A method for simplifying surface point cloud data of coal mine roadways based on secondary feature extraction
-
摘要:
采用三维激光扫描技术提取的煤矿巷道表面点云数据量大且存在较多的冗余数据，而现有点云数据精简方法存在大数量级点云处理过程中细节保留不足的问题。针对上述问题，提出了一种基于二次特征提取的煤矿巷道表面点云数据精简方法。首先对采集到的原始巷道点云数据进行去噪预处理；其次建立K−d树，并利用主成分分析法对去噪后点云数据估算来拟合邻域平面的法向量；然后通过较小的法向量夹角阈值对点云进行初步的特征区域与非特征区域划分，保留特征区域并随机下采样非特征区域，接着依据较大的法向量夹角阈值将特征区域点云划分为特征点和非特征点，并对非特征点进行体素随机采样；最后将2次点云精简结果与特征点合并得到最终的精简数据。仿真结果表明，该方法在百万数据量级点云和高精简率条件下，相较曲率精简方法、随机精简方法和栅格精简方法，在特征保留和重构精度方面都取得了更好的效果，三维重构后计算所得标准偏差平均可低于相同精简率下其他方法30%左右。
Abstract:The surface point cloud data of coal mine roadways extracted using 3D laser scanning technology has a large amount of redundant data. The existing point cloud data simplification methods have the problem of insufficient detail preservation in the processing of large-scale point clouds. In order to solve the above problems, a surface point cloud data reduction method for coal mine roadways based on secondary feature extraction is proposed. Firstly, the method performs denoising preprocessing on the collected original roadway point cloud data. Secondly, the method establishes a K-d tree and uses principal component analysis to estimate the denoised point cloud data to fit the normal vector of the neighborhood plane. Thirdly, the point cloud is preliminarily divided into feature and non-feature regions using a smaller normal vector angle threshold, retaining the feature regions and randomly downsampling the non-feature regions. Fourthly, based on the larger normal vector angle threshold, the feature region point cloud is divided into feature points and non-feature points. And voxel random sampling is conducted on the non-feature points. Finally, the method merges the two point cloud simplification results with the feature points to obtain the final simplified data. The simulation results show that under million data level point clouds and high precision conditions, this method achieves better results in feature preservation and reconstruction precision compared to curvature simplification methods, random simplification methods, and grid reduction methods. The average standard deviation calculated after 3D reconstruction can be about 30% lower than other methods under the same reduction rate.
-
0. 引言
我国煤矿智能化开采经历了基于远程可视化的智能化开采1.0阶段，以及基于设备自适应的智能化开采2.0阶段，实现了综采工作面“无人操作、有人巡视”生产方式的应用[1-5]。以国家能源集团神东煤炭集团公司为代表的煤炭企业已经实现了煤矿综采装备从单机控制走向集中控制，并在地质条件较好区域进行了自动化采煤，实现了采煤机记忆截割及远程视频干预控制、液压支架跟机自动化等技术的广泛应用。但是综采工作面自动化开采仍依赖于生产人员在工作面内跟随采煤机作业或在远程集控中心监控设备启停、干预调整[6-7]，其原因在于当前自动化开采模式下综采设备与煤层地质条件、地理信息未实现有效关联，设备无法根据煤层赋存变化实现自适应控制。
为解决上述问题，临沂矿业集团有限责任公司、黄陵矿业集团有限责任公司开展了自适应工作面地质条件的智能开采技术研究，并分别在临沂矿业集团菏泽煤电有限公司郭屯煤矿和黄陵矿业集团有限责任公司一号煤矿进行工程实践。郭屯煤矿引入测量机器人系统自动追踪巷道导线点三维大地坐标，实现采煤机等固定或移动标志点大地坐标的动态赋值和修正，达到采煤机与地质模型的自适应耦合，并依托钻探、巷道素描、地层分界测量、三维地震勘探等技术实现基于精确大地坐标的三维地质模型构建与动态修正，自动生成采煤截割线、俯仰采基线，用于指导采煤机自适应割煤[8]；但存在工程实践复杂的问题，特别是在复杂地质条件下测量机器人无法自动、精确跟踪采煤机运动，导致综采设备无法获取三维空间位置，影响其与具有大地坐标的三维地质模型的空间位置融合。黄陵一号煤矿利用地质写实、钻孔雷达探测、槽波地震勘探获得的地质数据构建综采工作面静态地质模型，再通过隐式迭代建模、动态更新等大数据技术实现静态地质模型动态更新，达到智能精准开采[9]；但在地质模构建过程中，选取相对基准点进行绝对坐标转换将导致各类地质勘探数据误差放大，影响模型实际精度，而且利用数据融合算法实现模型优化需要大量地质数据积累，实际应用存在很大的局限性[10-13]。因此，本文提出了综采工作面透明化开采模式，可根据煤层赋存条件指导采煤机自主割煤，达到综采工作面智能自适应开采目标。
1. 透明化开采模式
综采工作面透明化开采模式以煤层赋存勘探为基础，以工作面三维数字化模型为对象，通过剖切三维数字化模型、提取待开采煤层顶底板轨迹坐标，制定采煤机调高控制策略，最终采煤机依据截割轨迹参数进行调高控制，达到自主割煤目标。
透明化开采模式建立过程分为3个阶段：
（1） 模型构建阶段。通过收集地质勘探资料，获取综采工作面概要地质信息，包括工作面切眼和两巷等揭露的待开采煤层三维坐标信息、工作面煤层等厚线图、矿井钻孔采样图中工作面煤层高度及位置绝对坐标信息等。利用精细化物探技术（如定向钻孔雷达探测、槽波地震勘探等），实现对工作面煤层赋存条件的精细化探测。融合工作面概要地质信息和精细化物探信息，利用GIS（Geographic Information System，地理信息系统）软件建立工作面三维数字化模型，实现对工作面开采条件的预先感知。
（2） 待开采空间定位阶段。利用工作面移动装置搭载三维激光扫描装置、惯性导航装置，实现对综采工作面当前所处空间的三维坐标提取，并将获得的三维坐标导入三维数字化模型中实现模型剖切，从模型剖切面提取工作面当前待割煤循环的煤层顶底板坐标。同时根据工作面液压支架推进步距，可从三维数字化模型中提取后续多个割煤循环的煤层顶底板坐标，为工作面连续割煤控制策略制定提供数据支撑。
（3） 截割控制决策与执行阶段。综合分析待开采煤层顶底板坐标数据，考虑工作面顶底板起伏曲率限定条件、俯仰采阶变过程平滑阶梯多级调整要求等，对未来数个割煤循环采煤机调高控制进行分析、决策，提前制定采煤机截割控制方案并形成采煤机截割高度控制参数集，采煤机开放截割高度控制参数在线编辑功能，依据下发的参数执行自动调高控制。
2. 透明化开采关键技术
2.1 三维数字化模型建立
以矿井地质勘探钻孔和工作面切眼、回撤通道及两巷等实测地质信息为基础，构建工作面初始三维地质模型[14]。为提升模型精度，需要开展定向钻孔施工和地质测绘等精细化物探。沿工作面煤层顶底板分界线实施定向钻孔施工，利用随钻测量仪器获取定向钻孔轨迹，之后经过衍生处理可获得煤层顶底板分界线轨迹，确定分界线的空间位置数据。定时开展地质测绘工作，通过全站仪沿工作面测量已揭露顶底板绝对三维坐标。将通过精细化物探获得的煤层赋存精准数据定期导入初始三维地质模型，实现模型动态优化，从而精准构建三维数字化模型。
2.2 三维激光点云模型建立
依托三维激光扫描技术、惯性导航技术及工作面巡检技术，开展工作面采场空间扫描，构建工作面三维激光点云模型[15-16]，从而在三维数字化模型中准确定位当前工作面开采位置目标。
集成三维激光扫描装置、惯性导航装置的工作面巡检机构（图1）以里程编码器数据为基准，每运动一定距离，三维激光扫描装置触发1次环形切片扫描，获得当前一定空间范围内的点云坐标数据。同时惯性导航装置记录该扫描位置的三维激光扫描装置位姿信息，待全工作面扫描结束后，将切片扫描获取的点云坐标数据与位姿信息进行拼接、融合处理，形成工作面三维激光点云模型。工作面三维激光扫描工作原理如图2所示。
三维激光点云模型坐标是相对于三维激光扫描装置位置的相对坐标，需要通过点对点坐标传导方式导入绝对坐标数据来实现坐标转换，原理如图3所示。在工作面与巷道交叉区域布置固定式三维激光扫描装置，巷道内布置3个具有绝对坐标的定位标志球。通过地测方式给予巷道3个定位标志球绝对坐标（x1，y1，z1），（x2，y2，z2），（x3，y3，z3），固定式三维激光扫描装置同时获取巷道定位标志球和工作面定位标志球坐标，通过坐标传导方式获得工作面3个定位标志球绝对坐标（x4，y4，z4），（x5，y5，z5），（x6，y6，z6）。三维激光点云模型中已获取工作面3个定位标志球的相对坐标，将（x4，y4，z4），（x5，y5，z5），（x6，y6，z6）导入三维激光点云模型后，通过坐标传导方式即可将三维激光点云坐标由相对坐标转换为绝对坐标。
2.3 模型剖切与截割规划
由于工作面三维激光点云模型中煤壁与顶板的点云密度存在较明显差异，通过相关算法提取2个平面交接处三维坐标，形成采煤机截割轨迹三维坐标数据集，将提取到的采煤机截割轨迹线三维坐标导入三维数字化模型，即可实现对三维数字化模型的剖切。从模型剖切面数据中提取下一割煤循环煤层顶底板分界线的精准三维坐标数据集，通过分析精准三维坐标集，推算工作面倾向角度变化条件，结合采煤机滚筒高度数学模型，解算出下一割煤循环采煤机前后滚筒对应控制采样点的调整参数，从而有效指导采煤机下一割煤循环滚筒调高控制。
为应对工作面连续推进过程中俯仰采变化需要，在剖切三维数字化模型过程中，应根据工作面液压支架推进步距，同时提取后续若干个割煤循环的煤层顶底板坐标数据集，通过综合分析煤层连续变化趋势，在工作面平直度、当前割顶底板情况、采煤机运行状态等大数据基础上，通过优化算法，制定未来10刀的割煤策略，实现采煤机截割控制提前决策，确保出现俯仰采变化时实现平滑阶梯多级调整。
2.4 采煤机调高控制
采煤机控制系统开放针对截割高度控制数据的第三方可编辑数据接口，以导入调高控制数据。系统根据采煤机调高控制边界条件对导入数据进行校验，对不符合边界条件的参数进行优化，最终形成可执行调控参数。采煤机按照最终调控参数执行自主调高控制。
3. 工程应用
以国家能源集团神东煤炭集团公司榆家梁煤矿43102综采工作面为研究对象，开展了综采工作面透明化开采模式及关键技术应用。
全面收集43102综采工作面相关地质资料，构建初始三维地质模型。在工作面巷道布置ZDY−6000LD型定向钻机实施定向钻孔工程，沿煤层顶底板分界线完成钻孔勘测，实现对工作面赋存情况的精准探测。获取的数据导入初始三维地质模型后，获得精准的工作面三维数字化模型，如图4所示。同时在工作面回采过程中每日安排工作面地质测绘工作，通过测绘数据实现三维数字化模型误差纠偏，进一步提升模型精度，确保工作面前方10 m煤层赋存信息的“精准透明化、动态自优化”。
对于单个割煤循环，构建采场实时三维激光点云模型，如图5所示。
提取三维激光点云模型中煤壁、顶板交接处三维坐标数据集形成剖切线，利用剖切线对三维数字化模型进行剖切，获得下一割煤循环的顶底板轮廓曲线，最终通过截割规划确定下一割煤循环的采煤机截割高度控制参数。为验证三维数字化模型顶底板轮廓曲线的准确度，对下一割煤循环结束后工作面顶底板进行地质测绘，将地质测绘顶底板轮廓曲线与三维数字化模型顶底板轮廓曲线进行对比，如图6所示，结果表明三维数字化模型误差小于±0.2 m。
![]()
图 6 三维数字化模型和地质测绘顶底板轮廓曲线对比Figure 6. Comparison of top and bottom contour curves between 3D digital model and geological mapping4. 结论
（1） 融合综采工作面概要地质信息和精细化物探信息，建立综采工作面三维数字化模型；依托三维激光扫描技术、惯性导航技术、工作面巡检技术，构建综采工作面三维激光点云模型，并通过点对点坐标传导方式实现点云坐标由相对坐标转换为绝对坐标。三维数字化模型和三维激光点云模型实现了综采工作面煤层赋存条件和采场空间的数字化，为综采工作面透明化开采提供了重要数据支撑。
（2） 通过提取三维激光点云模型中采煤机截割轨迹三维坐标数据集，实现三维数字化模型剖切，从而获得工作面待开采煤层顶底板坐标数据集，通过综合分析煤层赋存变化情况制定截割规划，指导采煤机后续割煤循环过程中滚筒自主调高控制。
（3） 透明化开采模式及技术在榆家梁煤矿43102综采工作面进行了工程应用，初步实现了采煤机依据工作面煤层赋存条件进行自主割煤。
-
![]()
图 1 煤矿巷道表面点云数据精简方法流程
Figure 1. Flowchart of point cloud data simplification method of coal mine roadway surface
![]()
图 2 基于法向量夹角的特征区域选取原理
Figure 2. Principle of feature area selection based on normal vector angle
![]()
图 4 精简率为50%的简化及三维重建结果
Figure 4. Simplification and 3D reconstruction results with reduction rate of 50%
![]()
图 6 精简率为10%的简化及三维重建结果
Figure 6. Simplification and 3D reconstruction results with reduction rate of 10%
![]()
图 5 精简率为30%的简化及三维重建结果
Figure 5. Simplification and 3D reconstruction results with reduction rate of 30%
表 1 不同特征提取次数下最大偏差与标准偏差
Table 1 The maximum deviation and standard deviation under different feature extraction times
特征提取方式 精简率/% 最大偏差（正向/负向）/m 标准偏差/m 一次特征提取 10 1.340 6/−2.807 2 0.038 93 二次特征提取 0.918 3/−0.748 4 0.036 44 一次特征提取 30 3.049 9/−2.398 7 0.035 16 二次特征提取 2.754 1/−2.375 9 0.033 27 一次特征提取 50 1.582 8/−1.835 1 0.021 50 二次特征提取 2.739 3/−2.226 8 0.020 66 
下载: 导出CSV
表 2 不同精简方法下最大偏差与标准偏差
Table 2 The maximum deviation and standard deviation under different simplification methods
精简方法 精简率/% 最大偏差（正向/负向）/m 标准偏差/m 曲率精简方法 10 2.800 9/−1.894 9 0.057 88 随机精简方法 2.452 6/−2.663 3 0.060 37 栅格精简方法 1.310 7/−3.052 4 0.055 09 本文方法 0.918 3/−0.748 4 0.036 44 曲率精简方法 30 3.265 2/−2.712 2 0.043 39 随机精简方法 2.428 1/−2.465 9 0.037 65 栅格精简方法 3.268 8/−1.856 2 0.039 15 本文方法 2.754 1/−2.375 9 0.033 27 曲率精简方法 50 3.151 3/−1.562 2 0.025 77 随机精简方法 2.848 6/−1.216 0 0.020 82 栅格精简方法 2.857 8/−1.550 1 0.033 63 本文方法 2.739 3/−2.226 8 0.020 66
下载: 导出CSV
-
[1] 俞艳波,李小松,苏海华,等. 便携式三维激光扫描技术在矿山地下巷道可视化建模中的应用[J]. 北京测绘,2022,36(12):1703-1708. YU Yanbo,LI Xiaosong,SU Haihua,et al. Application of portable 3D laser scanning technology in visualization modeling of mine underground tunnel[J]. Beijing Surveying and Mapping,2022,36(12):1703-1708.
[2] 朱杭琦,徐亮亮,方秀友,等. 基于三维激光扫描技术的地铁隧道健康检测与安全性评估应用[J]. 城市地质,2022,17(4):493-500. DOI: 10.3969/j.issn.1007-1903.2022.04.014 ZHU Hangqi,XU Liangliang,FANG Xiuyou,et al. Health detection and safety assessment of subway tunnel based on 3D laser scanning technology[J]. Urban Geology,2022,17(4):493-500. DOI: 10.3969/j.issn.1007-1903.2022.04.014
[3] 高帅,马全明,符新新,等. 三维激光扫描技术在地铁隧道调线调坡测量中的应用研究[J]. 城市勘测,2022(5):146-148. GAO Shuai,MA Quanming,FU Xinxin,et al. Research on route and gradient adjustment measurement of 3D laser scanning in metro tunnel[J]. Urban Geotechnical Investigation & Surveying,2022(5):146-148.
[4] 宋成航,李晋儒,刘冠杰. 利用特征点采样一致性改进ICP算法点云配准方法[J]. 北京测绘,2021,35(3):317-322. SONG Chenghang,LI Jinru,LIU Guanjie. Point cloud registration method using feature point sampling consistency initial alignment and improved ICP algorithm[J]. Beijing Surveying and Mapping,2021,35(3):317-322.
[5] 彭海驹,严科文,林松,等. 融合kmeans聚类与Hausdorff距离的点云精简算法改进[J]. 地理空间信息,2022,20(8):59-63. DOI: 10.3969/j.issn.1672-4623.2022.08.014 PENG Haiju,YAN Kewen,LIN Song,et al. Point cloud simplification improved algorithm integrating K-means clustering and Hausdorff distance[J]. Geospatial Information,2022,20(8):59-63. DOI: 10.3969/j.issn.1672-4623.2022.08.014
[6] 刘源,左小清,李勇发,等. 使用冯米塞斯分布提取特征的点云精简方法[J]. 激光与光电子学进展,2023,60(2):341-351. LIU Yuan,ZUO Xiaoqing,LI Yongfa,et al. Point cloud simplification method using Von Mises-Fisher distribution to extract features[J]. Laser & Optoelectronics Progress,2023,60(2):341-351.
[7] 张亦芳,李立,刘光帅. 基于特征显著性的点云自适应精简[J]. 计算机工程与设计,2021,42(8):2211-2217. ZHANG Yifang,LI Li,LIU Guangshuai. Adaptive simplification of point cloud based on feature saliency[J]. Computer Engineering and Design,2021,42(8):2211-2217.
[8] SHI Zhiyuan,XU Weiming,MENG Hao. A point cloud simplification algorithm based on weighted feature indexes for 3D scanning sensors[J]. Sensors,2022,22(19):1-21. DOI: 10.1109/JSEN.2022.3206996
[9] 曹爽,赵显富,马文. 一种基于曲面变化的工业构件点云数据精简方法[J]. 测绘通报,2018(11):20-24. CAO Shuang,ZHAO Xianfu,MA Wen. A simplification method of point cloud data of industrial components based on surface variation[J]. Bulletin of Surveying and Mapping,2018(11):20-24.
[10] 李琪琪,花向红,赵不钒,等. 一种基于曲率泊松碟采样的散乱点云精简方法[J]. 测绘通报,2020(增刊1):176-180. LI Qiqi,HUA Xianghong,ZHAO Bufan,et al. A method for scattered point cloud simplification based on curvature poisson dish sampling[J]. Bulletin of Surveying and Mapping,2020(S1):176-180.
[11] 傅思勇,吴禄慎,陈华伟. 空间栅格动态划分的点云精简方法[J]. 光学学报,2017,37(11):253-261. FU Siyong,WU Lushen,CHEN Huawei. Point cloud simplification method based on space grid dynamic partitioning[J]. Acta Optica Sinica,2017,37(11):253-261.
[12] 张匡宇,田庆. 一种基于曲率判别的点云去噪与精简算法[J]. 南方农机,2022,53(3):121-123. DOI: 10.3969/j.issn.1672-3872.2022.03.036 ZHANG Kuangyu,TIAN Qing. A point cloud denoising and simplification algorithm based on curvature discrimination[J]. China Southern Agricultural Machinery,2022,53(3):121-123. DOI: 10.3969/j.issn.1672-3872.2022.03.036
[13] 韩一菲,杨紫骞,郑福,等. 基于FPFH和法向量的改进点云配准算法[J]. 半导体光电,2021,42(4):579-584. HAN Yifei,YANG Ziqian,ZHENG Fu,et al. Improved point cloud registration algorithm based on FPFH and normal vector[J]. Semiconductor Optoelectronics,2021,42(4):579-584.
[14] 李海鹏,徐丹,付宇婷,等. 基于FPFH特征提取的散乱点云精简算法[J]. 图学学报,2022,43(4):599-607. LI Haipeng,XU Dan,FU Yuting,et al. A scattered point cloud simplification algorithm based on FPFH feature extraction[J]. Journal of Graphics,2022,43(4):599-607.
[15] 何宽,孙瑞,官云兰,等. 基于逐点前进法的点云数据精简[J]. 测绘通报,2022(9):167-169. DOI: 10.3969/j.issn.0494-0911.2022.9.chtb202209031 HE Kuan,SUN Rui,GUAN Yunlan,et al. Point cloud data simplification based on point-by-point advancing method[J]. Bulletin of Surveying and Mapping,2022(9):167-169. DOI: 10.3969/j.issn.0494-0911.2022.9.chtb202209031
[16] 李佩佩,崔凤英. 基于二分K−means聚类的曲率分级点云数据精简优化算法研究[J]. 电子测量技术,2022,45(4):66-71. LI Peipei,CUI Fengying. The optimization algorithm for curvature graded point cloud data based on dichotomous K-means clustering[J]. Electronic Measurement Technology,2022,45(4):66-71.
[17] 章紫辉,官云兰. 基于邻域点位置特征的点云数据精简[J]. 激光与光电子学进展,2023,60(16):393-402. ZHANG Zihui,GUAN Yunlan. Point-cloud data reduction based on neighborhood-point position feature[J]. Laser & Optoelectronics Progress,2023,60(16):393-402.
[18] 梁栋,蒲洁,李岩峰. 一种保留特征点的大数据量点云分类精简算法[J]. 测绘科学,2022,47(5):99-106,133. LIANG Dong,PU Jie,LI Yanfeng. A streamlined algorithm for large data point cloud classification with preserving feature points[J]. Science of Surveying and Mapping,2022,47(5):99-106,133.
[19] 丁吉祥,董寰宇,秦训鹏. 面向结构件几何特征保留的点云精简方法[J]. 电子测量与仪器学报,2022,36(6):196-204. DING Jixiang,DONG Huanyu,QIN Xunpeng. Point cloud simplification method for geometric feature preservation of structural parts[J]. Journal of Electronic Measurement and Instrumentation,2022,36(6):196-204.
[20] 刘江,张旭,朱继文. 一种基于K−D树优化的ICP三维点云配准方法[J]. 测绘工程,2016,25(6):15-18. DOI: 10.3969/j.issn.1006-7949.2016.06.004 LIU Jiang,ZHANG Xu,ZHU Jiwen. ICP three-dimensional point cloud registration method based on K-D tree optimization[J]. Engineering of Surveying and Mapping,2016,25(6):15-18. DOI: 10.3969/j.issn.1006-7949.2016.06.004
[21] 杨必胜,韩旭,董震. 点云深度学习基准数据集[J]. 遥感学报,2021,25(1):231-240. DOI: 10.11834/jrs.20210542 YANG Bisheng,HAN Xu,DONG Zhen. Point cloud benchmark dataset WHU-TLS and WHU-MLS for deep learning[J]. National Remote Sensing Bulletin,2021,25(1):231-240. DOI: 10.11834/jrs.20210542
[22] DONG Zhen,LIANG Fuxun,YANG Bisheng,et al. Registration of large-scale terrestrial laser scanner point clouds:a review and benchmark[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2020,163:327-342. DOI: 10.1016/j.isprsjprs.2020.03.013
计量
- 文章访问数: 1109
- HTML全文浏览量: 53
- PDF下载量: 20
