基于支持向量機激光技術提取電力線信息的研究

裴愛根，張 洋，黃 濤，韓 超，肖 楠

(國網江蘇省電力工程咨詢有限公司，江蘇 南京 210003)

建設智能電網，需要具有一定優勢的高壓輸電線路作為基礎，以達到輸送電能的目的。現有的電力線生存環境復雜，受到惡劣天氣的影響，經常發生輸電線路和元件損壞情況。在電力線的走廊中，如果電力線與周圍設備距離較近，會引起放電，從而發生跳閘，對于人們的用電安全十分不利。電力部門如果無法及時獲取跳閘原因，勢必會給人們的安全帶來嚴重的威脅。因此，為了保證輸電線路的安全穩定運行，電力部門要經常性的對輸電線路進行檢查，消除隱患，防止意外事故的發生。隨著遙感技術的發展，逐漸取代了人工電力巡檢方式。基于遙感技術的電力線走廊可以自動檢測，借助無人機或者有人機這些巡檢平臺，對輸電線路進行掃描檢測。機載激光雷達作為一種區別于其他技術的遙感設備，其功能強大，以激光脈沖作為信號獲取的媒介，可以穿透植被獲取電力的三維坐標，通過室內的方式精準快速的測量電力線到植被之間的安全距離，從而確定設備是否滿足安全運行的標準。

1 機載激光雷達技術

機載激光雷達是一種新型的航空傳感器，由多種復雜的系統組成，具體如圖1所示。機載激光雷達需要通過特定的形式進行工作[1]，才可以發揮出其功能。機載激光雷達的工作原理：當激光發生器向地面發射激光時，會立即檢測出目標發射的信號，并對信號進行轉換，再對其進行存儲；通過測量光信號，得到計算目標點與系統之間的距離：

圖1 機載激光雷達系統[3]Fig.1 Airborne lidar system[3]

(1)

式中：c為光速；D為目標到系統的距離。

激光作為一種發射角小且方向性好的光源，當激光在傳播的路徑上遇到不同的物體時，機載激光雷達系統都可以獲取數據；并通過側邊角進行點定位，獲取高精度的三維點云信息，并進行數據記錄[2]。

2 點云數據組織和特征

2.1 組織方式

2.1.1虛擬格網

虛擬格網的存在，是將點云所在區域進行網格劃分，并將三維激光點投影到所管轄平面中，讓每一個格網都可以存儲在自己格網中，通過行列序號對格網進行索引[4]；具體格網組織形式如圖2所示。

圖2 虛擬格網點云組織Fig.2 Virtual grid point cloud organization

通過設置格網的距離和原點，獲取到行號和列號：

(2)

式中：ymin表示縱坐標最小值；xmin表示橫坐標最小值；Δh、Δw分別表示格網的高度和寬度。

2.1.2不規則三角網

不規則三角網如圖3所示。

圖3 不規則三角網點云組織Fig.3 Irregular triangle network point cloud organization

由圖3可以看到，其利用永不重疊的三角形，將整個測區進行覆蓋，通過三角形的頂點可得出。對于離散型的數據，具有顯著效果；結構特殊性，也為數據分布帶來較強的適應性功能[5]。

2.2 點云數據特征

為了獲取更加完整的地物信息，需要對機載激光雷達點云數據進行分類[6]。

(1)激光雷達所對應的數據是地物，對于離散型數據而言，需要通過三角網的腳點分布獲取準確的三維結構，使其可以在提取空間上變得更加快捷。點云的數據較為離散，可以使用相同的平面坐標，這更有利于對地物地形進行描述；

(2)對于不同的區域，其點云密度的分布情況也略有差異。激光點云數據的分布容易受到來自多種外界因素的影響，使得激光掃描的角度與速度無法平均。當處于統一區域下，會發生密度差異；

(3)對于回波次數與回波強度的多次記錄問題，激光雷達點云數據所涵蓋的三維坐標，可以達到提高密度的目的；

(4)光譜信息的缺乏，容易影響激光雷達系統的獲取準確性。雖然在提取空間上具備一定優勢，但容易忽略地物對象特征中的光譜信息。

3 基于支持向量機的機載激光點云提取方法研究

傳統的電力線走廊點云數據，包含多種信息，如電塔、地面、植被等。機載激光雷達電力線點云提取，則是對傳統的電力線走廊點云數據進行簡化，通過獲取電力線點云的方式達到提取電力線數據的目的。提取電力線點云數據，可以很好地改善電力巡檢的工作效率。在機載激光點云處理中，機器學習得到了廣泛應用，與傳統點云分類方法相比，機器學習算法對于復雜的點云數據，可以處理的更加快速和準確。支持向量機學習算法需要通過提取電力線的點云數據[7]，構建特征向量，其目的是為了獲取最優分類參數，并通過實驗進行驗證，其實驗步驟如圖4所示。

圖4 電力線點云提取步驟Fig.4 Steps of power line point cloud extraction

3.1 支持向量機

支持向量機(SVM)[8]建立在統計學習理論的基礎上，根據有限的樣本信息，即在復雜的模型中尋找最佳位置獲取泛化能力。簡而言之，SVM為一種2類問題分類模型，也是一種線性分類器，可以將分類問題轉化為凸2次規劃問題。SVM在解決非線性或者高維模式識別中具有更加明顯的優勢。在線性可分中，SVM會尋找分類間隔最大的分類面；在不可分中，會引入松弛變量，使用核函數改變維度空間以增加可分性。以線性可分支持向量為例，展開對SVM的基本理論介紹。在圖5中，有2大類數據，H平面稱為最優超平面，H1、H2為支持向量[9]。

圖5 線性可分支持向量機Fig.5 Linearly separable support vector machine

H可以用下列函數表示：

{(x1,y1),(x2,y2),…(xn,yn)},xi∈Rn,yi∈
{-1,+1},i=1,2,…,n。

當f(x)=0時，x在超平面H上；當f(x)>0時，y=x+1；當f(x)<0時，y=-1。

f(x)=ωTx+b

(3)

式中：ω表示參數向量；b表示平移向量[10]。

H1、H2到H的距離表示為：

(4)

為了將2大類數據進行分離，保持最大距離，使r最大化，且滿足下列條件：

(5)

轉化后得到：

(6)

式(4)中的目標函數是二次的，屬于凸二次規劃問題，可以直接利用QP優化計算包進行解決；或者添加拉格朗日乘子，利用拉格朗日函數，將問題進行轉化，從而更有助于原問題的求解[11]。轉化后得到：

(7)

求導可得：

(8)

令上述公式分別為0，代入到式(5)中，得到：

(9)

因此，所得到的求解目標函數表示[12]：

(10)

3.2 點云特征的提取

使用機器學習方法對機載激光雷達點云數據進行分類過程中，首先需要構建特征向量空間，其數量和優劣性都會對分類的結果產生影響。提取特征的數據不能以數量為主，如果數量過多，則消耗的時間較多，影響分類精度；如果數量較少，則分類的效果無法得到保證。因此，在進行特征提取時[13]，一定要嚴格控制特征提取的數量。本文采用點云的直接特征和間接特征2種鄰域方式提取點云間接特征。

3.2.1點云直接特征

1)回波數

激光引腳不僅可以記錄單個回波，還可以記錄經常發生的多個回波；在地面、屋頂等無法穿透的物體上，多由高植被產生回聲。

2)回波號

多次回聲分為一次回聲、中回聲和最后一次回聲。第1個回波通常由電力線組成，樹冠、建筑邊緣、中間的回聲往往是由植被內部的樹枝產生的；最后的回聲貫穿其間它經常在樹下的地面上和建筑物的邊緣上發現[14]。

3)回波強度

雖然使用回波強度很難對地物進行分類，但結果在一樣的區域的電力線材料大都相同，表面的強度信息通常是穩定的；而電力線這種材料與地面、塔架、植被和建筑物的材料有很大的不同。因此，回波強度作為電力線提取的一個重要特征，對于地物分類還是有一定的幫助。

3.2.2點云間接特征

1)局部高程差

局部高程差可以在宏觀角度上反應點云的高程變化，對于高植被和建筑物的邊緣而言非常敏感。

2)局部高程標準差

局部高程標準差相比局部高程差而言，對地物的粗糙度表達的更為細膩，可以真實的反應出鄰域內所有點云在微觀上的變化[15]。

3)相對高程

相對高程對于縮小地形起伏波動有一定影響，主要通過指定點與圓柱體領域內的最低高程相減的結果而得到，其計算公式：

RH=H-HCMIN

(11)

3.3 實驗與結果分析

3.3.1實驗平臺

采用Visual Studio(C++)開發環境，LiDAR_Suite數據處理軟件進行開發。使用RieglLMS-Q560激光掃描與獲取輸電線路掃描數據，其數據如表1所示[16]。

表1 掃描數據Tab.1 Scanning data

由表1可知 ，地形較為復雜，且起伏不平，因此將試驗的數據分為訓練模式和測試模式2大部分。2種訓練模式的數據中都涵蓋了地面、植被、電力線以及電塔等事項。

3.3.2確定鄰域半徑

點云的間接特征提取有一個前提，即需要先設定鄰域范圍。因為鄰域的半徑對于特征提取十分敏感，如果鄰域的半徑相差較大，會影響最終的分類精度[17]。因此，對不同的鄰域半徑進行實驗，確定最優的領域半徑十分重要。通過設定多個鄰域半徑，在每一個半徑下構建特征空間，然后進行分類模型的訓練。最后對測試的樣本進行預測，結果如圖6所示。

圖6 測試樣本結果Fig.6 Test sample results

由圖5可以看出，當半徑為3.5 m時，電力線分錯的點數整體下降，因此選擇3.5 m作為最佳的鄰域半徑。這更有利于構建SVM分類空間[18]。

3.3.3支持向量機提取電力線點云

使用支持向量機進行點云分類時，首先需要對整個數據集進行劃分，將其劃分為訓練和測試2大部分：一是利用訓練集部分所生成的模型；二是對測試集部分進行分類實驗。本研究最終的目的提取電力線點，因此可以將電力線點云單獨作為一類，其余的作為另一類。在整個實驗過程中，要根據提取的點云特征進行驗證，以實數向量的形式進行表達，根據特征大小，對提取的特征進行歸一化處理。將每一個特征都集中放到同一個區間內，可以有效避免因數值較大而產生過分分配數值小的情況，還可以降低支持向量機中核函數計算數據的復雜度。

使用RBF核函數，確定參數，在初始的數據上使用五折交叉驗證。參數設定為(C,γ)，其中，C的取值范圍為：(2-5,2-3,…215)；γ的取值范圍為：(2-15,2-13,…23)。采用grid.py搜索工具，在3.5的最佳鄰域半徑下，確定(C,γ)的值。采用最佳參數，對訓練集進行訓練，得到分類模型后對2部分的測試數據進行測試，具體流程如圖7所示[19]。

圖7 試驗流程Fig.7 Test process

本研究所采用的算法，可以準確的進行地物特征的分類，在電塔塔身、電力線交接的地方，容易出現分類錯誤。因為這些區域的聯系緊密，而且點的特征相似，容易出現分類錯誤。支持向量機對于電力線的分類效果明顯，對于分類出的電力線點基本上都維持原來的形態和結構。為了可以定量的分析分類的結果，需要對分類的結果進行評價，具體如表2所示。

表2 測試數據精度評價結果[20]Tab.2 Test data accuracy evaluation results[20]

由表2可以看出，地形環境差異較大的2組測試樣本，其總體精度和Kappa系數的精度評價結果較高。這也更加體現出了使用支持向量機進行點云特征提取所得到的有效性。

4 結語

本文對提出結合區域增長的SVM機載激光雷達功率點云提取方法進行了闡述，全面介紹了SVM算法的基本理論；然后結合機載電力線走廊特征點云數據，直接和間接提取電力線分類有效點云特征構建特征空間。最后，通過實驗進行研究，主要包括4個部分：點云鄰域特征半徑確定實驗、支持向量機提取電力線實驗、電力線區域生長實驗、點云密度和電力線提取精度實驗；通過可視化和定量分析方法，選取總體分類精度、類型誤差、2次誤差和Kappa系數的精度對實驗結果進行了分析，結果表明，提出的算法對電力線走廊數據的提取具有較高的精度。