(nèi)，Matlab 平臺(tái)的PCA 主成分分析法能夠很好地實(shí)現(xiàn)這一功能.在點(diǎn)云所處的三維空間中，基于Matlab平臺(tái)的PCA 算法可以計(jì)算出點(diǎn)云集中各點(diǎn)的3 個(gè)特征值λ1、λ2、λ3，此時(shí)λ3解釋了數(shù)據(jù)中存在的誤差，偏離參數(shù)可以用式（1）進(jìn)行計(jì)算：

圖3 結(jié)構(gòu)面識(shí)別與提取算法計(jì)算流程Fig.3 Discontinuities identification and extraction algorithm calculation flow

點(diǎn)云中每個(gè)點(diǎn)都可以得到其偏差值ηi，當(dāng)P所有的點(diǎn)其偏離參數(shù)都小于用戶確定的閾值ηmax時(shí)，點(diǎn)云集P被認(rèn)為處于同一個(gè)平面內(nèi)，一般而言ηmax可取20%.

3）最佳平面擬合及法向量計(jì)算.當(dāng)點(diǎn)云集P被認(rèn)為是一個(gè)平面之后，則需要進(jìn)一步擬合出最適合的平面方程及其法向量.標(biāo)準(zhǔn)平面方程如式（2）所示，其中A、B和C分別為該平面單位法向量在各個(gè)方向上的分量，滿足A2+B2+C2=1，D為原點(diǎn)到平面的距離.

在計(jì)算中主要利用最小二乘法擬合最佳平面參數(shù)，當(dāng)｛P｝中各點(diǎn)到平面的距離的方差最小時(shí)，此時(shí)的平面為最佳擬合平面，向量n（A，B，C）即為平面的單位法向量.

4）確定結(jié)構(gòu)面邊界.如圖3（c）所示，通過(guò)計(jì)算每一個(gè)pi的法向量，以點(diǎn)之間的相連性、法向量之間的最大夾角、點(diǎn)到平面的最大距離為限制［15，22］，將滿足條件的點(diǎn)歸為同一結(jié)構(gòu)面內(nèi).且當(dāng)有候選點(diǎn)加入時(shí)，應(yīng)當(dāng)及時(shí)修正平面的參數(shù)以進(jìn)行下一次迭代，當(dāng)沒(méi)有更多的候選點(diǎn)即結(jié)構(gòu)面邊界描繪完成.需注意的是，當(dāng)原始點(diǎn)pi處于結(jié)構(gòu)面邊界處時(shí)可能無(wú)法被認(rèn)定為候選點(diǎn)致使結(jié)構(gòu)面縮小，當(dāng)點(diǎn)云密度足夠大時(shí)，這種誤差可忽略不計(jì).

5）產(chǎn)狀計(jì)算.產(chǎn)狀的三要素為傾角、傾向和走向，以得到的平面方程參數(shù)可求得走向及傾角，走向角度為走向線與正北方向（N 軸）所成夾角，如式（3）～（5）所示：

走向的計(jì)算中還需依據(jù)式（4）來(lái)判斷走向所處的范圍.當(dāng)A為0時(shí)，走向?yàn)檎龞|方向或正西方向，也就是90°或270°，當(dāng)C為0時(shí)，傾角為90°.

傾向與走向相互垂直，但由于傾向表示巖層下傾的方向，不能僅由走向確定，還需結(jié)合結(jié)構(gòu)面的實(shí)際位置和形態(tài)，因此本文后續(xù)的結(jié)構(gòu)面產(chǎn)狀都將以傾向和傾角來(lái)表示.當(dāng)三維點(diǎn)云建立的局部坐標(biāo)系與大地坐標(biāo)系方位具有α的夾角時(shí)，此時(shí)所計(jì)算出來(lái)的走向和傾向都要改變相應(yīng)的角度α.

2 驗(yàn)證實(shí)驗(yàn)

2.1 實(shí)驗(yàn)區(qū)域與設(shè)備

驗(yàn)證實(shí)驗(yàn)?zāi)康脑谟隍?yàn)證模型的精度及結(jié)構(gòu)面識(shí)別的有效性，實(shí)驗(yàn)地點(diǎn)為長(zhǎng)沙市超級(jí)計(jì)算機(jī)中心的框架梁邊坡.邊坡如圖4 所示，邊坡全長(zhǎng)約為60 m，坡高約為15 m，坡角約為70°.

圖4 區(qū)域邊坡Fig.4 The slope in the experimental area

如圖5 所示，試驗(yàn)采用大疆M210-RTK 無(wú)人機(jī)，其續(xù)航時(shí)間為30 min，最大抗風(fēng)風(fēng)速10 m/s.無(wú)人機(jī)定位采用實(shí)時(shí)動(dòng)態(tài)差分模式（Real-time Kinematic，RTK），其定位精度為平面1 cm、高程2 cm.相機(jī)采用大疆ZENMUSE X5S，鏡頭焦距為15 mm，像元大小為3.3 μm，分辨率為5 280×3 956.

圖5 大疆M210-RTK無(wú)人機(jī)Fig.5 M210-RTK UAV

試驗(yàn)采用瑞士Leica T30 型號(hào)全站儀進(jìn)行控制點(diǎn)三維坐標(biāo)的測(cè)量，其中全站儀測(cè)距標(biāo)稱精度為0.6 mm+10-6×S，免棱鏡測(cè)距標(biāo)稱精度為2 mm+10-6×S，其中S為測(cè)距.框架梁產(chǎn)狀的測(cè)量采用哈爾濱DQY-1 型羅盤儀，地質(zhì)羅盤儀磁針指示誤差小于0.5°.在測(cè)量過(guò)程中，應(yīng)事先校準(zhǔn)羅盤儀的磁偏角，實(shí)驗(yàn)區(qū)域?yàn)槲髌?°56′.

本實(shí)驗(yàn)中無(wú)人機(jī)與目標(biāo)距離H保持在20 m 左右，計(jì)算數(shù)字圖像的地面采樣間隔（Ground Sampling Distance，GSD）可按式（6）進(jìn)行計(jì)算：

式中：a為像元大小；f為鏡頭焦距.計(jì)算的圖像地面采樣間隔為4.4 mm，滿足高精度建模的需求.

2.2 邊坡三維模型構(gòu)建

邊坡圖像的采集共設(shè)計(jì)1 個(gè)正攝和4 個(gè)傾斜攝影航線，其中傾斜攝影中，鏡頭水平的傾斜角度為30°，豎直的傾斜角度為25°.無(wú)人機(jī)與邊坡保持20 m間距，整個(gè)航線基本與坡面保持平行，航向重疊率和旁向重疊率都為90%.

坡面上預(yù)先設(shè)置了控制點(diǎn)和檢查點(diǎn)，點(diǎn)位的絕對(duì)坐標(biāo)已提前用全站儀測(cè)得并視為準(zhǔn)確值，點(diǎn)位的樣式及分布如圖6所示.其中框型標(biāo)記的6個(gè)控制點(diǎn)被應(yīng)用在建模過(guò)程中充當(dāng)平差依據(jù)，其余圓圈標(biāo)記的檢查點(diǎn)被用作模型的精度驗(yàn)證.坡面上梁的產(chǎn)狀也提前用羅盤儀測(cè)出，用作結(jié)構(gòu)面提取算法結(jié)果的驗(yàn)證.

2.3 三維模型精度分析

基于SFM 算法所重構(gòu)出的邊坡模型如圖6 所示.通過(guò)對(duì)比模型中28 個(gè)檢查點(diǎn)的坐標(biāo)值與實(shí)際全站儀測(cè)得的值來(lái)評(píng)估模型的精度，精度評(píng)估的主要指標(biāo)為均方根誤差（Root-mean-square error，RMSE），可用式（7）計(jì)算：

圖6 三維重構(gòu)模型及控制點(diǎn)分布Fig.6 Digital surface model and control points distribution

式中：n為檢查點(diǎn)個(gè)數(shù)；Xi為模型中測(cè)量值；Yi為全站儀測(cè)量值.各方向及空間的均方根誤差為RMSEX=0.51 cm，RMSEY=0.57 cm，RMSEZ=0.57 cm，RMSE全=0.95 cm.可以得到，模型的三維精度優(yōu)于2 cm，此精度足以滿足大部分的工程需求，也保證了下一步產(chǎn)狀提取結(jié)果的可靠性.

2.4 結(jié)構(gòu)面產(chǎn)狀自動(dòng)識(shí)別

為實(shí)現(xiàn)對(duì)邊坡中結(jié)構(gòu)面的識(shí)別和提取，需要對(duì)邊坡的三維點(diǎn)云進(jìn)行降采樣和去植被處理.當(dāng)從傾斜攝影中生成的點(diǎn)云數(shù)據(jù)過(guò)于稠密時(shí)，不僅影響了算法的運(yùn)行速率，并且可能由于最近鄰點(diǎn)算法的K值（即Knn 算法中需要搜索的鄰近點(diǎn)個(gè)數(shù)）過(guò)小而產(chǎn)生不必要的誤差.Knn 算法中K值的選取應(yīng)與點(diǎn)云密度、結(jié)構(gòu)面的粗糙度、三維點(diǎn)云的精度相關(guān)，本文點(diǎn)云經(jīng)降采樣后間隔為0.5～5 cm，結(jié)構(gòu)面較為光滑，經(jīng)多次實(shí)驗(yàn)，取K=20，算法的運(yùn)行效率和準(zhǔn)確度都較好.模型中覆蓋的植被在算法中也會(huì)被認(rèn)定為結(jié)構(gòu)面的一種，因此需要提前對(duì)點(diǎn)云進(jìn)行修飾、刪除，將3 個(gè)產(chǎn)狀研究區(qū)域中點(diǎn)云提取經(jīng)修飾后如圖7所示.

圖7 點(diǎn)云修飾前后對(duì)比Fig.7 Point cloud modifies contrast

如圖8所示，選取了邊坡不同位置的3個(gè)框架梁部分進(jìn)行產(chǎn)狀計(jì)算，不同的結(jié)構(gòu)面以不同的灰度顯示出來(lái).每個(gè)框架梁分別選取了兩個(gè)結(jié)構(gòu)面進(jìn)行驗(yàn)證，并與羅盤儀的測(cè)量結(jié)果對(duì)比見(jiàn)表1.由表1 可知，三維點(diǎn)云對(duì)結(jié)構(gòu)面的識(shí)別結(jié)果與羅盤儀對(duì)結(jié)構(gòu)面的實(shí)地測(cè)量結(jié)果傾向最大誤差為2.8°，傾角最大識(shí)別誤差為1.5°.羅盤測(cè)量?jī)A向、傾角的標(biāo)準(zhǔn)差為4°和3°［23］，以此為標(biāo)準(zhǔn)，本文方法對(duì)結(jié)構(gòu)面產(chǎn)狀的提取結(jié)果誤差較小，滿足工程中的精度需求.

表1 羅盤和無(wú)人機(jī)產(chǎn)狀結(jié)果對(duì)比Tab.1 Results comparison between compass and UAV

圖8 框架梁結(jié)構(gòu)面識(shí)別結(jié)果Fig.8 Discontinuities identification results of frame beam

3 工程應(yīng)用

3.1 實(shí)驗(yàn)概況

實(shí)驗(yàn)邊坡位于長(zhǎng)沙市望城區(qū)丁字鎮(zhèn)采石場(chǎng)附近，研究區(qū)域邊坡長(zhǎng)約150 m，坡高約為50 m，坡角為77.7°，如圖9所示.由于其顯著的塊體裸露特征及較高的坡角，因此極易發(fā)生崩塌和滑坡災(zāi)害.通過(guò)對(duì)邊坡的工程勘察，可以判定邊坡的優(yōu)勢(shì)結(jié)構(gòu)面，并進(jìn)一步為該邊坡的巖體等級(jí)劃分及穩(wěn)定性評(píng)價(jià)提供理論參考，為邊坡的支護(hù)設(shè)計(jì)提供技術(shù)依據(jù).

圖9 丁字鎮(zhèn)邊坡全貌Fig.9 Slope of Dingzi town

該邊坡的條件不利于地質(zhì)人員對(duì)邊坡進(jìn)行實(shí)地勘察，非接觸式的無(wú)人機(jī)成為了一個(gè)有效的調(diào)查方式.考慮到研究區(qū)域在各方向上均有較大起伏，無(wú)人機(jī)與邊坡的距離設(shè)置在25～30 m，相機(jī)傾斜角度同樣采用水平30°，豎直25°，重疊率控制在90%.

3.2 三維模型重建與結(jié)構(gòu)面識(shí)別

采用前述方法重構(gòu)邊坡三維模型，如圖10 所示.若單一結(jié)構(gòu)面點(diǎn)云占識(shí)別區(qū)域點(diǎn)云比重大于10%，則在本文中判定此結(jié)構(gòu)面為該區(qū)域的優(yōu)勢(shì)結(jié)構(gòu)面，對(duì)每個(gè)區(qū)域結(jié)構(gòu)面的優(yōu)勢(shì)結(jié)構(gòu)面進(jìn)行提取，識(shí)別其形狀、位置、面積、產(chǎn)狀等要素，結(jié)果如圖11～圖13所示.

圖10 丁字鎮(zhèn)三維邊坡模型Fig.10 Slope 3D model of Dingzi town

圖11 區(qū)域1Fig.11 Area 1

圖12 區(qū)域2Fig.12 Area 2

圖13 區(qū)域3Fig.13 Area 3

3.3 優(yōu)勢(shì)結(jié)構(gòu)面判識(shí)及其對(duì)邊坡穩(wěn)定性影響分析

對(duì)以上3 個(gè)重點(diǎn)區(qū)域的優(yōu)勢(shì)結(jié)構(gòu)面進(jìn)行編錄，其中結(jié)構(gòu)面a的產(chǎn)狀為108.5°∠68.2°，結(jié)構(gòu)面f的產(chǎn)狀為108.4°∠68.3°，產(chǎn)狀基本一致，因此應(yīng)當(dāng)劃分為同一組優(yōu)勢(shì)結(jié)構(gòu)面，編錄結(jié)果如表2 所示.將區(qū)域1 內(nèi)結(jié)構(gòu)面的產(chǎn)狀繪制于赤平投影極點(diǎn)圖中，如圖14 所示.圖14（a）中展示了區(qū)域1 的三維點(diǎn)云中各點(diǎn)所具有的產(chǎn)狀的分布，分布密集之處即為優(yōu)勢(shì)結(jié)構(gòu)面的產(chǎn)狀.圖14（b）中將點(diǎn)云劃分成了有限個(gè)區(qū)域，且每個(gè)區(qū)域內(nèi)的所有點(diǎn)認(rèn)定屬于同一個(gè)結(jié)構(gòu)面.以不同區(qū)域內(nèi)極點(diǎn)的集中程度可構(gòu)建類似于等高線的勢(shì)圖，以勢(shì)圖中的各位置的高度可直觀地判斷發(fā)育最為良好的優(yōu)勢(shì)結(jié)構(gòu)面所在及其產(chǎn)狀，如圖14（c）所示.

表2 優(yōu)勢(shì)結(jié)構(gòu)面編錄結(jié)果Tab.2 Preferred plane information statistics

圖14 區(qū)域1赤平投影極點(diǎn)圖Fig.14 The structural plane stereographic projection of area 1

在邊坡工程中，基于結(jié)構(gòu)面產(chǎn)狀可對(duì)邊坡的穩(wěn)定性進(jìn)行定性分析，順坡往往容易產(chǎn)生崩塌、落石，逆坡較為穩(wěn)定.就該研究區(qū)域而言，邊坡整體走向?yàn)?8.6°，傾向?yàn)?28.6°，坡角為77.7°.如圖11（c）、圖12和圖13（c）所示，根據(jù)優(yōu)勢(shì)結(jié)構(gòu)面編錄結(jié)果，結(jié)構(gòu)面c與結(jié)構(gòu)面h 的傾向與邊坡傾向分別具有203.4°及93.0°的夾角，可判定為此邊坡的內(nèi)傾結(jié)構(gòu)面，對(duì)邊坡的穩(wěn)定性影響不大.內(nèi)傾結(jié)構(gòu)面一般不應(yīng)出現(xiàn)在坡面上，由于該區(qū)域此前為廢棄采礦場(chǎng)，因此在結(jié)構(gòu)面c 及結(jié)構(gòu)面h 處應(yīng)產(chǎn)生過(guò)崩塌或落石，導(dǎo)致巖石塊體松動(dòng)脫落，應(yīng)密切注意附近是否存在其他危巖.h 結(jié)構(gòu)面傾向與邊坡傾向具有87°夾角，可判定為逆傾結(jié)構(gòu)面，對(duì)邊坡的穩(wěn)定性影響不大，同理c 結(jié)構(gòu)面也為逆傾結(jié)構(gòu)面.由點(diǎn)云的密度分布結(jié)合模型圖像，可認(rèn)為a、e、i結(jié)構(gòu)面是邊坡內(nèi)發(fā)育最為良好的結(jié)構(gòu)面，且其傾向均接近于邊坡，可判定為順坡，其傾角均超過(guò)65°且小于坡角，因此僅在自重的荷載下理論上存在著崩塌傾倒的風(fēng)險(xiǎn)，應(yīng)重點(diǎn)進(jìn)行監(jiān)測(cè)和支護(hù).b、f、g、j結(jié)構(gòu)面從出露面的角度觀察發(fā)育并不是十分良好，但其傾向均與邊坡接近，存在著一定的風(fēng)險(xiǎn).

結(jié)合以上分析及邊坡結(jié)構(gòu)面編錄結(jié)果，本研究區(qū)域內(nèi)存在7 組有風(fēng)險(xiǎn)的結(jié)構(gòu)面，其在惡劣氣候下極易引發(fā)山體滑坡等災(zāi)害，在工程支護(hù)中需要重點(diǎn)進(jìn)行加固與防范.

4 結(jié)論

本文利用無(wú)人機(jī)貼近攝影測(cè)量技術(shù)獲取到高分辨率的邊坡圖像，并以此構(gòu)建了精細(xì)化的三維模型，結(jié)合Knn 聚類算法及PCA 主成分分析算法實(shí)現(xiàn)了邊坡結(jié)構(gòu)面半自動(dòng)識(shí)別和分析，并應(yīng)用到實(shí)際工程中.主要結(jié)論如下：

1）無(wú)人機(jī)貼近攝影及SFM 算法能夠獲取高陡邊坡高分辨率圖像及三維模型和三維點(diǎn)云，其三維模型精度優(yōu)于2 cm.

2）基于Knn 聚類算法及PCA 算法的邊坡結(jié)構(gòu)面識(shí)別方法，能夠精確提取高陡邊坡的結(jié)構(gòu)面，識(shí)別結(jié)構(gòu)面形狀、位置、產(chǎn)狀等要素，其傾向及傾角的識(shí)別誤差分別小于3°和2°.

3）此方法可以有效地對(duì)高陡邊坡進(jìn)行產(chǎn)狀識(shí)別與測(cè)量，將其繪制成赤平投影極點(diǎn)圖以分析邊坡重點(diǎn)區(qū)域的優(yōu)勢(shì)結(jié)構(gòu)面，編錄邊坡的結(jié)構(gòu)面識(shí)別結(jié)果可應(yīng)用于定性的邊坡穩(wěn)定性分析及支護(hù)方案設(shè)計(jì).