CN117345201A - 基于全息数据的立井井筒病害检测方法 - Google Patents
基于全息数据的立井井筒病害检测方法 Download PDFInfo
- Publication number
- CN117345201A CN117345201A CN202311277580.4A CN202311277580A CN117345201A CN 117345201 A CN117345201 A CN 117345201A CN 202311277580 A CN202311277580 A CN 202311277580A CN 117345201 A CN117345201 A CN 117345201A
- Authority
- CN
- China
- Prior art keywords
- shaft
- point cloud
- point
- area
- central axis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 33
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 238000013178 mathematical model Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000006253 efflorescence Methods 0.000 claims description 6
- 206010037844 rash Diseases 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000013499 data model Methods 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 239000003245 coal Substances 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 239000004570 mortar (masonry) Substances 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B47/00—Survey of boreholes or wells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Geology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Fluid Mechanics (AREA)
- Automation & Control Theory (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于全息数据的立井井筒病害检测方法。现有无法检测井筒内壁水、脱落、泛碱等表面病害的缺陷,为此,本基于全息数据的立井井筒病害检测方法,包括下述步骤:(1)利用惯性测量单元和激光扫描仪对井筒进行检测;(2)点云滤波处理;(3)分段拟合中轴线:(4)基于已知中轴线里程位置和断面宽度截取断面,完成井筒断面拟合,得到三维井筒模型;(5)依据三维井筒模型中井壁的点云数据转化为灰度图;(6)依据三维井筒模型灰度图像,进行井筒块状病害识别。本发明基于全息数据的立井井筒病害检测方法适合检测煤矿立井井筒病害。
Description
技术领域
本发明涉及一种基于全息数据的立井井筒病害检测方法。
背景技术
现阶段井筒检测主要采用人工的方式。一方面,人工巡检需要耗费大量的人力成本,在光照不好、阴暗潮湿、常有淋水的井筒环境中工作,容易增加劳动强度,存在人身安全隐患;另一方面,人工巡检主要靠人的眼睛发现病害特征,不能及时准确找到所有井筒病害,有时会因主观原因而忽略一些病害的存在,病害识别能力较低,难以进行定量统计分析。
2022.09.20公开的、授权公告号为CN 114739311 B的中国发明专利公开了一种适用于矿井井筒快速变形监测;设备采用多传感器,测量2D激光雷达初始坐标,再在井筒中逐渐下放2D激光雷达;记录不同时刻数据;对轮式里程计、惯性测量单元记录的数据进行预处理,计算不同时刻钢丝下放距离和惯性测量单元的位姿数据;对轮式里程计计算的下放距离数据和惯性测量单元计算的位姿数据按时间戳进行插值,获取每个时间戳下2D激光雷达的位姿;计算不同深度的井筒壁精确坐标,建立井筒的三维网格模型,获取井筒的变形数据。该发明采用2D激光雷达,且只能检测井筒变形,对于井筒内壁水、脱落、泛碱等表面病害无法检测。
发明内容
本发明要解决的技术问题是现有技术无法检测井筒内壁水、脱落、泛碱等表面病害的缺陷,提供一种基于全息数据的立井井筒病害检测方法。
为解决上述技术问题,本基于全息数据的立井井筒病害检测方法,包括下述步骤:
(1)利用惯性测量单元和激光扫描仪对井筒进行检测,获取高精度的POS数据和点云数据,POS数据提供井筒的实时位姿,点云数据可以体现井筒的三维立体模型,将POS数据与点云数据融合得到井筒原始激光散点在各个方向上的空间坐标信息,通过坐标转换得出以当地水平坐标系为基准的三维坐标信息;
(2)采用RANSAC算法中的圆柱体模型的原理进行点云滤波处理,井筒数学模型公式可表示为:
式中,(x0,y0,z0)为目标物中轴线L上一点,r为目标物的半径,(l,m,n)为与中轴线L平行的非零向量,
该提取方法的精度取决于边缘点集的数量,在投影前进行坐标转换,使井筒的延伸方向沿坐标轴方向,从而使边缘点集的数量增多,坐标转换公式为:
其中,λθ为:
式中,θ为坐标系之间的转换角;
(3)分段拟合中轴线:将每个分割好的曲线段视为直线。对于每个曲线段都有与其相对应的法平面,这两个相互垂直法平面的交线即为中轴线,然后对交线上的空间离散点进行叠加,就可得到井筒点云的中轴线,拟合算法的具体流程如下:
①.坐标转换:在进行点云投影前,调整井筒延伸的方向,使得井筒的延伸方向沿坐标轴的方向;
②.点云投影:将井筒的点云分别投影至XOZ平面和YOZ平面;
③.提取投影面两侧的边缘点集,用二次连续函数进行拟合:
④.投影平面上边缘点按极大值搜索得到边缘点集A,计算点集A中任意点云的法向空间向量,此向量与下边界线形成交点可得到边缘点集B,通过求取点集A与点集B的均值得到中点集C1;同理,可将下边缘点集B按照上述流程求取中点集C2,最终以中点集C1和中点集C2均值提取中轴线上的点,
⑤.求取正交于井筒XOZ投影平面的法平面P和正交于井筒YOZ投影平面的法平面P',平面P和平面P'的交线即为井筒的中轴线,多个离散点累加形成的曲线即为拟合中轴线,
(4)基于已知中轴线里程位置和断面宽度截取断面,完成井筒断面拟合,得到三维井筒模型;
将井壁的点云数据沿中轴线的方向按一定厚度进行截取,投影到垂直于中轴线的平面上,然后利用最小二乘法进行断面拟合,对井筒进行圆度分析,
(5)依据三维井筒模型中井壁的点云数据转化为灰度图
将井壁的点云数据经断面提取、点云投影、图像灰度化、里程改正四步转换为灰度图,在转换的过程中为RGB分配不同的权值,并计算结果;然后将加权后的均值作灰度化的结果,本发明按下式权重对输入的图像信号进行灰度化,并且在三维点云投影到二维平面后,根据点云的反射强度值赋予相应的灰度值,再对其进行栅格化处理,一个网格为图像中的一个像素,每个像素点的灰度值则由点云强度确定,
f(x,y)=0.3R(x,y)+0.59G(x,y)+0.11B(x,y)
(6)依据三维井筒模型灰度图像,进行井筒块状病害识别
然后基于连通域算法对井筒灰度图像进行处理,可以获取图像中连通域的个数,即渗漏水区域的数量,连通域算法用于统计被标记的区域的一系列属性,其基本属性信息包括不同编号区域的像素个数,每个编号区域的形心坐标,以及计算每个区域的最小包围圆,最后将最小包围圆导入到灰度图像中,能够做到井壁渗漏水自动检测的可视化,直观地获取井壁渗漏水的空间分布位置,
同时本发明为进行渗水、脱落、泛碱病害类型自动判别,根据病害特征,提出一种结合平均灰度值、连通区域面积和移动窗口连通子块数量的判别方法,首先设定平均灰度值最小阈值和连通区域面积最小阈值,然后构造一个结构圆作为移动窗口,结构圆在图像中自左而右、自上而下平行移动,遍历整个灰度图像区域,在结构圆移动的每个位置,计算被结构圆包围的连通区域数量,根据井筒病害图像统计经验数据,选定平均灰度最小阈值为30,连通面积最小阈值为50,渗水、脱落、泛碱的几何语义描述如下:
a.如果灰度值小于40,连通区域面积大于0.15平方米,则认为该病害为渗水区域;
b.如果灰度值大于130,连通区域面积大于0.05平方米,则认为该病害为泛碱区域;
c.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量小于10,则认为该病害为泛碱区域;
d.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量大于10,则认为该病害为脱落区域。
作为优化,所述点云滤波处理包括下述步骤:
①.从目标点云集中随机选择一个样本集,使用最小二乘法估算随机样本集的数学模型参数并拟合出该模型;
②然后将当前模型中的点云集与剩余点云集进行迭代计算两者的偏差,随后完成偏差与算法阈值对比,
若偏差值大于阈值,将该样本集归为局内点,反之,不断进行上述流程并迭代计算,
③.最后,采用全部归为局内点的样本集拟合数据模型,当目标物数学模型的性能达到设定的特定阈值,结束迭代并通过计算确定最佳模型参数。
作为优化,所述惯性测量单元选用高精度定位姿态***、所述激光扫描仪选用CCD全景相机。
本发明利用惯性测量单元结合激光扫描仪对井筒进行检测,获取高精度的点云数据,原始激光散点在各个方向上的空间坐标信息,通过坐标转换得出以当地水平坐标系为基准的三维坐标信息。通过配以CCD全景相机、高精度定位姿态***等多个传感器、总成控制***和高性能计算机以及控制装置等组成,研究了一种基于全息数据的立井井筒病害检测方法。
本发明基于全息数据的立井井筒病害检测方法适合检测煤矿立井井筒病害。
附图说明
下面结合附图对本发明基于全息数据的立井井筒病害检测方法作进一步说明:
图1是井筒圆柱体模型示意图;
图2是RANSAC算法流程;
图3是井筒中轴线示意图。
具体实施方式
实施方式一:如图1-3所示,本基于全息数据的立井井筒病害检测方法,包括下述步骤:
(1)利用惯性测量单元和激光扫描仪对井筒进行检测,获取高精度的POS数据和点云数据,POS数据提供井筒的实时位姿,点云数据可以体现井筒的三维立体模型,将POS数据与点云数据融合得到井筒原始激光散点在各个方向上的空间坐标信息,通过坐标转换得出以当地水平坐标系为基准的三维坐标信息;
(2)采用RANSAC算法中的圆柱体模型的原理进行点云滤波处理,井筒数学模型公式可表示为:
式中,(x0,y0,z0)为目标物中轴线L上一点,r为目标物的半径,(l,m,n)为与中轴线L平行的非零向量,
该提取方法的精度取决于边缘点集的数量,在投影前进行坐标转换,使井筒的延伸方向沿坐标轴方向,从而使边缘点集的数量增多,坐标转换公式为:
其中,λθ为:
式中,θ为坐标系之间的转换角;
(3)分段拟合中轴线:将每个分割好的曲线段视为直线。对于每个曲线段都有与其相对应的法平面,这两个相互垂直法平面的交线即为中轴线,然后对交线上的空间离散点进行叠加,就可得到井筒点云的中轴线,拟合算法的具体流程如下:
①.坐标转换:在进行点云投影前,调整井筒延伸的方向,使得井筒的延伸方向沿坐标轴的方向;
②.点云投影:将井筒的点云分别投影至XOZ平面和YOZ平面;
③.提取投影面两侧的边缘点集,用二次连续函数进行拟合:
④.投影平面上边缘点按极大值搜索得到边缘点集A,计算点集A中任意点云的法向空间向量,此向量与下边界线形成交点可得到边缘点集B,通过求取点集A与点集B的均值得到中点集C1;同理,可将下边缘点集B按照上述流程求取中点集C2,最终以中点集C1和中点集C2均值提取中轴线上的点,
⑤.求取正交于井筒XOZ投影平面的法平面P和正交于井筒YOZ投影平面的法平面P',平面P和平面P'的交线即为井筒的中轴线,多个离散点累加形成的曲线即为拟合中轴线,
(4)基于已知中轴线里程位置和断面宽度截取断面,完成井筒断面拟合,得到三维井筒模型;
将井壁的点云数据沿中轴线的方向按一定厚度进行截取,投影到垂直于中轴线的平面上,然后利用最小二乘法进行断面拟合,对井筒进行圆度分析,
(5)依据三维井筒模型中井壁的点云数据转化为灰度图
将井壁的点云数据经断面提取、点云投影、图像灰度化、里程改正四步转换为灰度图,在转换的过程中为RGB分配不同的权值,并计算结果;然后将加权后的均值作灰度化的结果,本发明按下式权重对输入的图像信号进行灰度化,并且在三维点云投影到二维平面后,根据点云的反射强度值赋予相应的灰度值,再对其进行栅格化处理,一个网格为图像中的一个像素,每个像素点的灰度值则由点云强度确定,
f(x,y)=0.3R(x,y)+0.59G(x,y)+0.11B(x,y)
(6)依据三维井筒模型灰度图像,进行井筒块状病害识别
然后基于连通域算法对井筒灰度图像进行处理,可以获取图像中连通域的个数,即渗漏水区域的数量,连通域算法用于统计被标记的区域的一系列属性,其基本属性信息包括不同编号区域的像素个数,每个编号区域的形心坐标,以及计算每个区域的最小包围圆,最后将最小包围圆导入到灰度图像中,能够做到井壁渗漏水自动检测的可视化,直观地获取井壁渗漏水的空间分布位置,
同时本发明为进行渗水、脱落、泛碱病害类型自动判别,根据病害特征,提出一种结合平均灰度值、连通区域面积和移动窗口连通子块数量的判别方法,首先设定平均灰度值最小阈值和连通区域面积最小阈值,然后构造一个结构圆作为移动窗口,结构圆在图像中自左而右、自上而下平行移动,遍历整个灰度图像区域,在结构圆移动的每个位置,计算被结构圆包围的连通区域数量,根据井筒病害图像统计经验数据,选定平均灰度最小阈值为30,连通面积最小阈值为50,渗水、脱落、泛碱的几何语义描述如下:
a.如果灰度值小于40,连通区域面积大于0.15平方米,则认为该病害为渗水区域;
b.如果灰度值大于130,连通区域面积大于0.05平方米,则认为该病害为泛碱区域;
c.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量小于10,则认为该病害为泛碱区域;
d.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量大于10,则认为该病害为脱落区域。
作为优化,所述点云滤波处理包括下述步骤:
①.从目标点云集中随机选择一个样本集,使用最小二乘法估算随机样本集的数学模型参数并拟合出该模型;
②.然后将当前模型中的点云集与剩余点云集进行迭代计算两者的偏差,随后完成偏差与算法阈值对比,
若偏差值大于阈值,将该样本集归为局内点,反之,不断进行上述流程并迭代计算,
③.最后,采用全部归为局内点的样本集拟合数据模型,当目标物数学模型的性能达到设定的特定阈值,结束迭代并通过计算确定最佳模型参数。
作为优化,所述惯性测量单元选用高精度定位姿态***、所述激光扫描仪选用CCD全景相机。
本发明利用惯性测量单元结合激光扫描仪对井筒进行检测,获取高精度的点云数据,原始激光散点在各个方向上的空间坐标信息,通过坐标转换得出以当地水平坐标系为基准的三维坐标信息。通过配以CCD全景相机、高精度定位姿态***等多个传感器、总成控制***和高性能计算机以及控制装置等组成,研究了一种基于全息数据的立井井筒病害检测方法。
(1)建立数学模型,解算井筒变形参数
本发明通过迭代计算数学模型的参数值,最终确定拟合出目标物的数学模型,以该数学模型为基础实现点云滤波处理。RANSAC算法按照规范的几何形状模拟数学模型,其中有曲面模型、三维抛物面模型、圆柱体模型等。通过改进上述方法,将井筒内壁点云集可视为圆柱体,故采用RANSAC算法中的圆柱体模型的原理进行点云滤波处理,井筒数学模型公式可表示为:
式中,(x0,y0,z0)为目标物中轴线L上一点,r为目标物的半径,(l,m,n)为与中轴线L平行的非零向量。
该提取方法的精度取决于边缘点集的数量,在投影前进行坐标转换,使井筒的延伸方向沿坐标轴方向,从而使边缘点集的数量增多,坐标转换公式为:
其中,λθ为:
式中,θ为坐标系之间的转换角。
该发明研究的目标物为煤矿立井井筒,井筒内壁点云集可视为圆柱体,如图1所示。
本发明在估算数学模型时应具备以下条件:
(1)噪点的存在:在目标点云附近夹杂一定的无效噪点。
(2)点云需要具有规范的几何形状。
(3)进行迭代计算数学模型时,只可估算出一个断面模型。
(4)合理设定迭代运算次数和算法约束条件。
上述条件具备以后,基于改进的RANSAC算法进行点云滤波处理,算法流程如图2所示。
从目标点云集中随机选择一个样本集,使用最小二乘法估算随机样本集的数学模型参数并拟合出该模型,然后将当前模型中的点云集与剩余点云集进行迭代计算两者的偏差,随后完成偏差与算法阈值对比。若偏差值大于阈值,将该样本集归为局内点,反之,不断进行上述流程并迭代计算。最后,采用全部归为局内点的样本集拟合数据模型,当目标物数学模型的性能达到设定的特定阈值,结束迭代并通过计算确定最佳模型参数。
中轴线展现井筒的整体走势,是井筒延伸的方向,提供了重要的井筒参数信息和里程位置,所以对中轴线的拟合是必不可少的。因此,本发明后续将依托拟合后的井筒中轴线,基于已知中轴线里程位置和断面宽度截取断面,在完成井筒断面拟合后,利用断面的椭圆参数与坐标原点完成井壁变形分析。如图3所示。
本发明提出的中轴线拟合方法采用分段的思想,当进行无限小的等间距分段后,可将每个分割好的曲线段视为直线。对于每个曲线段都有与其相对应的法平面,这两个相互垂直法平面的交线即为中轴线,然后对交线上的空间离散点进行叠加,就可得到井筒点云的中轴线,拟合算法的具体流程如下:
(1)坐标转换:在进行点云投影前,调整井筒延伸的方向,使得井筒的延伸方向沿坐标轴的方向;
(2)点云投影:将井筒的点云分别投影至XOZ平面和YOZ平面;
(3)提取投影面两侧的边缘点集,用二次连续函数进行拟合:
(4)投影平面上边缘点按极大值搜索得到边缘点集A,计算点集A中任意点云的法向空间向量,此向量与下边界线形成交点可得到边缘点集B,通过求取点集A与点集B的均值得到中点集C1;同理,可将下边缘点集B按照上述流程求取中点集C2,最终以中点集C1和中点集C2均值提取中轴线上的点。
(5)求取正交于井筒XOZ投影平面的法平面P和正交于井筒YOZ投影平面的法平面P',平面P和平面P'的交线即为井筒的中轴线,中轴线实质为多个离散点累加形成的曲线,井筒中轴线如图3所示。
假设平面P和平面P'方程为:
A1x+B1y+C1z+D1=0
A2x+B2y+C2z+D2=0
若已知两个平面交线的空间向量,a={A1,B1,C1},b={A2,B2,C2},则:
相交直线与XOZ平面相交,取z=0,联立方程:
A1x+B1y+D1=0
A2x+B2y+D2=0
可求得相交直线上一点为:
把该点记为(M,N,0),因此过点(M,N,0),方向向量(E,F,G)可表示为:
上下边缘点搜索完成后,采用RANSAC算法对边缘点集进行中轴线拟合。拟合过程如下:将上下边缘点集分别记作(xk yk zk)m,(xl yl zl)n,分别对其拟合二次曲线。
取两条曲线的均值得:
均值后的(x y z)s即为中轴线。
在给定某一点里程的情况下,可以求出该轴线上的任意一点的里程位置,若已知中轴线上pn(xn yn zn)的里程位置为S,则利用离散点累加计算任意点pm(xm ym zm)的里程位置Sm为:
过pm,pn的法平面为:
若S与Sm的间距为d,则该里程区间内的截断面数据可表示为:
以此类推,可以根据两点的间距和已知点的里程位置分割点云,d为截断面宽度。
在不考虑施工、工作面采动等诸多因素的前提下,可将井筒的截断面视为是标准圆形。通过对井筒受力特征分析可知,两者变形是一个多因素相互作用的复杂过程,其周长基本不变,形状趋向于变成椭圆。因此,进行断面拟合时采用椭圆的广义方程式来进行计算。
椭圆的广义方程式为:
Ax2+By2+Cxy+Dx+Ey=0
在求解ABCDE五个参数时,可按照介绍的RANSAC算法流程,随机选取五个实测数据带入计算,通过迭代估算出数学模型的参数值,最终确定拟合出目标物的数学模型。同时,为了克服算法迭代次数过多的问题,我们以椭圆长短轴与初始径值相差不大为条件进行约束,提高算法效率。
设由实测点求出的椭圆参数为(An,Bn,Cn,Dn,En),椭圆的几何中心(xn,yn)为:
换算至标准式可得长短轴ab为:
明确设计径值R后,通过ab与R的差值设置阈值,若满足阈值条件则暂时保留模型,直到获得最优解,从而求出椭圆的五个参数和圆心坐标,通过长短轴与井筒的设计径值对比完成形变检测。
(2)依据井壁灰度图像,进行井筒块状病害识别
本发明在判别渗漏水等块状病害之前,提出了一种最小包围圆的概念。最小包围圆的基本参数保存在一个N×3的矩阵中,N行为最小包围圆的数量,3列代表最小包围圆的三个基本参数:块状病害形心的横坐标,块状病害形心的纵坐标,最小包围圆的半径。
灰度图像包含的信息能够充分反映图像的整体和局部特征,且信息量少,计算简单。为方便后续病害的提取,将井壁的点云数据经断面提取、点云投影、图像灰度化、里程改正等四步转换为灰度图。在转换的过程中为RGB分配不同的权值,并计算结果;然后将加权后的均值作灰度化的结果,本发明按下式权重对输入的图像信号进行灰度化。并且在三维点云投影到二维平面后,根据点云的反射强度值赋予相应的灰度值,再对其进行栅格化处理,一个网格为图像中的一个像素,每个像素点的灰度值则由点云强度确定。
f(x,y)=0.3R(x,y)+0.59G(x,y)+0.11B(x,y)
然后基于连通域算法对井筒灰度图像进行处理,可以获取图像中连通域的个数,即渗漏水区域的数量。连通域算法用于统计被标记的区域的一系列属性,其基本属性信息包括不同编号区域的像素个数,每个编号区域的形心坐标,以及计算每个区域的最小包围圆,最后将最小包围圆导入到灰度图像中,能够做到井壁渗漏水自动检测的可视化,直观地获取井壁渗漏水的空间分布位置。
同时本发明为进行渗水、脱落、泛碱病害类型自动判别,根据病害特征,提出一种结合平均灰度值、连通区域面积和移动窗口连通子块数量的判别方法。首先设定平均灰度值最小阈值和连通区域面积最小阈值,然后构造一个结构圆作为移动窗口。结构圆在图像中自左而右、自上而下平行移动,遍历整个灰度图像区域。在结构圆移动的每个位置,计算被结构圆包围的连通区域数量。根据井筒病害图像统计经验数据,选定平均灰度最小阈值为30,连通面积最小阈值为50。渗水、脱落、泛碱的几何语义描述如下:
a.如果灰度值小于40,连通区域面积大于0.15平方米,则认为该病害为渗水区域;
b.如果灰度值大于130,连通区域面积大于0.05平方米,则认为该病害为泛碱区域;
c.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量小于10,则认为该病害为泛碱区域;
d.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量大于10,则认为该病害为脱落区域。
本发明在井筒块状病害语义判别中作出了如下说明:
(1)病害特征分析:立井井筒巡检是为了快速发现和定位可能引起井筒破坏的井筒病害。常见的井筒病害中,除了井筒裂缝外,还有渗水、脱落、泛碱等多种井筒病害形式。
渗水:指地表水或混凝土体内黏附的水分沿着结构内部渗透到井筒内壁的表面。通过实际观察,井筒渗水区域成像,由于水流的渗入,一般比周围更加灰暗,转换为灰度图后,渗水区域的灰度值较周围明显要小。渗水区域通常表现为不规则轮廓区域分布,病害区域较大。
脱落:指混凝土表面砂、水泥浆脱落,粗骨料外露的现象。如果严重时,则会形成骨料及包着骨料的砂浆一起脱落,或混凝土表面灰浆呈片状的脱落。剥落区域也经常表现为不规则轮廓区域分布。
泛碱:普通混凝土井壁,遇空气或者墙体内的水气,混凝土成分部分发生水解反应,生成溶解度较小的碱性物质。墙壁随着气温的逐渐升高,水蒸气不断蒸发,将碱性物质从墙体内部慢慢析出,随着水分的一步一步蒸发,碱性物质就被析出于混凝土水泥表面,日积月累,就发生泛白、起皮等现象,形成“白华”等现象,这一过程称之为“泛碱”。泛碱将使墙体强度降低,降低了墙体的承载能力,同时又使建筑结构断面变小,单位面积墙体承重增大,对井筒造成潜在危害。泛碱区域也通常表现为不规则形状分布。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。上面对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以再不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种基于全息数据的立井井筒病害检测方法,包括下述步骤:
(1)利用惯性测量单元和激光扫描仪对井筒进行检测,获取高精度的POS数据和点云数据,POS数据提供井筒的实时位姿,点云数据可以体现井筒的三维立体模型,将POS数据与点云数据融合得到井筒原始激光散点在各个方向上的空间坐标信息,通过坐标转换得出以当地水平坐标系为基准的三维坐标信息;
(2)采用RANSAC算法中的圆柱体模型的原理进行点云滤波处理,井筒数学模型公式可表示为:
式中,(x0,y0,z0)为目标物中轴线L上一点,r为目标物的半径,(l,m,n)为与中轴线L平行的非零向量,
该提取方法的精度取决于边缘点集的数量,在投影前进行坐标转换,使井筒的延伸方向沿坐标轴方向,从而使边缘点集的数量增多,坐标转换公式为:
其中,λθ为:
式中,θ为坐标系之间的转换角;
(3)分段拟合中轴线:将每个分割好的曲线段视为直线。对于每个曲线段都有与其相对应的法平面,这两个相互垂直法平面的交线即为中轴线,然后对交线上的空间离散点进行叠加,就可得到井筒点云的中轴线,拟合算法的具体流程如下:
①.坐标转换:在进行点云投影前,调整井筒延伸的方向,使得井筒的延伸方向沿坐标轴的方向;
②.点云投影:将井筒的点云分别投影至XOZ平面和YOZ平面;
③.提取投影面两侧的边缘点集,用二次连续函数进行拟合:
④.投影平面上边缘点按极大值搜索得到边缘点集A,计算点集A中任意点云的法向空间向量,此向量与下边界线形成交点可得到边缘点集B,通过求取点集A与点集B的均值得到中点集C1;同理,可将下边缘点集B按照上述流程求取中点集C2,最终以中点集C1和中点集C2均值提取中轴线上的点,
⑤.求取正交于井筒XOZ投影平面的法平面P和正交于井筒YOZ投影平面的法平面P',平面P和平面P'的交线即为井筒的中轴线,多个离散点累加形成的曲线即为拟合中轴线,
(4)基于已知中轴线里程位置和断面宽度截取断面,完成井筒断面拟合,得到三维井筒模型;
将井壁的点云数据沿中轴线的方向按一定厚度进行截取,投影到垂直于中轴线的平面上,然后利用最小二乘法进行断面拟合,对井筒进行圆度分析,
(5)依据三维井筒模型中井壁的点云数据转化为灰度图
将井壁的点云数据经断面提取、点云投影、图像灰度化、里程改正四步转换为灰度图,在转换的过程中为RGB分配不同的权值,并计算结果;然后将加权后的均值作灰度化的结果,本发明按下式权重对输入的图像信号进行灰度化,并且在三维点云投影到二维平面后,根据点云的反射强度值赋予相应的灰度值,再对其进行栅格化处理,一个网格为图像中的一个像素,每个像素点的灰度值则由点云强度确定,
f(x,y)=0.3R(x,y)+0.59G(x,y)+0.11B(x,y)
(6)依据三维井筒模型灰度图像,进行井筒块状病害识别
然后基于连通域算法对井筒灰度图像进行处理,可以获取图像中连通域的个数,即渗漏水区域的数量,连通域算法用于统计被标记的区域的一系列属性,其基本属性信息包括不同编号区域的像素个数,每个编号区域的形心坐标,以及计算每个区域的最小包围圆,最后将最小包围圆导入到灰度图像中,能够做到井壁渗漏水自动检测的可视化,直观地获取井壁渗漏水的空间分布位置,
同时本发明为进行渗水、脱落、泛碱病害类型自动判别,根据病害特征,提出一种结合平均灰度值、连通区域面积和移动窗口连通子块数量的判别方法,首先设定平均灰度值最小阈值和连通区域面积最小阈值,然后构造一个结构圆作为移动窗口,结构圆在图像中自左而右、自上而下平行移动,遍历整个灰度图像区域,在结构圆移动的每个位置,计算被结构圆包围的连通区域数量,根据井筒病害图像统计经验数据,选定平均灰度最小阈值为30,连通面积最小阈值为50,渗水、脱落、泛碱的几何语义描述如下:
a.如果灰度值小于40,连通区域面积大于0.15平方米,则认为该病害为渗水区域;
b.如果灰度值大于130,连通区域面积大于0.05平方米,则认为该病害为泛碱区域;
c.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量小于10,则认为该病害为泛碱区域;
d.如果灰度值大于130,连通区域面积小于0.05平方米,且移动窗口内连通子块数量大于10,则认为该病害为脱落区域。
2.根据权利要求1所述的基于全息数据的立井井筒病害检测方法,其特征在于:所述点云滤波处理包括下述步骤:
①.从目标点云集中随机选择一个样本集,使用最小二乘法估算随机样本集的数学模型参数并拟合出该模型;
②然后将当前模型中的点云集与剩余点云集进行迭代计算两者的偏差,随后完成偏差与算法阈值对比,
若偏差值大于阈值,将该样本集归为局内点,反之,不断进行上述流程并迭代计算,
③.最后,采用全部归为局内点的样本集拟合数据模型,当目标物数学模型的性能达到设定的特定阈值,结束迭代并通过计算确定最佳模型参数。
3.根据权利要求1或2所述的基于全息数据的立井井筒病害检测方法,其特征在于:所述惯性测量单元选用高精度定位姿态***、所述激光扫描仪选用CCD全景相机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277580.4A CN117345201A (zh) | 2023-09-28 | 2023-09-28 | 基于全息数据的立井井筒病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311277580.4A CN117345201A (zh) | 2023-09-28 | 2023-09-28 | 基于全息数据的立井井筒病害检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117345201A true CN117345201A (zh) | 2024-01-05 |
Family
ID=89355059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311277580.4A Pending CN117345201A (zh) | 2023-09-28 | 2023-09-28 | 基于全息数据的立井井筒病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117345201A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015005A (zh) * | 2024-04-10 | 2024-05-10 | 合肥工业大学 | 一种基于机器视觉的泛碱检测方法及便携式检测装置 |
-
2023
- 2023-09-28 CN CN202311277580.4A patent/CN117345201A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118015005A (zh) * | 2024-04-10 | 2024-05-10 | 合肥工业大学 | 一种基于机器视觉的泛碱检测方法及便携式检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Automated extraction of structural elements in steel girder bridges from laser point clouds | |
CN105700525B (zh) | 基于Kinect传感器深度图机器人工作环境不确定性地图构建法 | |
EP2304688B1 (en) | Automated building outline detection | |
CN101499168B (zh) | 基于脊线跟踪与海森矩阵的结构光光条中心提取方法 | |
Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
CN108458668A (zh) | 基于双目视觉的板坯边部及头尾形状自动检测***及方法 | |
CN117345201A (zh) | 基于全息数据的立井井筒病害检测方法 | |
CN109886939A (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN115345881B (zh) | 一种基于计算机视觉的路面病害检测方法 | |
CN114547866B (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
CN116524017B (zh) | 一种用于矿山井下检测识别定位*** | |
CN110851978B (zh) | 一种基于可见性的摄像机位置优化方法 | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
CN106403818A (zh) | 多规格大型方矩形管在线尺寸参数检测用的***及方法 | |
CN115588043A (zh) | 一种基于视觉的挖掘机作业位姿的监测方法 | |
CN112989453B (zh) | 一种基于bim的全息变形信息提取方法 | |
CN117808287A (zh) | 一种架空线路潜在风险综合评估方法 | |
CN111336991A (zh) | 基于激光点云的隧道椭圆度分析方法、装置和*** | |
Dey et al. | Building Boundary Extraction from LiDAR Point Cloud Data | |
Madhavan et al. | A computer vision based approach for 3D building modelling of airborne laser scanner DSM data | |
CN115578343A (zh) | 一种基于图像连通与骨架分析的裂缝尺寸测量方法 | |
KR20040061223A (ko) | 카메라 캘리브레이션을 이용한 교통정보 추출 방법 및 장치 | |
Fang et al. | Density-based spatial clustering and discriminative modeling for automatic recognition and localization of cast-in hoist rings | |
Qiu et al. | Identification and Measurement of Bridge Cable Surface Damage Based on Point Cloud Segmentation | |
CN117726239B (zh) | 工程质量验收实测实量方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |