在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且...在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且设备的维护比较困难,有的设备操作较为复杂、成本较高。为了更为简便直观地监测矿井边坡的形变信息,结合基于学习的点云配准方法实现了一种基于激光点云配准的矿井边坡变形监测方法。该方法首先提出了一种深度学习模型SA-RPE(Self-Attention with Relative Position Encoding)(相对位置编码的自注意力模型)在矿山数据集上实现了点云配准,并通过实验数据进行了验证;然后,根据配准的结果对矿井边坡进行了形变分析,并通过截取矿井边坡点云不同方向的断面进一步分析了各个断面的形变程度,结合二维断面图与三维点云渲染图的实验结果,表明深度学习模型SA-RPE能够比较准确地实现矿山激光点云的配准任务。通过分析深度学习模型预测的配准结果中旋转矩阵与平移向量的误差能够很好地掌握矿山的整体形变信息,而矿井边坡点云在不同方向上的断面图直观地展现了每一处形变的程度,计算不同时期断面点云对应点之间的平均距离能定量地描述各个断面的形变程度,通过阈值检测出来的异常值反映了断面上发生了较大形变的区域。实验结果体现了所提方法能够在满足实时性的基础上准确直观地表现出矿山边坡变形的信息。展开更多
【目的】巷道点云数据的噪声去除与三维重建是实现巷道数字化建模与分析的关键环节,但目前传统单一滤波算法难以有效去除巷道点云不同尺度噪声,现有三维重建算法存在建模精度低、易失真等问题,因此需要研究获取高质量的巷道点云数据方...【目的】巷道点云数据的噪声去除与三维重建是实现巷道数字化建模与分析的关键环节,但目前传统单一滤波算法难以有效去除巷道点云不同尺度噪声,现有三维重建算法存在建模精度低、易失真等问题,因此需要研究获取高质量的巷道点云数据方法和构建高精确巷道三维模型技术。【方法】通过基于邻域半径R、最小邻域点数Imin、空间阈值σc、特征保持因子σs等参数自适应的分类巷道点云去噪算法,设计基于符号距离函数(signed distance functions,SDF)的深度学习隐式曲面重建方法。集成均值法、改进的基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)算法和改进的双边滤波算法,构建分类处理技术框架,集成算法自动分析巷道点云数据中的噪声类型,并通过自适应机制高效去除不同尺度噪声,实现主体点云数据的深度净化。采用PointNet++提取巷道点云局部区域特征,导入神经隐式网络学习局部上下文信息,生成全局模型SDF,并结合移动立方体算法构建精细化的巷道三维模型。【结果和结论】以安徽省张集煤矿1∶1模拟巷道为实验场景,开展多维空间的巷道点云去噪与三维重建研究。研究结果表明:(1)集成算法可根据巷道场景与噪声类别动态调整去噪策略,具备自适应优化性能,产生的Ⅰ类和Ⅱ类误差分别为1.54%和5.37%,可在保留主体点云特征的同时有效去除大、小尺度及重复点三类噪声。(2)重建算法能在保持巷道模型精度与光滑度的同时有效减少孔洞,且精准刻画复杂位置的结构细节,重建巷道的平均偏差、标准偏差、均方根误差分别为0.037、0.040、0.041 m,满足智能化矿山建设高精度要求,为矿山数字化转型升级与智能精准开采提供高质量的三维数据支撑。展开更多
文摘在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且设备的维护比较困难,有的设备操作较为复杂、成本较高。为了更为简便直观地监测矿井边坡的形变信息,结合基于学习的点云配准方法实现了一种基于激光点云配准的矿井边坡变形监测方法。该方法首先提出了一种深度学习模型SA-RPE(Self-Attention with Relative Position Encoding)(相对位置编码的自注意力模型)在矿山数据集上实现了点云配准,并通过实验数据进行了验证;然后,根据配准的结果对矿井边坡进行了形变分析,并通过截取矿井边坡点云不同方向的断面进一步分析了各个断面的形变程度,结合二维断面图与三维点云渲染图的实验结果,表明深度学习模型SA-RPE能够比较准确地实现矿山激光点云的配准任务。通过分析深度学习模型预测的配准结果中旋转矩阵与平移向量的误差能够很好地掌握矿山的整体形变信息,而矿井边坡点云在不同方向上的断面图直观地展现了每一处形变的程度,计算不同时期断面点云对应点之间的平均距离能定量地描述各个断面的形变程度,通过阈值检测出来的异常值反映了断面上发生了较大形变的区域。实验结果体现了所提方法能够在满足实时性的基础上准确直观地表现出矿山边坡变形的信息。
文摘【目的】巷道点云数据的噪声去除与三维重建是实现巷道数字化建模与分析的关键环节,但目前传统单一滤波算法难以有效去除巷道点云不同尺度噪声,现有三维重建算法存在建模精度低、易失真等问题,因此需要研究获取高质量的巷道点云数据方法和构建高精确巷道三维模型技术。【方法】通过基于邻域半径R、最小邻域点数Imin、空间阈值σc、特征保持因子σs等参数自适应的分类巷道点云去噪算法,设计基于符号距离函数(signed distance functions,SDF)的深度学习隐式曲面重建方法。集成均值法、改进的基于密度的聚类(density-based spatial clustering of applications with noise,DBSCAN)算法和改进的双边滤波算法,构建分类处理技术框架,集成算法自动分析巷道点云数据中的噪声类型,并通过自适应机制高效去除不同尺度噪声,实现主体点云数据的深度净化。采用PointNet++提取巷道点云局部区域特征,导入神经隐式网络学习局部上下文信息,生成全局模型SDF,并结合移动立方体算法构建精细化的巷道三维模型。【结果和结论】以安徽省张集煤矿1∶1模拟巷道为实验场景,开展多维空间的巷道点云去噪与三维重建研究。研究结果表明:(1)集成算法可根据巷道场景与噪声类别动态调整去噪策略,具备自适应优化性能,产生的Ⅰ类和Ⅱ类误差分别为1.54%和5.37%,可在保留主体点云特征的同时有效去除大、小尺度及重复点三类噪声。(2)重建算法能在保持巷道模型精度与光滑度的同时有效减少孔洞,且精准刻画复杂位置的结构细节,重建巷道的平均偏差、标准偏差、均方根误差分别为0.037、0.040、0.041 m,满足智能化矿山建设高精度要求,为矿山数字化转型升级与智能精准开采提供高质量的三维数据支撑。
