[发明专利]一种爆破残孔自动识别及特征提取方法

说明书

本发明涉及爆破三维点云数据处理技术，特别是一种爆破残孔自动识别方法，步骤1，点云原始数据预处理；步骤2，对预处理后的点云数据计算曲率特征，提取曲率特征点；步骤3，采用所述曲率特征点拟合空间直线，根据所述空间直线识别残孔。本发明通过提取高精度三维点云数据的曲率特征点拟合残孔位置轴线，实现了自动化高速、高效、高精度地识别爆破残孔，解决了传统方式识别残孔范围不全、识别难度大、效率低下、识别标准一致性差等缺陷，提供了一种适应未来智能化、精细化爆破需求的自动爆破残孔识别方法。本发明在上述爆破残孔自动识别方法的基础上还提供了一种爆破残孔特征自动提取方法。

技术领域

本发明涉及爆破三维点云数据处理技术，特别是一种爆破残孔自动识别及特征提取方法。

背景技术

随着爆破技术的发展和先进爆破技术的普及，对爆破质量评价提出了快速、准确和稳定的要求。

半孔率是评价光面爆破质量的一项重要指标，半孔率计算需要测量残孔的弧度和长度，而如何识别出爆破后的残孔是进行半孔率计算的核心问题。现有技术中采用肉眼对炮孔进行现场识别和判断，或是拍摄开挖面照片后在后期进行人工识别和判断。传统爆破残孔的长度测量采用皮尺或者全站仪进行抽样测量，测量难度大，精度有限。使用肉眼进行判断，会受到光照条件的影响，而岩体的纹理颜色也会对肉眼识别造成干扰。对残孔弧长的判断多是凭借经验进行的，实际残孔弧长是一种三维空间特征，使用二维图像难以得到准确数据，所以使用肉眼判断是难以保证其准确度的。

随着三维激光扫描技术的发展，数据获取难度和成本大大降低，使用三维激光扫描仪可以获取完整的光面爆破面三维空间点云数据。三维空间点云数据提供了光面爆破面的高精度信息，然而现有技术中尚未提出一种基于光面爆破面三维空间点云数据实现爆破残孔自动识别及特征提取的数据处理方法。

发明内容

针对现有技术采用人工识别爆破残孔存在的测量样本不全、测量难度大、测量精度低等问题，本发明的发明目的在于提供一种基于光面爆破三维空间点云数据的爆破残孔自动识别方法和爆破残孔特征自动提取方法。

本发明提供的技术方案为：

一种爆破残孔自动识别方法，包括：

步骤1，点云原始数据预处理；

步骤2，对预处理后的点云数据计算曲率特征，提取曲率特征点；

步骤3，采用所述曲率特征点拟合空间直线，根据所述空间直线识别残孔。

在具体的实施方式中，步骤1中所述预处理包括拼接、去噪和下采样。

三维激光扫描根据作业面积决定扫描的站数，由于获取的多站点云数据不在同一个坐标系下，所以需要进行拼接将其放置在同一坐标系中。拼接可以使用靶标进行，每一对待拼接的数据根据四个以上不共面的同名靶标，确定两者的相对位置关系，求得平移向量和旋转矩阵以完成坐标变换。多站数据拼接之后即可获得完整的点云数据。

空气中的浮尘常常造成明显偏离爆破面本体漂浮在空中的异常点，也可以称作离群噪声点。在具体的实施方式中，通过对每一个点的邻域进行统计分析，计算点到邻近点的平均距离，得到所述平均距离的高斯分布，高斯分布由均值和标准差决定，所述平均距离在标准范围之外的点，定义为异常点或离群噪声点去除。

为了提高残孔识别速度，提高计算效率，对所述点云数据进行下采样。在具体的实施方式中，所述下采样采用栅格化算法，使用长方体包围盒包围全部的点云，再将点云划分到均匀的立方体网格，如果网格内有点云数据，则使用网格中心点代替该网格内所有点云数据，网格划分的分辨率决定点云的压缩率。

进一步地，步骤2中三维点云特征计算采用移动最小二乘法计算曲率特征，即对每个点搜索其邻近点，用以拟合曲面并计算该点的曲率值。

进一步地，步骤2中曲率值按大小排序并提取指定比例的曲率特征点，得到曲率特征点的点云数据。