3B nokta bulutlarından yol tavanı cıvata/kablolarının MLS tabanlı tanınması ve parametre çıkarımı

Madencilik Tünellerini Güvenli Tutmak

Derin kömür ocakları, kayanın çökmesini önlemek için tavanına delinen metal cıvata ve kablolarına güveniyor. Bu destekler yanlış yerleştirilmişse veya bozulmaya başlarsa işçilerin hayatı tehlikeye girer. Bugün hâlâ binlerce cıvatanın kontrolü büyük ölçüde karanlık, tozlu tünellerde mezura ve ölçü aletleriyle elle yapılıyor. Bu çalışma, mobil lazer tarayıcılar ve 3B veriler kullanarak bu gizli can damarlarını otomatik olarak “görmenin” ve ölçmenin yolunu sunuyor; modern madenler için daha hızlı ve nesnel güvenlik kontrolleri vaat ediyor.

Tünelin Üç Boyutlu Taranması

Araştırmacılar, özellikle yeraltı yolculukları için tasarlanmış taşınabilir bir mobil lazer tarama sistemi geliştirdiler. Lazer uzaklık ölçer ve hareket sensörleri ile donatılan cihaz, tünel boyunca taşınır veya itilirken çevredeki kayaya hızlı biçimde lazer darbeleri yolluyor. Hareket ederken, SLAM (Eşzamanlı Konumlandırma ve Haritalama) adı verilen bir gezinme tekniği gelen ölçümleri sürekli bir 3B tünel modelinde birleştiriyor. Yeraltına GPS sinyalleri ulaşmasa bile sistem, bir yol kesitinin şeklini santimetre düzeyinde doğrulukla yeniden oluşturabiliyor; yalnızca kaya yüzeylerini değil, aynı zamanda cıvatalar, kablolar ve çelik levhalar gibi destek donanımlarını da yakalıyor.

Dijital Tüneli Temizlemek

Bir madenin ham 3B taramaları düzensizdir. Toz, su sisleri, çalışanlar ve makineler veride dağınık noktalara neden olur. Ekip önce bariz aykırı değerleri kaldırırken yanlışlıkla atılmış olabilecek gerçek yüzeyleri de geri kazanan iki aşamalı bir gürültü giderme işlemi uyguluyor. Ardından destek cıvata ve kablolarının ankrajlandığı tavanı izole ediyorlar. Veriyi matematiksel olarak döndürerek tavanı standart bir düzleme yatay olacak şekilde hizalıyorlar; bu, “yukarı” ve “aşağı” kavramlarını netleştiriyor ve her bir destek elemanının yönünü ve uzunluğunu tüm sahne boyunca tutarlı biçimde ölçmeyi kolaylaştırıyor.

Sanal Bez ile Cıvataları Bulmak

Tavan yüzeyini ona bağlı donanımdan ayırmak için araştırmacılar Kumaş Simülasyon Filtresi olarak bilinen zekice bir hile kullanıyorlar. Ters çevrilmiş dijital tavanın üzerine yerçekimi altında yavaşça oturan esnek bir kumaş levha hayal ediyorlar. Gerçek kaya nerede ise kumaş yüzeye yapışıyor. Bir cıvata, kablo veya levha dışarı çıkıyorsa kumaş onun üzerinden örtülüyor ve bir boşluk bırakıyor. Kumaş ile gerçek noktalar arasındaki küçük yükseklik farkını ölçerek algoritma hangi noktaların düzgün kaya tavanına ait olduğunu, hangilerinin çıkıntı olma olasılığı bulunduğunu etiketliyor. İyi ayarlanmış parametreler, kumaşın tavanın doğal tümseklerini takip edecek kadar detaylı olmasını, ancak ortaya çıkarması gereken cıvataları yanlışlıkla “yutmayacak” kadar kaba olmamasını sağlıyor.

Bilgisayara Destekleri Saymayı ve Ölçmeyi Öğretmek

Olası çıkıntılar izole edildikten sonra yöntem hâlâ hangi nokta kümelerinin gerçek cıvata veya kablo, hangilerinin boru, sarkan tel ya da gürültü olduğunu kararlaştırmak zorunda. Burada yoğunluk tabanlı bir kümeleme tekniği, yakın noktalardan oluşan uzamış şekilleri bir araya getiriyor. Algoritma arama yarıçapını ve minimum küme büyüklüğünü ayarlayarak her cıvatanın tipik olarak bir temiz grup olmasını, komşularla birleşmemesini sağlıyor. Her grup için basit bir geometrik analiz nesnenin ana eksenini buluyor ve tüm noktaları bu eksene projekte ederek açığa çıkmış uzunluk ve eğim açısı tahmini veriyor. Tipik aralık, beklenen çap ve izin verilen montaj açısı gibi bilinen maden tasarımına dayalı ek kurallar da sahte nesneleri elemekte ve yalnızca gerçek, doğru şekilde monte edilmiş destekleri bırakmakta yardımcı oluyor.

3B Haritalardan Pratik Güvenlik İçgörülerine

Yöntem, İç Moğolistan’daki derin bir kömür madeninde, elle dikkatle etiketlenmiş 127 cıvata ve kablo içeren ardışık beş tavan segmentinde test edildi. Otomatik sistem bunların 118’ini doğru şekilde buldu; toz, kısmi shotcrete örtüsü ve müdahaleci metal parçalar gibi zorlu koşullarda bile yalnızca birkaç kaçırma ve yanlış alarm oldu. Aynı derecede önemli olarak, sistem her bir destek için yapılandırılmış bir veritabanı üretti: tam konumu, aralığı, tavandan dışarı çıkan uzunluğu ve kayanın relatif açısı. Maden mühendisleri için bu, karmaşık bir 3B nokta bulutunu kalite kontrol ve uzun vadeli sağlık izleme için hazır bir kontrol listesine dönüştürüyor. Yaklaşım hâlâ iyi tarama verisi elde etmeye ve her cıvatanın en az bir kısmının görünür olmasına bağlı olsa da, rutin tünel güvenlik kontrollerinin daha hızlı, daha sık ve öznel insan yargısına daha az bağımlı olduğu bir geleceğe işaret ediyor.

Atıf: Ren, Z., Zhu, H., Zhao, L. et al. MLS-based recognition and parameter extraction of roadway roof bolts/cables from 3D point clouds. Sci Rep 16, 6538 (2026). https://doi.org/10.1038/s41598-026-37689-3

Anahtar kelimeler: mobil lazer tarama, 3B nokta bulutları, kayrak cıvata denetimi, yeraltı madenciliğinde güvenlik, tünel destek izleme