近期，前沿技术交叉研究院吴礼舟教授团队最新研究成果“Reconstruction of vegetation-occluded rock point clouds for discontinuity identification.”在《Engineering Geology》期刊发表（中科院1区TOP，IF=8.4）。团队博士研究生刘洋甫为论文第一作者，前沿技术交叉研究院吴礼舟教授为论文通讯作者。

本研究针对高植被覆盖岩质边坡点云受植被遮挡引发数据缺失、结构面信息难以有效提取的难题，提出了一种基于深度学习的岩体点云智能补全与结构面识别方法。研究团队构建了适用于强遮挡场景的岩体不连续面识别算法，实现隐蔽结构面的高精度提取；在此基础上建立了面向结构面特征的自适应预训练数据集，利用深度学习网络实现植被遮挡区域岩体点云的自动化修复。研究结果表明：本文提出的深度学习点云补全模型在59%高植被覆盖率条件下，可将岩体结构面数据缺失率降至19%，显著提升结构面连续性与几何一致性。深度学习模型能够精准捕捉不连续面几何特征与产状规律，实现地质上合理的高精度重构。研究成果不仅为复杂环境下岩体隐蔽结构探测、高陡边坡非接触式智能勘测、隧道施工等观测盲区场景等提供了创新思路与技术支撑，也为岩体数字孪生模型的高精度构建奠定了坚实的研究基础。

图1. 研究方法示意图：(a) 不完整岩石点云补全方案示意图；(b) 单次预测全流程示意图。

图2. 应用结果：(a)与(d)岩体植被覆盖度；(b)与(e)点云补全后的岩体形态；(c)与(f)点云补全后不连续面识别结果。

本研究得到国家自然科学基金（U2268215、42277183）、国家重点研发计划（2023YFC3008302）、研究生科研创新项目（2025B0001）资助。

原文链接：https://doi.org/10.1016/j.enggeo.2026.108726