巖質邊坡結構面交互式識別技術與系統研發

代永新 徐 全 盧敬標 李子健 張思遠 楊月明

(1.中鋼集團馬鞍山礦山研究總院股份有限公司,安徽 馬鞍山 243000;2.山東大學土建與水利學院,山東 濟南 250061;3.非煤露天礦山災害防控國家礦山安全監察局重點實驗室,安徽 馬鞍山 243000;4.金屬礦山安全與健康國家重點實驗室,安徽 馬鞍山 243000)

礦山巖土工程安全是礦產資源安全高效開采的基礎保障。 隨著科技的迅猛發展,礦產資源開采已向更高、更深邁進,產生了大型露天礦山邊坡,同時也產生了一系列復雜的巖土工程問題。 其中,大型露天礦山邊坡以巖質邊坡為主,結構面的空間展布和組成特征是決定巖質邊坡穩定性的重要因素。 因此,準確獲取邊坡巖體的結構面對于邊坡的穩定性分析至關重要[1-5]。

目前,結構面的獲取方式大致有接觸式測量和非接觸式測量兩種。 接觸式測量主要是在現場設置測窗或測線,使用羅盤和皮尺對結構面進行人工測量,該方法受限于地形條件、工作效率及工作人員作業水平,難以實現大規模、高效準確的測量[6],并且由于邊坡高陡特征以及工程現場環境的復雜性往往存在較大的安全隱患。 非接觸式測量方法主要包括:① 鉆探技術,通過鉆孔方式獲取巖芯確定產狀或利用光學設備探入鉆孔內獲取巖體結構信息[7-11];② 三維激光掃描法,利用三維激光掃描儀獲取巖體結構面高精度點云數據,再根據點云的幾何特征識別巖體結構面[11-14];③ 數字攝影測量法,基于數字圖像與攝影測量的基本原理,應用計算機三維成像技術、影像匹配、圖像插值多學科理論與方法,構建拍攝對象的三維實景模型,并根據實景模型獲取巖體結構面信息[15-19]。

數字攝影測量法是一種非常優秀的巖體結構面非接觸式測量法,該方法的迅速發展主要得益于近年來無人機技術的快速發展和廣泛使用。 業內學者借助該技術主要從兩個方面進行結構面識別:① 基于該技術獲取巖質邊坡點云或網格的法向量特征識別巖體結構面[20-23];② 生成三維實景模型,通過交互方式獲取巖體結構面,國外在該方面已有相關成熟的產品,如奧地利3GSM、澳大利亞SIROVISION。 目前,國內主要研究基于點云的巖體結構面獲取方法,但該方法存在顯著不足[20],無法有效滿足工程應用需求。具體來說,無法有效識別出以跡線方式出露的結構面,易將碎石覆蓋形成的平面或人工開挖形成的斷口誤判為結構面,對于小尺度的結構面易被忽略。 對于交互識別系統,業內學者主要使用奧地利3GSM、澳大利亞SIROVISION 成熟產品或開源工具性軟件進行相關研究。 如毛權生等[24]使用3GSM 公司的ShapeMetriX3D 數字攝影測量系統對南泥湖鉬礦采場高陡邊坡進行了結構面采集和分析;姚富潭等[25]基于傾斜攝影技術獲取危巖體的三維實景模型、三維空間點云等數據成果,并通過DSE 程序法[26]實現了巖體結構面產狀信息的半自動提取。

基于三維實景模型的交互方式識別巖體結構面,其清晰度和精度均優于基于點云或網格的識別方式。因此,本研究以圖形庫技術為基礎,編寫能夠滿足三角網格、貼圖信息、點線面顯示等元素渲染的函數集,將傾斜攝影獲取的巖質邊坡三維實景模型進行可視化分析,結合Arcball 交互技術并基于實景模型以點、線、面的方式對結構面進行交互識別。 同時,將結構面優勢組劃分、間距統計、跡長統計、邊坡破壞模式分析等功能進行組合,開發了邊坡巖體結構面交互識別系統。 該系統能夠對邊坡巖體結構面進行高效準確的識別,有助于提高邊坡穩定性分析的可靠性、及時性和準確性。

1 方法與原理

1.1 邊坡高精度三維實景模型構建

在巖體邊坡結構面識別過程中,建立高精度的三維實景模型是關鍵環節,實景模型包含了空間坐標和紋理等多種信息,為進一步進行巖體結構面交互識別與分析奠定了堅實基礎。 可以采用多種方法構建高質量的三維實景模型,如攝影測量與立體視覺、激光掃描、立體攝影與重建、全景相機以及深度學習技術等。 具體的方法選擇取決于場景復雜性、經費預算、精度要求和可用技術設備。 典型的高精度邊坡三維實景建模流程如圖1 所示,包括信息采集、三維重構、三維實景模型生成與輸出3 個典型環節。

圖1 邊坡高精度三維實景建模流程Fig.1 High precision 3D real scene modeling process of slope

圖1 中,“三維重構”是核心流程,主要采用SFM算法進行圖像三維重建和測量[27-32]。 SFM 算法通過分析多幅圖像中的視覺特征和相機運動,可以估計出場景中的三維點云和相機姿態,從而實現對物體或地面的三維建模。 該算法具體實現流程包括特征提取與匹配、對齊與稀疏重構、優化與稠密重建、網格生成、紋理映射與模型生成。 然而,SFM 算法也存在一些不足:① 在獲取精度較高且范圍較廣的模型時,三維重建流程非常耗時,且對計算機的硬件條件有一定要求;② 模型坐標以初次拍攝照片時相機的局部坐標系為基準,導致模型在空間方位上與實際測量中的東北天(ENU)坐標系不符合;③ 模型尺度與真實尺度存在縮放關系,無法直接量取真實距離。

因此,在“信息采集”流程中,除了需要采集圖像信息以外,還需要獲取方位、尺度信息來解決SFM 法存在的尺度與方位不確定性問題。 在實際應用中,通常針對不同尺度的邊坡場景,選擇不同的手段構建高精度三維實景模型。 對于小尺度邊坡場景,可直接使用相機或手機拍攝多角度圖像(圖1),并結合位姿校正設備獲取建模信息,如文獻[28]使用的“L”形標尺或3GSM 中使用的圓盤。 對于大尺度邊坡場景,可借助無人機進行傾斜攝影獲取圖像,并通過空三解算構建大場景邊坡三維實景模型,其中無人機自帶的RTK 或人工布設的像控點可用于位姿控制。

1.2 巖體結構面識別與解譯

結構面在巖體露頭中主要以跡線、面的方式呈現,如圖2 所示。 基于高精度三維實景模型的結構面識別思路,主要是通過觀察高精度巖質邊坡三維實景模型,并選取結構面上不共線的3 個或多個控制點(特征點),再對結構面的產狀、間距、跡長等信息進行解譯。

圖2 巖體中結構面出露方式Fig.2 Appearance of structural plane in rock mass

1.2.1 結構面產狀求解

巖體結構面產狀一般用傾向α(0°～360°)和傾角β(0°～90°)表示,巖體結構面傾向和傾角的空間幾何關系如圖3 所示。 圖3 所示三維空間坐標系中,X軸正方向對應地理正東方向,Y軸正方向對應地理正北方向,Z軸正方向為垂直向上方向。 高精度巖質邊坡三維實景模型中的坐標系與圖3 坐標系相同,可在三維實景模型中根據所選結構面的控制點,采用最小二乘法擬合最優平面,求得最優平面的法向量N(a,b,c) ,并據此求解結構面產狀(α,β) 。 具體過程如下:

圖3 結構面法向量與產狀的空間關系Fig.3 Spatial relationship between normal vector and occurrence of structural plane

設在巖質邊坡實景模型中選取了n個特征點,記為Pi(Xi,Yi,Zi),其中i∈0 ～n,n個特征點的最優擬合平面F的表達式為

式中,A、B、C、D為平面方程的待定系數。

記第i個特征點Pi(Xi,Yi,Zi)到平面F的距離為di,即:

式(3)的矩陣形式為

由式(4)可求得平面F的待定系數A、B、C、D。平面F的單位法向量N(a,b,c) 可通過下式求解:

由于在三維空間中,平面F法向量N的方向是可以指向上半空間或下半空間,為滿足巖體結構面產狀表達的需要,當法向量N指向下半空間(c＜0)時,則將法向量N取反,即令a、b、c分別取負。

結構面法向量與產狀的空間關系如圖3 所示。根據圖3 所示空間關系,結構面產狀(α,β) 可通過下式進行求解:

1.2.2 結構面跡長求解

根據選取的n個特征點集Pi(Xi,Yi,Zi),除了可以計算出結構面的產狀外,還可以根據最小包圍圓算法[29]計算出結構面的跡長,如圖4 所示。 具體步驟為:① 將n個特征點集Pi(Xi,Yi,Zi)映射到平面F,得到點集P′i;② 在點集P′i中任意取3 個點P1、P2、P3;③ 以選取的3 個點構造最小包圍圓O;④ 在點集P′i中查詢距離O的圓心最遠的點pv;⑤ 判斷pv是否在圓O內,若在,則終止流程,最小包圍圓O的直徑DO即為跡長;否則,繼續執行步驟⑥;⑥ 在{P1、P2、P3、Pv}中選取3 個點,構造包含這4 個點的最小包圍圓O′,轉到步驟③,其中選取的3 個點盡可能是邊界上的點。

圖4 結構面跡長求解示意Fig.4 Schematic of structural plane trace length solution

1.2.3 結構面間距求解

結構面間距表示相鄰且同組結構面間的法向距離,如圖5 所示。 在模型中測量時,可根據測線法進行求解;還可以將每組結構面映射到最優產狀對應的平面,再求解相鄰平面的法向距離D。

圖5 結構面間距求解示意Fig.5 Schematic of solving structural plane spacing

本研究巖質邊坡結構面交互式識別系統將采用后者方法進行結構面間距求解,過程如下:

(1)選取結構面1,設結構面1 所屬優勢組產狀為(α,β) ,對應的平面法向量為N(a,b,c) ,則結構面1 的平面表達式為A·X+B·Y+C·Z+D1=0。

(2)尋找與結構面1 同組且相鄰的結構面2, 則結構面2 的平面表達式為A·X+B·Y+C·Z+D2=0。

(3)求解結構面1 和2 的間距D,公式為

式中,D1和D2分別為結構面1 和結構2 平面表達式中的系數。

1.3 巖質邊坡運動學分析

巖質邊坡的穩定性往往由影響巖體的不連續面控制,在這種條件下,結構面產狀與邊坡方向在空間上的幾何關系決定了邊坡的穩定性和潛在的破壞模式。 巖質邊坡運動學分析是指在不考慮巖體中所存在的地應力情況下,僅對巖石塊體可能產生的幾何運動進行評估。 巖質邊坡運動學分析具有簡單和快速的特點,無需進行復雜建模且計算耗時較少,通常用來評估平面破壞、楔形破壞、彎曲破壞、傾倒破壞4 種破壞模式[30]。

系統設計中,主要根據裸露在巖質邊坡表面所統計的結構面以及邊坡方向進行運動學分析,具體思路如下:

(1)平面破壞。 不連續結構面傾向αd與巖質邊坡傾向αs平行或接近平行(通?！?0°以內),不連續結構面傾角βd小于邊坡傾角βs,不連續結構面傾角βd大于結構面摩擦角φ。

(2)楔形體破壞。 2 個不連續結構面相交,且相交線傾向αi與邊坡方向相同,交線的傾角βi大于結構面的摩擦角φ,交線的傾角βi小于邊坡的傾角βs。

(3)彎曲破壞。 不連續結構面反傾向邊坡,不連續面傾角小于(90°-斜坡傾角+摩擦角φ)。

(4)傾倒破壞。 2 個不連續結構面相交,且相交線反傾向邊坡,相交線傾角小于(90°-邊坡傾角βs)。

2 巖質邊坡結構面交互式識別系統設計與開發

2.1 系統設計

本研究系統設計融合了機器視覺、計算機圖形學、統計學等相關領域理論,從底層技術開發,編寫能夠滿足三角網格、貼圖信息、點線面顯示等元素渲染的函數集,開發三維實景模型的可視化模塊,通過輸入邊坡高精度三維實景模型,并結合計算機視覺、數學幾何以及交互式可視化技術,實現邊坡巖體結構面拾取、聚類、赤平投影分析以及可視化等功能,系統構成如圖6 所示。 該系統設計了多個模塊和功能豐富的工具箱,提供了多樣化的數據處理與應用,包括結構面識別、優勢組求解、間距統計、距離測量等功能。整個系統采用C#語言開發,具有直觀、友好的界面和高度交互性。

圖6 邊坡巖體結構面識別系統構成Fig.6 Structure plane identification system of slope rock mass

該系統為用戶提供了一個直觀且功能豐富的工作平臺,主界面如圖7 所示。 主要界面包括可視化窗口、菜單欄、工具欄、邊坡對象管理窗口、邊坡屬性窗口以及結構面對象管理窗口等核心組件。

圖7 結構面識別系統界面Fig.7 Structural plane identification system interface

2.2 功能模塊

系統主要功能模塊包括輸入模塊、結構面識別模塊、識別結果解譯模塊和工具箱模塊。

(1)輸入模塊。 輸入模塊(圖8(a))的主要輸入信息包括邊坡高精度三維實景模型和位姿文件。 其中,邊坡高精度三維實景模型基于前文1.1 節中三維重構算法生成,采用標準的OBJ 文件格式保存模型信息,包括模型本體(. OBJ)、材質文件(. mtl)、貼圖文件(.jpg,.png)3 種文件。 位姿文件包含邊坡高精度三維實景模型的方位與尺度信息。

圖8 系統典型功能窗口Fig.8 Typical function windows of the system

(2)結構面識別模塊。 結構面識別模塊是結構面識別系統的核心模塊,主要根據前文1.2 節中的相關原理采用點、線、面方式對結構面進行交互式識別。

(3)識別結果解譯模塊。 識別結果解譯模塊是對結構面結果信息進行計算解譯的主要模塊,包括結構面優勢組劃分(圖8(b))、間距統計(圖8(c))、跡長統計、跡線素描圖生成、破壞模式分析(圖8(d))。

(4)工具箱模塊。 工具箱模塊主要包含系統比較常用的一些應用性功能,如距離測量、面積測量、產狀測量、已識別結構面選擇、已識別結構面查找、結構面信息輸出等。

3 系統應用

3.1 工程背景

某露天礦山位于河北省灤州市城區約3 km,地理坐標為東經118°45′40″,北緯39°38′20″～39°39′42″,北距京山鐵路灤州市車站8 km,西距遷(遷安)曹(曹妃甸)鐵路菱角山站4 km,具體位置如圖9 所示。礦區屬暖溫帶半濕潤大陸性季風氣候,四季分明,多年平均氣溫10.5 ℃,極端最低氣溫-23.1 ℃,極端最高氣溫39.9 ℃,多年平均降雨量為668 mm。 該礦地表長2 920 m,寬1 500 m,采場露天底部標高為-562 m。

圖9 露天礦邊坡(研究區)地理位置Fig.9 Geographical location of the open-pit slope(study area)

近年來,隨著采礦生產不斷推進,該礦露天采坑深度逐漸增加,導致邊坡高度逐步上升。 目前,采礦區域北側邊幫已經達到-157 m 以上的高度,已接近邊界位置。 與此同時,在采礦區域北側擬建立皮帶運輸系統,其中幫高-127 m 平臺上,計劃建設皮帶運輸轉運站。 然而,經過對現有資料的分析以及多次實地踏勘,發現該區域邊坡傾向約204°,整體邊坡角約45°,臺階邊坡角約60°,部分巖體受到不同程度的風化剝蝕,并在開挖和爆破震動作用下,存在局部不穩定的因素(圖10),易發生單臺階滑塌、楔形破壞等災害。 為此,本研究通過無人機對該類潛在風險區域開展傾斜攝影測量,以建立高精度的三維實景模型。 同時,采用所開發的巖質邊坡結構面交互式識別系統,對該區域的巖體結構面進行準確識別,并進一步進行邊坡潛在破壞模式分析,以便更有效地預測可能出現的問題。

圖10 隱患區域分布Fig.10 Distribution of the hidden danger areas

3.2 高精度三維實景模型獲取

本研究采用無人機開展傾斜攝影進行研究域三維實景建模,技術流程如圖11 所示。 主要步驟包括航線規劃、照片采集、SIFT 特征檢測與匹配、對齊與稀疏重建、優化與稠密重建、場景重建。

圖11 研究區三維實景建模技術流程Fig.11 Technical flow of 3D real scene modeling in the study area

本研究攝影測量采用大疆M3E 型號無人機,并搭載RTK 模塊。 所構建的研究區三維實景模型如圖12 所示。 傾斜攝影地面影像分辨率優于0.05 m,空三加密基本定向點平面位置殘差不大于0.25 m,高程殘差不大于0.10 m。

圖12 研究區三維實景模型Fig.12 3D real scene model of the study area

3.3 巖體結構面識別與應用

將前文3.2 節所獲取的邊坡高精度三維實景模型導入系統,采用點、線、面交互方式對邊坡中的結構面進行識別,識別結果如圖13 所示,共識別出938 條結構面。

圖13 結構面識別結果Fig.13 Identification resluts of structural plane

結構面識別結束后,對已識別的結構面進行優勢組劃分,識別結構面赤平投影及優勢組劃分結果如圖14 所示。 根據結構面分布情況,共劃分2 組優勢結構面:第1 組J1,圖中藍色點集,傾向204°,傾角50°;第2 組J2,圖中綠色點集,傾向320°,傾角110°。

圖14 優勢組劃分結果Fig.14 Division results of dominant group

同時,采用前文1.2 節方法對結構面進行解譯,結果見表1。由表1 可知:第1 組J1,共識別了8 2 8條,占總識別數量的88.3%,平均跡長Lm=6.0 m,平均間距Dm=0.09 m;第2 組J2,共識別了110 條,占總識別數量的11.7%,平均跡長Lm=7.05 m,平均間距Dm=3.92 m。

表1 結構面識別統計結果Table 1 Statistical results of structural plane identification

根據現場踏勘可知,研究區無層狀發育的結構面,因此僅采用前文1.3 節中的運動學分析方法對該區域進行平面和楔形體2 種破壞模式分析,結果如圖15 所示。 由圖15(a)可知:優勢組J1的表征點在風險區域內,其傾向與邊坡傾向基本一致,傾角小于臺階邊坡傾角、大于結構面摩擦角,臺階邊坡存在沿J1順層滑動的可能;優勢組J2的表征點在風險區域外,其傾向與邊坡傾向大角度相交,傾角大于臺階邊坡傾角,基本不會發生沿J2順層滑動的可能。 分析圖15(b)可知:J1與J2投影大圓的交點位于破壞區域內,交線傾角小于臺階邊坡傾角,且大于結構面摩擦角,臺階邊坡存在沿交線方向產生楔形滑動的可能。

圖15 赤平投影法邊坡破壞模式分析Fig.15 Analysis of slope failure modes by the equatorial projection method

4 結 論

本研究探討了基于巖質邊坡高精度三維實景模型識別和解譯的流程,研發了巖質邊坡結構面交互式識別系統,并應用該系統分析了某露天礦山邊坡穩定性。 得到以下結論:

(1)融合高精度邊坡巖體三維實景模型中的空間和紋理特征信息,構建以Opengl 圖形庫為基底的可視化交互系統,有助于實現巖體結構信息的交互式精準識別。

(2)通過算法集成和系統開發,實現從信息采集、處理到應用的巖質邊坡穩定性分析的流程化作業,能夠有效提高邊坡穩定性分析效率和可靠性。

(3)以某露天礦山邊坡為例,結合無人機傾斜攝影測量技術,通過SFM 算法構建了厘米級高精度大場景邊坡巖體三維實景模型,并對邊坡巖體結構面進行了識別、分組以及破壞模式分析,驗證了系統的可靠性和實用性。

(4)本研究系統主要適用于裸露型或植被覆蓋較少的巖質邊坡,對于植被覆蓋量大的巖質邊坡,識別精度有待進一步提升。 并且該系統以交互識別方式為主,智能識別水平有進一步提升的空間。 以上不足,將是后續關注和研發的重點。