A comprehensive review of 3D digital mapping-based automated rock discontinuity detection: emerging technologies, challenges and future prospects

岩石不连续面的准确探测与表征对于岩质边坡稳定性评价、隧道开挖、落石灾害评估及岩体质量分级至关重要。传统现场方法，包括地质罗盘测量、测线调查和人工填图，仍然重要，但受限于空间覆盖范围有限、操作者主观性、耗时以及在陡峭或难以到达岩体中的安全风险。本文综述批判性地考察了利用三维数字测绘、先进遥感和人工智能方法进行岩石不连续面自动化和半自动化探测的最新进展。所综述的探测方法包括基于LiDAR的地面和航空激光扫描、无人机摄影测量、高光谱成像、三维点云处理以及边缘检测等经典图像处理技术。特别强调人工智能驱动的不连续面探测，包括用于二维图像识别的卷积神经网络、U-Net和DeepLabV3+等语义分割模型、YOLO、Faster R-CNN、Mask R-CNN、Mask R-CNN–TD和YOLACT++等目标与实例分割框架，以及三维点云网络、基于Transformer的模型、图神经网络、迁移学习和CNN–PointNet等二维–三维混合融合模型等先进架构。本综述表明，LiDAR和无人机-derived点云能够提供可靠的不连续面产状、间距、节理组和块体几何信息，支持基于赤平投影的运动学分析、岩体质量评价、RQD估算和潜在不稳定块体识别。尽管取得了这些进展，重大挑战仍然存在，包括基准数据集有限、模型在不同地质条件下的泛化能力弱、遮挡、植被干扰、光照变化、点密度影响、计算成本、地面验证不足以及与实用岩土设计工作流程的集成有限。未来研究应优先关注标准化开放数据集、不确定性感知和可解释人工智能、跨站点验证、域适应、稳健的多模态传感–人工智能融合，以及将自动化不连续面输出与RMR、SMR、Q系统、GSI、DFN建模和边坡稳定性分析直接集成。