[0031] 具体地，点云分割模块用于岩体结构面分割，其采样层用于从原始点云中选择一部分点来表示整个点云。这有助于减少计算量，并在下游处理时更有效地捕获全局特征。输入是原始点云数据，通常是N×3的矩阵，其中N为点的数量，3表示每个点的三维坐标(x，y，z)。输出是一个采样后的点集，大小为M×3，其中M
[0032] 具体地，点云增强模块通过最优颜色映射（OCM）优化显示分割结果的边界或细节，使分割结果的可视化更直观、更具信息量。对于分割后的点云数据P={pi}，其RGB值Ri、Gi和Bi；对于每一个点pi，使用标准的RGB到HSV转换公式，将RGB值转换到HSV颜色空间，得到HSV颜色值Hi、Si和Vi；调整HSV值中的H（色调），S（饱和度）和V（亮度），优化点云的颜色显示效果，并根据观察结果进行反馈调优，保证清晰展示了边界和细节部分，得到优化后的HSV颜色值。
[0033] 本实施例中，点云特征数据包括：方向特征、几何特征以及光学特征；方向特征包括：X、Y、Z三个方向的法向量Nx、Ny、Nz；几何特征包括：粗糙度、曲率、各向异性、平面性、线性、边缘点以及角点；光学特征包括：R、G、B颜色特征。
[0034] 其中，OCM‑Pointnet2深度学习模型得到点云特征数据的方法包括：对于输入的点云数据进行特征提取，得到多维特征。
[0035] 具体地，对于输入点云数据P={pi}，其中，pi表示点的坐标；对于每个点pi，找到其邻域点集N{pi}；使用PCA计算N{pi}的协方差矩阵，获取其特征向量；最小特征值的特征向量为法向量Ni。
[0036] 对于输入点云数据P={pi}，其邻域点集N{pi}，计算每个点的领域点到平面拟合的误差平方和；将误差平方和归一化，得到粗糙度特征Ri。
[0037] 对于输入点云数据P={pi}，其邻域点集N{pi}，使用PCA计算N{pi}的协方差矩阵，获得特征值λ1、λ2和λ3，计算曲率 得到曲率 。
[0038] 对于输入点云数据P={pi}，其邻域点集N{pi}，使用PCA计算N{pi}的协方差矩阵，获得特征值λ1、λ2和λ3，计算各向异性特征：Ai=λ1‑λ3λ1，得到各向异性Ai。
[0039] 对于输入点云数据P={pi}，其邻域点集N{pi}，使用PCA计算N{pi}的协方差矩阵，获得特征值λ1、λ2和λ3，计算线性特征：Pi=（λ2‑λ）3 /λ1，得到平面性特征Pi。
[0040] 对于输入点云数据P={pi}，其法向量Ni，对于每个点pi，计算其法向量与邻域点法向量的夹角；若夹角大于某一设定阈值，则pi为边缘点，输出边缘点集合O={oi}；对于输入点云数据P={pi}，其法向量Ni，对于每个点pi，计算其曲率；若曲率大于某一设定阈值，则pi为角点，输出角点集合C={ci}；
对多维特征与原始的点云数据的坐标进行拼接，得到点云特征数据Fi：Fi=[xi,yi,zi,Nix,Niy,Niz,κi,Ri,Ai,Pi,Oi,Ci,Ri,Gi,Bi]。
[0041] 对点云特征数据进行特征升维，得到高维的点云特征表示。
[0042] 本实施例运用多层感知机（MLP）进行特征升维，每一层都执行线性变换和非线性激活函数，从而将输入特征映射到更高维空间。具体过程如下：第一层MLP：输入特征维数为D，目标是将其升维到64。输入：16维特征。权重矩阵：
D×64 64
W1∈R 。偏置向量：b1∈R 。线性变换：h1=W1x+b1。激活函数：a1=ReLU(h1)。输出：64维特征。
[0043] 第二层MLP：将64维特征升维到128。输入：64维特征。权重矩阵：W1∈R64×128。偏置向128
量：b2∈R 。线性变换：h2=W2a1+b2。激活函数：
a2=ReLU(h2)。输出：128维特征。
[0044] 按照这种方式继续进行，将特征维数逐步升维到256、512、1024等。通过多层MLP的逐步升维，最终可以得到高维的特征表示。基于高维的几何特征进行边坡结构面识别。
[0045] 本实施例，使用交叉熵损失函数来处理岩体结构面分类任务。交叉熵损失函数的定义为：，
式中，N代表样本的总数；C表示类别的总数；yi,c表示样本i的真实标签（一个one‑hot编码向量，其中真实类别对应的位置为1，其余位置为0）； 为模型预测的样本i属于类别c的概率。
[0046] 模型使用AdamW优化器，分离权重衰减和梯度更新，使得权重衰减独立于梯度更新，避免权重衰减的误差。同时，通过修正权重衰减，提高了模型的泛化能力，避免过拟合。
[0047] S3、计算结构面几何参数的概率函数；基于概率函数预测结构面的空间展布，并构建三维网络模型。
[0048] 具体地，如图3所示，S3包括以下步骤：S31、将点云数据完成分类与分割后，对单个结构面进行聚类，拟合平面法向量，提取结构面的几何特征，几何特征包括：面产状、迹长以及间距信息。
[0049] S32、利用概率统计学方法对获取的结构面的几何特征进行分析，确定结构面各要素的概率分布特征，计算结构面参数的概率函数。
[0050] 本实施例中，概率函数包括：岩体结构面产状分布特征、岩体结构面迹长分布特征、岩体结构面密度分布特征以及岩体结构面多参数联合概率密度。
[0051] 其中，岩体结构面产状分布特征包括：，
，
式中，Wi表示第i条结构面的产状的权重；w表示采样窗口宽度；h表示采样窗口长度；li表示第i个结构面迹长；αi表示第i个结构面的倾向；βi表示第i个结构面倾角；αr表示采样窗口w边的倾向；n表示结构面数量；Afi表示结构面的频率。
[0052] 岩体结构面迹长分布特征包括：，
式中，m表示测线的数量；Cm表示与m条测线相交的结构面条数与预期条数的比例；
w表示采样窗口宽度；表示采样窗口长度；di表示测线d的长度；E表示期望值；αi表示第i个结构面的倾向；θ表示结构面与采样窗口w边的视倾角。
[0053] 岩体结构面密度分布特征包括：，
2
式中，E(D)表示结构面迹长分布的二阶矩； 表示结构面的法向线密度。
[0054] 岩体结构面多参数联合概率密度包括：，
式中， 表示结构面倾向概率密度； 表示结构面倾角概率密度；
表示结构面迹长概率密度； 表示结构面间距概率密度。
[0055] S33、对概率函数进行蒙特卡洛模拟，得到模拟结构面参数；将模拟结构面参数与实际获取的结构面参数进行对比，将结构面参数最为相似的模型作为三维网络模型。
[0056] 根据上述方法，采用矢量法来分析结构面的产状分布，运用校正后的迹长分布来确定结构面迹长分布，通过条件概率密度分布确定结构面各要素的概率分布特征。基于对结构面的倾向、倾角、迹长和间距的概率分布模型通过蒙特卡洛（Monte Carlo）方法进行模拟，将模拟得到的结构面参数与从实景三维模型中解译获得的结构面参数进行对比，选择二者参数最为相似的模型作为最终的三维网络模型。
[0057] 以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
