面向基建驗收的機載激光電力線路識別*

鄒 彪 王和平 孫懷木 譚弘武 楊 鵬

（國網通用航空有限公司 北京 102213）

1 引言

電力線路的基建驗收，需要對線路進行量測和分析，獲取相間距和弧垂等線路數據［1］。這些現場檢測工作需要耗費大量人工，難度較大，尤其在復雜地形上，常常需要耗費大量時間。相比之下，機載激光雷達（光探測和測距）可以直接采集電力線走廊的高精度三維點云數據［2］。盡管如此，電力線路通?？拷脖缓徒ㄖ铮瑱C載激光雷達數據量較大，難以準確快速地從激光雷達點云中提取電力線點［3］。因此，從機載激光雷達點云數據中提取電力線的高效，快速和自動化方法的研究和開發是一個至關重要的課題。

2 相關研究

傳統的電力線提取技術主要包括：1）基于高度，密度或脈沖數的點云統計分析等［4］；2）基于二維圖像處理的霍夫變換和聚類［5］；3）基于點與分布特征之間的監督分類［6］。

文獻［7］提出使用二維霍夫變換來檢測分段的電力線基元。采用隨機采樣一致性算法對電力線進行整體重構，選取用于估計垂直參數的電力線基元。由于該方法沒有充分利用所有電力線數據，因此數據點分類和識別的準確率分別為91.04%和89%。文獻［8］引入了一種利用脈沖返回的局部點密度和強度的樹和電力線識別方法。該方法采用基于知識的監督分類方法，分別通過擬合XOZ或YOZ平面，分兩步將電源線與背景分開。文獻［9］提出了一種基于地面過濾算法和霍夫變換的電力線路走廊分類方法。文獻［10］利用電力線的空間分布從點云中提取單條電力線，然后直接利用基于多項式的最小二乘匹配算法估計其三維重建的電力線模型參數。文獻［11］提出利用懸鏈線的非線性調整來檢測電力線候選點。這種方法計算復雜，最終擬合的線路模型也不連續。文獻［12］設計了基于車載激光雷達點云數據特征的城市電力線路提取算法。文獻［13］基于一組標準（例如高度、密度）以及考慮了幾何特性的基于2D圖像的處理技術，設計了專注于統計分析的電力線自動提取模型。電力線路識別的平均準確率為93.26%。然而，在復雜的城市場景中，樹木和建筑物靠近電源線的地方，準確度會降低。

綜上所述，機載激光雷達點云數據有可能克服傳統線路驗收現場工作的不足。但是有必要設計一種從數據點云中提取電力線的智能識別算法。因此本文提出了一種電力線識別方法，適用于電力線走廊中植被、建筑物和輸電線路混雜的復雜場景。

3 電力線路識別算法框架

本文設計了基于幾何多尺度特征和多尺度鄰域類型的電力線點云分類方法。該方法的主要組成部分包括：1）電力線候選點過濾；2）鄰域選擇；3）特征提取；4）支持向量機的識別。算法流程如圖1所示。

圖1 算法框架

3.1 電力線路候選數據點過濾

進行電力線識別的第一步是對原始激光雷達點云進行電力線候選點過濾［14］。首先是進行地面點的分類和數字地面模型（DTM）的生成。地面數據點識別的第一步是對采集的數據集中存在缺失的數據進行填補，之后是創建地面網格，通過逐漸增大窗口大小的形態來移除地面上的物體。數據集中的一個共同問題是異常值的存在，這些異常值遠高于或低于其周圍地區。在形態學開放的表面可以去掉更高的異常值，而更低的異常值則不能。因此通過檢測較低的異常值的方法填充地面。移除樹木和異常物后，下一步是去除大型人造物體，如建筑物。一種算法被設計成使用逐漸增大的窗口尺寸來移除建筑物并且避免切割地形特征。最后，從近似表面提取地形點并產生DTM。然后選擇所有的點距離地面4m作為電力線候選點。

3.2 鄰域選擇

使用局部三維空間拓撲結構圍繞考慮的三維點X進行電力線分類，并初步考慮了三維點的鄰域類型：單標度鄰域和多尺度鄰域。在每個尺度上，對球形、圓柱形和k鄰域等不同的鄰域類型進行試驗和比對。每個鄰域由一個單一的尺度參數定義，例如半徑、k值或者最優鄰域特征值［15］。經過多次試驗，本文選擇了多尺度的球形鄰域來捕捉電力線拓撲結構的各向異性和細節。

3.3 拓撲特征提取

電力線點的成功識別取決于可以區分電力線和其他物體的有用特征的提取［16］。表征電力線路的測量特征和分布特征已被廣泛用于各種應用。本文基于上下文信息提取特征以提高電力線分類準確性。

3.4 SVM分類

使用支持向量機（SVM）對電力線點進行分類?；诰植總€體點鄰域的提取特征是支持向量機（SVM）分類器的特征向量。支持向量機（SVM）是一種監督分類方法，需要訓練數據集來校準分類器。為了校準和驗證分類器，我們從數據集中手動確定了真正的電力線點，并使用五重交叉驗證來評估分類器的準確性。

4 仿真試驗

4.1 數據集

使用的數據集來自貴州城郊某220kV輸電線路。數據集是在2016年獲得的，如圖2所示。

圖2 真實電力線路的數據點云識別試驗

圖2 是由左上角區域（UL數據集，180×180m2）和下部區域（LP數據集，800×100m2）組成的大型機載激光采集場景。數據集中的點密度約為3.42點/m2。在UL數據集和LP數據集，都采用針對電力線路的逐點標記形式提供地面實際狀況。表1中給出了電力線標記3D數據點的數量。

表1 圖2所示數據集中不同類型3D點的數量

4.2 試驗

試驗中使用單尺度和多尺度鄰域定義作為地理空間拓撲特征提取的基礎：1）六個球形單尺度鄰域，記為 N1m、N3m、N5m、N7m、N9m和 N11m；2）多尺度鄰域，表示為由球面鄰域 N1m、N3m、N5m、Nm、N9m和 N11m。所得到的特征連接到特征向量并作為SVM分類器的輸入提供。

為了比較不同方法得到的分級結果，本文采用了以下幾個評估電力線路識別算法的參數：準確率（PREC）；召回率（REC）；kappa系數（k）。PREC，REC和k計算如下：

其中TP為電力線真正的總和，FP為電力線誤報的總和，FN為電力線的假陰性總和，N為電力線候選點的總和。

4.3 結果

由于使用了七種類型的數據點和兩個數據集，共進行了14次實驗。表2中示出了每個實驗的精確率（PREC），召回率（REC）和kappa系數（k）的值。

表2 不同鄰域定義的兩個數據集的PREC、REC和k（%）

試驗結果表明，在UL數據集的6個單尺度鄰域中，N7m的性能較好，而N11m在LP數據集中性能較好。主要原因是UL數據集的電力線比樹木和建筑更接近于LP數據集。但LP數據集的準確性從鄰居N7m逐漸增加到N11m。多尺度鄰域中所有N都具有比任何單尺度鄰域更高的kappa系數統計量，因為它包含了所有單尺度拓撲結構特征，但是識別結果的覆蓋率卻不如精確率高。

5 結語

本文的創新之處在于利用多尺度鄰域表征電力線路的空間拓撲進行分類。本文通過不同尺度的局部鄰域的特征提取和分類進行逐點的個體三維點拓撲特性。試驗數據集來自電力線靠近植被或建筑物的地區。盡管面積的復雜性，我們的方法仍然可以達到較高的分類精度。

在三類鄰域（球形，圓柱形，k最近鄰域）中，我們發現基于特征值的圓柱形和k最近鄰域表現不如球形鄰域。在實驗中，電力線路距離地面約4m，間距約2m，總寬度5m。通過試驗發現在UL數據集和LP數據集中，單尺度鄰域的更好半徑是5m或7m。這些最佳比例近似于電力線的水平或垂直跨度。由于環境的空間異質性，多尺度鄰域的識別效果更好。