利用從二維照片生成的露頭三維點云對斷裂進行智能表征
《Computers & Geosciences》：Intelligent characterization of fractures using 3D point clouds of outcrops generated from 2D photos
【字體：
大
中
小
】
時間：2026年03月02日
來源：Computers & Geosciences 4.4
編輯推薦：
三維點云重建與低紋理巖石表面裂縫提取方法研究。提出并驗證了Im2Frac工作流，通過融合SfM-MVSNet深度學習立體視覺重建與CIELAB空間密度聚類算法，實現多角度二維影像到高精度三維點云的自動重建及裂縫面提取。實驗表明該方法在復雜地質條件下可恢復96.1%人工標注裂縫，平均重投影誤差僅1.45像素，顯著優于傳統MVS及幾何聚類方法。
董少群|傅凱峰|王樂婷|曾連波
中國石油大學（北京）石油資源與工程國家重點實驗室，北京，102249，中國
摘要
從數字攝影測量中獲得的3D點云已成為表征露頭裂隙網絡、約束地下水庫模型和結構解釋的關鍵數據源。然而，在實際應用中，低紋理的巖石表面和噪聲較大的表面法線經常會導致重建的點云質量下降，從而影響裂隙提取的完整性和可靠性，限制了這些技術的有效使用。本研究旨在開發并評估一種名為Im2Frac的強大且高度自動的工作流程，該流程能夠從多角度的2D照片生成密集的3D點云，并在這些具有挑戰性的條件下提取單個裂隙表面及其幾何屬性。Im2Frac結合了運動結構（Structure-from-Motion, SfM）和多視圖立體網絡（Multi-View Stereo Network, SfM–MVSNet）進行點云重建，以及CIE L?a?b?（CIELAB）空間密度聚類算法（Lab-DBSCAN）進行裂隙繪制。SfM-MVSNet利用多視圖幾何信息和深度學習生成高保真度的深度圖，而Lab-DBSCAN將點法線轉換為感知上統一的CIELAB顏色空間，對具有相似方向的點進行分組，并應用DBSCAN算法分割出單個裂隙平面。該工作流程在中國鄂爾多斯盆地延河地區長6組（Chang 6 Member）的致密砂巖露頭無人機圖像上進行了測試。Im2Frac重建的點云平均重投影誤差約為1.45像素，恢復了96.1%的裂隙，并且自動提取的裂隙走向和傾角與手動測量結果高度一致。與傳統的多視圖立體（MVS）或基于幾何的聚類方法相比，該方法在低紋理區域具有更高的魯棒性，對參數選擇的敏感性更低，且幾乎不需要人工干預即可獲得裂隙屬性，從而提高了攝影測量露頭數據在定量裂隙表征中的實際價值。未來的工作將重點改進其對不同光照和采集條件的適應性，并在更多異質巖性中的有效性進行驗證。
引言
地下裂隙網絡對流體流動有重要影響，為石油和天然氣開發、地熱系統、水文地質、廢物儲存以及二氧化碳封存等提供了通道（Gong等人，2021；Zhang等人，2013）。在石油、天然氣和地熱開發中，裂隙網絡可以通過提供高滲透性的流動路徑來提高資源回收率（Wu等人，2025）。相反，在廢物儲存和二氧化碳封存中，必須仔細表征這些路徑以避免泄漏（Liu等人，2015）。
基于裸露巖石露頭的裂隙表征可以直觀地了解地下儲層中的裂隙網絡，因為露頭和地下儲層中的裂隙形成于同一時期，并經歷了相同的沉積和構造過程（Ge等人，2023）。
在過去幾十年中，地質露頭的裂隙測繪主要依賴于手動測量、繪圖和攝影。現在，3D激光掃描（LiDAR）可以通過高分辨率點云實現露頭的數字化，提高了裂隙網絡表征的準確性和重復性（Daghigh等人，2022）。LiDAR通過發射激光脈沖并記錄精確的反射數據（García-Sellés等人，2011），已成為計量學、機器人技術、考古學、環境監測、隧道穩定性評估和巖石質量評估的標準工具（Li等人，2022；Mikita等人，2020）。然而，LiDAR技術的應用通常成本較高，因為所需設備價格昂貴，且由于設備體積龐大和需要逐步掃描，因此耗時較長（Marques等人，2020）。這使得野外露頭測量變得特別繁瑣和不便。隨著計算能力的不斷進步，攝影測量越來越多地被用于從標準照片創建3D點云，利用了運動結構（SfM）和多視圖立體視覺（MVS）等方法（Daghigh等人，2022）。這種先進技術可以從多角度的二維照片重建三維空間。通過對每張照片中自動識別的對應點進行光束調整，可以計算出每張照片的相機投影矩陣，從而便于圖像的空間恢復（Wei等人，2013）。此外，使用成本效益高的相機可以從不同角度和位置獲取露頭照片，進而將其處理成調查區域的3D點云表示。這項技術兼容多種現代攝影設備，包括單反相機（SLR）、緊湊型相機、智能手機相機以及安裝在無人機（UAV）上的相機等。這種兼容性大大簡化了3D點云數據的采集過程，使其更加經濟、便捷（Chesley等人，2017）。
在涉及巖石露頭的3D點云背景下，裂隙可以通過其獨特的特征進行識別，包括平面表面和特定范圍內的傾角。因此，已經開發出半自動的裂隙解釋技術，通過點云分割提取裂隙平面。在這些技術中，隨機樣本一致性（RANSAC）方法因其迭代方法而脫穎而出，該方法能夠以一定的概率識別出最佳參數以解釋分割模型，從而自主提取不連續性并分割塊體以確定體積數據、傾斜角和其他相關塊體信息（Na等人，2017）。此外，無監督聚類方法在分析組內和組間距離方面發揮著關鍵作用（Wang等人，2019；Wang等人，2019）。K均值聚類（Ku?ak等人，2017）、模糊聚類（Guo等人，2017；Zhou等人，2024）和基于密度的空間聚類算法（DBSCAN，Y. Wang等人，2019）常用于此目的。轉向統計框架后，主成分分析（PCA）方法利用特征矩陣實現點云分割。這種統計方法通過結合數據降維和特征提取，增強了PCA在分割過程中的靈活性，從而更細致地理解點云數據中的結構復雜性（Wang等人，2017；Weinmann等人，2015）。近年來，深度學習技術在裂隙提取方面得到了廣泛應用。通過對裂隙進行語義分割（Chen等人，2025；Li等人，2025），在計算效率和準確性方面取得了顯著進展（Ge等人，2022；Zhang等人，2024）。
目前，基于多角度2D地質照片的3D點云重建和從3D點云中提取裂隙的技術已經取得了很大進展，但仍面臨兩個問題：（1）點云重建的效果容易受到植被遮擋和裂隙紋理的影響；（2）自動或半自動裂隙識別方法對法線和異常值較為敏感。因此，提出了一種將2D照片自動轉換為用于裂隙表面的密集3D點云的方法。該方法將使用中國陜西省延安市延川縣的致密油藏地質露頭數據進行驗證。
方法流程：從2D露頭照片中提取3D裂隙
Im2Frac方法用于從2D照片中提取3D裂隙，包括三個核心組成部分：3D點云重建、裂隙表面提取和裂隙信息分析，如圖1所示。
- (1)
3D點云重建：對于輸入的多角度二維照片，使用運動結構（SfM）算法提取和匹配照片的特征，并估計拍攝參數。
實驗地理位置
露頭位于中國陜西省延安市延川縣附近的延河附近。如圖7(a)所示，主要研究區域包括譚家河村附近的地質露頭。
鄂爾多斯盆地三疊紀延長組（Triassic Yanchang Formation）的露頭巖石是一個重要的碳氫化合物儲層。本研究重點關注長6組（Chang 6 member），該組以其豐富的石油和天然氣資源而聞名。長6組的沉積環境為湖泊到三角洲類型。
模型參數對3D點云生成的影響
影響3D點云生成的一個參數是照片中的關鍵點最大數量。圖11展示了關鍵點最大數量（范圍從2048到32768，間隔為2048）與計算時間和平均重投影誤差之間的關系。對于每個關鍵點數量，我們進行了多次獨立運行，并報告了計算時間和重投影誤差的平均值和標準差（std）。
結論
- (1)
本研究介紹了Im2Frac，這是一種為解決攝影測量裂隙表征中的兩個挑戰而開發的強大工作流程：低紋理巖石表面和噪聲較大的表面法線。該方法通過結合基于深度學習的多視圖立體重建模塊和CIELAB空間法線聚類，提高了幾何保真度和裂隙平面分割的可靠性。多尺度特征融合與顏色一致性約束增強了點的完整性。
CRediT作者貢獻聲明
董少群：撰寫 – 審稿與編輯、驗證、研究、資金獲取、概念構思。傅凱峰：撰寫 – 原始草稿、可視化、方法論、研究。王樂婷：撰寫 – 審稿與編輯、可視化、驗證、數據管理。曾連波：資金獲取、概念構思。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能影響本文所述的工作。
致謝
本工作得到了中國石油大學北京分校科學基金會（資助編號2462024YJRC013）和中國國家自然科學基金（資助編號42002134）的財政支持。作者還感謝黃帥坤、楊子怡和楊旭在數據收集方面的協助。
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
