基于无人机摄影测量的尾矿坝边坡表面变形监测*

杨 超，杨 鹏,2，吕文生，王 昆

(1.北京科技大学 土木与资源工程学院，北京 100083；2.北京联合大学 北京市信息服务工程重点实验室，北京 100101；3.山东科技大学 能源与矿业工程学院，山东 青岛 266590)

0 引言

尾矿坝是拦挡尾矿和水的尾矿库外围构筑物，其位移变形能够直观准确地反映出尾矿库的运行状况，对其进行实时有效监测是尾矿库安全运营管理工作的重要内容[1]。由于筑坝材料与内部结构在空间上的差异性，受到外力作用时尾矿坝变形往往呈非线性变化，而目前基于全站仪和GNSS/GPS的单点监测方法主要是通过监测点的位置变化来判断其变形情况，难以对坝体边坡进行全面描述，因此，其不同部位的变形差异容易对尾矿坝的稳定性分析与安全评估造成误差[2]。同时，由于布置在坝坡表面的监测点需要人工测量或者采用固定设备，在连续暴雨等易导致坝体出现重大威胁情况发生时，变形监测人员及监测设备会面临较大风险[3]。因此，为全面、安全、快速、便捷地获取尾矿坝的整体变形信息，需要对当前的监测技术与方法进行改进。

近几年，受益于消费级无人机的推广使用和相关商业软件的研发与成熟，无人机摄影测量技术以其效率高、成本低、机动灵活、环境适应性强等优点在环境监测与保护[4]、地质灾害调查与应急救援[5]、地图测绘[6]等诸多领域得到广泛应用。在矿业领域，向杰等[7]利用无人机摄影测量技术对北京首云铁矿储量进行动态监测；Chen等[8]利用无人机对露天矿DSM等地形信息进行采集；张恺等[9]研究无人机倾斜摄影测量技术在露天矿边坡岩体结构编录中的应用；王自力等[10]阐述无人机在尾矿库安全监管中的应用；Byrne等[11]利用无人机对加拿大哥伦比亚省Mount Polley尾矿库泄漏导致的环境影响进行长期监测；唐鹏飞等[12]基于无人机获得的高分辨率下游地形对山东某尾矿库进行溃坝模拟；Rauhala等[13]利用无人机摄影测量技术对邻近北极圈的已闭库Laiva尾矿库进行年沉降量分析。

由于尾矿坝不断堆筑导致其局部形态会发生连续较大变化的工程特点，无人机摄影测量技术在其边坡表面变形监测中的应用受到诸多限制，相关研究较少。因此，本文基于无人机摄影测量技术飞速发展的现状，结合尾矿坝边坡现有位移监测系统，提出1种基于无人机摄影测量的尾矿坝边坡表面变形监测方法，并以山东某尾矿坝为研究对象，对其整体变形与细节变化进行监测，得到较好的监测结果。

1 尾矿坝边坡表面变形监测技术研究与应用现状

目前，根据监测点的空间分布，常见的尾矿坝边坡表面变形监测方法与技术可以分为单点或多点式监测、线监测和空间三维面监测3种，其在工程应用中的特点见表1[14-17]。

表1 尾矿坝边坡表面变形监测方法与技术

通过对现有尾矿坝边坡表面变形监测方法与技术的分类研究发现，受限于尾矿库特殊的工程环境与技术特点，其在工程应用中均存在一定的局限性，因此，本文根据尾矿库现场实际情况与当前技术发展，提出结合尾矿坝现有位移监测系统，利用无人机来实现尾矿坝边坡表面变形监测的新方法。

2 尾矿坝空间三维地理信息的获取

2.1 尾矿库概况

该尾矿库位于山东省济南市，属于典型的山谷型尾矿库。由于其黏性细粒级尾矿颗粒含量较高，沉积固结缓慢，筑坝困难，故采用干选废石+土工布+分级尾砂护坡的上游法筑坝，当前已堆筑完成22期子坝，坝顶标高+352 m，坝轴线约1 049 m，存储尾矿约2 800万 m3，是山东省内最大的地质灾害危险源之一。

表1(续)

根据《尾矿设施设计规范》(GB 50863—2013)[1]规定，该尾矿库属于三等库，但由于其下游1 km范围内分布着居民点、厂房、耕地等，且G2京沪高速公路在其下游距尾矿坝坝址1 km范围内穿过，因此，为保障下游居民的生命财产安全、重要交通设施的通畅及环境保护，根据“头顶库”提升1个等级进行管理的规定，已安装有浸润线埋深、坝体位移、干滩长度、库水位标高及降雨量等实时在线监测系统。尾矿库下游重要设施分布如图1所示。

2.2 数据采集与三维重建

尾矿坝空间三维地理信息的采集主要包括为建立高精度控制网参考坐标系的地面控制点坐标测量和尾矿坝航测数据采集2部分，其数据采集流程如图2所示。分别于2019年6月和2019年10月利用消费级无人机DJI Phantom 4 RTK对尾矿坝无人机倾斜序列影像进行采集，其中2次数据采集作业时的航向重叠率均为80%，旁向重叠率均为60%，航高控制在80～120 m之间，地面平均分辨率为20.8～32.5 mm/pix，共采集尾矿坝倾斜序列影像2 356张；利用中海达V30 GNSS RTK测量地面控制点(布置在坝坡表面的位移人工监测水泥桩)的北京54坐标。

图2 数据采集流程

随着尺度不变特征变换(Scale-Invariant Feature Transform，SIFT)、运动恢复结构(Structure From Motion，SFM)、多视立体视觉(Patch-Based Multi-View Stereo，PMVS)等算法的提出与完善，基于计算机视觉的图像三维重建已逐渐成熟，相应的商业软件如Pix 4D，Agisoft PhotoScan，ContextCapture等也得到推广使用，因此，本文试验采用ContextCapture对尾矿坝无人机倾斜序列影像进行三维重建，得到尾矿坝的密集三维点云数据。

为评价三维重建精度，本文试验在尾矿坝坡面不同位置设定30个检查点和10组人工特征标志(现场白灰线段组)，如图3所示。通过相应的质量报告及对坝面人工特征标志的测量(实际与模型)分析得知，2019年6月尾矿坝三维点云模型地理平面定位平均精度为0.028 m，地理高程定位平均精度为0.031 m，模型中误差(人工特征标志实际尺寸与模型上的人工特征标志尺寸平均误差)为0.015 m；2019年10月尾矿坝三维点云模型地理平面定位平均精度为0.019 m，地理高程定位平均精度为0.024 m，模型中误差为0.012 m。由于后期主要是依据点云模型进行变形监测分析，因此本文试验主要考虑模型误差影响，2期模型误差均控制在10～20 mm范围，监测精度在厘米级范围。

图3 人工特征标志实际尺寸测量

2.3 基于坝坡表面水泥桩的点云配准方法

随着矿山生产规模不断扩大，尾矿坝在不断堆筑，本文试验前后2期点云形态已经发生较大的变化，而采用点云全局配准时可能会出现局部最优从而影响配准精度，因此，基于尾矿坝现场实际情况，结合矿山现有坝坡表面位移人工监测系统，设计1种基于坝坡表面水泥桩的点云配准方法，具体步骤如下：

1)将2期尾矿坝点云数据中的坝坡表面水泥桩均分割成大小相等的立方体，并分别拟合成面。

2)若立方体内的所有点到拟合面的距离方差小于某阈值T1，则保留该平面，同时计算其法向量n。否则，将该立方体等分成8个小立方体，分别拟合成子平面。

3)重复步骤2)，当小立方体包含的点数小于某阈值T2时，停止判断。

4)寻找同名匹配点。设基准点为I={x0，y0，z0，n0}，在待匹配点集中搜索邻域d范围内的匹配点J={xi，yi，zi，ni}，则有式(1)～(2)：

(1)

J=kRI+T

(2)

式中：ni，n0分别为点I和点J所在拟合面的法向量；a为法向量约束阈值；d为邻域范围；k为缩放比例；R为旋转矩阵；T为平移向量。

5)通过迭代不断最小化匹配点之间的距离差G，计算参考转换参数，如式(3)～(4)所示：

(3)

Gn-Gn-1≤ε

(4)

式中：t为匹配点数；n为迭代次数。

当某次迭代的距离差与上一次迭代结果的差值小于阈值ε时，停止迭代，得到最终的转换参数，用于点云全局配准。

通过对尾矿坝坡现有的23个位移人工监测点(水泥桩)进行逐一分割、迭代计算后，再对10组人工特征标志拟合测量，得出2期三维点云模型配准中误差约为0.01 m，重叠的配准结果几乎达到100%，说明基于坝坡表面水泥桩的点云配准方法能够满足尾矿坝局部形态发生较大变化时的配准精度。

3 结果与分析

多期尾矿坝点云配准后，即可以利用点云间的距离来判断其变形情况。本文试验以6月份尾矿坝点云为基准，对尾矿坝整体变形与细节变化进行分析。

3.1 基于点云的坝坡区域面整体变形分析

由于本文试验范围较大(约0.18 km2)，因此，为精细化体现尾矿坝边坡的变形细节信息，现选取尾矿坝第10～14期子坝左侧局部坡面进行分析(图1中尾矿库旁矩形框范围)。坝坡区域面整体变形如图4所示。

图4 坝坡区域面整体变形

为迎接雨季，6月份采集数据时，尾矿坝边坡刚完成修补与杂草清除，子坝平台及坡面局部存在新敷设的疏松土层，经过近4个月的风吹雨淋，新敷设的土体在10月份数据采集时已基本完成体积收缩与固结，因此，根据现场覆土厚度与固结特性，对比6月份与10月份具有纹理特征的2期尾矿坝点云及变形测量结果可以看出，本文提出的方法能够反映出表层土体收缩固结引起的沉降变形，如图4中第10期子坝平台上的区域A，其表现为约0.002～0.02 m的不均匀沉降；同时可以看出，试验期间，尾矿坝边坡局部出现冲沟、滑塌、表层滑移等现象，由于6月份修补的覆土固结度较低，经过雨季冲刷后的10月份，在原位置基本又形成新的冲沟，如第13期子坝坡面的区域C，在该范围内，仅区域B有1处6月份修补的冲沟经过暴雨冲刷后仍然保持坡面稳定；另外，通过分析图4可以看出，由于子坝平台局部覆土不平整而引起的汇水冲刷是10月份坝坡面出现新冲沟的主要原因，如图4中行车道平台附近的区域E。

图4中区域E的放大显示图如图5所示。由图5可知，6月份时，该处坡面已经出现滑塌倾向，坡肩附近(图5(a)中虚线框范围)出现多条宽约1～4 mm的水平向裂缝，坡面则存在多条1～3 mm的竖向裂缝，但这并未引起矿山管理人员重视，经过雨季冲刷及浸润后，10月份时，该处边坡(图5(b)中虚线框范围)已经发生表层滑塌。由图5可知，虽然滑塌还未发展至下级子坝平台，但如果得不到及时治理与防护，该处滑坡必定会继续发展，从而影响尾矿坝边坡的稳定性；该区域旁的冲沟由于未得到及时修补处理，10月份时已经明显拓宽加深，经过测量，10月份相较6月份时最大拓宽为0.56 m，最大加深约0.27 m。由此可见，对尾矿坝边坡的日常管理维护对尾矿库的安全稳定运行具有重要意义。

图5 坡面局部表层滑塌

3.2 基于剖面的采样分析

由于尾矿坝表面具有不稳定性，不易设置恒定监测点，因此，为验证本文提出方法的准确性，依据尾矿坝现有表面位移监测系统，沿坡面布置近似水平和竖直2条监测剖面(见图4(b))，以第1期数据为基准进行变形分析，其剖面监测数据如图6所示。

图6 剖面监测数据

由图6可知，基于矿山监测点(水泥桩)的尾矿坝边坡表面变形均表现为0.026 m内的不均匀沉降，而基于无人机摄影测量的坡面表面变形则表现为沉降与凸起无规律交叉变化，通过比较6月份与10月份的点云数据可以看出，这更符合表层土体边坡受外界环境影响大，表面具有不稳定性的现状；基于无人机摄影测量的剖面变形监测数据变化范围明显比矿山监测数据大，尤其是X=105剖面，基于无人机摄影测量的变形监测数据更好地反映出该剖面出现的冲沟、滑塌等异常变形。因此可以看出，单纯依靠单点或多点监测方式，即使尾矿坝坡面出现较大程度的变形也可能无法发现，从而导致尾矿坝安全评估出现重大失误。

4 讨论

本文提出的新型边坡表面变形监测方法目前仍有需要继续改进与完善的方面，比如，不同于水准测量，GPS/GNSS等能够直接获取尾矿坝边坡的绝对位移和变形，基于无人机摄影测量的尾矿坝边坡表面变形监测仍需要少量固定控制点来进行定位定向，所获得的变形属于以坝面测桩测量数据为基础的相对变形，对坝体绝对位移和变形敏感性较差，并且由于传感器及相应算法的限制，其监测精度低于水准测量和GNSS等；由于该方法基于倾斜序列影像进行建模和测量，受无人机续航时间、影像传感器、云雨天气等限制，数据采集属于非连续间断模式，无法实现连续实时监测，存在一定的监测空白期；同时，受点云处理相关算法的限制，点云生成及配准过程中仍需要部分人机交互操作，配准精度受人工操作影响较大，自动化水平有待进一步提高等。

但受益于消费级无人机的普及、相关商用处理软件的推广使用及点云处理方法的改进，基于无人机摄影测量的尾矿坝边坡表面变形监测方法由于其成本低、操作简便、大范围、无盲区、可视化等优势，可作为尾矿库传统监测系统的有力补充，应当受到矿山安全部门的重视与推广使用。

5 结论

1)相较于基于GPS的矿山单点或多点监测方式，基于无人机摄影测量的尾矿坝边坡表面变形监测方法能够快速准确地获取尾矿坝边坡的整体变形和细节变化，监测精度可达厘米级。

2)针对尾矿坝随矿山生产不断堆积变化的工程特点，提出的基于坝坡表面位移人工监测水泥桩的点云配准方法可实现多期尾矿坝点云数据的精确配准，配准中误差约为0.01 m。

3)基于无人机摄影测量的监测数据成果丰富，对精细识别和解译尾矿坝边坡变形与发展趋势、及时制定针对性防治预案具有重要的意义。

4)通过本文试验发现，在雨季来临之前对尾矿坝边坡进行及时修补维护对边坡的稳定性具有重要意义，尾矿坝覆土施工质量和子坝平台的平整度对坝坡抗暴雨冲刷具有关键作用。