, ,2, ,,
(1.國網(wǎng)湖北省電力有限公司檢修公司,武漢 448000; 2.武漢大學(xué) 電氣工程學(xué)院,武漢 430079)
電力工業(yè)關(guān)系到國計民生,是國家的重要基礎(chǔ)性產(chǎn)業(yè)。我國的電力系統(tǒng)由發(fā)電廠,全國輸電網(wǎng),配電網(wǎng)和電力用戶組成。與配電網(wǎng)相比,高壓輸電線路,即全國的輸電網(wǎng)絡(luò),可以很容易地利用遙感手段進行測量提取。因為高壓電力線位于地面較高的地方,靠近線路的植被通常被人為砍伐掉,對于電力線的提取造成了一定的困難。機載激光掃描(light detection and ranging, LiDAR)技術(shù)的出現(xiàn)與快速發(fā)展,為電力線測量和巡線提供了新方法,彌補了傳統(tǒng)的航空攝影測量在林區(qū)環(huán)境下,難以識別電力線的缺點。機載激光掃描技術(shù)可以對具有有較小直徑的物體(如電力線電纜)可以進行密集、快速和準確的測量[1]。自1995年以來,利用LiDAR技術(shù)已經(jīng)繪制了數(shù)千公里的電力線路[2]。然而,當前的生產(chǎn)中仍然需要大量的人工操作,亟待全自動化的解決方案。
目前,針對LiDAR數(shù)據(jù)進行電力線提取的研究尚存在不足,生產(chǎn)中仍然需要大量的人工操作,亟待全自動化的解決方案。近年來,國內(nèi)外大量學(xué)者對此進行了研究。例如,Axelsson(1999)[3]研究了基于霍夫變換方法尋找并行和線性二維結(jié)構(gòu),并利用二維線方程進行線性提取的方法。 Melzer和Briese(2004)[1]提出了一種通過二維霍夫變換和三維懸鏈曲線擬合從LiDAR數(shù)據(jù)中進行電力線提取和建模的方法。McLaughlin(2006)[4]在電力線檢測上根據(jù)維度特征的不同,提出了一種監(jiān)督方法對電力線進行自動分類。Kim和Sohn(2011)[5]使用RANSAC,特征提取和隨機森林中的最小描述長度和主成分分析作為LiDAR數(shù)據(jù)的分類技術(shù)。Sohn等人(2012)[6]提出使用馬爾可夫隨機場(MRF)分類器來描繪線性和平面特征的空間上下文,用于電力線和建筑分類的圖形模型中。余潔(2011)[7]采用濾波的方法自動濾除地面點,并利用二維霍夫變換分離出各條電力線。陳馳(2015)[8]則充分利用點云維數(shù)特征以及方向特征分割出電力線激光點云,然后采用二維霍夫變換和最小二乘擬合的方法提取單電力線點云。
基于以上綜述,現(xiàn)有電力線檢測方法可以歸納為兩種:基于線性的檢測方法(如RANSAC和2D霍夫變換[1,3,7,8]和監(jiān)督分類方法[4-6]?;诰€性的檢測方法產(chǎn)生相對較高的計算成本,特別是對于大面積的數(shù)據(jù)集,必須計算每個點來確定它是否屬于一條線。而對于監(jiān)督分類方法,需要大量的訓(xùn)練數(shù)據(jù)集才能達到預(yù)期的結(jié)果,不均勻采樣也將導(dǎo)致錯誤分類率的提高。同時由于林區(qū)環(huán)境中探測電力線的困難性,該方面的研究較少。針對上述問題,本文提出了一種解決森林中電力線分類問題的方法,該方法基于兩種不同的技術(shù):基于統(tǒng)計分析的數(shù)據(jù)預(yù)處理和基于圖像處理技術(shù)的數(shù)據(jù)分類。統(tǒng)計分析使用一些統(tǒng)計標準(即高度標準,密度標準和直方圖分析)來選擇電力線候選點,然后剔除大量不相關(guān)的點。在獲得電力線候選點之后,將這些點轉(zhuǎn)換為二值化圖像,并使用圖像處理技術(shù)去除噪聲和提取特征。最后再將二值化電力線圖像轉(zhuǎn)換到三維點云,從而提取出電力線點。
本文的算法主要有兩步:①統(tǒng)計分析;②基于圖像的處理。統(tǒng)計分析的目的是在密集點云中標識出電力線候選點。定義了電力線候選點選取準則(如高程、密度、直方圖閾值)。候選點選取后,電力線兩側(cè)的截斷邊緣就清晰可見了?;趫D像的處理,涉及到的是二值圖像識別處理技術(shù)。在點云密度較低時,針對電力線候選點二值化處理的后的圖像像素之間不具備連續(xù)性性,利用形態(tài)學(xué)變換進行圖優(yōu)化,并采用效率較高的漸進概率霍夫變換進行線性分割。圖1詳細闡述了本文方法的算法流程。
圖1 電力線提取流程圖
在本文中,數(shù)據(jù)處理在三個不同層次上進行:(1)整個數(shù)據(jù)集;(2)格網(wǎng);(3)網(wǎng)格中的倉。整個數(shù)據(jù)集可以網(wǎng)格化為m×n個網(wǎng)格,每個網(wǎng)格可以通過使用直方圖方法根據(jù)其高度在垂直平面上創(chuàng)建等間隔的倉。
統(tǒng)計分析旨在原始機載激光雷達點云數(shù)據(jù)中標識出電力線候選點。在表1列出了有關(guān)電力線路距離地面最小距離標準,可以看出,地面以上電力線的最小高度根據(jù)電壓而變化。但是,最小高度不能小于5米??紤]到電力線的可能曲率和年限(可能不完全垂直于地面),本文設(shè)置了高于地面的高度閾值(Ht=4 m),將數(shù)據(jù)分成兩個數(shù)據(jù)集。通過在xy平面中對數(shù)據(jù)進行網(wǎng)格化,并從每個網(wǎng)格中提取高于地面4 m的點分到點集U中。剩下的數(shù)據(jù)分在點集I中,并從點集U中選擇電力線候選點,如圖(2)所示,選擇標準如下:
1)高程準則:在網(wǎng)格中,如果高度差小于0.5 m,則網(wǎng)格中的所有點都作為候選點, 該高差閾值根據(jù)電力線的可能曲率設(shè)定。
2)密度分布:在每平方米的網(wǎng)格中,當點的數(shù)量小于2倍點密度的平方根時,將網(wǎng)格中所有點選為電力線候選點。
3)直方圖分析:如果網(wǎng)格中的高差大于0.5 m,則表示該網(wǎng)格中存在樹木點或多個對象,使用直方圖來進行高度分析。例如,在高度差為10 m的網(wǎng)格中,可以將每個倉設(shè)置為1 m(直方圖中的間隔大小)。然后,對于每個網(wǎng)格,如果只有一個倉包含點,則該網(wǎng)格中的所有點作為候選點?;蛘?,對于每個倉,如果高度差小于0.5 m并且點數(shù)不少于點密度的平方根,則選擇該倉中的所有點作為候選點。
圖2 數(shù)據(jù)統(tǒng)計分析示意圖
表1 電力線路與地面最小距離標準
選取電力線候選點之后,由于在這些候選點存在一些植被點。因此,需要將選取后的電力線候選點所在網(wǎng)格轉(zhuǎn)成二值化圖像,在圖像中,植被點呈現(xiàn)出不規(guī)則的分布,而電力線則是線性分布。在現(xiàn)有的研究中,在圖像中進行線性特征提取常采用經(jīng)典的霍夫變換[9-10]。
在X-Y平面上,直線通常被定義如公式(1)所示:
y=mx+b
(1)
其中:參數(shù)是斜率,為直線在Y軸上的截距。因此,直線也可以被表示如公式(2):
b=-mx+y
(2)
對應(yīng)參數(shù)空間m-b中點(m,b)。由于在二維空間中,直線具有兩個自由度,可以用兩個參數(shù)模型或一個具有兩個以上參數(shù)和附加約束的模型來表示,因此在標準霍夫變換中,直線采用極坐標形式進行表示,如公式(3)所示:
ρ=xcosθ+ysinθ
(3)
其中,ρ是直線與(0,0)之間的距離,是向量與X軸的夾角,如圖3所示。
圖3 不同空間下直線表示
標準霍夫變換進行線性檢測時需要在整個點集中進行,計算量較大,實時性較差。漸進概率霍夫變換(PPHT)作為標準霍夫變換的一個改進[12],在一定范圍內(nèi)進行霍夫變換,計算單個線段的方向及范圍,從而減少計算量。
PPHT的線性檢測流程如下:
1)隨機獲取圖像上的前景點,映射到極坐標系中繪制曲線;
2)當極坐標系中交點達到最小投票數(shù),將該點對應(yīng)的X-Y坐標系中的直線L找出;
3)搜索圖像上的前景點,將直線L上點連成線段并在刪除該點,同時記錄下該線段參數(shù)(起始點和終止點),這里的線段需要滿足最小線段長度閾值。
本文PPHT算法利用開源計算機視覺庫(OpenCV)進行實現(xiàn)[13],表2中是OpenCV中對概率霍夫變換函數(shù)的參數(shù)說明。
本文實驗中,image 為進過形態(tài)學(xué)變換之后的二值化圖像,Method選擇CV_HOUGH_PROBABILISTIC,Rho設(shè)置為1,Theta設(shè)置為0.2,Threshold設(shè)置為50,Param1和Param2分別設(shè)置為20和110。
利用漸進概率霍夫變換進行線性檢測之后,將分割出的電力線圖像通過與三維候選點轉(zhuǎn)換到二值圖像時相同的設(shè)置(如柵格尺寸和XY坐標最大最小值)轉(zhuǎn)換回三維點,并利用區(qū)域增長算法對三維電力線點云進行精細化提取。
表2 漸進概率霍夫變換函數(shù)參數(shù)說明
本文以Visual Studio 2013為研發(fā)平臺,集成使用OpenCV圖像處理庫,實現(xiàn)本文所提出的機載激光點云數(shù)據(jù)的電力線檢測算法。實驗數(shù)據(jù)采用國網(wǎng)湖北省電力公司提供的湖北省境內(nèi)采集的4塊林區(qū)環(huán)境下輸電線路機載LiDAR數(shù)據(jù),實驗數(shù)據(jù)詳細說明如表3所示,原始點云如圖4所示。
表3 實驗數(shù)據(jù)詳細說明
圖4 區(qū)域1原始點云數(shù)據(jù)
圖5的(a)到(f)詳細說明了從原始機載激光雷達數(shù)據(jù)提取電力線的整個處理流程。圖5(a)為采用高度閾值,從原始點云中分離出電力線候選數(shù)據(jù)集的數(shù)據(jù),圖5(b)是在圖5(a)的基礎(chǔ)上,利用設(shè)定的選取標準進行點云統(tǒng)計分析后得到的電力線候選點,可以觀察到電力線的可見性得到顯著提高。此外,由于點數(shù)顯著減少,后續(xù)的處理效率會明顯得到提高。圖5(c)是從圖5(b)轉(zhuǎn)換得到的二值化圖像。此時圖中的電力線區(qū)域由于點密度較低,生成的像素點之間難以具備連續(xù)性,因此進行形態(tài)學(xué)優(yōu)化,得到如圖5(d)。采用漸進概率霍夫變換,對圖5(d)進行線性分割得到如圖5(e)所示二維電力線圖像。通過設(shè)置從圖5(b)到圖5(c)相同的參數(shù),將二維電力線圖像轉(zhuǎn)換為三維電力線點云。此時,我們得到了電力線種子點云,利用區(qū)域增長進一步提取電力線三維點云得到如圖5(f)所示的電力線三維點云。
圖5 區(qū)域1電力線提取流程示意圖
圖6中顯示了,針對不同林區(qū)環(huán)境和電力線走向所采集到的其他3塊試驗區(qū)域的電力線提取結(jié)果,其中(2-a)(3-a)(4-a)分別表示進行高度閾值去除后的點云圖,(2-b)(3-b)(4-b)表示電力線提取結(jié)果圖。
圖6 其他區(qū)域電力線提取結(jié)果圖
為了對電力線檢測結(jié)果進行分析,本文采用的參考數(shù)據(jù)使用LiDAR_Suite軟件進行手工交互處理方式得到。通過分類點數(shù)(Cp)、真實點數(shù)(Tp)、錯分點數(shù)(Ep)和漏分點數(shù)(Op)對實驗數(shù)據(jù)分類結(jié)果進行評估,如表4所示。
表4 實驗數(shù)據(jù)結(jié)果評估表
表5直觀地表示出本文算法的分類結(jié)果,采用百分比來描述錯分率(Er),漏分率(Or)以及正確率(Cr),其計算公式如(4)所示:
Er=Ep/Cp
Or=Op/Tp
Cr=Tp/Cp
(4)
表5 實驗數(shù)據(jù)結(jié)果評估表(百分比)
上表的評估結(jié)果顯示不同實驗區(qū)域的正確率在93.65%到95.11%之間,達到了94.14%的平均正確率,其分類精度與點云密度和林區(qū)植被的密集程度等因素相關(guān)。從圖7中可以發(fā)現(xiàn),錯分來源主要是一些接觸或非常靠近電力線的物體,如電力線桿塔。在這種情況下,部分噪聲點不能完整地去除。漏分誤差主要源于候選點選擇過程中。當使用密度準則和直方圖分析時,一些閾值會影響候選點選擇過程。
圖7 電力線錯分及漏分示意圖
本文結(jié)合點云統(tǒng)計分析與基于圖像的處理技術(shù),提出了一種針對植被環(huán)境中電力線的自動化、高效率的電力線檢測方法。實驗結(jié)果表明,該方法能夠完整地提取出電力線對象,分類精度較高,分類結(jié)果不受電力線走向的影響,對于非林區(qū)和城市開闊區(qū)域同樣具有較高的適用性,對于電力線巡檢具有一定的利用價值。隨著我國電力線路的不斷完善和其他遙感技術(shù)的創(chuàng)新和廣泛應(yīng)用,如何基于多源遙感數(shù)據(jù)進行電力線、桿塔等地物的高精度高效率的提取將是本文的后續(xù)研究重心。