胡武婷, 劉 昶, 董秀軍, 鄧 博, 袁陽杰

(1.地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護(hù)國家重點(diǎn)實(shí)驗(yàn)室(成都理工大學(xué)),成都 610059;2.廣西壯族自治區(qū) 地質(zhì)環(huán)境監(jiān)測站,南寧 530005)

隨著中國基建事業(yè)的快速發(fā)展,各類工程建設(shè)的范圍及規(guī)模也日益擴(kuò)大,在水利水電、公路鐵路等工程建設(shè)中往往需要評(píng)價(jià)和處理巖體帶來的潛在工程隱患[1]。巖體結(jié)構(gòu)面也被稱為不連續(xù)面,在與巖體相關(guān)的工程活動(dòng)中,對(duì)巖體的強(qiáng)度、變形和穩(wěn)定性等方面起關(guān)鍵作用[2]。巖體結(jié)構(gòu)面信息可以用于各種地質(zhì)工程活動(dòng)中,如圍巖分級(jí)、場地評(píng)價(jià)、穩(wěn)定性分析等[3-6]。但對(duì)于一些山體陡峭、地質(zhì)環(huán)境復(fù)雜的地區(qū),人工測量難以實(shí)施。因此,如何高效且快速地獲取結(jié)構(gòu)面信息已成為開展巖體分析工作的首要問題。

傳統(tǒng)的人工測量采用的地質(zhì)羅盤已不滿足于現(xiàn)代工程地質(zhì)發(fā)展的需求,不僅野外工作量巨大,危險(xiǎn)性高,并且人為經(jīng)驗(yàn)影響大,無法高效快速地獲得結(jié)構(gòu)面信息[7-8]。攝影測量的出現(xiàn)改變了野外工作模式,實(shí)現(xiàn)了非接觸式的巖體測量,但這種方法仍存在許多問題。攝影測量對(duì)拍攝照片的精度要求較高,受光照影響大,并且需要對(duì)獲取的影像進(jìn)行幾何校正、影像鑲嵌及影像增強(qiáng)等一系列處理[9-10]。而三維激光掃描由于能夠?qū)崟r(shí)、快速地采集目標(biāo)物體表面三維空間信息,具有非接觸、實(shí)時(shí)、動(dòng)態(tài)、高密度、高精度等特點(diǎn),逐漸受到廣大學(xué)者青睞,已有眾多學(xué)者通過三維激光掃描獲取的點(diǎn)云數(shù)據(jù)對(duì)巖體結(jié)構(gòu)面進(jìn)行研究。N.R.Adriá[11]采用基于鄰點(diǎn)共面檢驗(yàn)的分析方法,通過核密度估計(jì)尋找主方向,并提出一種去除點(diǎn)云噪點(diǎn)的方法,結(jié)合密度簇算法對(duì)巖體結(jié)構(gòu)面進(jìn)行識(shí)別與分組。R.E.Hammah等[12]采用模糊聚類算法實(shí)現(xiàn)了結(jié)構(gòu)面自動(dòng)識(shí)別。A.Buyer等[13]使用DSE軟件結(jié)合Mathworks對(duì)巖體結(jié)構(gòu)面進(jìn)行自動(dòng)識(shí)別。葛云峰等[14]通過獲取巖體露頭點(diǎn)云數(shù)據(jù),結(jié)合改進(jìn)的區(qū)域生長法和幾何理論,實(shí)現(xiàn)了巖體結(jié)構(gòu)面的智能識(shí)別。郭登上等[15]基于三維激光點(diǎn)云數(shù)據(jù),改進(jìn)了點(diǎn)云主成分分析算法,并利用區(qū)域生長算法對(duì)點(diǎn)云法向量夾角及曲率閾值進(jìn)行分析,識(shí)別出了結(jié)構(gòu)面。王培濤等[16]計(jì)算了領(lǐng)域點(diǎn)法向量,利用夾角閾值收集同組結(jié)構(gòu)面法向量的坐標(biāo)系信息,對(duì)共面點(diǎn)云賦予同種顏色,從而開展了優(yōu)勢結(jié)構(gòu)面最優(yōu)分組的相關(guān)分析。劉昌軍等[17]對(duì)三維激光獲取的點(diǎn)云數(shù)據(jù)進(jìn)行三角網(wǎng)重構(gòu),并在此基礎(chǔ)上研究了巖體結(jié)構(gòu)面平面方程的擬合方法,從而得到了巖體結(jié)構(gòu)面產(chǎn)狀信息。寧浩等[18]通過計(jì)算點(diǎn)云法向量,并利用法向量對(duì)不同組結(jié)構(gòu)面點(diǎn)云賦以不同的顏色,從而實(shí)現(xiàn)了結(jié)構(gòu)面的識(shí)別,完成了結(jié)構(gòu)面產(chǎn)狀信息的提取。

通過前人的研究成果,可以發(fā)現(xiàn)利用三維激光掃描獲取的點(diǎn)云數(shù)據(jù)進(jìn)行結(jié)構(gòu)面研究已成為主流的地質(zhì)調(diào)查手段。結(jié)構(gòu)面識(shí)別中聚類算法尤為重要,其直接決定了最終的識(shí)別結(jié)果。但目前諸如K-mean均值聚類、密度峰值聚類、高斯混合聚類等非監(jiān)督聚類方法,需要人工確定分類組數(shù),往往會(huì)忽視小峰值的點(diǎn)云優(yōu)勢結(jié)構(gòu)面,導(dǎo)致識(shí)別效果差強(qiáng)人意,難以在工程中運(yùn)用。

為了解決這一問題,實(shí)現(xiàn)巖體優(yōu)勢結(jié)構(gòu)面的自動(dòng)識(shí)別,本文以三維激光掃描儀獲取的巖體點(diǎn)云數(shù)據(jù)為基礎(chǔ),通過KD樹(K-dimension tree)索引、共面分析、法向量提取、產(chǎn)狀計(jì)算、密度峰值計(jì)算等流程,提出了一種改進(jìn)的分水嶺算法,結(jié)合密度簇閾值分割實(shí)現(xiàn)點(diǎn)云優(yōu)勢結(jié)構(gòu)面的自動(dòng)聚類并得到對(duì)應(yīng)的產(chǎn)狀信息。

1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)所用的點(diǎn)云數(shù)據(jù)是一種具有離散型和隨機(jī)性的高密度點(diǎn)坐標(biāo)數(shù)據(jù),除了包含物體的坐標(biāo)信息,同時(shí)也包含物體的灰度及彩色信息。這些離散的點(diǎn)能夠快速復(fù)建出被測實(shí)體的三維模型,即具備物體三維空間特征又有別于真實(shí)物體,這里用抽象的離散點(diǎn)代表連續(xù)的、非平整的巖體結(jié)構(gòu)面。

貴州灰：觀賞石界稱黔太湖石、烏蒙石及盤江石，主要產(chǎn)于貴州喀斯特石山地區(qū)，石質(zhì)主要為石灰?guī)r、白云巖，儲(chǔ)量巨大，用途廣泛，對(duì)石漠化地區(qū)農(nóng)民扶貧解困、創(chuàng)業(yè)發(fā)展具有重要意義。

為了判斷算法的準(zhǔn)確性和有效性,本文采用標(biāo)準(zhǔn)二十面體進(jìn)行算法運(yùn)行效果檢驗(yàn);為了保證算法的適用性和抗噪性,采用真實(shí)巖體邊坡案列進(jìn)行驗(yàn)證。正二十面體數(shù)據(jù)集由瑞士洛桑大學(xué)使用三維掃描儀(Konica Minolta Vivid 9i)采集[11]。對(duì)物體總共進(jìn)行了10次掃描,平均距離為1 406 mm,設(shè)備掃描視線與頂點(diǎn)的傾斜角度約為301°。正二十面體是由10個(gè)不同不連續(xù)集上的20個(gè)三角面片組成的多面體,可由37.226萬個(gè)點(diǎn)表示。

無機(jī)非金屬材料工程專業(yè)課程改革應(yīng)在改善課程設(shè)計(jì)與教學(xué)設(shè)計(jì)的基礎(chǔ)上開展．線上線下教學(xué)結(jié)合、過程與集中相結(jié)合的考核方式有利于提高教學(xué)效果和學(xué)生成績．線上教學(xué)應(yīng)體現(xiàn)面的要素，課堂教學(xué)應(yīng)體現(xiàn)點(diǎn)的要素．課堂教學(xué)寬松的氣氛、自由的交流有利于促進(jìn)學(xué)生學(xué)習(xí)的主動(dòng)性與參與意識(shí)，培養(yǎng)學(xué)生的綜合素質(zhì)．科學(xué)、公正的考核方式是促進(jìn)改革成功，有效提高學(xué)生綜合素質(zhì)的基本保障．

現(xiàn)場巖體結(jié)構(gòu)面的采集數(shù)據(jù)來源于康定市一個(gè)自然巖質(zhì)邊坡,是通過徠卡ScanStation 2掃描儀獲取的點(diǎn)云數(shù)據(jù),邊坡經(jīng)度103°27′21.40″,緯度29°17′48.08″,體積約28 m×48 m×11 m,巖性為花崗巖,顏色呈灰白色。巖體節(jié)理裂隙發(fā)育,結(jié)構(gòu)面之間相互交叉,坡腳有明顯碎石堆積。其掃描速率可達(dá)50 000點(diǎn)/s,巖體灰度及彩色信息可現(xiàn)場掃描獲取。采集點(diǎn)云數(shù)量為183.786萬個(gè),點(diǎn)密度860個(gè)/m2。整體而言,三維點(diǎn)云數(shù)據(jù)完整,未出現(xiàn)明顯缺損情況,可精確識(shí)別邊坡巖體的空間信息。實(shí)驗(yàn)數(shù)據(jù)如圖1所示。

由于結(jié)構(gòu)面交界處二十面體法向量會(huì)出現(xiàn)偏移,使得點(diǎn)云極坐標(biāo)成環(huán)狀分布。利用高斯核密度分析對(duì)其進(jìn)行劃分,能夠獲得密度峰值點(diǎn),即聚類中心;同時(shí)能夠分配樣本點(diǎn)與剔除噪聲點(diǎn),是點(diǎn)云聚類前一個(gè)重要步驟。核密度估計(jì)被廣泛運(yùn)用于機(jī)器學(xué)習(xí)、圖像處理等領(lǐng)域。由于高斯核密度估計(jì)函數(shù)不會(huì)對(duì)概率密度估計(jì)造成明顯的影響,因此,其應(yīng)用較為廣泛。

圖1 實(shí)驗(yàn)所用數(shù)據(jù)Fig.1 Experimental data(A)標(biāo)準(zhǔn)二十面體;(B)真實(shí)巖體邊坡;(C)二十面體點(diǎn)云數(shù)據(jù);(D)巖體邊坡點(diǎn)云數(shù)據(jù)

2 原理與方法

為實(shí)現(xiàn)巖體結(jié)構(gòu)面自動(dòng)識(shí)別,需要進(jìn)行以下幾個(gè)步驟。首先,通過KD樹索引局域點(diǎn)云,利用PCA主成分分析法估算出點(diǎn)云法向量并進(jìn)行鄰域共面分析;其次,根據(jù)公式求解出點(diǎn)云局域平面的產(chǎn)狀,再使用高斯核密度處理點(diǎn)云極坐標(biāo)并進(jìn)行密度劃分;隨后,利用改進(jìn)分水嶺算法實(shí)現(xiàn)對(duì)巖體優(yōu)勢結(jié)構(gòu)面密度簇聚類;最后,通過設(shè)定一定的閾值完成優(yōu)勢結(jié)構(gòu)面的融合和修正,完成巖體優(yōu)勢結(jié)構(gòu)面產(chǎn)狀信息提取。具體流程如圖2。

圖2 基于改進(jìn)分水嶺算法識(shí)別巖體優(yōu)勢結(jié)構(gòu)面流程圖Fig.2 Identification of flow chart of rock mass dominant structural plane based on improved watershed algorithm

2.1 KD樹索引

為了高效獲取采樣點(diǎn)周圍鄰域的點(diǎn),方便后續(xù)法向量的計(jì)算,本文采用以KD樹為索引的點(diǎn)云最鄰近點(diǎn)搜索(圖3-C)。KD樹為二叉搜索樹的拓展,其本質(zhì)仍為二叉樹,對(duì)比八叉樹和四叉樹等索引方法,KD樹索引效率高,被廣泛應(yīng)用于高維數(shù)據(jù)索引。KD樹內(nèi)節(jié)點(diǎn)用(a,V)值表示,a為劃分緯度,V為劃分值,使用KD樹劃分空間數(shù)據(jù)點(diǎn)的樹結(jié)構(gòu)圖如圖3-A所示。在n維數(shù)據(jù)空間,(a,V)可以是一個(gè)n-1維的超平面。超平面將空間數(shù)據(jù)進(jìn)行劃分,可以劃分成a≤V與a>V的兩個(gè)子空間。圖3-B展示了KD樹在空間中的劃分,首先,紅線對(duì)空間進(jìn)行劃分,將空間一分為二;隨后綠線將兩個(gè)空間二分為四;最后藍(lán)線將4個(gè)空間四分為八。

圖3 KD樹示意圖Fig.3 Diagram of KD tree(A)KD樹平面圖;(B)KD樹空間示意圖;(C)KD樹索引示意圖

2.2 法向量提取

圖4 法向量提取示意圖Fig.4 Normal vector extraction diagram

(1)

根據(jù)《關(guān)于印發(fā)政府和社會(huì)資本合作模式操作指南（試行）的通知》（財(cái)金〔2014〕113號(hào)），PPP項(xiàng)目基本流程可概括為5大環(huán)節(jié)，共計(jì)19個(gè)節(jié)點(diǎn)。5大環(huán)節(jié)分別是項(xiàng)目識(shí)別、項(xiàng)目準(zhǔn)備、項(xiàng)目采購、項(xiàng)目執(zhí)行和項(xiàng)目移交。19個(gè)節(jié)點(diǎn)分別是項(xiàng)目發(fā)起、篩選、物有所值評(píng)價(jià)、財(cái)政承受能力論證、管理架構(gòu)組建、實(shí)施方案編制、實(shí)施方案審核、資格預(yù)審、采購文件編制、響應(yīng)文件評(píng)審、談判與合同簽署、項(xiàng)目公司設(shè)立、融資管理、績效檢測與支付、中期評(píng)估、移交準(zhǔn)備、性能測試、資產(chǎn)交割和績效評(píng)價(jià)（見圖1）。

2.3 共面分析和法向量轉(zhuǎn)換

共面檢驗(yàn)是基于PCA主成分分析法的,通過PCA算法確定點(diǎn)云集中各個(gè)點(diǎn)的3個(gè)特征值(λ1,λ2,λ3),其中通過λ3可以得到點(diǎn)云的局部曲率η。曲率η由以下公式定義

基于MIKEFLOOD陽澄湖一二維水動(dòng)力耦合模型研究………………………………………馬天海，孫 娟，顏劍波（1.25）

(3)

曲率(ηmax)被定義為點(diǎn)子集中最大允許偏差,是通過一定試驗(yàn)條件下的實(shí)際數(shù)據(jù)進(jìn)行靈敏度分析所得到的。η最大值為20%,當(dāng)η>ηmax時(shí),該子集將會(huì)被舍棄[19]。

很多觀景點(diǎn)都是根據(jù)四季植物景色的詩文而命名的，例如，蘇州怡園。夏天有賞荷花的藕香榭，冬天有賞梅花的南雪亭。同一種植物，在不同的季節(jié)也會(huì)有別樣的觀賞氛圍。例如，揚(yáng)州個(gè)園。代表春的筍發(fā)百獸興，代表夏的云蔚松鶴亭，代表秋的疊石問書徑，代表冬的踏雪聞風(fēng)行。沿著庭院游覽一圈，真的能感受到一年四季，仿佛經(jīng)歷了一次春夏秋冬的輪回。

完成點(diǎn)云法向量提取后,以方向朝Z軸正坐標(biāo)的方向?yàn)檎较?對(duì)方向?yàn)榉捶较虻姆ㄏ蛄窟M(jìn)行坐標(biāo)轉(zhuǎn)換,確保所有點(diǎn)云法向量都為正向,方便后續(xù)巖體傾向、傾角的計(jì)算(圖5)。若提取的點(diǎn)云法向量n=(A,B,C),當(dāng)C<0時(shí),新的法向量n′=(-A,-B,-C);當(dāng)C>0時(shí),n′=(A,B,C)。

2.4 產(chǎn)狀計(jì)算

完成傾向傾角提取后,二十面體點(diǎn)云產(chǎn)狀極坐標(biāo)分布如圖6所示。

Ax+By+Cz+D=0,(A,B,C,D)∈R

(4)

式中:R為實(shí)數(shù)集;A、B、C不同時(shí)為0;平面法向量坐標(biāo)為n′=(A,B,C)。通過結(jié)構(gòu)面上的點(diǎn),擬合出平面,就能得到相應(yīng)的平面方程,從而解算出方程參數(shù)。結(jié)構(gòu)面傾角β與傾向α的計(jì)算式如式(5)與式(6)所示[20]。

(5)

(6)

當(dāng)sinα0>0,cosα0>0時(shí),α=α0;當(dāng)sinα0>0,cosα0<0時(shí),α=180-α0;

在建筑工程施工中需要依靠大量的人力、財(cái)力與物力作為支撐，因此在建筑工程結(jié)構(gòu)設(shè)計(jì)過程中，不僅要充分考慮建筑工程的實(shí)用性、用戶需求等影響因素，還需要考慮當(dāng)?shù)氐氖┕l件與施工技術(shù)，才能夠建設(shè)出質(zhì)量最好、功能最完善的建筑工程。要盡量避免結(jié)構(gòu)設(shè)計(jì)無用功情況的存在，因此需有機(jī)統(tǒng)一理論與實(shí)際，以保障建筑工程結(jié)構(gòu)設(shè)計(jì)的可實(shí)行性。

當(dāng)sinα0<0,cosα0<0時(shí),α=180-α0;當(dāng)sinα0<0,cosα0>時(shí),α=2π+α0。

對(duì)標(biāo)國外先進(jìn)技術(shù)，渤海裝備目前已先后完成中國石油集團(tuán)公司科研項(xiàng)目6項(xiàng)，專利申報(bào)26項(xiàng)，技術(shù)攻關(guān)48項(xiàng)，為產(chǎn)品升級(jí)換代、適應(yīng)用戶新的更高要求提前做好技術(shù)儲(chǔ)備。

圖5 法向量轉(zhuǎn)換示意圖Fig.5 Normal vector conversion diagram

結(jié)構(gòu)面的傾向、傾角是通過法向量轉(zhuǎn)換而來的,在三維影像數(shù)據(jù)中計(jì)算產(chǎn)狀的基本數(shù)學(xué)模型如下:通過平面上不在同一直線的點(diǎn)(x,y,z)求取其平面方程

圖6 點(diǎn)云產(chǎn)狀極坐標(biāo)分布Fig.6 Polar coordinate distribution of point cloud occurrence

2.5 密度峰值計(jì)算

利用語音分析軟件Praat對(duì)這些單詞進(jìn)行語音的提取和分析，其中元音共振峰的測量借鑒了Lobanov 1971年首次使用的方法，并根據(jù)數(shù)據(jù)的特征，從統(tǒng)計(jì)學(xué)角度比較貴州民族學(xué)生和美國英語母語使用者內(nèi)部及其之間的F1F2數(shù)值，分析是否呈現(xiàn)顯著性差異。

若已知某個(gè)數(shù)據(jù)點(diǎn)p的概率分布,當(dāng)另一個(gè)數(shù)據(jù)q在附近出現(xiàn),則認(rèn)為數(shù)據(jù)點(diǎn)p的概率密度也會(huì)變大。針對(duì)觀察的第一個(gè)數(shù),一般常用K“核”來擬合概率密度,但“核”的選取對(duì)概率分布的影響不大。核密度估計(jì)通常表示為[21]

(7)

其中:h表示核函數(shù)寬度;xi-xj表示兩點(diǎn)距離;n表示分布數(shù)目。

核函數(shù)通常包括高斯核函數(shù)、三角核函數(shù)、二次核函數(shù)、均勻核函數(shù)等,高斯核函數(shù)通常表示為

(8)

與大多數(shù)算法相比,高斯核密度分析所需計(jì)算參數(shù)相對(duì)較少且簡單高效,可以迅速找到聚類中心。利用高斯核密度分析對(duì)正二十面體進(jìn)行劃分,結(jié)果如圖7所示。

圖7 二十面體核密度分析結(jié)果Fig.7 Icosahedral nucleus density analysis results

2.6 改進(jìn)的分水嶺聚類算法

密度分析后的結(jié)果需要通過聚類的方式完成巖體優(yōu)勢結(jié)構(gòu)組的自動(dòng)分割。目前常用的聚類算法有劃分式算法、層次化算法、基于密度的算法、基于網(wǎng)格的算法等[22]。但這類算法都需要人工監(jiān)督分類,主觀意識(shí)影響大,且面對(duì)高維或大規(guī)模數(shù)據(jù)時(shí),都需要選擇參數(shù),參數(shù)的選擇也是一項(xiàng)耗時(shí)的工作。本文利用的改進(jìn)分水嶺聚類算法無需人工選擇優(yōu)勢結(jié)構(gòu)面組數(shù)而能夠自動(dòng)聚類,避免了人工主觀性的影響。經(jīng)典的分水嶺最先由Luc Vincent[23]提出,這種算法能夠自動(dòng)發(fā)現(xiàn)相對(duì)集中的類簇[24]。其分割方法可以通過模擬浸入過程實(shí)現(xiàn),將梯度圖像中所有像素點(diǎn)的灰度值對(duì)應(yīng)地形的海拔高度,盆地等向下凹的區(qū)域則代表局部灰度極小點(diǎn),山脊則表示原始圖像的邊緣以及山脊與盆地之間的山坡。將整個(gè)模型浸入水中,并在各個(gè)“盆地”的最低點(diǎn)處刺孔,則水會(huì)從極小處向四周蔓延,在兩個(gè)相鄰盆地匯合處所構(gòu)成的大壩即為分水嶺(圖8)。

圖8 分水嶺模型Fig.8 Watershed model

在分水嶺算法中,由于暗紋理細(xì)節(jié)與暗噪聲的影響,圖像中出現(xiàn)許多偽極小值。而算法會(huì)混淆真正的極小值與偽極小值,把它們作為獨(dú)立區(qū)域分割出來,造成嚴(yán)重的分割問題,這種現(xiàn)象也被稱為過分割現(xiàn)象。處理過分割的方法通常有兩種,一是在分水嶺算法結(jié)束后,把相鄰的小區(qū)域進(jìn)行合并;二是對(duì)原圖像進(jìn)行濾波處理,從源頭上解決噪聲所引起的過分割問題。本文針對(duì)分水嶺算法存在的過分割現(xiàn)象,通過把相鄰小區(qū)域進(jìn)行合并改進(jìn)了傳統(tǒng)的分水嶺算法[25],具體步驟如下:

a.任意選擇一塊極小區(qū)域作為種子區(qū)域。

根據(jù)第2節(jié)內(nèi)容,求得自然巖質(zhì)邊坡結(jié)構(gòu)面產(chǎn)狀后,利用高斯核處理得到的點(diǎn)云極坐標(biāo),再通過改進(jìn)分水嶺算法完成巖體優(yōu)勢結(jié)構(gòu)面自動(dòng)聚類。將ηmax設(shè)為20%進(jìn)行共面濾波去噪,濾波后通過分水嶺算法,得到8組密度簇。對(duì)于濾波過后的數(shù)據(jù),由于部分小區(qū)域結(jié)構(gòu)面距離極近,將夾角閾值設(shè)定為15°,對(duì)改進(jìn)后的模型進(jìn)行密度簇的融合與修正,最后得到6組結(jié)構(gòu)面(圖10),其表征效果如圖11所示。

(9)

其中:(ai,bi,ci)和(at,bt,ct)為相鄰區(qū)域法向量;H為法向量夾角閾值,可根據(jù)用戶需求進(jìn)行設(shè)置。而對(duì)于夾角相差較大的區(qū)域則定為新的種子區(qū)域。

c.反復(fù)迭代計(jì)算,持續(xù)更新種子區(qū)域,直至所有相鄰區(qū)域不再相似,則完成合并,得到最終結(jié)果。

二十面體聚類結(jié)果如圖9所示。

圖9 二十面體聚類結(jié)果Fig.9 Cluster results of icosahedron

3 實(shí)例分析

3.1 工程實(shí)例

將第1節(jié)所提到的自然巖質(zhì)邊坡的三維點(diǎn)云數(shù)據(jù)作為研究對(duì)象,用以驗(yàn)證改進(jìn)的分水嶺聚類模型的可行性。

b.將與該區(qū)域相鄰的區(qū)域進(jìn)行合并。設(shè)與種子區(qū)域A1相鄰的區(qū)域?yàn)锳2、A3、…,對(duì)應(yīng)的向量夾角為θ2、θ3、…,計(jì)算兩向量夾角,其計(jì)算公式為

圖10 產(chǎn)狀?yuàn)A角閾值歸類Fig.10 Classification of threshold of occurrence angle

圖11 邊坡數(shù)字化表征效果Fig.11 Effect of slope digital representation(A)邊坡點(diǎn)云;(B)邊坡立面圖;(C)邊坡剖面圖;(D)高斯核密度分析結(jié)果;(E)基于改進(jìn)分水嶺算法提取優(yōu)勢結(jié)構(gòu)面結(jié)果

在產(chǎn)狀閾值歸類結(jié)束后,得到的6組優(yōu)勢結(jié)構(gòu)面,分別為:123.6°∠82.2°、87°∠76.1°、66.7°∠63.2°、306.8°∠49.3°、302.3°∠80.5°、328.4°∠61.1°。

開放獲取運(yùn)動(dòng)開展至今已經(jīng)有十幾個(gè)年頭，在科學(xué)界、出版界的推動(dòng)下，這場以促進(jìn)學(xué)術(shù)研究資源無限制獲取和再利用為宗旨的全球運(yùn)動(dòng)總體上呈增進(jìn)趨勢。2018年6月18日，開放獲取學(xué)術(shù)出版協(xié)會(huì)（OASPA）發(fā)布的2017年度會(huì)員機(jī)構(gòu)出版的開放獲取論文數(shù)量顯示，2017年全開放（full open access）雜志上發(fā)表的論文數(shù)為219，627篇，2016年為189，529篇，且在過去的幾年里開放獲取論文數(shù)量平均以14%—15%速度穩(wěn)步增長［1］。

3.2 效果檢驗(yàn)

應(yīng)用本文所提出的改進(jìn)分水嶺算法實(shí)現(xiàn)巖體優(yōu)勢結(jié)構(gòu)面的自動(dòng)識(shí)別,與人工測量相比,算法得益于以點(diǎn)云數(shù)據(jù)作為基礎(chǔ)數(shù)據(jù),不僅可以識(shí)別出完整且大塊的結(jié)構(gòu)面,對(duì)于一些破碎、層面出露不明顯的結(jié)構(gòu)面也有較好的識(shí)別效果。對(duì)算法提取出的優(yōu)勢結(jié)構(gòu)面進(jìn)行精度檢驗(yàn)后發(fā)現(xiàn),其傾向、傾角提取結(jié)果與人工測量結(jié)果高度吻合,統(tǒng)計(jì)結(jié)果如表1所示。

炮彈雨一樣潑了下來，底柱捂著耳朵數(shù)響聲，大聲喊：八二炮、山炮、野炮……炮聲漸漸稀了下去，正往后作延伸炮擊。

表1 人工測量產(chǎn)狀與算法提取產(chǎn)狀結(jié)果對(duì)比Table 1 Comparison of the results of manual measurement and algorithm extraction of occurrence

結(jié)果顯示,傾向、傾角最大誤差分別為2.2°和2.9°,均滿足地質(zhì)結(jié)構(gòu)面產(chǎn)狀測量精度所要求的±5°范圍內(nèi)[26]。傾向、傾角平均誤差值都為1.8°,可以看出改進(jìn)分水嶺算法對(duì)優(yōu)勢結(jié)構(gòu)面有較為準(zhǔn)確的識(shí)別效果,極大程度上還原了巖體結(jié)構(gòu)面特征,滿足工程需求。

將算法運(yùn)用于其他復(fù)雜巖質(zhì)坡體后發(fā)現(xiàn),改進(jìn)分水嶺算法除了適用于本文的自然巖質(zhì)邊坡點(diǎn)云數(shù)據(jù),對(duì)于危巖體以及人工開挖巖質(zhì)邊坡也同樣適用。其結(jié)構(gòu)面識(shí)別效果如圖12所示。利用改進(jìn)分水嶺算法提取人工開挖邊坡優(yōu)勢結(jié)構(gòu)面,可以得到9組優(yōu)勢結(jié)構(gòu)面(圖12-B)。利用該算法提取危巖體優(yōu)勢結(jié)構(gòu)面,可以得到8組優(yōu)勢結(jié)構(gòu)面(圖12-D)。與人工測量結(jié)果相比較,改進(jìn)分水嶺算法對(duì)于不同類型的坡體,產(chǎn)狀識(shí)別精度都比較高,其實(shí)測值與計(jì)算值對(duì)比情況如表2及表3所示。

圖12 分水嶺算法應(yīng)用Fig.12 Application of watershed algorithm(A)人工開挖巖質(zhì)邊坡;(B)人工開挖巖質(zhì)邊坡優(yōu)勢結(jié)構(gòu)面識(shí)別結(jié)果;(C)危巖體;(D)危巖體優(yōu)勢結(jié)構(gòu)面識(shí)別結(jié)果

表2 人工開挖邊坡人工測量產(chǎn)狀與算法提取產(chǎn)狀結(jié)果對(duì)比Table 2 Comparison of the results of manual measurement and algorithm extraction for slope excavation

表3 危巖體人工測量產(chǎn)狀與算法提取產(chǎn)狀結(jié)果對(duì)比Table 3 Comparison of the results of manual measurement and algorithm extraction for dangerous rock mass

結(jié)果顯示,人工開挖邊坡與危巖體優(yōu)勢結(jié)構(gòu)面的實(shí)測值與計(jì)算值之差均滿足精度要求的±5°之內(nèi)。改進(jìn)分水嶺算法除了對(duì)于人工開挖邊坡與危巖體優(yōu)勢結(jié)構(gòu)面的識(shí)別準(zhǔn)確度較高外,更避免了人工主觀性過強(qiáng)而影響識(shí)別結(jié)果。使用改進(jìn)分水嶺算法能夠更大精度挖掘細(xì)小結(jié)構(gòu)面,達(dá)到良好的識(shí)別效果。

4 結(jié)論

本文提出了一種基于改進(jìn)分水嶺算法的優(yōu)勢結(jié)構(gòu)面自動(dòng)識(shí)別方法,通過標(biāo)準(zhǔn)二十面體點(diǎn)云數(shù)據(jù)與現(xiàn)場自然邊坡點(diǎn)云數(shù)據(jù)驗(yàn)證了算法的可靠性。取得的結(jié)論如下:

a.本文提出的改進(jìn)分水嶺算法,采用密度簇的閾值分割方法,與非監(jiān)督聚類算法不同,此算法無需確定種數(shù)類別,便可得到結(jié)構(gòu)面最優(yōu)聚類組數(shù)及產(chǎn)狀。

關(guān)于語體分類的問題，眾說紛紜?？谡Z和書面語的語體分類是根據(jù)語言表達(dá)的媒介物來區(qū)分的，對(duì)話語體和獨(dú)白語體則是根據(jù)場景中語言使用者是否即時(shí)互動(dòng)為特征的，科技體、文藝體等是根據(jù)語言使用的領(lǐng)域來區(qū)別的。我們認(rèn)為還可以根據(jù)語言使用的功能和意圖來區(qū)分(參見李秀明：2011)。

b.改進(jìn)分水嶺算法對(duì)于優(yōu)勢結(jié)構(gòu)面自動(dòng)提取的適用性更強(qiáng),不僅能夠適用于自然巖質(zhì)邊坡,同時(shí)也能適用于一些復(fù)雜巖體邊坡,如人工開挖邊坡、危巖體等。

c.本文算法對(duì)于層面出露不明顯以及野外難以觀測的次發(fā)育結(jié)構(gòu)面仍有良好的識(shí)別效果,且識(shí)別結(jié)果滿足精度要求。