一种露头岩层分层方法、装置、设备及存储介质与流程

本发明涉及地质勘探技术领域，具体涉及一种露头岩层分层方法、装置、设备及存储介质。

背景技术：

油气资源的开发常常依赖于地质工作的有效开展，露头岩层因其裸露于地表，常常成为地质研究工作的首选目标，再者地上结构与地下结构具有连续性，露头岩层作为地上结构的典型代表对于研究地下结构有着重要作用。针对露头岩层的研究，岩层划分是其研究的基础，对岩层进行合理的划分有助于分析所属地质体的空间展布情况，这对油气资源的进一步勘探具有重要意义。

传统地质工作针对露头岩层分层的研究主要采用人工野外地质考察的方式，该方法主要通过实测、取样、采集照片、视频资料等手段进行。随着技术手段的不断更新，三维激光扫描仪也为地质研究工作提供了高精度数据支持，结合地质学领域知识能够有效地进行露头岩层分层。然而，露头岩层的研究常常需要面临着岩层出露规模巨大、地形复杂、地势险要等挑战，使得三维激光扫描仪对于岩层数据的采集往往仅限于局部。再者，受限于地质工作者的经验和水平，使得使用上述方式进行研究常常效率不高且人力物力的消耗巨大。

倾斜摄影测量技术的出现，为解决上述方法存在的问题提供了新的途径。该技术通过无人机搭载传感器以不同角度(垂直、倾斜)对同一地物进行多次影像数据采集，这直接颠覆了传统的垂直摄影测量技术。将倾斜摄影测量技术用于地质研究中是传统人工地质考察所不能企及的。而在方法的研究方面，将传统机器学习方法如随机森林、支持向量机、案例推理等应用于露头岩层的研究都有着积极意义，使得研究逐渐朝着智能化方向发展。但是上述方法对基于倾斜摄影测量数据所构建的露头岩层模型庞大的数据量而言常常显得力不从心。因此，需要研究适用于数据量大且更为智能化的露头岩层自动化分层方法。

技术实现要素：

针对现有技术存在的不足，本发明提供了一种露头岩层分层方法、装置、设备及存储介质，其应用时，可以针对露头岩层三维点云模型实现高效的自动化分层，为露头岩层的分层提供一种智能化的新途径。

第一方面，本发明提供一种露头岩层分层方法，包括：

获取露头岩层的倾斜摄影测量数据；

根据倾斜摄影测量数据构建露头岩层的三维点云模型；

对露头岩层的三维点云模型进行体素化分割，生成分割后的点云数据集，点云数据集包含若干基本单元；

提取点云数据集中各基本单元的属性特征和空间特征，属性特征包括基本单元内点云表面粗糙度和rgb颜色值，空间特征包括基本单元内点云法向量和空间场景特征；

将点云数据集以及点云数据集中各基本单元的属性特征和空间特征作为输入层，构建露头岩层的卷积神经网络分层模型；

通过卷积神经网络分层模型进行露头岩层的划分，输出分层结果。

基于上述技术内容，针对露头岩层三维点云模型，确立了露头岩层三维点云模型体素化分割构建数据集的方法，挖掘出露头岩层点云中蕴含的空间特征、属性特征，基于此生成网络的输入层，进而构建了集成空间与属性特征的露头岩层卷积神经网络分层模型，利用该神经网络分层模型进行露头岩层分层预测输出，使得最终的分层结果更符合露头岩层真实的分层情况，其应用时，可以针对露头岩层三维点云模型实现高效的自动化分层，为露头岩层的分层提供一种智能化的新途径。

在一个可能的设计中，所述方法还包括对输出的分层结果进行分层优化，具体包括：

对分层结果进行植被层剔除；

选定某一基本单元所对应的体素中心点为原点，检索设定半径内的其它基本单元所对应的体素中心点，组成一个点集合；

对于点集合，计算点集合中其余体素中心点到原点的距离；

设定距离阈值，选取到原点的距离值在距离阈值内的体素中心点为候选点，在所有候选点中选择岩层类别统计最多的一类作为所选定的基本单元的所属岩层类别。

在一个可能的设计中，所述对露头岩层的三维点云模型进行体素化分割，包括：采用基于八叉树的点云分割算法对三维点云模型进行体素化分割，分割成若干体素，每个体素为一个基本单元。

在一个可能的设计中，所述基本单元点云表面粗糙度的计算过程包括：

对基本单元内的所有点使用总体最小二乘法估计得到一个拟合平面；

计算所有点到拟合平面的距离标准差即为基本单元点云表面粗糙度。

在一个可能的设计中，获得基本单元点云法向量的过程包括：

估计基本单元点云法线；

根据点云法线计算确定法线方向，得到法向量。

在一个可能的设计中，所述提取基本单元空间场景特征，包括：采用快速点特征直方图描述基本单元空间场景特征。

在一个可能的设计中，所构建的卷积神经网络分层模型为基于八叉树的卷积神经网络模型，所述卷积神经网络分层模型包括输入层、卷积层、池化层、bn层、dropout层、全连接层、softmax层和输出层；其中，池化层的池化方式为最大池化，bn层的激活函数选择线性整流函数，softmax层使用softmax函数计算基本单元属于某岩层的概率值然后输出，计算公式为：

其中k表示总类别数；li表示网络模型对输入属于第i个类别上的计算值；进行归一化，使得输出类别概率值和为1；卷积层的卷积计算方式为：

其中，oijk表示当前节点o的八叉树邻域，t为oijk相关的特征向量，t⁽ⁿ⁾表示第n个通道的征向量，表示卷积运算的权重。若八叉树中oijk不存在，则t(oijk)设置为0向量。

第二方面，本发明提供一种露头岩层分层装置，包括：

获取单元，用于获取露头岩层的倾斜摄影测量数据；

第一构建单元，用于根据倾斜摄影测量数据构建露头岩层的三维点云模型；

分割单元，用于对露头岩层的三维点云模型进行体素化分割，生成分割后的点云数据集，点云数据集包含若干基本单元；

提取单元，用于提取点云数据集中各基本单元的属性特征和空间特征，属性特征包括基本单元内点云rgb颜色值和表面粗糙度，空间特征包括基本单元内点云表面法向量和空间场景特征；

第二构建单元，用于将点云数据集以及点云数据集中各基本单元的属性特征和空间特征作为输入层，构建露头岩层的卷积神经网络分层模型；

输出单元，用于通过卷积神经网络分层模型进行露头岩层的自动分层，输出分层结果。

第三方面，本发明提供一种露头岩层分层设备，包括：

存储器，用于存储指令；

处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的方法。

第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面中任意一种所述的方法。

第五方面，本发明提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行上述第一方面中任意一种所述的方法。

本发明的有益效果为：

本发明针对露头岩层三维点云模型，确立了露头岩层三维点云模型体素化分割构建数据集的方法，挖掘出露头岩层点云中蕴含的空间特征、属性特征，基于此生成网络的输入层，进而构建了集成空间与属性特征的露头岩层卷积神经网络分层模型，利用该神经网络分层模型进行露头岩层分层预测输出，使得最终的分层结果更符合露头岩层真实的分层情况，其应用时，可以针对露头岩层三维点云模型实现高效的自动化分层，为露头岩层的分层提供一种智能化的新途径。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的方法流程示意图；

图2为裁剪后的点云模型示意图；

图3为八叉树分割示意图；

图4为o-cnn示例数据结构示意图；

图5为固定局部坐标系示意图；

图6为卷积神经网络分层模型示意图；

图7为卷积中的邻域访问示意图；

图8为最大值池化示意图；

图9为超八叉树结构示意图；

图10为构建的检索球示意图；

图11为露头岩层类别样本示意图；

图12为构建数据集文件目录示意图。

图13为某类岩层数据集文件目录示意图；

图14为属性特征露头岩层卷积神经网络分层模型分类结果示意图；

图15为空间特征露头岩层卷积神经网络模型分类结果示意图；

图16为空间与属性特征集成露头岩层卷积神经网络分层模型分类结果示意图；

图17为空间与属性特征集成输入实验结果去除植被前后对比示意图；

图18为空间与属性特征集成露头岩层分类后岩层划分结果示意图；

图19为本发明的装置结构示意图；

图20为本发明的设备结构示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本文阐述的实施例中。

应当理解，术语第一、第二等仅用于区分描述，而不能理解为指示或暗示相对重要性。尽管本文可以使用术语第一、第二等等来描述各种单元，这些单元不应当受到这些术语的限制。这些术语仅用于区分一个单元和另一个单元。例如可以将第一单元称作第二单元，并且类似地可以将第二单元称作第一单元，同时不脱离本发明的示例实施例的范围。

应当理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，单独存在b，同时存在a和b三种情况，本文中术语“/和”是描述另一种关联对象关系，表示可以存在两种关系，例如，a/和b，可以表示：单独存在a，单独存在a和b两种情况，另外，本文中字符“/”，一般表示前后关联对象是一种“或”关系。

应当理解，在本发明的描述中，术语“上”、“竖直”、“内”、“外”等指示的方位或位置关系，是该发明产品使用时惯常摆放的方位或位置关系，或者是本领域技术人员惯常理解的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

应当理解，当将单元称作与另一个单元“连接”、“相连”或“耦合”时，它可以与另一个单元直相连接或耦合，或中间单元可以存在。相对地，当将单元称作与另一个单元“直接相连”或“直接耦合”时，不存在中间单元。应当以类似方式来解释用于描述单元之间的关系的其他单词(例如，“在……之间”对“直接在……之间”，“相邻”对“直接相邻”等等)。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本文使用的术语仅用于描述特定实施例，并且不意在限制本发明的示例实施例。如本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解术语“包括”、“包括了”、“包含”、和/或“包含了”当在本文中使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。

在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例1：

本实施例提供一种露头岩层分层方法，如图1所示，包括以下步骤：

s101.获取露头岩层的倾斜摄影测量数据。

具体实施时，倾斜摄影测量数据的采集可通过无人机搭载高像素相机来拍摄完成。为了获取分辨率尽可能高的影像，以建立高质量的三维模型，飞行时设置航高为95米、航向重叠率80％、旁向重叠率70％，且光照条件良好。共制定5架次飞行任务进行拍摄，其中一次镜头垂直，其余四次镜头倾角设置为30°，垂直拍摄影像对后续生成的三维模型具有一定改善作用。最终所采集的影像分辨率为2.53厘米，影像除携带rgb颜色值外，还具有wgs84经纬度坐标值及其高程值。

s102.根据倾斜摄影测量数据构建露头岩层的三维点云模型。

将无人机采集的倾斜摄影测量数据，利用contextcapturecenter软件经过空三加密运算，构建出高密度las(laser)格式的点云模型，其中每个点附带rgb颜色值以及三维坐标信息，将las(laser)格式的点云模型转换为pcd(pointclouddata)格式。在所构建的露头岩层三维点云模型中会存在人工建筑、道路及河流等地物，因此需要对这些干扰物进行剔除。采用cloudcompare软件，裁剪无关地物，并将las格式的点云模型转换为pcd(pointclouddata)格式以备后续使用，裁剪后的点云模型如图2所示。

s103.对露头岩层的三维点云模型进行体素化分割，生成分割后的点云数据集，点云数据集包含若干基本单元。

为了满足深度卷积神经网络结构参数训练所需的庞大数据量，可将整个露头岩层三维点云模型分割成若干个小点云模型以作为网络输入的基本单元，每一个基本单元，属于某个分类岩层点云模型的独立个体，目的在于构建多类别数据集，以便可以应用深度卷积神经网络做岩层分类处理。

由于露头岩层点云数据往往是非结构化且复杂的，传统点云分割方法往往需要人工干预，存在精度较低、耗时较长且无法分割出满足需求的庞大数据量等问题，为了提高分割算法的效率和精度，采用高效的数据结构来对点云进行分割是一种较为理想的选择。本发明采用八叉树分割点云，算法流程如下：

(1)设定体素分割终止条件，条件并不唯一，可以是八叉树的最大深度、体素中最大采样点数以及最小体素的大小；

(2)找出场景的最大尺寸，并以此建立第一个立方体，也即最大体素；

(3)从最大体素开始，将当前体素分割为八个相同子体素，它们位于同一级别具有相同父节点；

(4)判断当前级别体素是否为空，若为空或已达到分割终止条件则该子体素停止细分，反之则继续对该子体素进行八等分；

(5)重复步骤(2)-(4)直至所有体素分割完毕。

八叉树分割示意图如图3所示，为了所需数据量，结合露头岩层最小岩层厚度，使得分割后生成的每个点云体素只属于某分类岩层，设置八叉树分割终止条件为最小体素大小。体素化点云过程中分别将单个体素内的点(数量在50至200之间)进行pcd格式的保存，形成三维点云模型的基本单元。

针对三维点云模型的基本单元，需要将其由pcd格式转换为后续处理所需的points格式数据，并使用稀疏八叉树结构进行存储。为了将基本单元存储为稀疏八叉树结构，同样采用八叉树算法进行转换，所不同的是选择八叉树分割的终止条件设定为树的最大深度，并且在传统八叉树算法的基础上增加相应方法使得在八叉树数据结构上能够快速进行后续卷积神经网络的相关运算，具体流程为：

首先创建轴对称单元边界立方体，将露头岩层三维点云模型的基本单元均匀缩放至立方体中，然后以广度优先的顺序对立方体进行细分，每一次细分，遍历在深度d处所有非空节点，并将其细分为下一深度d+1处的8个子节点，对此过程进行迭代，直至达到预定义的八叉树深度终止条件，最后将其存储为稀疏八叉树文件，最后将其存储为稀疏八叉树文件。如图4(a)所示，表示对二维形状的分割，l＝0、1、2表示四叉树深度，此处使用四叉树表示二维形状数据做说明，八叉树的三维形状表示与之类似。露头岩层点云基本单元构建好八叉树结构后，将在其八叉树最细叶子节点上计算cnn(卷积神经网络)操作所需要的一组属性值，将属性值存储于八叉树中。具体的说，通过计算随机键值和八叉树中具有相同父节点的八个叶子节点的标签值，后续构建的cnn模型将从存储在最细叶子节点中的三维形状中提取cnn的输入信号，同时记录八个叶子节点的cnn特征。随机键值是编码点云在3d空间中位置的表示，以四叉树为例进行说明，如图4(b)所示，每个节点的标号用排序后的随机键值标记放入s0、s1、s2中，首先对随机键值进行排序，然后以此来对每个节点的标号进行标定，最后将其记录在数组s中，并将其特征值打包到一组一维向量中。为了快速寻找四叉树中父子节点的关系，定义一个标签数组对四叉树中每一深度的非空节点按序(从1开始，0表示空节点)进行存储，如此，不用构建索引便能直接获取下一层四个节点的父节点，如图4(c)所示，每一层中非空节点(从1开始，0为空节点)由l0、l1、l2数组进行存储，最后一层后四个节点的父节点是上一层的第三个节点。在八叉树中每一深度都存储着深度卷积神经网络分层模型网络的特征数组，以四叉树为例进行说明，如图4(d)所示，对于输入信号，由t2至t1进行特征下采样传输，两者之间节点通过l1进行映射，可以迅速把采样结果传输至相应位置。考虑到露头岩层三维点云模型基本单元中点云点的数量在50至200之间不等，构建稀疏八叉树文件时设置的划分终止深度为5，也即每个基本单元都将其转换为深度为5的稀疏八叉树文件，至此，得到分割处理后的点云数据集。

s104.提取点云数据集中各基本单元的属性特征和空间特征，属性特征包括基本单元点云表面粗糙度和rgb颜色值，空间特征包括基本单元点云法向量和空间场景特征。

由于点云数据的无序性、不规则性，导致3d点云数据应用卷积神经网络面临着极大的挑战。通常在点云数据上应用卷积神经网络的直接方式是将数据转换为立体表示，也即所述的体素化，体素化后的点云数据存在信息缺失问题，为了弥补体素化后点云数据信息的缺失，在三维点云模型本身附带属性rgb颜色值的基础上，结合空间分析原理，挖掘出露头岩层点云体素所在岩层表面的粗糙度、法向量以及空间场景特征作为点云新增属性和空间信息输入后续的卷积神经网络模型，可以使得卷积神经网络能够直接获得具有先验知识的点云高级语义信息，从而对提升点云的分类精度起到促进作用。

点云数据包括属性特征与空间特征，属性特征包括基本单元点云表面粗糙度和rgb颜色值，空间特征包括基本单元点云法向量和空间场景特征。针对属性特征，rgb颜色值生成点云时本身就已携带，故无需进行计算。点云表面粗糙度由体素内所有点使用总体最小二乘法估计得到一个拟合平面，体素中所有点距此平面的距离标准差即为该体素所在岩层表面的粗糙度，计算公式为：

其中，r为基本单元点云表面粗糙度值，n表示基本单元内点的个数，ds表示基本单元中第s个点到拟合平面的距离，s表示点的序号，为所有点到拟合平面的距离均值。

点云法向量是一种重要的点云几何表面特征，属于局部空间特征。对于点云数据的法向量估计通常有两种方案：一种是使用点云表面重建技术，从点云重建后生成的网格表面上估计法向量；另一种是直接从点云数据中估计法向量。显然直接从点云数据中估计法向量更为便利，减少了复杂的点云重建过程，更为高效。获取点云法向量的步骤包括：

估计点云法线，使用与表面相切的平面的法线来近似取代点云表面上点的法线，这就使得问题可以转化为解决最小二乘平面拟合估计问题，因此估计点云法线可简化成对由待估计点的最近邻生成的协方差矩阵的特征向量与特征值的分析，也即拥有最小特征值的特征向量即为法向量，对于每一个点pi其对应的协方差矩阵c计算公式为：

其中，k是邻近点集数目，为最近邻元素的三维质心，λj是协方差矩阵的第j个特征值，vj是第j个特征向量；

确定法线方向，主成分分析可以实现切平面的获取，但无法确定切平面的法线方向，可通过引入视点约束解决方向问题，也即在场景中设置一视点，使得法线方向始终朝向视点的一面，为了达到上述目的，则需要满足公式：

其中，vs为视点坐标，为法向量，pi为点云点坐标。

点云法向量虽然在计算上容易获取，但因其仅是使用几个参数来近似表示点周围的几何特征，无法获得太多信息。然而在大多数场景中，通常包含许多拥有非常相近甚至相同的特征值的点，这使得仅使用点云法向量常常对于这些点难以区分其类别，因为缺少更为全局的特征信息表示。

点特征直方图pfh(pointfeaturehistograms)是对点云邻域内空间场景特征的一种度量方式，通过数理统计的方法获得一个用于描述中心点邻域几何信息的概率分布直方图，其表示点与邻域之间的关系以及法向量方向之间的相互作用关系，试图捕获最为详细的空间场景变化情况，以描述样本的几何特征。给定任意有n个点的点云p，计算其pfh所需要的时间复杂度是o(nk²)，k为每个点p一定范围内邻域点的数量，随着点云数据量的增大，将带来很大的计算开销。快速点特征直方图fpfh(fastpointfeaturehistograms)是对pfh的一种简化计算方式，其不仅保留了pfh所具有的绝大部分特性，同时也使得算法的时间复杂度降为o(nk)，这对实际应用来说大大提升了计算效率。因此选择fpfh所描述的空间场景特征作为网络的输入信号之一，其计算过程如下：

(1)针对每个查询点p，计算它与邻域点之间的一个三元组(α、θ)，对于该三元组做如下解释：

为了计算两个点及其相关法线的偏差，则需在其中一点定义一个固定坐标系，如图5所示，对于查询点邻域内的每一个点对pi与pj(i≠j)，选择其中一个为源点ps，一个为目标点pt，为使得定义的坐标系唯一，作为源点，需满足源点法向量与两点连线的夹角应当较小，也即满足公式：

<ns,ps-pt〉≤<nt,pt-ps>(4)

其中，ns表示源点位置切平面法向量，nt表示目标点处切平面的法向量。

坐标系中的三个分量(u，v，w)，可用如下公式进行表示：

基于上述坐标系，两点之间的空间关系可以由一组角度相关的值进行度量，如下公式所示：

式中α表示目标点法向量nt与坐标轴v之间的夹角，表示源点法向量ns与两点连线的夹角，θ表示目标点法向量在坐标轴平面wptu上的投影与坐标轴u之间的夹角，它们的值由如下公式求得：

其中，d是两点之间的距离。由此，点云中每个查询点与其邻域点之间的空间关系可由三元组(f1，f2，f3)进行表示，且f1与f2的取值范围为[-1，1]，f3的取值范围为[0，2π]。

针对该三元组，将f1、f2和f3进行b等分，对于f1、f2则将[-1,1]等分为b个子区间，f3则将[0，2π]进行b等分，特征直方图将在划分的子区间进行统计，也即统计三元组分别在划分子区间内出现的频率。该计算结果也称为简化的点特征直方图spfh(simplepointfeaturehistograms)。

(2)对于点云点pq，邻域为k，使用其邻域内每个点的spfh来加权计算其最终fpfh，计算如公式为：

上式中ωk表示点pq与其邻近点pk的距离。对于每个网络输入的基本单元，小点云文件中每个中心或近中心点根据上述算法都可使得该点拥有自己的fpfh特征值。如，对上述特征值参数范围划分的b个子区间，b取11，则其附带的fpfh特征值为一个33维的特征向量。

s105.将点云数据集以及点云数据集中各基本单元的属性特征和空间特征作为输入层，构建露头岩层的卷积神经网络分层模型。

所构建的卷积神经网络分层模型为基于八叉树的卷积神经网络模型(o-cnn)，如图6所示，所述卷积神经网络分层模型包括输入层、卷积层、池化层、bn层、dropout层、全连接层、softmax层和输出层。输入层输入具有稀疏八叉树结构的点云文件，其点云附带的特征值存储于八叉树的最细叶子节点中。针对特征值，c为rgb颜色值，r为点云表面粗糙度，n为点云表面法向量，fpfh为快速点特征直方图。将在八叉树最细叶子节点(即最小体素)上计算rgb颜色均值、粗糙度、法向量、空间场景特征fpfh的值作为网络输入。c1、c2、c3和c4网络层均包括卷积层、bn层和池化层；df网络层包括dropout层和全连接层；dfs网络层包括dropout层、全连接层和softmax层。网络模型中采用的池化方式为最大值池化，原因在于其可以有效地处理稀疏八叉树结构，对于同一层级下的八个子节点是连续存储的，应用最大值池化能减少数据存储，降低参数计算。bn层是一种能有效减少网络过拟合的正则化方法，其能有效地加快网络模型的收敛速度，激活函数选择整流线性单元relu：f(x)＝max(0,x)，相较于其他传统神经网络激活函数，诸如sigmoid、双曲正切函数tanh，其拥有计算复杂度低、对于网络的收敛速度也比前两者更快等优点，已逐渐成为各种优秀cnn模型的常用激活函数。dropout层能有效地减少网络的过拟合问题，与位于卷积层之后的批标准化层不同，其主要作用于全连接层，且其原理是以一定概率使部分神经元不工作，这样做的好处是进行前馈计算时每次网络的输入与输出连接神经元不一致，增加神经元连接的多样性，使得不过分依赖于上层输入。softmax层使用softmax函数计算露头岩层点云模型基本单元属于某岩层的概率值然后输出，类别i的概率可由如下公式进行定义：

其中，k表示总类别数；li表示网络模型对输入属于第i个类别上的计算值；进行归一化，使得输出类别概率值和为1。

与常规卷积计算不同，模型的卷积操作是在八叉树数据结构上进行的，在同一八叉树深度需要与其相邻的叶子节点进行卷积操作，卷积的计算方式由如下公式给出：

其中，oijk表示当前节点o的八叉树邻域，t为oijk相关的特征向量，t⁽ⁿ⁾表示第n个通道的征向量，表示卷积运算的权重。若八叉树中oijk不存在，则t(oijk)设置为0向量。以这种形式，卷积运算可以转换为矩阵乘积。

卷积操作通常作用于一个规则的数据域上，也就是说，若卷积核的大小为k，则需要计算k³-1个邻域值，可以采用预先计算邻域信息并作保存，从而在计算时可以快速获取。o-cnn的处理是预先构建一个哈希表，来进行哈希表键值与八叉树随机键值的对应，从而减少内存的开销，方面快速访问邻域信息。

针对同一父节点下进行八叉树卷积操作时，将会有非常多的重复计算操作，这里引入一种新的组织方式进行组建，从而减少重复的操作，如图7所示，以二维类比三维，四叉树类比八叉树，为四个兄弟节点a、b、c、d选择36个邻域，由于它们之间相互重叠，因此只需要访问总数为16的这些领域的并集即可。

池化层通常是在提取的特征图上独立运行，并在空间上调整其大小，常见的最大值池化方法的内核和步长均为2。在八叉树上进行最大值池化非常方便，因为每八个相邻子节点的存储是连续的，因此很容易挑选出其最大值。以四叉树类比八叉树，如图8所示，即为最大值池化的过程。进行池化操作后，中间结果存储在临时数组t^1中，最后通过图4中所示标签向量l1完成从t^1值映射至t1。

在进行网络模型参数的训练时，为了加速数据读取，通常需要一次性馈入多个批次的数据到网络中。对于稀疏八叉树文件，如何一次性放入多个八叉树结构保存的点云特征信息是一个关键问题。o-cnn的方案是通过输入的多个八叉树构建一棵超八叉树来输入网络进行运算。以二叉树为例，类比八叉树，如图9所示，针对三棵小八叉树分别衍生出一个根节点，然后将其合并为一个作为新超八叉树的根节点，即可构成超八叉树，针对构建的新八叉树，其叶子节点索引增加其原来小八叉树的标记进行区分即可。

s106.通过卷积神经网络分层模型进行露头岩层的自动分层，输出分层结果。

在经卷积神经网络分层模型对露头岩层点云模型基本单元进行岩层分类后，由于一开始对于植被是将其划为一类进行的分类处理，岩层的分层不需要植被的参与，因此首先将植被进行剔除，剔除的方法是直接将分类后结果存入数据库根据其类别标签值读取非植被数据然后重新生成点云文件即可，植被特征独特，错分的比例非常低。在去除植被后，针对各岩层的分类结果难免会出现错分的情况，为使得分类结果进一步纯化，可结合露头岩层最薄岩层的厚度大小，通过构建检索球的方式对检索球内满足相应条件的点云数据进行重分类。该方法原理为：针对分类后的结果，在一定区域内，其正确预测的岩层类别基本单元个数要大于被错误预测的，基于此，统计每个岩层基本单元对应体素邻域内其它基本单元的岩层类别，选择岩层类别统计最多的一类作为该基本单元所属类别。具体实施步骤为：

(1)选定某一露头岩层点云模型基本单元所对应的中心点p0为中心，检索半径为r内的其它基本单元所对应的体素中心点，组成一个集合c。

(2)对于集合c，通过向量法求点到平面的距离可以计算集合中其余点到中心点p0所在平面的距离dk，dk的计算方式为：

其中，为中心点所在平面法向量的三个分量，(xk，yk，zk)为点集合中某点pk的坐标，(x0，y0，z0)为中心点坐标。

(3)设定阈值d，选取第(2)步中计算的距离dk值小于等于d的点为候选点，在其中选择岩层类别统计最多的一类作为当前点云模型基本单元所属岩层类别。构建的检索球如图10所示。

(4)对露头岩层点云模型中所有点迭代上述步骤即可完成岩层分类优化。

在岩层分类优化过程中，可根据优化结果对设置的阈值d与检索球半径r做相应调整，使用的方法为经验试错法，通常，阈值d小于等于岩层中最薄岩层的半厚度。

为了更好地评价卷积神经网络分层模型对于露头岩层分层结果的优劣，除直接对分类结果进行可视化处理外，还可采用两种评价指标从数值上对模型结果进行评价，分别是准确率或正确率以及recall(召回率)、precision(精确率)、f-measure评价指标。实验方案如下：

1.数据集组织与存储

针对露头岩层点云模型，根据上述体素化分割方法对其进行分割。针对分割后生成的两份数据：一份是小点云文件也即露头岩层点云模型基本单元，整个区域共生成3211116个基本单元；一份是对应拥有3211116个点的露头岩层点云模型下采样生成的结果。之所以需要采样处理是为了解决点云模型因计算机内存限制而无法可视化或可视化慢等问题，也便于实验中能够快速实现岩层样本的选择。每一基本单元(即体素)根据前文确立的方法提取属性特征、空间特征值。可视化下采样后的露头岩层点云模型，在其上手动勾选出包含植被的9类岩层类别共137856个样本，实验中所选样本如图11所示，其中图11(a)为露头岩层模型正前方视角图，图11(b)、图11(c)分别为左前方视角图与右前方视角图。以分层随机抽样的方式按8：1：1的比例对样本数据集进行划分，也即分为训练集、验证集以及测试集，各岩层样本数据集分配情况见表1所示：

表1各类别岩层及植被数据集分配情况

由于体素与下采样的露头岩层点云模型中点使用文件索引使其一一对应，针对勾选的各类岩层样本点，只需从数据库中读取其文件索引，根据索引从生成的3211116个体素中复制其对应文件单独存储在其所属类别岩层文件夹中，从而完成数据集构建的第一步，图12为构建的数据集文件夹目录，各个岩层样本文件夹名称以数字进行命名，总共构建包含植被在内的9个文件夹数据集。构建好上述岩层文件夹目录后，生成的体素其文件格式是pcd格式，需将其转换为o-cnn定制points格式，然后基于此格式使用上述分割后数据集预处理方法将其转换为稀疏八叉树文件进行存储，以编号为0的岩层数据集为例其文件目录结构如图13所示，其中pcd、points、octree分别代表不同格式的点云，每种格式文件有3个文件夹，分别对应训练集、验证集、测试集。为了获得更好的i/o性能，最后将生成的八叉树文件存储于内存映射数据库(lightningmemory-mappeddatabase；lmdb)中，对于划分的数据集存储后生成三个lmdb数据文件，分别是train_lmdb、val_lmdb、test_lmdb。至此，数据集组织与存储完毕。对整个研究区域岩层类别进行预测时，同样对全部数据进行上述处理。

2.数据集点云处理系统实现及网络训练模型编译

针对点云数据集的处理，基于pcl(pointcloudlibrary)库，使用c++语言在windows操作系统上结合visualstudio集成开发环境开发了相应的处理软件，实现了点云数据的可视化、点云pcd格式转换points文件、基于八叉树的体素化分割以及网络训练完毕后进行研究区岩层分类预测文件读取、分类后岩层划分等功能，同时对o-cnn原有实现稀疏八叉树文件转换的方法进行改写，实现了对所增加点云属性特征及空间特征数值融入的支持。针对露头岩层卷积神经网络分层模型，基于深度学习框架caffe及其c++接口对o-cnn网络结构相关方法进行编译，最终生成可执行文件用于岩层分层训练和预测。

3.网络结构建立及参数确立

基于caffe框架按照所构建的露头岩层卷积神经网络分层模型(图6)对每一层进行构建，构建详情如表2所示：

表2构建网络模型相关层及参数设置

将其结构定义在prototxt文件中，prototxt文件即为caffe框架构建网络模型及网络参数文件的纯文本模式文件类型。共需构建两个prototxt文件，分别是train_test.prototxt以及solver.prototxt，前者定义训练及测试网络结构，后者是网络参数配置文件，是caffe框架的核心之一，起着协调整个模型运作的作用。针对构建好的露头岩层卷积神经网络分层模型，对于其网络参数的设置如表3所示：

表3网络参数设置

sgd为随机梯度下降法(stochasticgradientdescent)，针对学习率，每训练10个迭代衰减10倍，训练共需经历40个迭代。在网络的输入层，输入特征通道设置方面，属性特征通道数为rgb颜色值3通道加上粗糙度值1通道共4通道，空间特征通道数为法向量值3通道加上fpfh值33通道共36通道，二者集成通道数设置为40。

4.分层后岩层划分优化

卷积神经网络分层模型训练完毕，对整个研究区域露头岩层点云模型进行分类后，使用前述分类后岩层划分方法对模型分类结果做优化处理。首先需剔除植被，模型的分类结果对于植被有较好的识别能力，基于此使用上述方法进行植被的剔除，然后对岩层分类结果进行优化。结合研究区露头岩层实际情况设定距离阈值d的值。设定检索球半径大小初始值，若优化结果中还存在较多错分情况则继续增加其大小，反之若优化结果基本无错分，但对于最薄岩层的划分有厚岩层“吞并”薄岩层现象则需减少其大小，多次实验直至找到参数最佳值。

5.结果与分析

对露头岩层数据进行采集、处理，再根据所构建的露头岩层卷积神经网络分层模型对岩层做分类预测。针对网络输入，分别执行属性特征卷积神经网络模型分类预测、空间特征卷积神经网络模型分类预测、空间与属性特征集成卷积神经网络模型分类预测等实验，各组实验最终结果总体验证精度对比如如表4所示：

表4不同网络输入露头岩层卷积神经网络模型分类结果总体精度对比

从上表可得：在同一样本数据集的条件下，对于验证正确率，属性特征作为网络输入与空间特征作为网络输入所构建网络模型的分类预测验证正确率都普遍偏低；但相较于属性特征作为网络输入，空间特征的输入验证准确率有小幅度增长；更为明显的是，相比前两者，空间与属性特征集成作为网络输入到所构建网络模型的分类预测验证正确率有较大提升。具体各组实验结果与讨论如下：

针对属性特征rgb颜色值与粗糙度进行组合作为所构建的露头岩层卷积神经网络分层模型的输入，网络训练完毕后，对于整个研究区域露头岩层的分层预测结果如图14所示，其中图14(a)为露头岩层正前方视角，图14(b)、图14(c)分别为左前方视角与右前方视角，各岩层分类测试精度如表5所示：

表5属性特征露头岩层卷积神经网络模型分类结果各岩层测试精度

从表4和表5中可以看出：首先属性特征作为网络输入，所构建的露头岩层卷积神经网络分层模型分类预测整体测试精度较低。其次针对类别0岩层，其各项精度评价指标均较高，结合图2观察原始模型露头岩层表面可知，其岩层表面较为粗糙，有许多凹凸不平的表面，这表明粗糙度值的输入对于这类岩层有较好的识别效果。针对植被层(类别1)，其在各类岩层中是颜色之间区别最大的，因此对于植被的识别各项精度指标均达到0.99，再结合预测图图(图14)，对于类别0岩层以及植被层的识别是最好的，其他岩层类别5岩层与类别7岩层，其表面粗糙度相差不大，且颜色区分度不高，因此网络模型的预测结果也是呈现“你中有我，我中有你”的现象。综上所述，属性特征作为网络输入所构建的网络模型，其对于颜色差异较大以及岩层表面有明显变化的岩层有较好的区分度，对于颜色相近且岩层表面粗糙度变化较小的岩层区分度较小，但总体而言也说明属性特征作为网络输入不能够很好地表达露头岩层特性。

针对空间特征法向量值与空间场景特征fpfh值进行组合作为所构建的露头岩层卷积神经网络分层模型的输入，网络训练完毕后，对于整个研究区域露头岩层的分层预测结果如图15所示，其中，图15(a)为露头岩层正前方视角，图15(b)、图15(c)分别为左前方视角与右前方视角，各岩层分类测试精度如表6所示：

表6空间特征露头岩层卷积神经网络模型分类结果各岩层测试精度

从表4和表6可以得出：相较于属性特征，空间特征的输入对于所构建网络模型分类结果的预测在测试精度上有所提升，但提升空间较小。结合预测结果图(图15)来看，整体分类结果上较属性特征作为网络输入有所提升，部分岩层分层结果初具轮廓。但对于植被层(类别1)的区分度不高，同时类别4岩层，其在其它几类岩层中其预测结果有了较多入侵，且对于岩层中较薄的岩层，如类别2岩层和类别6岩层，其预测结果较为不理想。综上，以空间特征作为网络输入，其对于部分岩层的区分有了明显效果，使得露头岩层卷积神经网络分层模型对整个研究区域岩层预测结果(除薄层外)初具分层轮廓，增加了露头岩层的局部特征使其在表现露头岩层细节方面有了提升，但仍存在上述不足之处，说明仅将空间特征作为网络输入同样不足以充分表现露头岩层的细节。

针对空间与属性特征集成作为所构建的露头岩层卷积神经网络分层模型的输入，同样网络训练完毕后，对于整个研究区域露头岩层的分层预测结果如图16所示，其中，图16(a)为露头岩层正前方视角，图16(b)、图16(c)分别为左前方视角与右前方视角，各岩层分类测试精度如表7所示：

表7空间与属性特征集成露头岩层卷积神经网络模型分类结果各岩层测试精度

从表4和表7中可以看出：相较于属性特征、空间特征作为所构建的网络输入，二者集成作为网络输入其验证精度以及各种测试精度评价指标均有大幅度上升。特别地，对于露头岩层薄层(类别2、4、6)其精度也有了明显提升。结合预测结果图(图16)，各类别岩层及植被都有较好的区分度，对于较薄岩层其区分度虽不高，但相比之下也较为有效。针对仅空间特征作为网络输入出现的类别5岩层，其“入侵”现象也有了明显减少。综上所述，说明空间与属性特征集成作为网络输入能有效互补其中之一单独作为网络输入所存在的不足，且取得的露头岩层分层预测结果也是相对最好的。

在上述实验的基础上开展分类后岩层划分实验。从属性特征、空间特征、空间与属性特征集成作为网络输入所构建网络模型对于露头岩层的分类情况来看，空间与属性特征集成作为网络输入取得的岩层分层效果是最好的，但仍存在分类好的某类岩层中夹杂着其他类别岩层的情况，利用前文所述方法，对空间与属性特征集成作为网络输入实验的结果进一步做优化处理。划分优化前需将植被层去除，按照前文所述方法植被去除前后对比图如图17所示，其中图17(a)为去除植被前，图17(b)为去除植被后。

分类后岩层划分实验结果总体测试精度如表8所示，划分优化结果如图18所示，其中，图18(a)为露头岩层正前方视角，图18(b)、图18(c)分别为左前方视角与右前方视角，各岩层分类测试精度如表9所示。

表8分类后岩层划分总体测试精度

其中，测试样本总数为表1中测试集剔除植被后又剔除了73个离群体素的结果。

表9空间与属性特征集成露头岩层卷积神经网络分层模型分类后优化各岩层测试精度

分类后岩层划分能有效解决在一种岩层内出现错分为其它类别的情况，如表8和表9所示，对于分类后结果的优化提升了其分类的总体精度，针对绝大多数类别岩层其测试精度也大幅提升，结合分类后岩层划分结果图(图18)，可以明显的看到各个类别岩层的分层结果已极大地消除了各个岩层错分的情况，使得分类结果变得清晰同时也更加接近真实岩层的划分情况。

本发明基于o-cnn，增加了卷积神经网络的输入，调整网络参数，使得其能够更有效地应用于露头岩层的分层工作；针对露头岩层三维点云模型，确立了露头岩层三维点云模型体素化分割构建数据集的方法，挖掘出露头岩层点云中蕴含的空间特征、属性特征，基于此构建网络的输入，进而构建了空间与属性特征集成露头岩层卷积神经网络分层模型，利用该网络模型进行露头岩层分层预测后，进一步利用分类后岩层划分方法对分层后的结果进行优化，使得最终的实验结果更符合研究区露头岩层真实的分层情况。与一般的端到端的卷积神经网络模型相比，增加网络的输入信号，使得卷积神经网络能够直接获得具有先验知识的点云高级语义信息。相比于仅属性特征或空间特征作为输入，空间与属性特征集成作为网络输入能够互相弥补二者单独作为网络输入的不足。此外，通常地质问题伴随着研究区域的大尺度特性，传统地质工作对于岩层的分层工作费时、费力，且常常依赖于地质工作者的经验和水平。相较而言，本发明则不需要地质方面的领域知识，是一种自动化的露头岩层分层方法。而且，倾斜摄影测量技术的蓬勃发展为野外大尺度露头岩层的数据采集提供了便利，不用担心所需要研究区域的地势险要而望而却步。因此，本发明提出的方法针对露头岩层的自动化分层是有效的，为露头岩层的分层提供了一种智能化的新途径。

实施例2：

本实施例提供一种露头岩层分层装置，如图19所示，包括：

获取单元，用于获取露头岩层的倾斜摄影测量数据；

第一构建单元，用于根据倾斜摄影测量数据构建露头岩层的三维点云模型；

分割单元，用于对露头岩层的三维点云模型进行体素化分割，生成分割后的点云数据集，点云数据集包含若干基本单元；

提取单元，用于提取点云数据集中各基本单元的属性特征和空间特征，属性特征包括基本单元内点云rgb颜色值和表面粗糙度，空间特征包括基本单元内点云表面法向量和空间场景特征；

第二构建单元，用于将点云数据集以及点云数据集中各基本单元的属性特征和空间特征作为输入层，构建露头岩层的卷积神经网络分层模型；

输出单元，用于通过卷积神经网络分层模型进行露头岩层的自动分层，输出分层结果。

实施例3：

本实施例提供一种露头岩层分层设备，如图20所示，包括：

存储器，用于存储指令；

处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的方法。

所述存储器可以但不限于包括随机存取存储器(randomaccessmemory，ram)、只读存储器(readonlymemory，rom)、闪存(flashmemory)、先进先出存储器(firstinputfirstoutput，fifo)和/或先进后出存储器(firstinlastout，filo)等；所述处理器可以但不限于包括单片机、arm处理器等。

实施例4：

本实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行实施例1中所述的露头岩层分层方法。其中，所述计算机可读存储介质是指存储数据的载体，可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(memorystick)等，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

实施例5：

本实施例提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行实施例1中所述的露头岩层分层方法。其中，所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤，而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。