基于實測點云數據的隧道分割及形變檢測方法

摘要：隨著現代測繪技術的進步，點云數據成為了隧道健康監測中不可或缺的工具。針對如西氣東輸這類的大型能源輸送隧道，提出了一種基于實測點云數據的隧道分割及形變檢測方法。首先，通過結合幾何和密度的分割策略，準確地從原始點云數據中提取隧道結構。其次，采用時間序列和特征檢測策略，實現了對隧道微小形變的準確識別。此外，引入機器學習方法進一步提高了形變檢測的準確性和自動化程度。實驗結果表明：該方法在實際工程應用中具有很高的準確性和穩定性，為隧道的安全運營提供了有力的技術支撐。

關鍵詞：點云數據"隧道健康監測"形變檢測"機器學習"西氣東輸

中圖分類號：U45

Segmentation"and"Deformation"Detection"Methods"of"Tunnels"Based"on"Measured"Point"Cloud"Data

AN"Xin"ZHAO"Xiaotao"HU"Qiong

Chengdu"Branch，"China"Anneng"Group"Third"Engineering"Bureau"Co.，"Ltd.，"Chengdu，"Sichuan""Province，"611136"China

Abstract："With"the"advancement"of"modern"surveying"and"mapping"technology，"point"cloud"data"has"become"an"indispensable"tool"in"the"health"monitoring"of"tunnels."A"segmentation"and"deformation"detection"method"of"tunnels"based"on"measured"point"cloud"data"is"proposed"for"large-scale"energy"transmission"tunnels"such"as"the"west-east"gas"pipeline."Firstly，"by"a"segmentation"strategy"which"combines"with"geometry"and"density，"tunnel"structures"are"accurately"extracted"from"original"point"cloud"data."Secondly，time"series"and"feature"detection"strategies"are"used"to"achieve"the"accurate"recognition"of"the"slight"deformation"of"tunnels."In"addition，"the"machine"learning"method"is"introduced"to"further"improve"the"accuracy"and"automation"degree"of"deformation"detection."Experimental"results"show"that"this"method"has"high"accuracy"and"stability"in"practical"engineering"applications，"providing"strong"technical"support"for"the"safe"operation"of"tunnels.

Key"Words："Point"cloud"data;"Tunnel"health"monitoring;"Deformation"detection;"Machine"learning;"West-east"gas"transmission

隧道作為交通、能源傳輸和城市建設中的關鍵基礎設施，在近幾十年內得到了快速發展。特別是對“西氣東輸”這種重要能源輸送工程，隧道不僅承擔了輸送能源的核心任務，更體現了一個國家的工程建設和技術實力。但與此同時，隧道的安全性問題也逐漸浮現。近年來，由于自然環境變化、施工技術、材料老化等多種因素，隧道事故頻發，給人們的安全和經濟帶來了嚴重威脅。

為了確保隧道的安全運營，進行有效的隧道健康監測變得尤為重要。傳統的隧道監測方法，如基于傳感器的應力、撓度測量，雖然在一定程度上能夠提供隧道狀態的信息，但在數據的全面性、準確性和實時性上仍存在局限。隨著現代測繪技術，特別是點云技術的快速發展，基于實測點云數據的隧道健康監測成為了新的研究熱點。

1實測點云數據獲取與預處理

隧道工程中的點云數據獲取通常依賴于高精度的三維激光掃描儀，它們能夠短時間內為大型隧道施工項目提供詳盡的實測數據。隨著技術的發展，現代的激光掃描儀不僅具有高的掃描速度，而且具有出色的精度，非常適合用于此類應用。然而，為了從原始掃描中提取有價值的信息，通常需要進行一系列的數據預處理步驟[1-3]。

1.1原始點云數據往往含有噪聲

這些噪聲可能來源于掃描儀本身、環境干擾或其他物體（如施工機械、工人等）的運動。為了解決這個問題，首先需要使用統計離群值去除法，而這種方法基于每個點的局部鄰域的計算，將與其鄰居相比具有顯著偏差的點視為噪聲并進行去除。例如：當某一點的鄰近點的距離中位數超過預定的閾值時，這一點可能會被判定為噪聲并被去除。

1.2點云數據的獲取與預處理。

對于施工隧道的點云數據，可能會存在多個掃描的融合問題。由于隧道的長度和掃描儀的工作范圍，通常需要多次掃描來覆蓋整個隧道。這些掃描數據之間可能存在微小的偏移和旋轉，因此需要通過配準方法將它們對齊到統一的坐標系中。一種常用的方法是迭代最近點（Iterative"Closest"Point，ICP）算法，它通過最小化點之間的距離來迭代地對齊兩組數據。

在噪聲濾除和數據配準之后，接下來的步驟是地面平面的擬合與去除。隧道內部的地面可能會由于積水、碎石或其他雜物而被部分遮擋。為了獲得一個清晰的隧道輪廓，需要使用平面擬合算法（如RANSAC）來確定并去除地面。此外，由于隧道的自然幾何特性，可以進一步使用圓形或橢圓形的模型來擬合隧道的主體，為后續的形變檢測提供基準。

1.3提高數據處理速度。

為了提高數據處理速度，可以對點云進行下采樣。使用像體素網格這樣的方法，可以將點云中距離較近的點聚合到一個中心點，從而降低數據的復雜性，同時仍保留主要的幾何特征。

實測點云數據的獲取與預處理是隧道健康檢測的關鍵步驟，只有確保數據的質量，后續的分割、形變檢測等操作才能獲得可靠的結果。通過結合現代的掃描技術和先進的點云處理算法，可以為施工隧道的健康監測提供強大的技術支持。

2隧道分割方法

2.1"基于幾何特性的分割

隧道工程中，點云數據的有效分割是實現隧道形變監測的前提。基于幾何特性的分割方法，以其對于結構特性的直觀識別和簡便的算法實現，被廣泛應用于初步的隧道點云處理中。該方法通常利用隧道內壁的規則幾何形狀，如圓形、橢圓形或者馬蹄形，將隧道結構與周圍的巖土體、施工設備等非隧道元素分離。

首先，基于幾何特性的分割方法通常需要預設一個數學模型，以匹配隧道的理想幾何形態。例如：對于圓形隧道，可通過最小二乘法擬合一個幾何中心，并以此為核心進行圓環形的點云分割。對于形狀更加復雜的隧道，可能需要采用更高階的曲線或者曲面擬合技術，如NURBS（Non-Uniform"Rational"B-Splines）模型等。在實踐中，需要對這些模型進行參數調優，以適應實際的隧道形態和特定的點云數據分布。

其次，算法將基于預設模型，對原始點云數據進行迭代，逐步剔除不符合模型特征的點云。這個過程中，如何定義“不符合”的標準是一個關鍵問題。通常，研究者會設置一個閾值，用以衡量點云數據與幾何模型的偏差。當點云到模型的距離大于此閾值時，這些點將被視為“非隧道”元素，從而被分割出去。閾值的設定需要綜合考慮隧道的實際條件和點云數據的質量，既要確保隧道結構的完整性，又要避免將非隧道元素錯誤地劃入。

此外，隧道的特定結構特征，如內壁的接縫、加固環帶等，也可用作分割的依據。通過識別這些特征的典型幾何模式，算法能夠在復雜環境中準確地執行分割任務。例如：接縫通常表現為線性幾何特征，而加固環帶則表現為周期性的幾何變化，這些都可以通過幾何特征識別方法來有效分辨。

基于幾何特性的分割方法在處理簡單或規則的隧道結構時效果顯著，但在遇到隧道斷面變化大、內壁結構復雜或者數據噪聲較多的情況時，則需要結合其他算法或手動干預以提高分割的準確性[4]。

2.2"基于密度的分割

除了幾何特性之外，隧道內的不同結構也具有不同的點云密度。例如：固定在隧道壁上的設備或管道可能具有較高的點云密度，而隧道壁則相對均勻。

為了利用這一特性，首先計算每個點的局部密度，這可以通過計算該點周圍一定半徑內的鄰居數量來實現。得到局部密度后，可以設置一個閾值，將高密度區域與低密度區域區分開來。

此外，為了進一步提高分割的準確性，可以結合區域增長算法。選擇一個種子點（如隧道中心點），并基于其密度和鄰居的密度進行增長，直到滿足停止條件（如達到預定的區域大小或密度差異）。

雖然基于密度的方法在某些情況下可能不如基于幾何特性的方法準確，但它提供了一個強大的補充工具，特別是當隧道的幾何形狀變化復雜或受到干擾時。

3形變檢測方法

3.1"基于時間序列比較的檢測

對于隧道的形變檢測，經常采用的一種方法是定期收集隧道的點云數據，并將其與之前的數據進行比較。基于時間序列的形變檢測方法依賴于這種多次測量之間的比較。

首先，需要確保所有時間點的點云數據都被準確地配準到統一的坐標系統中。使用前文提到的ICP方法或其他先進的配準算法，可以確保不同時間點的數據對齊精確[5]。

配準完成后，可以直接計算兩個時間點之間同一位置點的距離。如果某個區域的點距離超過預設閾值，這可能表明該區域發生了形變。對于每個點，都可以計算其與參考數據集中的對應點的距離。如果此距離超過了一個預定閾值，那么這一點可能發生了形變。

為了對整個隧道的形變進行可視化，可以為每個點生成一個顏色映射，其中顏色的深淺代表了形變的大小。這種可視化方法不僅可以清晰地顯示哪些區域發生了形變，還可以提供形變的大小信息。

3.2"基于特征的形變檢測

除了直接比較點之間的距離外，另一種策略是提取并比較點云中的關鍵特征。這種方法的核心思想是，隧道的形變可能導致其內部特征的變化，如邊緣、平面、曲線或其他局部結構。

首先，使用特征提取算法，如Harris角點檢測、FAST特征或其他點云特定的特征檢測方法，從點云中提取關鍵特征。這些特征為隧道的形狀提供了一個緊湊且描述性的表示，可以有效地捕捉到形狀的變化。

其次，對于每一個特征，都可以計算其在不同時間點的變化。例如：如果一個特定的邊緣在新的數據集中變得模糊或消失，這可能表明該區域發生了形變。同樣地，新出現的特征也可能是形變的跡象。

為了更準確地判斷形變，還可以結合機器學習方法。訓練一個模型來識別正常和異常的隧道特征，并使用此模型對新收集的數據進行評估。這種方法可以自動地識別出可能的形變區域，大大提高了檢測的效率和準確性[6]。

4結果與討論

首先，采用上述的隧道分割方法，從海量的原始點云數據中準確地提取出了隧道主體，有效地去除了其他非隧道結構。基于幾何特性的分割方法在大多數隧道段落中表現良好，但在隧道形狀變化復雜或與其他結構交叉的部分，基于密度的分割方法則展現出更高的穩定性和準確性。研究表明，在實際應用中，結合多種分割策略可以獲得更為理想的結果。

在形變檢測方面，通過基于時間序列比較的方法，我們發現了多個隧道段落中的微小形變。尤其在某些施工后不久的區域，這種微小變化可能是隧道結構逐漸穩定的自然過程，或是由于土壤沉降、溫度變化等因素引起的。基于特征的形變檢測進一步確認了這些結果，并為我們提供了關于形變類型和可能的原因的更多細節。例如：某些新出現的裂縫特征暗示了土壤的側向壓力可能是導致形變的原因。

值得注意的是，機器學習方法的引入極大地提高了形變檢測的自動化程度。在初步訓練后，模型能夠自動區分正常和異常的隧道特征，有效地減少了人工審查的工作量。

5結論

本研究針對能源輸送隧道等特殊類型隧道的監測需求，提出并驗證了一種基于實測點云數據的隧道分割及形變檢測方法。該方法通過幾何特性分割技術有效地從復雜背景中提取出隧道結構，通過形變檢測算法準確識別出隧道的微小形變，具有較高的實用價值和推廣潛力。

在隧道分割方面，本方法通過對隧道的典型幾何特征進行分析，建立了一套準確性高、魯棒性好的分割流程，能夠在多種情況下穩定工作。形變檢測方面，采用時間序列分析結合機器學習算法，大幅提高了檢測的靈敏度和準確率，為早期預警提供了可能。

通過對比實驗和實際案例分析，驗證了所提方法的有效性。實驗結果顯示，該方法不僅能夠滿足工程監測的基本需求，還能夠在一定程度上適應復雜環境的變化，具有較好的穩健性和適應性。未來，隨著計算能力的提高和算法的進一步優化，本研究的方法有望在隧道健康監測領域得到更廣泛的應用。

參考文獻

• 李站國，王百泉，閆賀.隧道斷面及表觀病害智能檢測系統開發與應用[J].隧道建設（中英文），2022，42（S2）：556-565.
• 盧宏宇.基于點云模型特征提取的裝配式建筑施工過程監控方法[D].南京：東南大學，2022.
• 李勇，羅尹政，濮啟鵬等.一種適用于隧道場景的激光點云地面濾波和隧道壁及標靶球提取方法[J].中國激光，2023，50（13）：183-194.
• 劉慶."融合場力和算法的點云特征規則化在變形監測中的應用[D].武漢：武漢理工大學，2021.
• 宗成婕.基于改進的三維點云實例分割的地鐵隧道結構檢測[D].青島：青島大學，2023.
• 劉流.深部巷道圍巖變形實時監測與支護時機精準介入決策方法[D].淮南：安徽理工大學，2023.