基于掌子面三維幾何圖像計算Jv值的方法研究

曹 勇, 楊 川, 仇文革, 王先毫, 白衡斌, 凌 鵬

(1. 中鐵上海設計院集團有限公司, 上海 200070; 2. 皖贛鐵路安徽有限責任公司, 安徽 合肥 230000; 3. 成都天佑智隧科技有限公司, 四川 成都 610031; 4. 西南交通大學 交通隧道工程教育部重點實驗室,四川 成都 610031; 5. 中鐵十局集團第三建筑有限公司, 安徽 合肥 250101)

0 引言

隧道圍巖地質情況影響著施工進度與安全,故地勘資料的準確性決定了隧道支護設計的合理性。由于隧道地質情況的復雜多變且受技術、經費等限制,地勘資料與真實地質情況往往有較大的出入,導致施工參數設置不合理,造成工期延誤和經濟損失。通過分析開挖揭露的掌子面圍巖并確定圍巖等級,對施工參數動態調整意義重大。

圍巖完整度是確定圍巖分級的重要參數,掌子面圍巖結構面信息的獲取是圍巖完整度判識的基礎。傳統的圍巖結構面信息獲取方式是采用地質素描,但該方式存在數據采集困難、作業效率低等問題;同時,其測量結果受人員經驗影響,不利于掌子面圍巖分級評價[1]。

隨著非接觸測量方法的發展,有學者利用數字照相和激光掃描等技術進行圍巖信息的獲取和完整度的判識。在數字照相技術方面: 冷彪[2]采用單目視覺法研究了掌子面圖像地質信息的提取,并實現了已開挖部分隧道地質結構的可視化; 王鳳艷等[3]應用數字近景攝影測量建立產狀解算模型對巖體結構面幾何信息進行了研究,確定了模型的精度要求;楊民等[4]在數字圖像上通過像素測量方式能夠準確、快速獲取結構面間距; 陳建琴等[5]通過單相機雙目技術建立高精度掌子面三維模型,實現了巖體間距和粗糙度的自動化提取;謝壯等[6]采用多視幾何法獲取掌子面巖體表觀信息,提高了數據采集的靈活性;李赤謀等[7]采用Unet神經網絡算法對掌子面圖像節理跡線自動識別,結合圍巖強度信息,實現了掌子面圍巖分級。但數字照相技術需手動控制相機采集掌子面全景圖像,存在數據采集時間長和圖像重疊區域不均等問題。在隧道復雜、惡劣的工作環境中,較長的數據采集時間會使同組圖像質量難以保證以及會出現圖像上同名點難以匹配等問題[8]。在激光掃描技術方面: 劉昌軍等[9]、郭登上等[10]、葛云峰等[11]應用三維激光掃描獲取巖石邊坡點云,采用模糊聚類算法、區域生長算法實現了對圍巖結構面產狀的提取;荊洪迪等[12]在地下礦山工程中,將三維激光掃描和地質構造分析結合,實現了點云數據的結構面自動獲取;楊輝[13-14]將掌子面三維點云數據進行三角網重建,結合結構面空間跡線特征,采用最小路徑代價算法實現了結構面跡線提取。但當前以Faro等為代表的隧道激光掃描設備存在體積較大、攜帶不便的問題,且存在無法獲取巖體表面紋理信息的缺陷。綜上所述,目前大多學者對于非接觸測量的研究僅依托于單一技術手段,其在現場應用中存在一定的缺陷。

隨著激光掃描小型化設備的發展,其在車載激光雷達[15]、無人機避障[16]和輸電線路數據采集[17]等方面有了較多的應用。基于此,本文提出一種將小型激光掃描設備、相機和云臺結合的便攜式掌子面圍巖信息采集設備,可實現掌子面圍巖信息的快速采集。將激光掃描可獲取探測物體表面三維坐標的特點與相機可獲取目標形狀、顏色信息的特點相結合,建立具有高精度和實景色彩的掌子面三維模型,并基于卷積神經網絡算法建立一種隧道掌子面圍巖完整度的自動化判識方法,以期為隧道地質信息編錄提供支持。

1 掌子面三維模型構建方法

1.1 掌子面信息采集

在建立高精度掌子面三維模型前,需采集掌子面圍巖地質信息數據。使用自主研發的激光雷達與相機的組合設備——智隧慧眼和外置燈光作為數據采集工具(見圖1)。相機圖像數據處理基于多視幾何投影技術,相鄰圖像的重疊率需大于30%,故將設備與云臺結合,實現數據自動采集,降低人為因素干擾。為保證數據采集質量,減少隧道粉塵對成像質量的影響,選擇在出渣排險后、架立拱架前進行數據采集。采集時,儀器可在距掌子面5～10 m、邊墻1 m以上的區域內任意擺放。擺放后,借助水平氣泡基本調平設備,并使設備正面對準掌子面方向,采集過程中需避免人員遮擋和局部強光照射掌子面。數據采集示意如圖2所示。

圖1 數據采集設備

圖2 數據采集示意圖

1.2 三維模型構建

使用SMART EYE軟件對掌子面圍巖信息進行處理,建立高精度三維實景模型。針對掌子面圖像數據,采用SFM(structure from motion)技術,通過將多張掌子面圖像中的特征點匹配,利用攝影定理計算得到相機的位置等場景信息,再將場景信息與原始圖片相結合,得到物體的三維點云,最后使用泊松表面重建算法(poisson surface reconstruction)將點云連接形成三角網格進而構建三維曲面,完成圖像三維重構。圖像模型通過光學成像的方式獲取,可準確記錄掌子面的顏色狀態,具備很高的平面像素精度。

激光雷達利用飛行時間(time of flight)探測方法可以準確計算發射及接收電磁波的時間,測量被測目標距設備的距離,獲取圍巖表面的三維點云坐標,建立與隧道掌子面實際尺寸相同的三維點云模型,賦予模型三維矢量信息。

利用圍巖特征信息標定的方式獲取圖像重構模型和激光模型的內外參對應關系,通過矩陣轉換的方式將圖像模型投射到點云空間坐標系中,使圖像模型和點云模型相結合,統一坐標系。將開挖里程與模型進行匹配,實現模型在設計線路中的定位。掌子面重建模型如圖3所示。

(a) 圖像三維模型

1.3 掌子面分割

經過三維重建處理后得到的模型由初期支護、邊墻和掌子面組成。為便于分析開挖輪廓內的掌子面圍巖信息,需將模型進行分割。在確定模型和設計輪廓的尺寸關系后,結合里程信息對掌子面三維模型進行定位,以確定模型與設計線路里程的對應關系。利用現場施工提供的初期支護里程,完成模型初期支護的分割。利用掌子面的三角面網格法向量與設計線路有明顯的平行關系,邊墻的三角面網格法向量與設計線路有明顯的垂直關系,完成對模型中掌子面和邊墻的分割。掌子面三維模型分割如圖4所示。

(a) 三維模型

2 掌子面圍巖節理識別

2.1 模型結構面識別

基于不同結構面的法向量朝向有較大差異的特點,可對三維掌子面點云模型的結構面進行識別。其實現方式如下: 1)將掌子面模型結構面分割為不同的封閉小區域,采用聚類算法將法向量相同的封閉區域進行聚合,不同聚合區域之間存在的邊界即為結構面的三維跡線; 2)通過計算三維結構面區域內點云的平整度和結構面跡線的平滑度,剔除加權和小于設定閾值的三維結構面; 3)采用投影算法,將三維跡線投影至掌子面二維圖像上,即可得到掌子面的二維結構面跡線。結構面識別和投影如圖5所示。

(a) 三維識別

2.2 卷積神經網絡節理識別訓練

傳統的數字圖像處理技術和機器學習算法利用輪廓提取和特征點匹配等方式對掌子面結構面進行識別,但針對的場景單一、適用范圍小、正確率低下,不同光照、不同采集角度都會對圖像處理的結果產生很大影響,且提取得到的輪廓包含了大量的噪點,如挖掘機開挖痕跡等。而卷積神經網絡是目前進行圖像模式識別研究最有效的手段之一,可以完成復雜圖像特征的抽取,故本文選擇卷積神經網絡訓練軟件完成對掌子面圖像中圍巖節理跡線的識別和提取。訓練流程如下。

1)訓練數據集建立。地質工程師對生成的掌子面圖像進行結構面跡線標注,同時剔除機械劃痕和爆破等人為影響因素。標注的結構面跡線圖像數據以文本方式記錄,將標注后的文本和圖像匯總,與原始圖像一起形成數據集。結構面識別訓練如圖6所示。

(a) 原始圖像1 (b) 跡線標注1

2)數據集擴展?，F場采集的掌子面圖像尺寸較大,直接用于訓練對硬件設備有較高的要求,需要將圖像裁剪為小尺寸圖像,并將不含結構面跡線標注的掌子面圖像剔除。為增加數據集的多樣性,將訓練圖像進行隨機旋轉,翻轉,鏡像、亮度與飽和度調節等操作,并在處理圖像時,將標注的圖像數據共同處理,以保持一致性。

3)卷積神經網絡訓練。卷積神經網絡是通過前向計算輸入與權值的內積得到輸出,通過反向傳播算法不斷迭代更新權值,結合梯度下降方法,最后得到整個網絡最優的權值。將數據集圖像裁剪為800×800像素大小,利用卷積神經網絡監督學習,軟件識別效果達到設計精度要求或設計次數后停止訓練。神經網絡訓練如圖7所示。

(a) 原始圖像1 (b) 識別訓練1 (c) 訓練結果1

4)節理特征圖像處理。通過神經網絡模型得到的特征圖像是概率分布圖,需經過處理才能得到待定結構面區域,本文采用條件隨機場算法(CRF)對結構面圖像進行標記,算法步驟如下:

①設置隨機變量Xi∈L={l1,l2,…,lL}表示像素i的標簽,并根據X1,X2,…,XN組成隨機向量,N表示圖像的像素個數。

③在全連接的條件隨機場模型中,將標簽xi的能量表示為E(x)=∑iφu(xi)+∑i

④針對得到的E(x)進行閾值判斷,保留概率大于0.5的像素點,得到掌子面結構面概率閾值,如圖8所示。

圖8 掌子面結構面概率閾值圖

5)毛刺剔除及節理分組。首先,對閾值標簽圖像進行連通區域提取; 然后,對提取到的連通區域進行線條細化處理,得到單像素寬度的不規則線條; 最后,將訓練獲取的節理跡線與三維模型識別投影至二維平面上的結構面跡線進行重合度判斷。當二維識別結構面最小閉包與三維結構面投影區域基本重合時,說明二、三維同時識別了同一結構面。利用兩者角度的絕對差計算兩者最小閉包矩形重合率,將閉包面積小于預設閾值的區域進行剔除。

在對節理跡線進行分組時,為解決0°與360°重合導致無法使用歐式距離進行聚類的問題,利用式(1)計算基于統一參照坐標軸的角度,然后利用式(2)將角度映射到圓周上得到位置的坐標點。

(1)

式中:θ為跡線角度;x0、y0為原點坐標;x1、y1為跡線的起點坐標;x2、y2為跡線的終點坐標。

P(x,y)=(sinθ,cosθ)。

(2)

式中P(x,y)為跡線坐標點。

將處理后的節理跡線坐標點作為集合,使用Meanshift聚類算法對其進行分類。該算法通過隨機確定中心點,將距中心點帶寬之內的點作為集合;計算出中心點與集合中每個元素的向量,并將向量相加得到偏移值;將中心點沿偏移向量移動其模長的距離,直至偏移向量大小滿足設定的閾值,實現節理跡線坐標點聚類。聚類后的節理跡線取數量最多的前3組作為保留節理,剩余的組別作為雜亂結構面。掌子面素描結果如圖9所示。

圖9 掌子面素描結果

2.3 圍巖Jv值計算

《鐵路隧道設計規范》采用BQ法對圍巖進行評價,該方法是基于巖石堅硬程度和巖體完整程度2個指標,其中巖體堅硬程度由圍巖單軸飽和抗壓強度Rc得出、巖體完整程度通過巖體完整性指數Kv得出。BQ值計算見式(3)。

BQ=90+3Rc+250Kv。

(3)

式中: BQ為圍巖基本質量指標;Rc為圍巖單軸飽和抗壓強度;Kv為巖體完整性指數。

在進行BQ值計算時,Rc值可通過圍巖強度試驗直接獲取,Kv值的獲取則為本文的研究目標。由規范可知,Kv值與巖體體積節理數Jv值存在對應關系,而Jv值可由掌子面圍巖節理識別計算得出。Jv值和Kv值一般情況下的計算見式(4)[18]。

(4)

式中Jv為巖體體積節理數。

間距法是常用的Jv值測量方法。在本文中,卷積神經網絡算法提取掌子面節理跡線并分組后,通過做虛擬測線的方式可獲取各組節理跡線之間的間距并求得其平均值,通過式(5)計算出Jv值。

Jv=S1+S2+…+Sn+Sk。

(5)

式中:Sn為第n組節理每m長測線上的條數;Sk為每m3巖體非成組節理條數。

由式(5)可知,其默認假定為各組節理的法向計算測線長度均為1 m,但實際巖體中節理分布不均,節理間距存在明顯的離散性,而且當節理組與單位體表面斜交時,其計算測線長度大于1 m,故實際計算Jv值時,乘以1.05～1.1的修正系數[19]。

3 工程應用

本文研究方法在池黃鐵路嶺上村隧道和黃坑隧道進行了現場應用。其中,黃坑隧道位于黃山市黃山區境內,為單洞雙線隧道,隧道全長2 942 m,最大埋深約350 m。勘測資料顯示,隧址區域構造應力復雜,造成區域內褶曲、斷裂交錯,隧道洞身穩定性較差,故在開挖過程中進行隧道掌子面圍巖結構面特征信息提取對驗證勘察資料和指導施工有著重要意義。

3.1 掌子面模型構建及節理分析

在黃坑隧道DK64+695～+845段共采集18組掌子面數據對掌子面圍巖完整性進行分析?，F以DK64+706斷面掌子面為例,對掌子面圍巖結構面特征獲取進行描述。掌子面圍巖信息使用智隧慧眼設備進行采集,在該里程處共采集圖像23張。DK64+706掌子面圖像如圖10所示。將原始數據導入SMART EYE軟件后,經過拼接、三維點云生成、連接和擬合后,獲得的掌子面三維模型如圖11(a)所示,裁剪后的掌子面如圖11(b)所示。

圖10 DK64+706掌子面圖像

(a) 掌子面三維模型 (b) 裁剪后的掌子面

基于前述方法獲得的DK64+706斷面節理軟件識別效果如圖12(a)所示。該掌子面包含2組節理,組1節理的傾角主方向為49°、節理間距為0.51 m、平均長度為2.85 m; 組2節理的傾角主方向為-8°、節理間距為0.79 m、平均長度為3.26 m; 掌子面圍巖Jv值為3.55、Kv值為0.73。軟件識別結果與地質工程師素描結果(見圖12(b))進行對比,能夠識別出與之對應的節理跡線,驗證了該方法在隧道使用中的可行性和準確性。

(a) 軟件識別效果

3.2 掌子面巖體完整度分析

在黃坑隧道獲取的18組掌子面圍巖節理信息如表1所示?？梢钥闯? 開挖揭露的掌子面圍巖Kv值處于0.66～0.75,巖體完整程度為完整和較完整,總體來看應用段落內圍巖完整程度較好,適合隧道開挖施工。

表1 掌子面節理信息

DK64+695～+845段長150 m,共開挖46 d,施工進度反映了本文所用方法對圍巖完整度識別的準確性。

從現場應用可知,相比于傳統的人工獲取隧道圍巖節理信息的方式,采用本方法可以在不接觸的條件下,靈活、快速地從掌子面模型和圖像中獲取圍巖節理信息,避免了地質工程師暴露在掌子面開挖圍巖下方的風險,保證了在圍巖信息采集中的人身安全。此外,結合現場圍巖回彈試驗、點荷載試驗或隨鉆監測[20]等方式獲取的掌子面圍巖強度信息,可進行圍巖分級工作,為隧道地質信息編錄和施工調整提供依據。

4 結論與討論

1)提出掌子面圍巖信息快速采集方式,使用自研軟件實現圖像三維重構模型與激光掃描模型的匹配。利用掌子面和邊墻三角面網格模型法向量與設計線路的關系,實現三維模型的切割?，F場應用表明,該方法可快速建立掌子面三維實景模型,并避免了邊墻對圍巖結構面識別的影響,有較好的推廣應用價值。

2)利用三維模型中圍巖結構面法向量的差異,實現結構面三維識別。利用卷積神經網絡算法實現圍巖結構面的自動識別標記,結合Jv值計算式建立掌子面圍巖完整度判識方法,在黃坑隧道的現場應用中驗證了該方法的準確性和可行性。

3)掌子面圍巖分級作為確定隧道設計參數合理性的重要參數,是當前的研究熱點。本文研究的內容主要是圍巖完整度判識,僅為掌子面圍巖分級參數中的一部分,下一步將結合圍巖強度等參數對掌子面圍巖分級的自動判識進行研究。

現場應用證明: 本文提出的方法可獲得掌子面精確的圍巖結構面特征信息,具有良好的圍巖完整度判識效果; 但在現場應用中也表現出圖像模型和掃描模型結合精度不足、結構面自動識別準確率有待提高等局限,后續需注重模型結合算法和結構面識別算法的優化。