.png){kind=icon}
返回
Supervised classification-based framework for rock mass discontinuity identification using point cloud data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.enggeo.2025.107987.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
利用点云进行岩体不连续面映射与评估，是采矿、土木和地质工程中的关键任务。岩体不连续面对岩体的完整性、强度和稳定性具有显著影响。这些不连续面的产状也是岩体的关键特征。从点云中准确估计产状参数，能够更精确地预测岩体行为，从而提升安全性、提高开挖效率、降低运营成本并显著节省时间。为此，本文提出了一种基于监督分类的框架，用于从点云计算产状参数。监督分类在模型通过标记数据学习复杂模式以准确预测先前未见实例的任务中发挥着关键作用。所提出的方法包含八个步骤：数据采集、预处理（数据滤波）、自适应邻域尺寸选择（基于全方差）、特征提取（几何特征）、特征选择（最小冗余最大相关方法）、分类（支持向量机）、聚类（连通分量标记）以及平面拟合以计算产状参数（倾角和倾向）。该框架应用于两个真实数据集和一个合成数据集，后者以两种不同的子采样形式（随机和均匀子采样）进行测试。统计结果显示，该技术在检测和表征岩体不连续面方面有效，其准确率、召回率、精确率和F分数值在94.64%至99.57%之间。该方法在倾角和倾向测量中的偏差（与手动测量相比）在1%至4%之间，表明其与手动测量及现有研究高度一致。
Keyword:
Point cloud
Rock discontinuity
Orientation
Support vector machine
Connected component labeling
期刊
IF:
8.4
论文数:
6.7K
被引数:
3.8W
机构
引用论文
Discontinuity spacing analysis in rock masses using 3D point clouds使用3D点云分析岩体中的不连续间距.png)
ENGINEERING GEOLOGY
OAAI
ENGINEERING GEOLOGYIF8.4
OAAI分享收藏
A region-growing approach for automatic outcrop fracture extraction from a three-dimensional point cloud从三维点云自动提取露头裂缝的区域增长方法OAAI
OAAI分享收藏Semantic point cloud interpretation based on optimal neighborhoods, relevant features and efficient classifiers基于最优邻域、相关特征和高效分类器的语义点云解释
PREAI
分享收藏3D mapping of discontinuity traces using fusion of point cloud and image data使用点云和图像数据融合的不连续轨迹的3D映射
PREAI
分享收藏
查看更多内容