基于三维激光点云的堆石坝检测坑三维重构及压实质量分析: 以双江口315 m超高堆石坝为例

温庆文; 吴钰; 纪鹏; 戴祥宜; 陈云龙; 姚强

doi:10.12404/j.issn.1671-1815.2504556

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (13) :5679-5686 DOI: 10.12404/j.issn.1671-1815.2504556

水利工程

基于三维激光点云的堆石坝检测坑三维重构及压实质量分析: 以双江口315 m超高堆石坝为例

温庆文 ¹ ,
吴钰 ² ,
纪鹏 ³ ,
戴祥宜 ⁴ ,
陈云龙 ³ ,
姚强 ³^,^*

作者信息 +

3D Reconstruction and Compaction Quality Analysis of Rock Fill Dam Inspection Pit Based on 3D Laser Point Cloud: 315-m-high Shuangjiangkou Rock-fill Dam

WEN Qing-wen ¹ ,
WU Yu ² ,
JI Peng ³ ,
DAI Xiang-yi ⁴ ,
CHEN Yun-long ³ ,
YAO Qiang ³^,^*

Author information +

文章历史 +

摘要

堆石坝填筑质量对于保障大坝工程的安全与稳定运行具有重要意义,传统的灌水法存在耗时耗力、效率低、反馈滞后等问题。三维激光技术为堆石坝压实质量的精确检测提供了一种新的高效解决方案。设计了一种可变扫描距离及角度的辅助装置,配合手持式三维激光扫描仪,实现对坑壁凹凸和大小不一的检测坑模型三维重建和体积精确测量。为了减少检测坑凹凸坑壁对体积计算的影响,提出了一种基于点云分布的坑壁凹凸区域识别方法,实现了对具有不规则表面的检测坑体积的精确计算。在双江口315 m高堆石坝的应用实例中,该方法成功地应用于不同坝料压实质量的检测,与传统的灌水法相比,12组压实指标的检测结果最大相对误差仅3.08%,证明了该方法的准确性和高效性。

Abstract

The filling quality of rock-fill dams is considered important for ensuring the safety and stable operation of dam projects. The traditional water-filling method was recognized as time-consuming, labor-intensive, inefficient, and slow in feedback. A new and efficient solution was provided by three-dimensional (3D) laser technology for the accurate detection of rock-fill compaction quality. An auxiliary device with adjustable scanning distance and angle was designed. This device was combined with a handheld 3D laser scanner to achieve 3D reconstruction and precise volume measurement of inspection pits with uneven walls and varying sizes. To reduce the influence of uneven pit walls on volume calculation, a method for identifying uneven wall areas based on point cloud distribution was proposed. This method was applied to achieve accurate volume calculation for inspection pits with irregular surfaces. In the application case of the 315 m high Shuangjiangkou rock-fill dam, this method was successfully used for compaction quality detection of different dam materials. Compared with the traditional water-filling method, the maximum relative error of 12 sets of compaction indicators is only 3.08%. The accuracy and efficiency of this method are thus demonstrated.

Graphical abstract

关键词

堆石坝 / 检测坑 / 体积测量 / 压实质量

Key words

rock-fill dam / test pits / volumetric measurements / compaction quality

引用本文

引用格式 ▾

温庆文, 吴钰, 纪鹏, 戴祥宜, 陈云龙, 姚强. 基于三维激光点云的堆石坝检测坑三维重构及压实质量分析: 以双江口315 m超高堆石坝为例[J]. 科学技术与工程, 2026, 26(13): 5679-5686 DOI:10.12404/j.issn.1671-1815.2504556

WEN Qing-wen, WU Yu, JI Peng, DAI Xiang-yi, CHEN Yun-long, YAO Qiang. 3D Reconstruction and Compaction Quality Analysis of Rock Fill Dam Inspection Pit Based on 3D Laser Point Cloud: 315-m-high Shuangjiangkou Rock-fill Dam[J]. Science Technology and Engineering, 2026, 26(13): 5679-5686 DOI:10.12404/j.issn.1671-1815.2504556

登录浏览全文

4963

注册一个新账户忘记密码

堆石坝填筑质量是保证大坝工程安全稳定运行的关键因素,坝料密实度作为评估堆石坝压实质量的关键指标,直接关系到坝体的整体沉降变形和稳定^[1-3]。传统的灌水法在测量过程中存在耗时耗力、效率低、反馈滞后等问题^[4-6],而超高堆石坝检测时涉及的检测坑数量可能超过10 000个,质量检测的实时性和精确性对坝料填筑碾压施工质量控制和加快施工进度极为重要^[7],传统的灌水法已无法满足现代堆石坝施工对于机械化和智能化技术的需求。因此需要研究一种新的压实质量检测方法,以促进堆石坝优质高效施工。

近年来,三维激光扫描技术发展迅速,其能够迅速获取物体表面的三维点云数据,具备非接触、高精度和高效率等优点^[8-10]。三维点云数据中包含着几何尺寸、结构特征等各种信息,为不规则物体的体积测量提供了有效手段,广泛应用于建筑、矿山、水利等领域^[11-14]。常用的不规则物体体积计算方法包括分层积分法和体素累加法等^[15-16]。然而,检测坑属于开挖形成的凹陷结构,不同于树冠、作物或地形的外表面扫描处理^[17-19],设备需深入或覆盖检测坑内部多个角度以获得完整数据,其坑壁的不规则性和遮挡效应导致点云数据噪声多、缺失区域严重,现有点云处理方法难以直接适用于检测坑的体积精确计算。

现设计一种可变扫描距离及角度的辅助装置,弥补手持式三维激光扫描仪扫描距离较短的问题,提升点云数据的覆盖率与完整性,实现对不同尺寸检测坑点云数据有效采集,为后续检测坑体积计算提供高质量的数据基础。为了减少检测坑凹凸坑壁对体积计算的影响,提出一种基于点云分布的坑壁凹凸区域识别方法,以期实现对具有不规则表面的检测坑体积的精确计算。

1 检测坑点云数据采集设备和方法

堆石坝的施工材料主要包括心墙材料、反滤料、过渡堆石以及堆石。为检查压实度,通常采用检测坑法进行实测。该方法要求试验坑的直径不应小于大坝材料最大粒径的2~3倍,但最大不应超过2 m,试验坑的深度应与铺设层的厚度保持一致。不同类型的坝料,由于其粒度分布不同,检测坑的大小也不同。心墙料[图1(a)]和反滤料[图1(b)]的坑直径约为0.3 m,过渡堆石[图1(c)]的坑径约为1 m,而堆石的坑径大约为2 m[图1(d)]。

如图1所示,试坑坑壁凹凸不平,坑壁表面高度不规则。其中,反滤料试坑表面最光滑,而堆石料试坑表面凹凸程度最为严重,这与坝料粒径分布相关,粒径越大则凹凸程度越严重。此外,试坑开挖前对取样区域坝料面进行过平整处理,因此试坑周围坝料面平整度均较高。

针对特定物体的三维点云数据获取是三维激光扫描技术的主要应用之一。在选择合适的三维激光扫描设备类型时,需要综合考虑采集质量、效率以及完整度等因素。目前,三维激光扫描设备根据载体类型的不同,一般可分为手持式、地面式和机载式。其中,机载式设备和地面式设备能够实现高精度、高效率、大面积的采集,但在检测坑扫描过程中存在大面积的视野盲区。手持式设备则适用于采集小型物体,具备采集速度快、操作简单和工作灵活等优点。考虑到检测坑表面凹凸不平和尺寸限制,为了确保点云采集的质量和完整性选择使用手持式三维激光扫描仪(图2)作为检测坑的点云采集设备,其具备采集速度快、操作简单和工作灵活等优点,能够伸入检测坑内部进行点云数据采集,实时、快速地调整扫描角度,有效覆盖目标区域,大大减少视野盲区,从而确保点云采集的质量,如图3所示。

手持式三维激光扫描仪iReal 2S 基本参数如表1所示,其最大有效扫描距离为650 mm。在应用于过渡料或堆石料等大尺寸检测坑的点云数据采集时,由于扫描仪的扫描距离较短,无法有效采集到检测坑底部的区域点云。因此,对于大尺寸检测坑的点云数据采集,手持式三维激光扫描仪可能会存在一定的局限性。

为了解决这一问题,设计了一种可变扫描距离及角度的辅助装置,与手持式三维激光扫描仪配合使用,以增加扫描距离,能够伸入大尺寸试坑内部进行扫描从而大部分减少视野盲区。该装置由电动推杆、伸缩杆和移动电源等元件组成,如图4所示。手持式三维激光扫描仪固定在装置头部,通过调整伸缩杆的长度来增加或减少扫描距离,以适应不同尺寸的检测坑点云数据采集;电动推杆控制头部转动,实时推动扫描仪改变扫描角度;移动电源固定在杆身尾部,为电动推杆提供动力。该辅助装置结构简单、操作方便,具有广泛的适用范围,在保留手持式激光扫描设备灵活的扫描特性的同时,扩展了手持式三维激光扫描仪的测量范围,最大扫描距离可超过2 m,使其能够有效覆盖过渡料、堆石料等大型检测坑的底部及深部区域。在实际操作中,该装置通过电动推杆控制扫描角度,伸缩杆调节扫描距离,扫描仪的运动轨迹与手持操作方式基本一致,不会额外引入测量误差。

在使用扫描仪进行工作之前,首先需要根据检测坑的大小来设置适当的扫描参数,主要包括扫描精度、光源和配准模式。一般情况下,相关参数设置可参考表2。

参数设置完成后,测检测坑点云的数据采集过程如下:首先,对测检测坑顶层的坑壁表面积进行扫描[图5(a)],包括坑壁周围具有一定宽度的坝料表面积,以确保测检测坑点云中数据的完整性;然后,逐渐增加扫描距离,通过调节伸缩杆的长度,从坑壁区域的顶层逐渐过渡到坑壁区域底层[图5(b)];接下来,使用电动推杆实时控制扫描方向,以采集探测坑底部区域的点云数据[图5(c)];当扫描区域出现凹坑或凸起时,通过推杆推动扫描头转动,使扫描角度实时变化,从而实现对凹凸区域的全方位高效采集[图5(d)]。采用上述操作方法,可以避免坑壁的不规则性和遮挡效应导致点云数据噪声多、缺失区域严重的问题,为后续检测坑体积的测量提供有力的数据支撑。

2 检测坑体积计算

2.1 检测坑模型重构

首先采用统计滤波算法对检测坑扫描所获得的点云进行去噪,该算法通过计算每个点与其邻域点的平均距离,进而分析全部点的距离分布情况,并以此设定动态阈值剔除离群噪点。检测坑点云包括碾压后的坝料表面点云与开挖后坑体内表面点云,如图6(a)所示。点云由于坝料在填筑施工中经过多次碾压处理,其表面整体较为平整,尤其在检测前通常还会对取样区域进行二次平整处理,因此,可将取样区域的坝料面近似视为一个整体平面,通过随机采样一致性(random sample consensus,RANSAC)算法从点云数据中提取从点云中提取坝料面点集并进行平面拟合。设某一随机样本拟合出的平面模型为

(1)

$\mathit{a}\mathit{x}+\mathit{b}\mathit{y}+\mathit{c}\mathit{z}+\mathit{d}=0$

式(1)中:(a,b,c)为平面法向量;d为平面到原点的距离。

对于任意点P_i,其到拟合平面的距离为

(2)

${\mathit{D}}_{\mathit{i}}=\frac{\left|\mathit{a}{\mathit{x}}_{\mathit{i}}+\mathit{b}{\mathit{y}}_{\mathit{i}}+\mathit{c}{\mathit{z}}_{\mathit{i}}+\mathit{d}\right|}{\sqrt{{\mathit{a}}^{2}+{\mathit{b}}^{2}+{\mathit{c}}^{2}}}$

当D_i<$ \epsilon $ (预设阈值)时,P_i被认为是当前平面的内点,RANSAC算法通过迭代寻找使内点数最多的平面,从而提取出最大共面的点集。最终,将拟合得到的坝料平面与检测坑内表面点云拼接,即可形成封闭的三维模型进行体积计算,如图6(b)所示。

由于检测坑模型的空间位置不固定,直接计算体积会增加复杂度,并且难以考虑凹凸坑壁对体积计算结果的影响。因此,将拟合平面旋转至与坐标平面XOY平行,以简化体积计算过程。具体步骤如下:首先对拟合平面的法向量进行归一化,得到单位法向量n₀,然后计算拟合平面到坐标原点的距离d₀,最后采用Rodrigues旋转公式(Rodrigues’ rotation formula)将单位法向量n₀旋转至与Z轴对齐,即将n₀转化为n₁(0,0,1),转化过程的旋转矩阵为R₂,如图7所示,转换公式如下。

(3)

$\mathit{k}={\mathit{n}}_{0}\times {\mathit{n}}_{1}$

式(3)中:×表示向量叉乘运算。

(4)

${\mathit{n}}_{1}={\mathit{R}}_{2}\times {\mathit{n}}_{0}$

式(4)中:×表示矩阵与向量相乘运算。

(5)

${\mathit{R}}_{\mathit{k}}=\left[\begin{array}{lll}0& -{\mathit{k}}_{\mathit{z}}& {\mathit{k}}_{\mathit{y}}\\ {\mathit{k}}_{\mathit{z}}& 0& {\mathit{k}}_{\mathit{x}}\\ {\mathit{k}}_{\mathit{y}}& {\mathit{k}}_{\mathit{x}}& 0\end{array}\right]$

(6)

${\mathit{R}}_{2}=\mathit{I}+\mathit{s}\mathit{i}\mathit{n}\mathit{\theta }{\mathit{R}}_{\mathit{k}}+(1-\mathit{c}\mathit{o}\mathit{s}\mathit{\theta }){\mathit{R}}_{\mathit{k}}^{2}$

式(6)中:θ为向量n₀与n₁的夹角;

依据旋转矩阵R₂,将检测坑表面点云进行旋转,并将其位移距离d₀,使其转换至图6所示的位置,此时检测坑模型的拟合平面转换为坐标平面XOY。

2.2 不规则检测坑体积计算方法

在将检测坑模型的拟合平面转换为坐标平面XOY后,对检测坑模型向坐标平面XOY投影来计算检测坑体积。具体地,将投影区域分割为 n×m 个微小区域,每个区域的面积为Δx_i×Δy_i,并与投影在该区域内的检测坑表面点云组成小棱柱体。全部小棱柱体与检测坑模型的相交空间体积之和即为检测坑体积,如图8所示。相交空间体积为Δx_i×Δy_i×h,其中h为相交区域长度。

检测坑坑壁形状的凹凸不平导致点云投影到同一区域的情况多有发生,在非坑壁区域,通常只有一处点云投影到同一区域;而在坑壁区域,则有多处点云投影到同一区域,这种情况在检测坑体积测量中会对结果产生影响。为了减小这种影响,本文通过分析点云的分布情况来识别坑壁的凹凸区域。具体来说,在计算相交区域长度h时,将小棱柱体内的点云按z坐标值从大到小排列,并设定阈值d_z。如果存在m处相邻两点坐标差值大于阈值d_z,则认为小棱柱体内有m处间隔分布的点云,在这种情况下,其交集区域长度h为

(7)

$\mathit{h}={\mathit{z}}_{\mathit{m}}-{\mathit{z}}_{\mathit{m}-1}+\dots +{(-1)}^{\mathit{m}+1}{\mathit{z}}_{1}$

检测坑总体积V为

(8)

$\mathit{V}=\sum _{\mathit{i}=1}^{\mathit{n}}\sum _{\mathit{j}=1}^{\mathit{m}}\mathit{\Delta }{\mathit{x}}_{\mathit{i}}\mathit{\Delta }{\mathit{y}}_{\mathit{j}}{\mathit{h}}_{\mathit{i}\mathit{j}}$

式中:z_i为每处点云的z坐标值平均值;h_ij为每处交集区域长度。

3 工程应用

3.1 检测坑取样

双江口水电站位于四川省阿坝藏族羌族自治州马尔康县、金川县境内,是大渡河流域水电梯级开发的上游控制性水库工程。水库正常蓄水位2 500 m,总库容28.97 亿m³,调节库容19.17 亿m³。电站装机容量2 000 MW,多年平均发电量77.07 亿kW·h。

按照《碾压式土石坝施工规范》(DT/L 5219—2013)、双江口堆石坝填筑碾压施工方案,心墙料铺料厚度为30 cm,砾石最大直径100 mm;反滤料铺料厚度为30 cm,颗粒最大直径不大于80 mm;过渡料铺料厚度为60 cm,颗粒最大直径不大于300 mm;堆石料铺料厚度为80~100 cm,颗粒最大直径不大于800 mm。根据取样检测原则,各种坝料检测坑要求如表3所示。

在双江口水电站心墙堆石坝施工现场,分别对4类坝料进行检测坑取样。其中包括2组反滤料检测坑、4组心墙料检测坑、4组过渡料检测坑和2组堆石料检测坑。具体操作如下。

(1)取样区域预处理:在开挖检测坑前,先对取样区域的坝料面进行平整处理,确保基准面平整度符合要求。

(2)采用人工开挖方式,控制坑径与深度符合表3要求,避免超挖或欠挖。

(3)点云数据采集。使用所设计的可变扫描距离及角度辅助装置,配合手持式三维激光扫描仪iReal 2S,按图5所示流程进行多角度、分层扫描。图9展示了每种坝料各一组检测坑的点云数据。

获取检测坑点云后,首先采用统计滤波算法去除离群噪点,然后利用RANSAC算法从点云中提取坝料表面最大共面点集,拟合坝料平面方程,通过Rodrigues旋转公式将拟合平面旋转至与XOY平面平行,重构出检测坑模型,最后按式(8)计算检测坑体积。图10展示了4组检测坑重构后的模型。

3.2 结果与分析

为了评估本文方法的准确性和相较于传统方法的优势,同时采用了传统的灌水法进行检测坑体积的测量。将本文方法得到的检测坑体积结果(V_s)和灌水法所得到的检测坑体积结果(V_w)作为参考值进行对比。表4显示了两种不同方法压实质量检测结果。

试验结果显示,本文方法所得到的检测坑体积测量值V_s与传统的灌水法所得到的参考值V_w接近,最大相对误差仅为3.08%,表明本文方法具有较好的准确性,适用于各类坝料的压实指标检测。而在测量效率方面,由于点云数据采集的时间远小于灌水法所需的时间,因此大幅度提高了整体的测量效率。

对不同坝料检测坑的体积误差分析表明,反滤料检测坑误差最小,过渡料与堆石料相对接近,心墙料误差最大。造成这种差异的主要原因在于本文方法的误差主要受坝料表面平整度影响,而灌水法的误差则与坑壁表面粗糙度密切相关^[20]。对于反滤料检测坑,其坝料面平整度高,坑壁较为光滑,测量条件均较为理想,因此所得结果与检测坑实际体积最为接近,两种方法测量结果相对误差最小。对于过渡料和堆石料检测坑,其坑壁存在严重凹凸不平,这导致灌水法所使用的薄膜无法与坑壁充分贴合,使测量结果V_w偏小,而坝料面平整度较高,有利于本文方法进行精确测量,因此本文方法得出的V_s显著大于灌水法结果V_w,更接近真实值。对于心墙料检测坑,其坝料面平整度相对较低,影响了本文方法的基准面拟合精度,同时,坑壁存在的凹凸现象也引入了灌水法的测量误差,导致该类型检测坑的测量值V_s与V_w之间相差最大。

综上所述,本文方法与传统的灌水法相比结果误差较小,并通过对误差原因分析可知,本文方法具有更高的准确性,同时避免了人为因素对测量结果的影响,稳定性更高。此外,还大幅度提高了检测效率,实现了对坝料压实指标的高效精确检测。

4 结论

为了提升堆石坝压实质量检测的准确性和效率,提出了一种基于三维激光技术的堆石坝检测坑体积计算方法。在点云数据采集环节,设计了一种可调节扫描距离与角度的辅助装置,有效克服了手持式三维扫描仪在大尺寸试坑测量中存在的有效距离不足、坑底遮挡严重等问题,显著提高了点云数据的覆盖率和完整度;在体积计算环节,提出了基于点云分布特征的坑壁凹凸区域识别方法,实现对不规则、多层投影坑壁的自动识别,从而有效降低因坑壁凹凸起伏引起的体积计算误差。

现场应用结果表明,本文方法与传统灌水法相比具有明显优势:体积测量最大相对误差仅3.08%,精度高、误差小,特别适用于坑壁凹凸明显的大型检测坑;检测效率显著提升,测量时间较灌水法缩短75%以上,能够满足大规模快速检测的实时性需求;抗干扰性强,通过点云滤波与坐标系标准化处理,有效减少了人为操作误差和坑壁不规则性对结果的影响。本文方法在双江口工程中的成功应用,为堆石坝智能化施工与压实质量实时控制提供了新的技术路径。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	徐思远, 陈生水, 傅中志, 等. 附加质量法在土石混合料密度检测中的适用性研究[J]. 岩土工程学报, 2023, 45(S1): 1-5.

[2]	Xu Siyuan, Chen Shengshui, Fu Zhongzhi, et al. Study on the applicability of additional mass method in density testing of soil and rock mixes[J]. Journal of Geotechnical Engineering, 2023, 45(S1): 1-5.

[3]	Shi M G, Wang J J, Guan T, et al. Effective compaction power index for real-time compaction quality assessment of coarse-grained geomaterials: proposal and comparative study[J]. Construction and Building Materials, 2022, 321(1): 126375.

[4]	刘世伟, 杨宇, 宿辉, 等. 基于混合优化算法的砂砾料面板堆石坝压实质量评价模型及工程应用研究[J]. 水利水电技术(中英文), 2023, 54(7): 141-149.

[5]	Liu Shiwei, Yang Yu, Su Hui, et al. Evaluation model of compaction quality of gravel panel rockfill dams based on hybrid optimisation algorithm and research on engineering application[J]. Water Conservancy and Hydropower Technology (in English), 2023, 54(7): 141-149.

[6]	陈云, 胡志刚, 徐晗. 灌水法检测堆石体密度影响因素分析与控制措施[J]. 岩土工程学报, 2017, 39(S1): 177-181.

[7]	Chen Yun, Hu Zhigang, Xu Han. Analysis of factors affecting the density of rock piles detected by water filling method and control measures[J]. Journal of Geotechnical Engineering, 2017, 39(S1): 177-181.

[8]	郑祥, 马元山, 付勇, 等. 碾压混凝土施工热层实时压实度监控模型应用研究[J]. 人民长江, 2020, 51(1): 160-165, 179.

[9]	Zheng Xiang, Ma Yuanshan, Fu Yong, et al. Research on the application of real-time compaction monitoring model for hot layer of crushed concrete construction[J]. People’s Yangtze River, 2020, 51(1): 160-165, 179.

[10]	邓锦南, 覃世旭. 原位密度检测灌水法的改进探讨[J]. 广西水利水电, 2022(5): 1-2, 7.

[11]	Deng Jinnan, Qin Shixu. Improvement of in-situ density detection of water filling method[J]. Guangxi Water Conservancy and Hydropower, 2022(5): 1-2, 7.

[12]	田中涛, 江万红, 车维斌. 300 m级超高堆石坝砾石土料质量控制标准研究[J]. 水力发电, 2018, 44(2): 7-10.

[13]	Tian Zhongtao, Jiang Wanhong, Che Weibin. Research on quality control standard of gravel soil material for 300 m class ultra-high rockfill dam[J]. Hydropower Generation, 2018, 44(2): 7-10.

[14]	朱依民, 田林亚, 毕继鑫, 等. 基于PTD和改进曲面拟合的高山区水电工程机载激光雷达点云滤波方法[J]. 水利水电科技进展, 2021, 41(1): 35-40.

[15]	Zhu Yimin, Tian Linya, Bi Jixin, et al. Airborne LiDAR point cloud filtering method for high mountainou hydropower projects based on PTD and modified surface fitting[J]. Progress of Water Resources and Hydropower Science and Technology, 2021, 41(1): 35-40.

[16]	许三松, 罗全胜, 张雪锋. 三维扫描仪在水工泄洪冲刷坑测量中的应用[J]. 人民黄河, 2023, 45(S2): 112-113, 117.

[17]	Xu Sansong, Luo Quansheng, Zhang Xuefeng. Application of three-dimensional scanner in the measurement of hydraulic flood relief scour pits[J]. People’s Yellow River, 2023, 45(S2): 112-113, 117.

[18]	朱征, 包腾飞, 郑东健, 等. 基于无人机倾斜摄影的白格堰塞区三维重建[J]. 水利水电科技进展, 2020, 40(5): 81-88.

[19]	Zhu Zheng, Bao Tengfei, Zheng Dongjian, et al. 3D reconstruction of Baige landslide area based on UAV oblique photographs[J]. Advances in Water Resources and Hydropower Science and Technology, 2020, 40(5): 81-88.

[20]	刘金锦, 李浩军. 基于点云切片改进法的不规则物体体积测量[J]. 光学学报, 2021, 41(23): 133-145.

[21]	Liu Jinjin, Li Haojun. Volume measurement of irregular objects based on improved point cloud slicing method[J]. Journal of Optics, 2021, 41(23): 133-145.

[22]	赵梦娜, 花向红, 冯绍权, 等. 基于点云切片的建筑物门窗信息提取[J]. 中国激光, 2020, 47(6): 183-192.

[23]	Zhao Menna, Hua Xianghong, Feng Shaoquan, et al. Building door and window information extraction based on point cloud slicing[J]. China Laser, 2020, 47(6): 183-192.

[24]	程效军, 方芳. 基于形态学的散乱点云轮廓特征线提取[J]. 同济大学学报(自然科学版), 2014, 42(11): 1738-1743.

[25]	Cheng Xiaojun, Fang Fang. Morphology-based feature line extraction for scattered point cloud contours[J]. Journal of Tongji University (Natural Science Edition), 2014, 42(11): 1738-1743.

[26]	Kunz M, Hess C, Raumonen P, et al. Comparison of wood volume estimates of young trees from terrestrial laser scan data[J]. iForest-Biogeosciences and Forestry, 2017, 10(1): 451-458.

[27]	Li D, Wang A. Improved KNN algorithm for scattered point cloud[C]// 2017 IEEE 2nd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC). Chongqing: IEEE, 2017: 1865-1869.

[28]	周恒可, 李海旺, 赵兴, 等. 一种基于点云自适应切片的树冠体积计算方法[J]. 西北林学院学报, 2023, 38(6): 189-195, 202.

[29]	Zhou Hengke, Li Haiwang, Zhao Xing, et al. A method for calculating canopy volume based on adaptive slicing of point cloud[J]. Journal of Northwest Forestry College, 2023, 38(6): 189-195, 202.

[30]	Huang Y, Hou S, Ling H, et al. Trunk volume prediction of individual Populus euphratica trees based on point clouds analysis[J]. Ecological Indicators, 2018, 95: 964-971.

[31]	Zeyu C, Chengqian J, Jing X, et al. Measurement of potato volume with laser triangulation and three-dimensional reconstruction[J]. IEEE ACCESS, 2020, 8: 176565-176574.

[32]	Wang F, Li F, Vishwanathan M, et al. An unsupervised automatic measurement of wheat spike dimensions in dense 3D point clouds for field application[J]. Biosystems Engineering, 2021. DOI: 10.1016/J.BIOSYSTEMSENG.2021.11.022.

[33]	王红, 古今用, 张涛. 探析灌水法检测堆石坝填筑质量的影响因素与误差控制[J]. 水利规划与设计, 2020(8): 84-88.

[34]	Wang Hong, Gu Jinyong, Zhang Tao. Analysis of the influencing factors and error control of the filling quality of rockfill dams by flooding method[J]. Water Resources Planning and Design, 2020(8): 84-88.