三維激光云掃描技術(shù)在變電站電氣設(shè)備識別中的應(yīng)用 ①

王 菲， 王 球， 任佳依， 劉曉波， 劉 浩， 栗志元

(1.國網(wǎng)江蘇省電力有限公司經(jīng)濟技術(shù)研究院，江蘇 南京 210000；2.北京博超時代軟件有限公司，北京 102206)

0 引 言

相較于其他工業(yè)領(lǐng)域，目前普遍采用的先進測繪儀器在變電站模型重構(gòu)中的實際應(yīng)用并不良好，尤其在變電站某些特殊運行環(huán)境中無法正常作業(yè)，且實際中仍多以人工識別的方式獲取變電站電氣設(shè)備的外廓、位置、姿態(tài)等數(shù)據(jù)，進而完成變電站數(shù)字重構(gòu)。存在的問題簡述如下[1]：

(1)變電站的占地面積相對較廣，諸多主要設(shè)備的外廓、尺寸、安裝位置、姿態(tài)均存在明顯差異，且分布在變電站內(nèi)的各個區(qū)域，識別過程中存在較大難度。

(2)諸如電力線路、基座、穿墻套管等附屬設(shè)施較多，其尺寸、外形、位置、姿態(tài)也存在較大差異，進行變電站重構(gòu)時可能會對主要設(shè)備產(chǎn)生影響。

(3)測繪儀器采集角度的不同，導(dǎo)致變電站電氣設(shè)備可能遭受不同程度的障礙物遮擋，不利于精準測繪。

(4)人工方式獲取設(shè)備的外形、位置、姿態(tài)等會出現(xiàn)不同程度的誤差，效率較低。

所以，需要尋找更加快速、精確、高效的變電站電氣設(shè)備數(shù)字重構(gòu)方法，既降低人工識別方式的工作量，又能夠提升識別精度與識別效率。

基于此，采用三維激光掃描儀獲取非接觸式的變電站電氣設(shè)備點云數(shù)據(jù)，對三維點云數(shù)據(jù)進行預(yù)處理后提取變電站電氣設(shè)備的特征量，應(yīng)用先進算法對其進行數(shù)字重構(gòu)，進而實現(xiàn)變電站電氣設(shè)備的自動劃分與精準識別，為變電站三維數(shù)字重構(gòu)提供有效保證。

1 變電站電氣設(shè)備三維點云數(shù)據(jù)的獲取及預(yù)處理

變電站電氣設(shè)備三維數(shù)字重構(gòu)與識別的流程如圖1所示。

圖1 變電站電氣設(shè)備分類識別流程

由圖1可知：變電站電氣設(shè)備三維重構(gòu)與識別主要有三維點云數(shù)據(jù)獲取、點云數(shù)據(jù)預(yù)處理、特征量提取、分類識別等主要階段。

其中，三維點云數(shù)據(jù)獲取主要采用地面激光雷達掃描系統(tǒng)，該系統(tǒng)主要包含三維激光掃描儀、相機、旋轉(zhuǎn)平臺、后臺PC及相關(guān)輔助系統(tǒng)共同構(gòu)成，通過激光脈沖信號對待掃描物體進行旋轉(zhuǎn)掃描，利用探測器接收反射后的激光脈沖信號，并利用控制系統(tǒng)對反射后的信號進行記錄、存儲、最終獲得實時掃描后的三維點云數(shù)據(jù)[2]。在此基礎(chǔ)上，對三維點云數(shù)據(jù)進行配準、合并、派生、排序、分割、精簡、去噪等點云數(shù)據(jù)預(yù)處理。

2 變電站電氣設(shè)備特征提取

描述變電站電氣設(shè)備的主要特征有長度、寬度、高度、體積、投影密度等參數(shù)。在此基礎(chǔ)上，本文采用投影邊界曲率、三維點云法向量、三維點云灰度、設(shè)備投影面積直方圖等描述變電站電氣設(shè)備特征。

2.1 投影邊界曲率

根據(jù)工程需要，本文選用三角網(wǎng)格法提取點云邊界點。曲率表征平面或者是空間曲面的曲線彎曲程度。本文在得到平面點云邊界點云集的基礎(chǔ)上，采用距離累積描述變電站電氣設(shè)備的投影邊界曲率。距離累積的判斷矩陣如式(1)。

(1)

式(1)中，i，j，L,x，y分別表示某段曲線的前端點、后端點、前端點與后端點之間所取的L個點、x坐標、y坐標。

其中

(2)

式(2)中，sgn(i,j,L)表征某個點到曲線的距離Di,j(如式(3))。

(3)

得到計算點與曲線的所有距離和，如式(4)。

(4)

2.2 三維點云法向量

本文采用以K-L變換為基礎(chǔ)的主元成分分析(Principal Component Analysis，PCA)獲取三維點云法向量[5]。首先，以K-L為基礎(chǔ)，尋找K點的鄰域點云集，然后，采用Delaunay球法求取鄰域點云集的平面法向量。通常，可以采用近似平面法向量代替點云集法向量，即基于最小二乘求取點K的臨近點的擬合平面(如式(5))。

(5)

式(5)中，d，n分別表示p到坐原點的距離、點云平面集法向量。

2.3 三維點云灰度

三維點云灰度提取的基本思路是：首先，獲取三維點云集X，Y，Z三個軸向的最大值、最小值，然后對其進行水平方向的投影處理，接著根據(jù)最大值、最小值進行水平方向的網(wǎng)格劃分，網(wǎng)格間隔為GSD，如式(6)。

(6)

式(6)表示三維點云灰度與網(wǎng)格平面距離、點云集密度以及高程差異等有關(guān)。

2.4 設(shè)備投影面積直方圖

本文采用三角網(wǎng)格剖分算法提取變電站電氣設(shè)備的投影面積，即在應(yīng)用三角網(wǎng)格法獲取三維點云集的基礎(chǔ)上，計算三角網(wǎng)格的面積，并對其進行不同分層的投影面積計算，從而得到變電站電氣設(shè)備在每一層上的投影面積。

3 變電站電氣設(shè)備分類識別

分類識別是指從時間信息或者是空間信息中將屬于目標的主要特征提取出來，對其進行機器學(xué)習(xí)并完成統(tǒng)計的過程。

3.1 設(shè)定目標特征

變電站環(huán)境相對特殊，考慮識別目標的位置不同、有無障礙物遮擋、有無設(shè)備相互交叉等因素，本文基于激光脈沖反射強度、空間位置以及三維點云統(tǒng)計特征給出復(fù)合特征，如表1。

表1 復(fù)合目標特征

由表1可知，統(tǒng)計信息主要包括三維點云集內(nèi)的點云數(shù)目、點云離散距離、點云協(xié)方差矩陣及其特征值、點云慣性張量矩陣及其特征值。其中，點云離散距離主要描述邊界點云的偏離程度；協(xié)方差主要描述點云在X,Y,Z方向上的相關(guān)性；慣性張量主要描述點云的整體穩(wěn)定性，即去噪能力。

3.2 點云數(shù)據(jù)關(guān)聯(lián)分析

本文采用模糊聚類與信息熵的改進算法，變常規(guī)數(shù)據(jù)關(guān)聯(lián)算法的尋求最優(yōu)為尋求次優(yōu)，即：首先，對三維點云數(shù)據(jù)進行模糊聚類分析，將點云數(shù)據(jù)歸納為最接近目標估計值的中心類數(shù)據(jù)，然后根據(jù)信息熵極大值原理，將點云數(shù)據(jù)關(guān)聯(lián)分析轉(zhuǎn)化為求取條件極值的聚類問題，也就是信息熵概率極大時，其對應(yīng)的概率分布越接近于最真實的值。

設(shè)：t時刻，點云數(shù)據(jù)集為zj，存在c個目標，則期望值與實際值之間的差異代價函數(shù)為：

(7)

依據(jù)信息熵的相關(guān)理論，引入熵H(μji)。當H(μji)最大時，表示點云數(shù)據(jù)的概率分布最大。

(8)

引入拉格朗日系數(shù)λj,ηj，應(yīng)用拉格朗日函數(shù)判斷H(μji)最大時zj與ci的隸屬度如式(9)。

(9)

則某個點云數(shù)據(jù)j與目標值i之間的概率pji可以用μji表示。

3.3 基于SVM與Adaboost 算法的目標識別算法

Adaboost 算法是基于統(tǒng)計理論的機器學(xué)習(xí)算法，在每一次迭代學(xué)習(xí)中產(chǎn)生一個弱分類器，將最終的若干個弱分類器進行線性加權(quán)便可得到強分類器。但是，在實際應(yīng)用中，Adaboost 算法因其框架式的特點，使得其在高維復(fù)雜環(huán)境中的計算精度下降，且極易受到噪聲干擾，因此本文采用SVM分類器對其改進，步驟如下。

(3)樣本權(quán)重更新。對于分類錯誤的樣本，令其權(quán)重為

(10)

其中，Zt為歸一化系數(shù)。

(11)

(4)當所有迭代訓(xùn)練全部完成后，得到基于SVM與Adaboost 算法的強分類器H(X)[10]。

(12)

如此，基于SVM改進的Adaboost 算法提升高維復(fù)雜應(yīng)用環(huán)境與非線性下的分類能力。

4 變電站電氣設(shè)備識別仿真實驗及結(jié)果分析

以某變電站為例，選取主要電氣設(shè)備共計244個樣本，并根據(jù)設(shè)備外形的不同，分為11類。在進行仿真實驗的過程中，選取訓(xùn)練樣本174個，測試樣本50個。變電站電氣設(shè)備識別流程如圖2所示。

圖2 改進后的識別流程

經(jīng)過預(yù)處理與特征量提取，變電站電氣設(shè)備的點云數(shù)據(jù)如圖4所示(以避雷器、變壓器為例)，對應(yīng)的三維點云法向量如圖5所示。根據(jù)圖4、圖5可見，不同電氣設(shè)備的法向量與X軸、Z軸的夾角不盡相同。

圖3 變電站電氣設(shè)備的點云數(shù)據(jù)可視化圖形

經(jīng)過數(shù)據(jù)關(guān)聯(lián)分析以及基于SVM改進的Adaboost 算法的分類識別，其訓(xùn)練精度與測試精度如圖6所示。

由此可見，應(yīng)用模糊聚類與信息熵的數(shù)據(jù)關(guān)聯(lián)分析以及基于SVM改進的Adaboost 算法的分類識別對于變電站電氣設(shè)備的識別精度有著很大提升。經(jīng)過改進后的方案，變電站電氣設(shè)備的訓(xùn)練樣本識別精度接近于1，測試樣本的識別精度達到了98.16%。此外，根據(jù)多次仿真實驗發(fā)現(xiàn)，設(shè)備投影面積對分類識別率的精度影響較大，而投影邊界曲率對識別精度的影響較小，這說明變電站電氣設(shè)備不同的外形、尺寸、位置、姿態(tài)會對識別結(jié)果產(chǎn)生很大影響。

圖4 點云數(shù)據(jù)預(yù)處理與特征量提取效果

圖5 迭代訓(xùn)練精度

5 結(jié) 語

有別于傳統(tǒng)圖像識別，三維激光云掃描技術(shù)具有很強的實時性。本文利用三維激光掃描系統(tǒng)獲取變電站電氣設(shè)備的實時三維點云數(shù)據(jù)，經(jīng)過排序、精簡、分割、去噪等數(shù)據(jù)預(yù)處理后，通過基于最大模糊信息熵的數(shù)據(jù)關(guān)聯(lián)分析，以加強似然系數(shù)修正目標關(guān)聯(lián)概率矩陣，獲取最接近于真實值的數(shù)據(jù)聚類，然后將其送入基于SVM改進的Adaboost 算法分類器進行強分類識別。仿真結(jié)果表明，本文方案的訓(xùn)練精度、測試精度均高于98%，優(yōu)于未改進的方案，且發(fā)現(xiàn)設(shè)備外形、位置、姿態(tài)會對識別結(jié)果產(chǎn)生影響，其中，設(shè)備投影面積對識別結(jié)果影響較大。