폐쇄형 암석면 포인트 클라우드에서 자동 파단면 집합 추출 및 특성화

초록

본 논문은 UAV·드론 레이저 스캐닝으로 획득한 폐쇄형 광산 스톱의 3D 포인트 클라우드에서 파단면을 자동으로 검출하고, 파단면 집합을 고정밀로 특성화하는 새로운 알고리즘을 제안한다. 단일 패스 신호 처리 기반 필터링, 순환 방위 변환, 계층적 클러스터링을 결합해 노이즈와 고곡률을 억제하고, 사용자 개입 없이 파단면 집합을 도출한다. 실제 스톱 데이터와 인공 구면 데이터에서 기존 방법보다 평균 절대 오차가 2° 이하로 우수함을 입증한다.

상세 분석

이 연구는 폐쇄형 암석면에서 발생하는 방위 데이터의 순환성 문제를 해결하기 위해 ‘순환 방위 변환(cyclic orientation transformation)’을 도입하였다. 기존의 직교 좌표계 기반 클러스터링은 방위 각이 0°와 360° 사이에서 불연속을 일으켜 군집 형성에 오류를 초래했지만, 저자들은 dip angle와 dip direction을 3차원 벡터로 매핑한 뒤, 각도를 연속적인 사인·코사인 좌표로 변환함으로써 이 문제를 근본적으로 해소하였다.

필터링 단계에서는 주파수 영역 신호 처리 기법을 활용해 한 번의 연산으로 평면성(non‑planarity)과 고곡률 영역을 구분한다. 구형 지원 영역의 반경을 포인트 간 평균 간격(PS)에 따라 적응적으로 설정하고, 각 포인트에 대해 주변 이웃의 고도·방위 각 차이를 스펙트럼으로 변환한다. 이 스펙트럼에서 특정 주파수 대역이 강조되는 경우 해당 포인트를 ‘평면 후보’로 판정한다. 기존의 k‑NN·반경 필터를 연속적으로 적용하는 방식에 비해 연산 복잡도가 크게 감소하고, 노이즈에 대한 강인성이 크게 향상된다.

클러스터링은 밀도 기반 계층적 방법을 사용한다. 변환된 방위 벡터를 거리 측정 기준으로 삼아, 먼저 근접한 포인트들을 작은 클러스터로 묶은 뒤, 이들 클러스터를 병합하면서 실루엣 점수와 클러스터 내 방위 분산을 동시에 고려한다. 이 과정에서 클러스터 수를 사전에 지정할 필요가 없으며, 파단면 집합이 불균등한 밀도를 가질 경우에도 자동으로 적절한 군집을 형성한다.

후처리 단계에서는 각 클러스터에 대해 최소 평면 피팅을 수행하고, 피팅 오차가 사전 정의된 임계값 이하인 경우에만 최종 파단면으로 인정한다. 이를 통해 작은 잡음 클러스터가 최종 결과에 포함되는 것을 방지한다.

실험에서는 호주 광산의 6개 스톱 데이터를 활용했으며, 각 스톱에 대해 평균 포인트 간격 2.5 cm, 밀도 1600 points/m²의 고해상도 데이터를 사용하였다. 또한, 10 m 반경의 구형 메쉬를 무작위 샘플링한 인공 구면 데이터를 통해 순환 방위 변환의 정확성을 검증하였다. 결과는 기존 자동 구조 매핑 기법(k‑means, DBSCAN, ISODATA 등) 대비 평균 절대 오차가 dip angle 1.95°·dip direction 2.20°로 최소 30 % 이상 개선되었으며, 군집 내 방위 분산도 3° 이하로 일관성을 유지하였다.

이 논문의 주요 기여는 (1) 단일 패스 신호 처리 기반 노이즈 억제 필터링, (2) 방위 데이터의 순환성을 보존하는 변환 스키마, (3) 사용자 정의 파라미터 없이 밀도 변동을 자동 보정하는 계층적 클러스터링, (4) 폐쇄형 암석면이라는 실제 현장 환경에 대한 검증이다. 제한점으로는 매우 희박한 포인트 클라우드(PS > 0.15 m)에서 지원 영역 반경이 과도하게 커져 연산량이 증가할 수 있으며, 고곡률이 연속적으로 이어지는 복합 파단면에서는 단일 평면 피팅이 부정확할 가능성이 있다. 향후 연구에서는 다중 평면 모델링과 GPU 가속 신호 처리로 연산 효율을 높이고, 비정형 지오메트리에도 적용 가능한 확장성을 탐색할 계획이다.