基于無人機貼近攝影的高陡邊坡結(jié)構(gòu)面識別

陳昌富 何曠宇 余加勇 毛鳳山 薛現(xiàn)凱 李鋒

摘要：巖體結(jié)構(gòu)面的產(chǎn)狀和位置信息是分析高陡邊坡穩(wěn)定性及確定支護形式的重要依據(jù).為解決傳統(tǒng)接觸式勘測手段存在的風險高、效率低等問題，提出了基于無人機貼近攝影和聚類算法的高陡邊坡結(jié)構(gòu)面自動識別方法.首先采用 M210-RTK 無人機獲取高分辨率數(shù)字圖像，并利用運動恢復結(jié)構(gòu)算法（Structure From Motion，SFM）生成細節(jié)豐富的高陡邊坡三維模型和三維點云;再通過 K 近鄰算法（K-Nearest Neighbor，Knn）及 PCA 主成分分析法，篩選出共面點云集合并確定了結(jié)構(gòu)面的邊界范圍;最后采用最小二乘法擬合出共面點云的最佳平面方程，以平面方程的法向量方向確定結(jié)構(gòu)面的產(chǎn)狀參數(shù).驗證實驗表明：基于無人機貼近攝影所建立的三維模型精度優(yōu)于2 cm，傾向和傾角的誤差分別小于3°和2°.本方法應用于長沙丁字鎮(zhèn)某高陡邊坡的結(jié)構(gòu)面識別，成功識別出其優(yōu)勢結(jié)構(gòu)面，并就其對邊坡穩(wěn)定性的影響進行了分析，可為邊坡評價和治理提供重要依據(jù).

關(guān)鍵詞：無人機;貼近攝影;高陡邊坡;結(jié)構(gòu)面;產(chǎn)狀識別

中圖分類號：TU42? 文獻標志碼：A

Identification of Discontinuities of High Steep Slope Based on UAV Nap-of-the-object Photography

CHEN Changfu1，2，HE Kuangyu1，2，YU Jiayong1，2?，MAO Fengshan1，2，XUE Xiankai1，2，LI Feng1，2

（1. Key Laboratory of Building Safety and Energy Efficiency of Ministry of Education （Hunan University），Changsha 410082，China;

2. College of Civil Engineering，Hunan University，Changsha 410082，China）

Abstract：To analyze the stability and determine the support form of high steep slopes， it is important to con? firm the occurrence and location information of rock discontinuities. In order to solve high risk and low efficiency ex? isting in the traditional survey method， this paper proposed the new survey method to semi-automatically identify the discontinuities in slopes based on nap-of-the-object photogrammetry and a clustering algorithm. Firstly， M210-RTK was used to obtain high resolution digital images; the structure from motion algorithm was used to generate the de ? tailed 3D models and 3D point clouds. Then， through the K-Nearest neighbor and principal component analysis algo ? rithm， the set of coplanar point clouds was selected to determine the boundary range of discontinuities. Finally， the best planar equation of coplanar point cloud is fitted based on the least-squares method， and the normal vector direction of the planar equation is the basis for calculating the occurrence parameters. Validation experiments show that the accuracy of the digital surface model is better than 2cm in any direction， and the error in dip and dip direction are better than 3° and 2° ， respectively. This method identified rock preferred discontinuities in the abandoned mining area of Changsha， and the influence of preferred discontinuities on slope stability was analyzed， providing the vital foundation for the slope evaluation and treatment.

Key words：unmanned aerial vehicle （ UAV）;nap-of-the-object photogrammetry;high steep slope;disconti? nuities;occurrence estimation

丘陵、山地區(qū)域在我國分布廣泛，大量的天然或人工高陡邊坡受到氣候、地質(zhì)構(gòu)造活動影響，極易造成嚴重的地質(zhì)災害，因此，對高陡邊坡的勘察是監(jiān)測和預警地質(zhì)災害的關(guān)鍵[1].結(jié)構(gòu)面是巖體中強度較低的不連續(xù)面，是控制巖質(zhì)邊坡穩(wěn)定性的重要因素，因此，結(jié)構(gòu)面參數(shù)的獲取是巖質(zhì)邊坡穩(wěn)定性分析及后續(xù)工程支護方案設計的先行條件.然而，大部分的高陡邊坡受復雜地形因素的制約，限制了接觸式地質(zhì)調(diào)查工作的開展.為滿足高效精細化地質(zhì)編錄的需求，目前迫切需要新型的巖質(zhì)邊坡調(diào)查方法.

非接觸式調(diào)查方法如干涉雷達（Synthetic Aper? ture Radar Interferometry，InSAR）[2]、攝影測量[3-4]、三維激光掃描[5-6]成為了廣大地質(zhì)工作者大力推崇的調(diào)查手段.地面三維激光掃描技術(shù)憑借其高精度、高信息量、高效率等優(yōu)勢，在巖土工程領(lǐng)域得到了較為廣泛的應用，比如Riquelme等[7]基于前人三維激光掃描的數(shù)據(jù)，提出巖體結(jié)構(gòu)面半自動識別算法，并成功獲取到了巖體中的產(chǎn)狀信息.但三維激光掃描技術(shù)設備成本高昂，儀器架設地點需無遮擋，對于復雜地形容易產(chǎn)生掃描死角，不同站位的點云數(shù)據(jù)拼接也會影響模型的整體精度[8].

近年來，國內(nèi)外研究者將無人機貼近攝影技術(shù)引入到邊坡勘察調(diào)查工作中. Fernández等[9]使用無人機獲取了橄欖林的高分辨率影像，并建立數(shù)字表面模型（Digital Surface Model，DSM）以此進行滑坡監(jiān)測，監(jiān)測精度達到10～15 cm.許強等[10]結(jié)合無人機和地面雷達監(jiān)測技術(shù)獲取了滑坡區(qū)域的地質(zhì)信息，初步分析出該區(qū)域災害的成因機制和運動過程. Hu 等[11]通過無人機對黃土高原滑坡的調(diào)查，觀測了黃土滑坡的幾何參數(shù)和表面細節(jié)，推測出其原始結(jié)構(gòu)特征和滑坡誘發(fā)機制. Xiang等[12]通過無人機攝影構(gòu)建露天礦的數(shù)字高程模型（Digital Elevation Model， DEM）計算了礦區(qū)的土方體積變化和可探測范圍，實現(xiàn)了動態(tài)實時監(jiān)測.賈曙光等[13]總結(jié)出無人機攝影測量應用于高陡邊坡地質(zhì)調(diào)查的方法，并基于此方法手動測量出邊坡的巖體產(chǎn)狀.

基于無人機傾斜攝影的邊坡調(diào)查方法，是通過無人機搭載高清相機來獲取邊坡圖像信息，進而生成邊坡的三維實景模型，在此基礎(chǔ)上進行結(jié)構(gòu)面識別、穩(wěn)定性分析及支護方案設計.其優(yōu)勢在于不受限于復雜的環(huán)境條件，能夠快速機動地接近目標，高效率、非侵入式地實現(xiàn)圖像數(shù)據(jù)采集.因此，無人機貼近攝影技術(shù)結(jié)合邊坡結(jié)構(gòu)面的自動識別算法能夠開展高效率的地質(zhì)勘探工作，極大節(jié)省人力物力成本.

目前，基于三維點云的結(jié)構(gòu)面信息提取方法在國內(nèi)外也有較多研究. Riquelme等[14]基于Knn算法對帶有噪聲的三維激光點云數(shù)據(jù)進行識別，得到了表面不同平面的代數(shù)方程.王培濤等[15]探討了Knn算法其敏感性參數(shù)近鄰點個數(shù) k，夾角閾值j 在不同結(jié)構(gòu)面識別中的應用效果，并以過濾因子f對點云中的噪聲進行了優(yōu)化. Chen 等[16]以 K-means 聚類算法對點云分組，進一步通過點集的分割和優(yōu)化，以 RANSAC 方法對結(jié)構(gòu)面進行擬合，在提取結(jié)構(gòu)面產(chǎn)狀上取得了較好的效果.陳娜等[17]通過改進 RACSAC方法和GrahamScan算法研發(fā)了結(jié)構(gòu)面產(chǎn)狀識別程序，產(chǎn)狀的誤差達到了工程應用要求. Zheng 等[18]對 Fisher分布描述結(jié)構(gòu)面產(chǎn)狀方法提出了修正算法，提高了結(jié)構(gòu)面分布模擬的正確性.這些研究成果促進了結(jié)構(gòu)面信息提取自動化的發(fā)展和創(chuàng)新.

為此，本文提出了基于無人機貼近攝影的高陡邊坡勘測的方法，該方法能夠獲取高分辨率的邊坡數(shù)字表面圖像信息，建立誤差極小的三維實景模型.在識別方法上，基于 DSE （ Discontinuities Semi- automatic Estimation）軟件[14] ，以Knn聚類算法及 PCA 主成分分析法為主要結(jié)構(gòu)，能夠半自動地識別出邊坡中的結(jié)構(gòu)面信息.通過驗證實驗，證實了本文方法所構(gòu)建的三維模型精度及結(jié)構(gòu)面產(chǎn)狀識別精度都較高.最后本方法成果應用于長沙市丁字鎮(zhèn)某高陡巖質(zhì)邊坡的結(jié)構(gòu)面識別中，并分析了優(yōu)勢結(jié)構(gòu)面對邊坡穩(wěn)定性的影響.

1 無人機邊坡結(jié)構(gòu)面識別方法

無人機邊坡結(jié)構(gòu)面識別方法主要包含前期準備、數(shù)據(jù)獲取、模型構(gòu)建、模型修飾、產(chǎn)狀提取等步驟，如圖1所示.

1.1 邊坡三維模型重建

在常規(guī)傾斜攝影測量方法中，無人機的飛行高度為固定值，在拍攝地面高度有起伏的目標時，其圖像分辨率不均勻，導致三維模型的精度和紋理細節(jié)不均勻.本文采用的貼近攝影測量方法，是為獲取復雜地形的高分辨率、精度均勻圖像而創(chuàng)立的新型無人機攝影方法[19].貼近攝影的特點在于經(jīng)過粗略的地質(zhì)勘察之后，設計出無人機三維航線，使無人機在拍攝過程中與邊坡面的最短距離在30 m 之內(nèi)且基本保持恒定，同時鏡頭的光軸與坡面保持垂直，如圖2所示.此方法獲取的高分辨率目標圖像，各個區(qū)域分辨率較均勻，避免了模型重構(gòu)過程中因局部分辨率不同而導致數(shù)字模型出現(xiàn)分層的問題.

基于運動恢復結(jié)構(gòu)（Structure From Motion，SFM ）算法重構(gòu)出三維數(shù)字模型是進行結(jié)構(gòu)面識別的前提，無人機的飛行高度、相機傾斜角度、地形、地面控制點的數(shù)量、圖像重疊率是影響精度的重要參數(shù)[20-21].無人機飛行參數(shù)的設置以上述研究得到的最佳參數(shù)為基礎(chǔ)，根據(jù)現(xiàn)場的情況進行適當調(diào)整.由于貼近攝影測量在飛行高度上是不斷變化的，因此飛行高度在此等同于無人機與目標的垂直距離.同理，認為相機的光軸與坡面垂直時，角度為0°.基于上述方法，邊坡三維模型重建主要步驟如下：

1）試驗前期準備.前期準備的重點在于地面控制點的布置.地面控制點應提前用全站儀精確測量，用于在空中三角測量的過程中提供強制的坐標矯正和后期的精度驗證，使得空中三角測量的坐標匹配于真實的坐標上，提高內(nèi)業(yè)成圖的精度.其設置原則應盡量分布均勻，且應在區(qū)域的邊緣處有所布置.

2）數(shù)字圖像獲取.無人機的航跡規(guī)劃是獲取高質(zhì)量數(shù)字圖像的重點.以國內(nèi)外研究的成果為參考，貼近攝影無人機參數(shù)設置應滿足與目標的距離基本保持在30 m 之內(nèi)，圖像重疊率達到80%以上以及相機傾斜角度為30°左右.

3）圖像匹配與特征提取.相機從不同的角度獲取的數(shù)字圖像存在著畸變、幾何變形等問題，基于尺度不變特征變換（Scale invariant feature transform， SIFT ）算法將圖片中局部灰度的極值點作為特征點提取出來，建立該點與景物之間的對應關(guān)系，從而避免了空間尺度中方向、旋轉(zhuǎn)、亮度等因素的影響.

4）空中三角測量.解算特征點的三維坐標是建立三維模型的重要步驟，基于光束法區(qū)域網(wǎng)平差原理，以下視圖像的精確 POS 數(shù)據(jù)、相機外方位元素和相對姿態(tài)等參數(shù)，通過共線方程即可解算出特征點的三維坐標.少量的地面控制點作為平差條件通過最小二乘法調(diào)整出精確的三維坐標.通過大量特征點的計算即可建立三維點云模型.

5）實景模型生成.三維點云進一步計算和連結(jié)即可構(gòu)建出三維三角網(wǎng)格表面模型，將圖像中紋理像素映射到三維網(wǎng)格中，可得到高精度且細節(jié)豐富的三維表面模型.

1.2邊坡坡面結(jié)構(gòu)識別與實現(xiàn)

以Knn聚類算法核心搜索某個點的候選結(jié)構(gòu)面點集，以主成分分析法（Principal Component Analy? sis，PCA）對候選點集測試，判斷其是否滿足構(gòu)成同一平面的要求，之后基于最小二乘法原理擬合出點集的最佳平面并計算其法向量作為該點的屬性，屬性相同的點不斷加入以確定該結(jié)構(gòu)面的邊界范圍，最終確定結(jié)構(gòu)面的位置和產(chǎn)狀參數(shù)[7，14].算法的實現(xiàn)主要基于Matlab平臺，主要步驟如下：

1）最近鄰點搜索.如圖3（a）所示，對于三維點云中的任意的原始點pi，需要找到其附近的點共同結(jié)合形成點云集{ P }=p 1，p2，…，pi，…，pn，并以{ P }的所可能形成的平面法向量作為原始點 Pi 的法向量.搜索鄰點的方式主要分為以距離搜索及以點個數(shù)搜索這兩種，距離搜索在結(jié)構(gòu)面邊界的確定上會引起邊界的收縮，因此往往以點的個數(shù)來進行搜索.為了實現(xiàn)此功能，目前Knn（ K-Nearest Neighbor）算法是在三維點云的鄰點搜索中較為常見的算法之一，它將搜索到用戶指定的 K-1個與原始點pi 最相近的鄰點共同構(gòu)成點云集{ P }.在本文中，K 表示包含原始點pi 在內(nèi)所搜索到的鄰近點個數(shù).

2）共面檢驗.如圖3（b）所示，點云集{P }在計算其法向量之前，需要確定其是否屬于同一個平面內(nèi)，Matlab平臺的 PCA 主成分分析法能夠很好地實現(xiàn)這一功能.在點云所處的三維空間中，基于Matlab平臺的 PCA算法可以計算出點云集中各點的3個特征值λ1、λ2、λ3，此時λ3解釋了數(shù)據(jù)中存在的誤差，偏離參數(shù)可以用式（1）進行計算：

點云中每個點都可以得到其偏差值ηi，當 P 所有的點其偏離參數(shù)都小于用戶確定的閾值η max 時，點云集 P 被認為處于同一個平面內(nèi)，一般而言ηmax 可取20%.

3）最佳平面擬合及法向量計算.當點云集 P 被認為是一個平面之后，則需要進一步擬合出最適合的平面方程及其法向量.標準平面方程如式（2）所示，其中 A、B 和 C 分別為該平面單位法向量在各個方向上的分量，滿足 A2+ B2+ C2=1，D 為原點到平面的距離.

在計算中主要利用最小二乘法擬合最佳平面參數(shù)，當{P }中各點到平面的距離的方差最小時，此時的平面為最佳擬合平面，向量 n（A，B，C ）即為平面的單位法向量.

4）確定結(jié)構(gòu)面邊界.如圖3（c）所示，通過計算每一個pi 的法向量，以點之間的相連性、法向量之間的最大夾角、點到平面的最大距離為限制[15，22]，將滿足條件的點歸為同一結(jié)構(gòu)面內(nèi).且當有候選點加入時，應當及時修正平面的參數(shù)以進行下一次迭代，當沒有更多的候選點即結(jié)構(gòu)面邊界描繪完成.需注意的是，當原始點pi 處于結(jié)構(gòu)面邊界處時可能無法被認定為候選點致使結(jié)構(gòu)面縮小，當點云密度足夠大時，這種誤差可忽略不計.

5）產(chǎn)狀計算.產(chǎn)狀的三要素為傾角、傾向和走向，以得到的平面方程參數(shù)可求得走向及傾角，走向角度為走向線與正北方向（N軸）所成夾角，如式（3）～（5）所示：

走向的計算中還需依據(jù)式（4）來判斷走向所處的范圍.當A 為0時，走向為正東方向或正西方向，也就是90°或270°，當 C 為0時，傾角為90°.

傾向與走向相互垂直，但由于傾向表示巖層下傾的方向，不能僅由走向確定，還需結(jié)合結(jié)構(gòu)面的實際位置和形態(tài)，因此本文后續(xù)的結(jié)構(gòu)面產(chǎn)狀都將以傾向和傾角來表示.當三維點云建立的局部坐標系與大地坐標系方位具有α的夾角時，此時所計算出來的走向和傾向都要改變相應的角度α.

2驗證實驗

2.1實驗區(qū)域與設備

驗證實驗目的在于驗證模型的精度及結(jié)構(gòu)面識別的有效性，實驗地點為長沙市超級計算機中心的框架梁邊坡.邊坡如圖4所示，邊坡全長約為60 m，坡高約為15 m，坡角約為70°.

如圖5所示，試驗采用大疆 M210-RTK無人機，其續(xù)航時間為30 min，最大抗風風速10 m/s.無人機定位采用實時動態(tài)差分模式（Real-time Kinematic， RTK），其定位精度為平面1 cm、高程2 cm.相機采用大疆 ZENMUSE X5S，鏡頭焦距為15 mm，像元大小為3.3μm，分辨率為5280×3956.

試驗采用瑞士 Leica T30型號全站儀進行控制點三維坐標的測量，其中全站儀測距標稱精度為0.6 mm +10-6× S，免棱鏡測距標稱精度為2 mm +10-6× S，其中 S 為測距.框架梁產(chǎn)狀的測量采用哈爾濱 DQY-1型羅盤儀，地質(zhì)羅盤儀磁針指示誤差小于0.5°.在測量過程中，應事先校準羅盤儀的磁偏角，實驗區(qū)域為西偏3?56′.

本實驗中無人機與目標距離 H 保持在20 m 左右，計算數(shù)字圖像的地面采樣間隔（Ground Sampling Distance，GSD）可按式（6）進行計算：

式中：a 為像元大小;f為鏡頭焦距.計算的圖像地面采樣間隔為4.4 mm，滿足高精度建模的需求.

2.2邊坡三維模型構(gòu)建

邊坡圖像的采集共設計1個正攝和4個傾斜攝影航線，其中傾斜攝影中，鏡頭水平的傾斜角度為30°，豎直的傾斜角度為25°.無人機與邊坡保持20 m 間距，整個航線基本與坡面保持平行，航向重疊率和旁向重疊率都為90%.

坡面上預先設置了控制點和檢查點，點位的絕對坐標已提前用全站儀測得并視為準確值，點位的樣式及分布如圖6所示.其中框型標記的6個控制點被應用在建模過程中充當平差依據(jù)，其余圓圈標記的檢查點被用作模型的精度驗證.坡面上梁的產(chǎn)狀也提前用羅盤儀測出，用作結(jié)構(gòu)面提取算法結(jié)果的驗證.

2.3三維模型精度分析

基于 SFM 算法所重構(gòu)出的邊坡模型如圖6所示.通過對比模型中28個檢查點的坐標值與實際全站儀測得的值來評估模型的精度，精度評估的主要指標為均方根誤差（ Root-mean-square error， RMSE），可用式（7）計算：

式中：n 為檢查點個數(shù);Xi 為模型中測量值;Yi 為全站儀測量值.各方向及空間的均方根誤差為 RMSEX=0.51 cm，RMSEY=0.57 cm，RMSEZ=0.57 cm，RMSE 全=0.95 cm.可以得到，模型的三維精度優(yōu)于2 cm，此精度足以滿足大部分的工程需求，也保證了下一步產(chǎn)狀提取結(jié)果的可靠性.

2.4 結(jié)構(gòu)面產(chǎn)狀自動識別

為實現(xiàn)對邊坡中結(jié)構(gòu)面的識別和提取，需要對邊坡的三維點云進行降采樣和去植被處理.當從傾斜攝影中生成的點云數(shù)據(jù)過于稠密時，不僅影響了算法的運行速率，并且可能由于最近鄰點算法的 K 值（即Knn算法中需要搜索的鄰近點個數(shù)）過小而產(chǎn)生不必要的誤差. Knn算法中 K值的選取應與點云密度、結(jié)構(gòu)面的粗糙度、三維點云的精度相關(guān)，本文點云經(jīng)降采樣后間隔為0.5～5 cm，結(jié)構(gòu)面較為光滑，經(jīng)多次實驗，取 K=20，算法的運行效率和準確度都較好.模型中覆蓋的植被在算法中也會被認定為結(jié)構(gòu)面的一種，因此需要提前對點云進行修飾、刪除，將3個產(chǎn)狀研究區(qū)域中點云提取經(jīng)修飾后如圖7所示.

如圖8所示，選取了邊坡不同位置的3個框架梁部分進行產(chǎn)狀計算，不同的結(jié)構(gòu)面以不同的灰度顯示出來.每個框架梁分別選取了兩個結(jié)構(gòu)面進行驗證，并與羅盤儀的測量結(jié)果對比見表1.由表1可知，三維點云對結(jié)構(gòu)面的識別結(jié)果與羅盤儀對結(jié)構(gòu)面的實地測量結(jié)果傾向最大誤差為2.8°，傾角最大識別誤差為1.5°.羅盤測量傾向、傾角的標準差為4°和3°[23]，以此為標準，本文方法對結(jié)構(gòu)面產(chǎn)狀的提取結(jié)果誤差較小，滿足工程中的精度需求.

3 工程應用

3.1 實驗概況

實驗邊坡位于長沙市望城區(qū)丁字鎮(zhèn)采石場附近，研究區(qū)域邊坡長約150 m，坡高約為50 m，坡角為77.7°，如圖9所示.由于其顯著的塊體裸露特征及較高的坡角，因此極易發(fā)生崩塌和滑坡災害.通過對邊坡的工程勘察，可以判定邊坡的優(yōu)勢結(jié)構(gòu)面，并進一步為該邊坡的巖體等級劃分及穩(wěn)定性評價提供理論參考，為邊坡的支護設計提供技術(shù)依據(jù).

該邊坡的條件不利于地質(zhì)人員對邊坡進行實地勘察，非接觸式的無人機成為了一個有效的調(diào)查方式.考慮到研究區(qū)域在各方向上均有較大起伏，無人機與邊坡的距離設置在25～30 m，相機傾斜角度同樣采用水平30°，豎直25°，重疊率控制在90%.

3.2 三維模型重建與結(jié)構(gòu)面識別

采用前述方法重構(gòu)邊坡三維模型，如圖10所示.若單一結(jié)構(gòu)面點云占識別區(qū)域點云比重大于10%，則在本文中判定此結(jié)構(gòu)面為該區(qū)域的優(yōu)勢結(jié)構(gòu)面，對每個區(qū)域結(jié)構(gòu)面的優(yōu)勢結(jié)構(gòu)面進行提取，識別其形狀、位置、面積、產(chǎn)狀等要素，結(jié)果如圖11～圖13所示.

3.3優(yōu)勢結(jié)構(gòu)面判識及其對邊坡穩(wěn)定性影響分析

對以上3個重點區(qū)域的優(yōu)勢結(jié)構(gòu)面進行編錄，其中結(jié)構(gòu)面 a 的產(chǎn)狀為108.5?∠68.2?，結(jié)構(gòu)面 f的產(chǎn)狀為108.4?∠68.3?，產(chǎn)狀基本一致，因此應當劃分為同一組優(yōu)勢結(jié)構(gòu)面，編錄結(jié)果如表2所示.將區(qū)域1內(nèi)結(jié)構(gòu)面的產(chǎn)狀繪制于赤平投影極點圖中，如圖14所示.圖14（a）中展示了區(qū)域1的三維點云中各點所具有的產(chǎn)狀的分布，分布密集之處即為優(yōu)勢結(jié)構(gòu)面的產(chǎn)狀.圖14（b）中將點云劃分成了有限個區(qū)域，且每個區(qū)域內(nèi)的所有點認定屬于同一個結(jié)構(gòu)面.以不同區(qū)域內(nèi)極點的集中程度可構(gòu)建類似于等高線的勢圖，

以勢圖中的各位置的高度可直觀地判斷發(fā)育最為良好的優(yōu)勢結(jié)構(gòu)面所在及其產(chǎn)狀，如圖14（c）所示.

在邊坡工程中，基于結(jié)構(gòu)面產(chǎn)狀可對邊坡的穩(wěn)定性進行定性分析，順坡往往容易產(chǎn)生崩塌、落石，逆坡較為穩(wěn)定.就該研究區(qū)域而言，邊坡整體走向為38.6°，傾向為128.6°，坡角為77.7°.如圖11（c）、圖12和圖13（c）所示，根據(jù)優(yōu)勢結(jié)構(gòu)面編錄結(jié)果，結(jié)構(gòu)面 c 與結(jié)構(gòu)面 h 的傾向與邊坡傾向分別具有203.4°及93.0°的夾角，可判定為此邊坡的內(nèi)傾結(jié)構(gòu)面，對邊坡的穩(wěn)定性影響不大.內(nèi)傾結(jié)構(gòu)面一般不應出現(xiàn)在坡面上，由于該區(qū)域此前為廢棄采礦場，因此在結(jié)構(gòu)面 c 及結(jié)構(gòu)面 h 處應產(chǎn)生過崩塌或落石，導致巖石塊體松動脫落，應密切注意附近是否存在其他危巖. h 結(jié)構(gòu)面傾向與邊坡傾向具有87°夾角，可判定為逆傾結(jié)構(gòu)面，對邊坡的穩(wěn)定性影響不大，同理 c 結(jié)構(gòu)面也為逆傾結(jié)構(gòu)面.由點云的密度分布結(jié)合模型圖像，可認為 a、e、i結(jié)構(gòu)面是邊坡內(nèi)發(fā)育最為良好的結(jié)構(gòu)面，且其傾向均接近于邊坡，可判定為順坡，其傾角均超過65°且小于坡角，因此僅在自重的荷載下理論上存在著崩塌傾倒的風險，應重點進行監(jiān)測和支護. b、f、g、j 結(jié)構(gòu)面從出露面的角度觀察發(fā)育并不是十分良好，但其傾向均與邊坡接近，存在著一定的風險.

結(jié)合以上分析及邊坡結(jié)構(gòu)面編錄結(jié)果，本研究區(qū)域內(nèi)存在7組有風險的結(jié)構(gòu)面，其在惡劣氣候下極易引發(fā)山體滑坡等災害，在工程支護中需要重點進行加固與防范.

4 結(jié)論

本文利用無人機貼近攝影測量技術(shù)獲取到高分辨率的邊坡圖像，并以此構(gòu)建了精細化的三維模型，結(jié)合Knn聚類算法及 PCA 主成分分析算法實現(xiàn)了邊坡結(jié)構(gòu)面半自動識別和分析，并應用到實際工程中.主要結(jié)論如下：

1）無人機貼近攝影及 SFM 算法能夠獲取高陡邊坡高分辨率圖像及三維模型和三維點云，其三維模型精度優(yōu)于2 cm.

2）基于Knn聚類算法及 PCA 算法的邊坡結(jié)構(gòu)面識別方法，能夠精確提取高陡邊坡的結(jié)構(gòu)面，識別結(jié)構(gòu)面形狀、位置、產(chǎn)狀等要素，其傾向及傾角的識別誤差分別小于3°和2°.

3）此方法可以有效地對高陡邊坡進行產(chǎn)狀識別與測量，將其繪制成赤平投影極點圖以分析邊坡重點區(qū)域的優(yōu)勢結(jié)構(gòu)面，編錄邊坡的結(jié)構(gòu)面識別結(jié)果可應用于定性的邊坡穩(wěn)定性分析及支護方案設計.

參考文獻

[1] 許強，董秀軍，李為樂.基于天-空-地一體化的重大地質(zhì)災害隱患早期識別與監(jiān)測預警[J].武漢大學學報·信息科學版，2019，44（7）：957-966.

XU Q，DONG X J，LI W L. Integrated space-air-ground early de ? tection，monitoring and warning system for potential catastrophic geohazards[J]. Geomatics and Information Science of Wuhan Uni? versity，2019，44（7）：957-966.（In Chinese）

[2]? CIGNA F，BANKS V ，DONALD A ，et al. Mapping ground instability in areas of geotechnical infrastructure using satellite InSAR and small UAV surveying：A case study in Northern Ireland[J]. Geosciences，2017，7（3）：51.

[3] 陳宙翔，葉咸，張文波，等.基于無人機傾斜攝影的強震區(qū)公路高位危巖崩塌形成機制及穩(wěn)定性評價[J].地震工程學報，2019，41（1）：257-267，270.

CHEN Z X，YE X，ZHANG W B，et al. Formation mechanism analysis and stability evaluation of dangerous rock collapses based on the oblique photography by unmanned aerial vehicles [J]. China Earthquake Engineering Journal，2019，41（1）：257-267，270.（In Chinese）

[4]? PEPPA M V，MILLS J P，MOORE P，et? al. Automated co-registration and calibration in SFM photogrammetry for landslide change detection [J]. Earth Surface Processes and Landforms，2019，44（1）：287-303.

[5]? KROMER R A，HUTCHINSON D J，LATO M J，et al. Identifyingrock slope failure precursors using LiDAR for transportation corri ? dor hazard management [J]. Engineering Geology ，2015，195：93-103.

[6] 程云建，仇文革，雷勁.基于三維點云的隧道全局中線提取方法及應用[J].湖南大學學報（自然科學版），2017，44（9）：146-150.

CHENG Y J，QIU W G，LEI J. Application of method for global extraction of tunnel centerlines based on 3D point clouds[J]. Jour? nal of Hunan University （Natural Sciences），2017，44（9）：146-150.（In Chinese）

[7]? RIQUELME A，CANO M，TOM?S R，et al. Identification of rockslope discontinuity sets from laser scanner and photogrammetric point clouds：A comparative analysis[J]. Procedia Engineering，2017，191：838-845.

[8]? WU H Y，XU X M，ZHENG F L，et al. Gully morphological characteristics in the loess hilly-gully region based on 3D laser scan? ning technique [J]. Earth Surface Processes and Landforms，2018，43（8）：1701-1710.

[9]? FERN?NDEZ T，P?REZ J ，CARDENAL J，et al. Analysis oflandslide evolution affecting olive groves using UAV and photo ? grammetric techniques[J]. Remote Sensing，2016，8（10）：837.

[10]許強，李為樂，董秀軍，等.四川茂縣疊溪鎮(zhèn)新磨村滑坡特征與成因機制初步研究[J].巖石力學與工程學報，2017，36（11）：2612-2628.

XU Q，LI W L，DONG X J，et al. The Xinmocun landslide on June 24，2017 in Maoxian，Sichuan：characteristics and failure mechanism[J]. Chinese Journal of Rock Mechanics and Engineer? ing，2017，36（11）：2612-2628.（In Chinese）

[11] HU S，QIU H J，WANG X G，et al. Acquiring high-resolution topography and performing spatial analysis of loess landslides by us ? ing low-cost UAVs[J]. Landslides，2018，15（3）：593-612.

[12] XIANG J，CHEN J P，SOFIA G，et al. Open-pit mine geomorphicchanges analysis using multi-temporal UAV survey[J]. Environ? mental Earth Sciences，2018，77（6）：1-18.

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

JIA S G，JIN A B，ZHAO Y Q. Application of UAV oblique photo ? grammetry in the field of geology survey at the high and steep slope [J]. Rock and Soil Mechanics，2018，39（3）：1130-1136.（In Chi? nese）

[14] RIQUELME A J，ABELL?N A，TOM?S R，et al. A new approachfor semi-automatic rock mass joints recognition from 3D point clouds[J]. Computers & Geosciences，2014，68：38-52.

[15]王培濤，覃拓，黃正均，等.基于三維點云的巖體結(jié)構(gòu)面信息快速化識別方法研究[J].巖石力學與工程學報，2021，40（3）：503-519.

WANG P T，QIN T，HUANG Z J，et al. Fast identification of geo? metric properties of rock discontinuities based on 3D point cloud [J]. Chinese Journal of Rock Mechanics and Engineering，2021，40（3）：503-519.（In Chinese）

[16] CHEN J Q，ZHU H H，LI X J. Automatic extraction of discontinuity orientation from rock mass surface 3D point cloud[J]. Comput? ers& Geosciences，2016，95：18-31.

[17]陳娜，蔡小明，夏金梧，等.基于三維激光點云技術(shù)的巖體結(jié)構(gòu)面智能解譯[J].地球科學，2021，46（7）：2351-2361.

CHEN N，CAI X M，XIA J W，et al. Intelligent interpretation of rock mass discontinuity based on three-dimensional laser point cloud[J]. Earth Science，2021，46（7）：2351-2361.（In Chinese）

[18] ZHENG J，DENG J H，YANG X J，et al. An improved MonteCarlo simulation method for discontinuity orientations based on Fisher distribution and its program implementation[J]. Computers and Geotechnics，2014，61：266-276.

[19] 陶鵬杰，何佳男，席可，等.基于旋翼無人機的貼近攝影測量方法：110006407[ P].2019-04-16.

TAO P J，HE J N，XI K，et al. The method of nap-of-the-object photogrammetry? based? on? rotor unmanned? aerial? vehicle：110006407[ P].2019-04-16.（In Chinese）

[20] AG?ERA-VEGA F ，CARVAJAL-RAM?REZ F ，MART?NEZ-CARRICONDO P. Accuracy of digital surface models and ortho ? photos derived from unmanned aerial vehicle photogrammetry[J]. Journal of Surveying Engineering，2017，143（2）：04016025.

[21]陳仁朋，吳熠文，余加勇，等.基于無人機影像序列的城市精細化三維模型精度評估[J].湖南大學學報（自然科學版），2019，46（11）：172-180.

CHEN R P，WU Y W，YU J Y，et al. Method accuracy evalua? tions of building urban detailed 3D model based on the unmanned aerial vehicle image sequences and its accuracy evaluations [J]. Journal of Hunan University（Natural Sciences），2019，46（11）：172-180.（In Chinese）

[22] HUANG S，HUANG M M，LYU Y J. An improved KNN-basedslope stability prediction model[J]. Advances in Civil Engineer? ing，2020，2020：1-16.

[23]王鳳艷，陳劍平，付學慧，等.基于VirtuoZo的巖體結(jié)構(gòu)面幾何信息獲取研究[J].巖石力學與工程學報，2008，27（1）：169-175.

WANG F Y，CHEN J P，F(xiàn)U X H，et al. Study on geometrical in? formation of obtaining rock mass discontinuities based on virtuozo [J]. Chinese Journal of Rock Mechanics and Engineering，2008，27（1）：169-175.（ In Chinese）