摘要：準(zhǔn)確識(shí)別巖質(zhì)高邊坡結(jié)構(gòu)面和獲取產(chǎn)狀統(tǒng)計(jì)信息是進(jìn)行邊坡穩(wěn)定性分析的重要前提。無人機(jī)攝影測(cè)量技術(shù)為解決高邊坡結(jié)構(gòu)面準(zhǔn)確勘測(cè)難題提供了可能，但缺少高效準(zhǔn)確的影像后處理方法，且現(xiàn)有研究沒有考慮結(jié)構(gòu)面產(chǎn)狀信息特征的不確定性，致使結(jié)構(gòu)面識(shí)別準(zhǔn)確性差、效率低。針對(duì)該問題，以江西省南昌市某露天礦高邊坡為研究背景，提出了融合無人機(jī)攝影、后處理算法及統(tǒng)計(jì)分析的一體化結(jié)構(gòu)面識(shí)別與產(chǎn)狀統(tǒng)計(jì)信息采集方法。首先，通過Phantom 4 Pro V2.0 無人機(jī)獲取邊坡表面影像；其次，利用Context Capture 軟件進(jìn)行處理，得到高密度三維點(diǎn)云數(shù)據(jù)；然后，采用K 近鄰（KNN）算法中的確定近鄰點(diǎn)數(shù)量法構(gòu)建相似點(diǎn)集，采用基于密度的聚類（DBSCAN）算法進(jìn)行聚類分析，從而實(shí)現(xiàn)邊坡結(jié)構(gòu)面識(shí)別，獲得結(jié)構(gòu)面產(chǎn)狀信息并進(jìn)行統(tǒng)計(jì)特征分析；最后，通過現(xiàn)場(chǎng)勘測(cè)數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證。結(jié)果表明：該方法能夠快速獲取完整的高密度點(diǎn)云數(shù)據(jù)，準(zhǔn)確高效地識(shí)別巖質(zhì)高邊坡大部分結(jié)構(gòu)面，識(shí)別結(jié)果與邊坡工程現(xiàn)場(chǎng)實(shí)際情況基本吻合；該方法可獲取高邊坡結(jié)構(gòu)面數(shù)量、產(chǎn)狀信息及其統(tǒng)計(jì)特征，大部分結(jié)構(gòu)面傾角和傾向概率分布與實(shí)測(cè)數(shù)據(jù)擬合較好，為高邊坡裂隙網(wǎng)絡(luò)模型構(gòu)建及穩(wěn)定性分析提供了重要數(shù)據(jù)來源。

關(guān)鍵詞：巖質(zhì)高邊坡；結(jié)構(gòu)面識(shí)別；產(chǎn)狀統(tǒng)計(jì)信息；無人機(jī)攝影測(cè)量；K 近鄰算法；基于密度的聚類算法

中圖分類號(hào)：TD854.6 文獻(xiàn)標(biāo)志碼：A

0 引言

準(zhǔn)確獲取結(jié)構(gòu)面信息是巖質(zhì)邊坡穩(wěn)定性分析的重要前提。傳統(tǒng)的結(jié)構(gòu)面接觸式測(cè)量方法有測(cè)線法和測(cè)窗法，這2 種方法操作簡(jiǎn)單，但對(duì)測(cè)量者的專業(yè)技術(shù)水平要求較高，易受測(cè)量者主觀影響，對(duì)于復(fù)雜結(jié)構(gòu)面需要進(jìn)行多次測(cè)量和綜合分析，工作量大且效率低；尤其對(duì)于高陡邊坡，測(cè)量者無法直接進(jìn)行人工編錄，作業(yè)危險(xiǎn)性大，難以獲取全面的結(jié)構(gòu)面信息[1-2]。因此，高效準(zhǔn)確地采集巖質(zhì)高邊坡結(jié)構(gòu)面信息仍是一個(gè)關(guān)鍵難題。

針對(duì)傳統(tǒng)接觸式測(cè)量技術(shù)存在的各種問題，研究者提出了非接觸式測(cè)量技術(shù)，包括三維激光掃描技術(shù)和無人機(jī)攝影測(cè)量技術(shù)[3]。三維激光掃描技術(shù)對(duì)測(cè)量環(huán)境要求較高且相關(guān)設(shè)備價(jià)格昂貴。無人機(jī)攝影測(cè)量技術(shù)以無人機(jī)為云臺(tái)，通過機(jī)身搭載高精度數(shù)碼相機(jī)和傳感器對(duì)被測(cè)物體拍攝高清影像，然后結(jié)合計(jì)算機(jī)圖像處理軟件進(jìn)行后處理與分析[4]，具有機(jī)動(dòng)靈活、性價(jià)比高、維護(hù)簡(jiǎn)單和適用性強(qiáng)等優(yōu)勢(shì)，因而逐漸被應(yīng)用于數(shù)字化地形測(cè)繪、建筑物測(cè)量等領(lǐng)域[5]。

近年來，研究者將無人機(jī)攝影測(cè)量技術(shù)應(yīng)用于巖質(zhì)高邊坡結(jié)構(gòu)面識(shí)別中。趙明宇等[6]通過無人機(jī)和全站儀對(duì)邊坡進(jìn)行聯(lián)合測(cè)量，獲取了邊坡結(jié)構(gòu)面跡線和產(chǎn)狀信息。熊開治等[7]開展了基于無人機(jī)攝影測(cè)量技術(shù)的隨機(jī)裂隙網(wǎng)絡(luò)模型構(gòu)建方法研究。李水清等[8]基于無人機(jī)和“三點(diǎn)法”提出了一種巖體結(jié)構(gòu)面產(chǎn)狀統(tǒng)計(jì)的半自動(dòng)方法，克服了傳統(tǒng)方法的局限性。雖然無人機(jī)攝影測(cè)量技術(shù)可以獲取巖質(zhì)高邊坡表面的高清影像，但是缺少高效準(zhǔn)確的影像后處理方法，導(dǎo)致結(jié)構(gòu)面識(shí)別仍然存在準(zhǔn)確性差和效率低等缺點(diǎn)。一些學(xué)者嘗試采用不同數(shù)據(jù)處理算法進(jìn)行結(jié)構(gòu)面識(shí)別。沙鵬等[9]在采用無人機(jī)航測(cè)獲取邊坡圖像的基礎(chǔ)上， 結(jié)合運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)法（Structurefrom Motion，SfM）獲取邊坡巖體點(diǎn)云模型，進(jìn)而建立包含離散裂隙網(wǎng)絡(luò)的實(shí)際邊坡三維離散元模型。賈曙光等[10]使用無人機(jī)采集北京市某采石場(chǎng)地形數(shù)據(jù)，結(jié)合計(jì)算機(jī)視覺原理與SfM 方法重建了三維模型測(cè)量結(jié)構(gòu)面產(chǎn)狀。張愷等[11]采用無人機(jī)和SfM 法對(duì)浙江某露天采石場(chǎng)邊坡進(jìn)行三維重構(gòu)，提取巖體結(jié)構(gòu)面產(chǎn)狀。Liu Yongqiang 等[12]采用無人機(jī)拍攝高分辨率影像，開發(fā)了一種同時(shí)考慮產(chǎn)狀、跡長(zhǎng)和起伏度的結(jié)構(gòu)面分組新方法。然而，當(dāng)前算法在構(gòu)建高密度三維點(diǎn)云模型、精準(zhǔn)識(shí)別與擬合復(fù)雜結(jié)構(gòu)面存在局限性，且沒有充分考慮識(shí)別結(jié)構(gòu)面產(chǎn)狀信息統(tǒng)計(jì)特征的不確定性，亟需構(gòu)建高效準(zhǔn)確的融合高邊坡攝影、后處理算法及統(tǒng)計(jì)分析的一體化結(jié)構(gòu)面識(shí)別與產(chǎn)狀信息采集方法。

本文以江西省南昌市某露天礦高邊坡為研究背景，提出一種巖質(zhì)高邊坡結(jié)構(gòu)面識(shí)別及產(chǎn)狀統(tǒng)計(jì)信息采集方法。采用無人機(jī)攝影測(cè)量技術(shù)和計(jì)算機(jī)視覺原理，使用無人機(jī)對(duì)邊坡進(jìn)行航測(cè)并獲取基礎(chǔ)影像數(shù)據(jù)； 采用Context Capture 系列圖像處理軟件、Cloud Compare、DSE（Discontinuity Set Extractor）和多種算法進(jìn)行邊坡結(jié)構(gòu)面識(shí)別，進(jìn)而提取結(jié)構(gòu)面產(chǎn)狀信息，進(jìn)行產(chǎn)狀統(tǒng)計(jì)特征分析。

1 基于無人機(jī)攝影測(cè)量的結(jié)構(gòu)面信息采集

1.1 研究區(qū)概況

露天礦邊坡現(xiàn)場(chǎng)如圖1 所示。通過現(xiàn)場(chǎng)踏勘得知，邊坡長(zhǎng)約200 m，坡頂坡底落差約100 m，邊坡出露巖體節(jié)理裂隙發(fā)育。將研究區(qū)巖體劃分為上層和下層2 個(gè)部分，每層巖體高陡，難以直接采用傳統(tǒng)的接觸式測(cè)量方法進(jìn)行結(jié)構(gòu)面產(chǎn)狀測(cè)量。選擇地點(diǎn)開闊、人員稀少且不受磁場(chǎng)干擾影響的地區(qū)作為無人機(jī)飛行起降點(diǎn)，并通過云臺(tái)設(shè)置覆蓋整個(gè)研究區(qū)的飛行路線，進(jìn)行無人機(jī)攝影測(cè)量工作。

1.2 無人機(jī)影像處理

考慮到研究區(qū)地形復(fù)雜、障礙物多等因素，選擇體積小、控制性能好、操作簡(jiǎn)單的Phantom 4 ProV2.0 四旋翼無人機(jī)進(jìn)行測(cè)量。無人機(jī)系統(tǒng)主要包括飛行器、云臺(tái)、視覺系統(tǒng)、紅外感知系統(tǒng)、相機(jī)、遙控器、智能飛行電池和存儲(chǔ)器等組件。

采用無人機(jī)獲取高分辨率邊坡影像后，需要選擇合適的計(jì)算機(jī)圖像處理軟件基于圖像二維坐標(biāo)構(gòu)建三維點(diǎn)云模型。目前，常用的無人機(jī)航測(cè)影像后處理軟件主要包括Pix4D、大疆智圖、Photo Scan、Context Capture、Open Drone Map 等。其中， ContextCapture 具有快速、簡(jiǎn)單、全自動(dòng)等優(yōu)勢(shì)，能夠在無人工干預(yù)情況下，從簡(jiǎn)單連續(xù)的二維影像還原出真實(shí)的三維實(shí)景模型和超高密度點(diǎn)云模型。此外，該軟件還具有良好的輸入數(shù)據(jù)兼容性和廣泛的輸出數(shù)據(jù)格式，能夠滿足絕大多數(shù)的工作需要。因此，本文選擇Context Capture 軟件進(jìn)行無人機(jī)拍攝影像的后處理。

由于無人機(jī)配備有慣性測(cè)量裝置傳感器及全球定位系統(tǒng)（Global Positioning System，GPS）與全球軌道導(dǎo)航衛(wèi)星系統(tǒng)（Global Orbiting Navigation SatelliteSystem，GLONASS），在飛行作業(yè)中拍攝的影像均保留了傳感器信息、相機(jī)參數(shù)、照片姿態(tài)參數(shù)、照片位置參數(shù)等元數(shù)據(jù)，從而保證能夠輸出色彩真實(shí)、幾何形態(tài)及細(xì)節(jié)精細(xì)的三維模型。Context Capture 構(gòu)建三維點(diǎn)云模型的流程如圖2 所示。生成的邊坡上層和下層巖體高密度三維點(diǎn)云模型分別如圖3 和圖4所示，可看出模型與邊坡實(shí)物圖吻合度較高。

2 巖質(zhì)高邊坡結(jié)構(gòu)面識(shí)別

2.1 識(shí)別流程

在完成原始點(diǎn)云數(shù)據(jù)重采樣后，采用A. J. Riquelme等[13]基于Matlab 編寫的開源軟件DSE 進(jìn)行結(jié)構(gòu)面識(shí)別，流程如圖5 所示。

1） 將帶有空間點(diǎn)坐標(biāo)（X，Y，Z）和顏色信息的重采樣點(diǎn)云數(shù)據(jù)輸入到結(jié)構(gòu)面提取程序中。

2） 設(shè)置K 近鄰（K-Nearest Neighbor，KNN）算法中需要的參數(shù)?近鄰點(diǎn)數(shù)量K 和偏差參數(shù)ηmax，并根據(jù)確定好的參數(shù)尋找共面點(diǎn)。

3） 在搜尋到所有共面點(diǎn)子集后，分別進(jìn)行最優(yōu)平面擬合，計(jì)算擬合平面的法向量并作為對(duì)應(yīng)目標(biāo)點(diǎn)的法向量。

4） 在法向量密度圖的基礎(chǔ)上，采用Riquelme 算法計(jì)算極點(diǎn)密度，并確定主極點(diǎn)。

5） 采用基于密度的聚類（Density-Based SpatialClustering of Applications with Noise， DBSCAN）算法進(jìn)行聚類分析和結(jié)構(gòu)面識(shí)別，并通過最小二乘法計(jì)算結(jié)構(gòu)面的平面方程。

6） 輸出三維點(diǎn)云及結(jié)構(gòu)面數(shù)據(jù)。

2.2 關(guān)鍵技術(shù)

2.2.1 點(diǎn)法向量計(jì)算和極點(diǎn)統(tǒng)計(jì)分析

在邊坡結(jié)構(gòu)面識(shí)別過程中，尋找特征向量是進(jìn)行后續(xù)結(jié)構(gòu)面分組與提取的前提。通常選擇點(diǎn)法向量作為特征向量，但是每個(gè)單獨(dú)的點(diǎn)無法計(jì)算法向量，需要利用每個(gè)點(diǎn)和其相似點(diǎn)構(gòu)成平面的法向量作為該點(diǎn)的法向量。KNN 是一種非參數(shù)、有監(jiān)督的學(xué)習(xí)分類器，通過鄰近度指標(biāo)對(duì)單個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分類或預(yù)測(cè)[14]。KNN 算法主要包括近鄰點(diǎn)距離度量法和確定近鄰點(diǎn)數(shù)量法。① 近鄰點(diǎn)距離度量法：為了確定最接近給定目標(biāo)點(diǎn)的近鄰點(diǎn)，需要計(jì)算該點(diǎn)與其他數(shù)據(jù)點(diǎn)之間的距離，以該點(diǎn)為球心，將所有滿足給定距離的相鄰點(diǎn)都?xì)w屬于同一個(gè)點(diǎn)集。② 確定近鄰點(diǎn)數(shù)量法：規(guī)定目標(biāo)點(diǎn)需要尋找的近鄰點(diǎn)數(shù)量為一定值，從目標(biāo)點(diǎn)出發(fā)，將距離目標(biāo)點(diǎn)最近的K 個(gè)點(diǎn)歸屬于同一個(gè)點(diǎn)集。

由于點(diǎn)云密度存在不均勻性，采用近鄰點(diǎn)距離度量法進(jìn)行搜索時(shí)，可能會(huì)因?yàn)檫吔缣幇e(cuò)誤點(diǎn)而形成錯(cuò)誤平面，導(dǎo)致后續(xù)計(jì)算流程出現(xiàn)錯(cuò)誤[15]。而選擇確定近鄰點(diǎn)數(shù)量法進(jìn)行搜索時(shí)，可通過適當(dāng)縮小搜索半徑降低結(jié)果出錯(cuò)率。因此，本文選擇確定近鄰點(diǎn)數(shù)量法構(gòu)建相似點(diǎn)集。

需要指出的是，設(shè)置合適的近鄰點(diǎn)數(shù)量K 是保證KNN 算法性能的關(guān)鍵。如果K 值過?。ㄈ鏚 <15） ，那么在計(jì)算極點(diǎn)密度過程中會(huì)保留噪聲； 若K 值過大（如K > 30） ，則會(huì)降低結(jié)果的準(zhǔn)確性。同樣，對(duì)于偏差參數(shù)ηmax，如果ηmax< 15%，會(huì)導(dǎo)致符合的共面點(diǎn)被丟棄；而當(dāng)ηmax> 25%時(shí)，則會(huì)產(chǎn)生邊緣點(diǎn)。根據(jù)A. C. Rencher 和W. F. Christensen[16]的研究，如果1 組主成分的方差貢獻(xiàn)率不小于80%，則可認(rèn)為其能夠正確地表示數(shù)據(jù)。因此，本文中取K =30，ηmax= 20%。

確定點(diǎn)法向量后，采用Riquelme 算法計(jì)算極點(diǎn)的密度函數(shù)。該方法為點(diǎn)云中每個(gè)點(diǎn)指定主方向，但由于曲面的讀取誤差和極點(diǎn)分散等問題，使得局部極大值極點(diǎn)中只有少數(shù)點(diǎn)才是主極點(diǎn)。為此，通過設(shè)置參數(shù)和來尋找局部最大值點(diǎn)并作為主極點(diǎn)，np為可建立結(jié)構(gòu)面組的最大數(shù)量， γ為點(diǎn)法向量與指定主極點(diǎn)法向量之間的最大允許角度。本文設(shè)置np = 10，γ取20～30°。

2.2.2 聚類分析與平面擬合

為了找到每個(gè)結(jié)構(gòu)面組的數(shù)據(jù)子集并實(shí)現(xiàn)結(jié)構(gòu)面識(shí)別，本文采用文獻(xiàn)[17]提出的DBSCAN 算法進(jìn)行聚類分析。文獻(xiàn)[18]證明了該算法在點(diǎn)云數(shù)據(jù)處理中的實(shí)用性。該算法需要設(shè)置2 個(gè)輸入?yún)?shù)：ε 和min-pts。ε 表示可視為相鄰點(diǎn)的兩點(diǎn)間最大距離，一般根據(jù)點(diǎn)云密度確定；min-pts 為DBSCAN 算法中的閾值參數(shù)，即在1 個(gè)目標(biāo)點(diǎn)的鄰域內(nèi)至少包含的點(diǎn)數(shù)。min-pts 過大會(huì)導(dǎo)致碎片化，min-pts 過小會(huì)導(dǎo)致子集連接過多。本文設(shè)置ε 為4，min-pts 為5。

聚類分析原理：在數(shù)據(jù)集中任選1 個(gè)初始點(diǎn)，如果在距離該點(diǎn)ε 距離內(nèi)有超過min-pts 個(gè)點(diǎn)，則認(rèn)為這些點(diǎn)都屬于同一個(gè)聚類。以所有新添加的點(diǎn)為起始點(diǎn)， 搜索距離該點(diǎn)ε 距離內(nèi)是否也有超過minpts個(gè)點(diǎn)。如果有超過min-pts 個(gè)點(diǎn)，則把這些點(diǎn)也增加到與初始點(diǎn)同一聚類中，依此循環(huán)，直至沒有符合條件的可添加點(diǎn)為止，便可得到1 個(gè)聚類的所有子集。以該聚類外的任一點(diǎn)為初始點(diǎn)重復(fù)上述過程，直到所有的聚類分組都被找到。

完成聚類分析后， 需要計(jì)算結(jié)構(gòu)面的平面方程。設(shè)結(jié)構(gòu)面組i 的點(diǎn)集為Ri，屬于該組結(jié)構(gòu)面聚類j 的點(diǎn)集為Ri j，尋找Ri j的最佳擬合平面，其平面方程為

Ai jx+ Bi jy+Ci jz+Di j = 0 （1）

式中：（x， y， z）為點(diǎn)數(shù)據(jù)的坐標(biāo)信息；Ai j ，Bi j， Ci j分別為平面單位法向量在x，y，z 方向的分量；Di j為原點(diǎn)到平面的垂直距離。

2.2.3 點(diǎn)云數(shù)據(jù)前處理

經(jīng)過Context Capture 軟件處理獲得的點(diǎn)云密度通常很大，直接用于結(jié)構(gòu)面識(shí)別需要大量計(jì)算，時(shí)間成本大，效率低。為此，對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行前處理，在保證計(jì)算結(jié)果準(zhǔn)確性的前提下，最大限度地提高計(jì)算效率。Cloud Compare 軟件是一款開源的三維點(diǎn)云編輯與處理軟件，支持許多點(diǎn)云處理算法（包括點(diǎn)云配準(zhǔn)、重采樣、統(tǒng)計(jì)計(jì)算、自動(dòng)分割等），并包含大量插件可供選擇。因此， 本文選擇CloudCompare 軟件進(jìn)行點(diǎn)云數(shù)據(jù)重采樣處理。重采樣方法包括空間距離重采樣、隨機(jī)重采樣、八叉樹重采樣3 種。綜合比較， 本文選擇空間距離重采樣方法。由于研究區(qū)域范圍較大，原始點(diǎn)云數(shù)據(jù)過于龐大，為提高計(jì)算效率，在Cloud Compare 軟件中進(jìn)行重采樣時(shí)，設(shè)置兩點(diǎn)間的最小距離為5 cm。

2.3 識(shí)別結(jié)果驗(yàn)證

為了驗(yàn)證邊坡結(jié)構(gòu)面識(shí)別結(jié)果的準(zhǔn)確性，將邊坡結(jié)構(gòu)面識(shí)別結(jié)果與野外實(shí)地勘測(cè)的結(jié)構(gòu)面信息進(jìn)行對(duì)比分析。

分別對(duì)圖1 中高邊坡的上層巖體和下層巖體進(jìn)行結(jié)構(gòu)面識(shí)別，得到巖體法向量密度圖和三維點(diǎn)云，如圖6—圖9 所示。邊坡上層巖體共找到6 個(gè)主極點(diǎn)J1—J6（傾向/傾角）：J1（156.26°/66.07°），J2（177.52°/57.46°） ， J3（147.54°/34.49°） ， J4（197.45°/82.27°） ，J5（127.88°/78.31°） ， J6（221.05°/88.77°）。邊坡下層巖體共找到5 個(gè)主極點(diǎn)J7—J11： J7（155.00°/43.01°） ，J8（177.51°/57.45°） ， J9（135.02°/75.48°） ， J10（209.04°/72.65°），J11（354.48°/73.11°）。

識(shí)別的三維點(diǎn)云數(shù)據(jù)與實(shí)際邊坡結(jié)構(gòu)面的對(duì)比如圖10 所示。可看出，用本文方法識(shí)別的結(jié)構(gòu)面與邊坡工程現(xiàn)場(chǎng)實(shí)際情況基本吻合。

3 邊坡結(jié)構(gòu)面產(chǎn)狀統(tǒng)計(jì)信息采集

在聚類分析過程中對(duì)6 組結(jié)構(gòu)面的每個(gè)子聚類進(jìn)行平面擬合，分別得到其平面方程參數(shù)，利用這些參數(shù)可計(jì)算得到每個(gè)結(jié)構(gòu)面的傾角和走向，進(jìn)而得到其傾向[19-20]。因?yàn)榫垲惤Y(jié)果中存在很多小的聚類，難以形成有效的結(jié)構(gòu)面，所以設(shè)定一個(gè)閾值500，每個(gè)子聚類中的所有點(diǎn)數(shù)量不小于500 時(shí)才在輸出結(jié)果中顯示。利用Python 編寫的計(jì)算程序得到邊坡穩(wěn)定性定量評(píng)價(jià)需要的結(jié)構(gòu)面產(chǎn)狀信息。

對(duì)邊坡上層巖體進(jìn)行分析，得到擬合平面參數(shù)及結(jié)構(gòu)面產(chǎn)狀信息（表1），J1—J6 所在結(jié)構(gòu)面組中出露的結(jié)構(gòu)面數(shù)量依次為70，66，103，49，55，20。通過統(tǒng)計(jì)分析，得到各組結(jié)構(gòu)面傾角和傾向的概率分布直方圖及函數(shù)擬合曲線， 如圖11 所示， μ 為均值，σ 為標(biāo)準(zhǔn)差。

邊坡下層巖體擬合平面參數(shù)及結(jié)構(gòu)面產(chǎn)狀信息見表2。J7—J11 所在結(jié)構(gòu)面組中出露的結(jié)構(gòu)面數(shù)量依次為102，92，41，42，12。同理，通過統(tǒng)計(jì)分析可得到各組結(jié)構(gòu)面傾角和傾向的概率分布直方圖、函數(shù)擬合曲線和結(jié)構(gòu)面產(chǎn)狀分布特征。結(jié)構(gòu)面產(chǎn)狀統(tǒng)計(jì)特征見表3。邊坡結(jié)構(gòu)面產(chǎn)狀概率統(tǒng)計(jì)分布特征可以為高邊坡概率穩(wěn)定性的定量評(píng)價(jià)提供重要的數(shù)據(jù)來源。

4 討論

對(duì)比分析研究區(qū)高邊坡上層和下層巖體結(jié)構(gòu)面的概率分布直方圖及擬合結(jié)果可知，大部分結(jié)構(gòu)面的函數(shù)擬合效果較好，僅有少數(shù)結(jié)構(gòu)面的擬合效果較差。其可能原因主要如下：① 無人機(jī)獲取的圖像數(shù)量不夠多，導(dǎo)致部分結(jié)構(gòu)面細(xì)節(jié)丟失，進(jìn)而增大了點(diǎn)云數(shù)據(jù)提取過程中的誤差。② 研究區(qū)邊坡下層巖體表面局部存在植被，干擾點(diǎn)云數(shù)據(jù)聚類分析，影響結(jié)構(gòu)面產(chǎn)狀的計(jì)算結(jié)果。③ 一些結(jié)構(gòu)面組出露的結(jié)構(gòu)面數(shù)量很少，無法對(duì)其進(jìn)行準(zhǔn)確擬合。

相較于當(dāng)前結(jié)構(gòu)面識(shí)別研究[21-22]，本文方法具有以下優(yōu)勢(shì)。

1） 相較于三維激光掃描方法，本文方法具有效率高、操作簡(jiǎn)單和成本低等優(yōu)勢(shì)，尤其在一些人力無法到達(dá)和不利于架設(shè)觀測(cè)站的情況（如水電站庫岸邊坡等），更能突出無人機(jī)機(jī)動(dòng)靈活的優(yōu)勢(shì)。

2） 相較于其他數(shù)據(jù)處理算法（K-Means 算法等），DBSCAN 算法不需要事先指定聚類個(gè)數(shù)，能夠自動(dòng)識(shí)別簇的數(shù)量和形狀，同時(shí)能識(shí)別離群點(diǎn)，有效過濾噪聲數(shù)據(jù)，使得結(jié)構(gòu)面識(shí)別過程更高效、結(jié)果更準(zhǔn)確，且無需過多人工干預(yù)。

5 結(jié)論

1） 提出了基于無人機(jī)攝影測(cè)量技術(shù)和ContextCapture 系列軟件的邊坡結(jié)構(gòu)面點(diǎn)云數(shù)據(jù)獲取方法，具有效率高、操作簡(jiǎn)單和成本低等優(yōu)勢(shì)，為解決高邊坡結(jié)構(gòu)面勘測(cè)難題提供了有效途徑。

2） 采用KNN 算法和DBSCAN 算法進(jìn)行邊坡結(jié)構(gòu)面識(shí)別，實(shí)現(xiàn)了復(fù)雜邊坡結(jié)構(gòu)面的準(zhǔn)確高效識(shí)別和產(chǎn)狀信息快速提取，結(jié)構(gòu)面識(shí)別結(jié)果與工程實(shí)際吻合。

3） 巖質(zhì)高邊坡結(jié)構(gòu)面識(shí)別及產(chǎn)狀統(tǒng)計(jì)信息采集方法可獲取高邊坡結(jié)構(gòu)面數(shù)量、產(chǎn)狀信息及其統(tǒng)計(jì)特征，大部分結(jié)構(gòu)面傾角和傾向概率分布與實(shí)測(cè)數(shù)據(jù)擬合較好，為高邊坡裂隙網(wǎng)絡(luò)模型構(gòu)建及穩(wěn)定性分析提供了重要數(shù)據(jù)來源。

4） 下一步將繼續(xù)開展巖質(zhì)高邊坡結(jié)構(gòu)面網(wǎng)絡(luò)模型構(gòu)建和邊坡穩(wěn)定性與可靠度分析，并揭示結(jié)構(gòu)面分布對(duì)邊坡穩(wěn)定性的影響機(jī)制，最終實(shí)現(xiàn)科學(xué)指導(dǎo)水利水電工程、公路和露天礦邊坡的防護(hù)與安全運(yùn)行，降低邊坡支護(hù)成本和失穩(wěn)破壞造成的潛在損失。

參考文獻(xiàn)（References）：

[ 1 ]程昊，唐輝明，孫淼軍，等. 基于半跡長(zhǎng)測(cè)線法的巖體結(jié)構(gòu)面全跡長(zhǎng)概率分布及平均跡長(zhǎng)新算法[J]. 巖石力學(xué)與工程學(xué)報(bào)，2013，32（增刊2）：3073-3082.

CHENG Hao， TANG Huiming， SUN Miaojun， et al.New algorithm to determine rock mass discontinuitytrace length probabilistic distribution and mean tracelength based on semi-trace scanline surveys[J]. ChineseJournal of Rock Mechanics and Engineering， 2013，32（S2）：3073-3082.

[ 2 ]黃磊. 測(cè)線取樣法引起的巖體結(jié)構(gòu)面幾何偏差糾正[D]. 武漢：中國地質(zhì)大學(xué)，2014.

HUANG Lei. Correction of geometric deviation of rockmass structural plane caused by survey line samplingmethod[D]. Wuhan： China University of Geosciences，2014.

[ 3 ]朱合華，潘柄屹，武威，等. 巖體結(jié)構(gòu)面信息采集及識(shí)別方法研究進(jìn)展[J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2023，31（6）：1339-1360.

ZHU Hehua， PAN Bingyi， WU Wei， et al. Review oncollection and extraction methods of rock massdiscontinuity information[J]. Journal of Basic Scienceand Engineering，2023，31（6）：1339-1360.

[ 4 ]王巖，馬宏偉，王星，等. 基于迭代最近點(diǎn)的井下無人機(jī)實(shí)時(shí)位姿估計(jì)[J]. 工礦自動(dòng)化，2019，45（9）：25-29.

WANG Yan， MA Hongwei， WANG Xing， et al. Realtimepose estimation of underground unmanned aerialvehicle based on ICP method[J]. Industry and MineAutomation，2019，45（9）：25-29.

[ 5 ]高海躍，王凱，王保兵，等. 基于全局點(diǎn)云地圖的煤礦井下無人機(jī)定位方法[J]. 工礦自動(dòng)化，2023，49（8）：81-87，133.

GAO Haiyue， WANG Kai， WANG Baobing， et al.Positioning method for underground unmanned aerialvehicles in coal mines based on global point cloudmap[J]. Journal of Mine Automation， 2023， 49（8） ：81-87，133.

[ 6 ]趙明宇，王鳳艷，王明常，等. 基于無人機(jī)攝影測(cè)量的巖體結(jié)構(gòu)面信息獲取[J]. 工程地質(zhì)學(xué)報(bào)，2018，26（增刊1）：480-487.

ZHAO Mingyu， WANG Fengyan， WANG Mingchang，et al. Rock mass discontinuity acquisition based onphoto-grammetry of UAV[J]. Journal of EngineeringGeology，2018，26（S1）：480-487.

[ 7 ]熊開治，任志遠(yuǎn)，趙亞龍，等. 基于無人機(jī)航測(cè)的丹霞地貌區(qū)危巖結(jié)構(gòu)面識(shí)別與三維裂隙網(wǎng)絡(luò)模型——以重慶四面山景區(qū)為例[J]. 中國地質(zhì)災(zāi)害與防治學(xué)報(bào)，2021，32（5）：62-69.

XIONG Kaizhi， REN Zhiyuan， ZHAO Yalong， et al.Identification of dangerous rock structural planes andfracture network model in Danxia landform based onUAV aerial survey： a case study at Simianshan scenicarea of Chongqing[J]. The Chinese Journal ofGeological Hazard and Control，2021，32（5）：62-69.

[ 8 ]李水清，張慧超，劉乳燕. 無人機(jī)攝影測(cè)量半自動(dòng)統(tǒng)計(jì)巖體結(jié)構(gòu)面產(chǎn)狀[J]. 科學(xué)技術(shù)與工程，2017，17（26）：18-22.

LI Shuiqing， ZHANG Huichao， LIU Ruyan. Semiautomaticallycounting orientations of rock mass structuralplane based on unmanned aerial vehiclephotogrammetry[J]. Science Technology and Engineering，2017，17（26）：18-22.

[ 9 ]沙鵬，孔德珩，王紹亮，等. 高陡邊坡巖體結(jié)構(gòu)信息無cca24BjJPjxGpEIR1TgBXQ==人機(jī)識(shí)別與離散元數(shù)值模擬[J]. 工程地質(zhì)學(xué)報(bào)，2022，30（5）：1658-1668.

SHA Peng， KONG Deheng， WANG Shaoliang， et al.Identification of rockmass discontinuities and 3d discreteelement modeling of high slope based on unmannedaerial vehicle photogrammetry[J]. Journal ofEngineering Geology，2022，30（5）：1658-1668.

[10]賈曙光，金愛兵，趙怡晴. 無人機(jī)攝影測(cè)量在高陡邊坡地質(zhì)調(diào)查中的應(yīng)用[J]. 巖土力學(xué)， 2018， 39（3） ：1130-1136.

JIA Shuguang， JIN Aibing， ZHAO Yiqing. Applicationof UAV oblique photogrammetry in the field of geologysurvey at the high and steep slope[J]. Rock and SoilMechanics，2018，39（3）：1130-1136.

[11]張愷，伍法權(quán)，沙鵬，等. 基于無人機(jī)傾斜攝影的礦山邊坡巖體結(jié)構(gòu)編錄方法與工程應(yīng)用[J]. 工程地質(zhì)學(xué)報(bào)，2019，27（6）：1448-1455.

ZHANG Kai，WU Faquan，SHA Peng，et al. Geologicalcataloging method with oblique photo-graphy of UAVfor open-pit slope and its application[J]. Journal ofEngineering Geology，2019，27（6）：1448-1455.

[12]LIU Yongqiang， CHEN Jianping， TAN Chun， et al.Intelligent scanning for optimal rock discontinuity setsconsidering multiple parameters based on manifoldlearning combined with UAV photogrammetry[J].Engineering Geology， 2022， 309. DOI： 10.1016/j.enggeo.2022.106851.

[13]RIQUELME A J， ABELLáN A， TOMáS R， et al. Anew approach for semi-automatic rock mass jointsrecognition from 3D point clouds[J]. Computers &Geosciences，2014，68：38-52.

[14]COVER T， HART P. Nearest neighbor patternclassification[J]. IEEE Transactions on InformationTheory，1967，13（1）：21-27.

[15]LATO M J， DIEDERICHS M S， HUTCHINSON D J.Bias correction for view-limited lidar scanning of rockoutcrops for structural characterization[J]. RockMechanics and Rock Engineering，2010，43（5）：615-628.

[16]RENCHER A C， CHRISTENSEN W F. Methods ofmultivariate analysis[M]. Hoboken：Wiley，2012.

[17]ESTER M， KRIEGEL H P， SANDER J， et al. Adensity-based algorithm for discovering clusters in largespatial databases with noise[C]. 2nd InternatinalConference on Knowledge Discovery and Data Mining，Portland， 1996.

[18]TONINI M， ABELLAN A. Rockfall detection fromterrestrial LiDAR point clouds： a clustering approachusing R[J]. Journal of Spatial Information Science，2014（8）：95-110.

[19]何曠宇. 基于無人機(jī)貼近攝影高陡邊坡巖體表面信息識(shí)別方法[D]. 長(zhǎng)沙：湖南大學(xué)，2021.

HE Kuangyu. Study of rock mass surface informationidentification in high steep slopes based on nap-of-theobjectphotography[D]. Changsha： Hunan University，2021.

[20]郭戈. 基于三維激光掃描技術(shù)的巖體結(jié)構(gòu)面識(shí)別與巖體完整性評(píng)價(jià)研究[D]. 宜昌：三峽大學(xué)，2023.

GUO Ge. Study on rock mass structural planeidentification and rock mass integrity evaluation basedon 3D laser scanning technology[D]. Yichang： ChinaThree Gorges University，2023.

[21]葉震，許強(qiáng)，劉謙，等. 無人機(jī)傾斜攝影測(cè)量在邊坡巖體結(jié)構(gòu)面調(diào)查中的應(yīng)用[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2020，45（11）：1739-1746.

YE Zhen， XU Qiang， LIU Qian， et al. Application ofunmanned aerial vehicle oblique photogrammetry toinvestigation of high slope rock structure[J]. Geomaticsand Information Science of Wuhan University， 2020，45（11）：1739-1746.

[22]陳昌富，何曠宇，余加勇，等. 基于無人機(jī)貼近攝影的高陡邊坡結(jié)構(gòu)面識(shí)別[J]. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，49（1）：145-154.

CHEN Changfu， HE Kuangyu， YU Jiayong， et al.Identification of discontinuities of high steep slope basedon UAV nap-of-the-object photography[J]. Journal ofHunan University （Natural Sciences） ， 2022， 49（1） ：145-154.

基金項(xiàng)目：國家自然科學(xué)基金優(yōu)秀青年科學(xué)基金項(xiàng)目（52222905）； 江西省自然科學(xué)基金資助項(xiàng)目（20232ACB204031，20224ACB204019）；江西省水利科技計(jì)劃資助項(xiàng)目（202325ZDKT07， 202426ZDKT12）。