鄒 彪 王和平 孫懷木 譚弘武 楊 鵬

（國網(wǎng)通用航空有限公司 北京 102213）

1 引言

電力線路的基建驗(yàn)收，需要對線路進(jìn)行量測和分析，獲取相間距和弧垂等線路數(shù)據(jù)［1］。這些現(xiàn)場檢測工作需要耗費(fèi)大量人工，難度較大，尤其在復(fù)雜地形上，常常需要耗費(fèi)大量時(shí)間。相比之下，機(jī)載激光雷達(dá)（光探測和測距）可以直接采集電力線走廊的高精度三維點(diǎn)云數(shù)據(jù)［2］。盡管如此，電力線路通?？拷脖缓徒ㄖ铮瑱C(jī)載激光雷達(dá)數(shù)據(jù)量較大，難以準(zhǔn)確快速地從激光雷達(dá)點(diǎn)云中提取電力線點(diǎn)［3］。因此，從機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)中提取電力線的高效，快速和自動(dòng)化方法的研究和開發(fā)是一個(gè)至關(guān)重要的課題。

2 相關(guān)研究

傳統(tǒng)的電力線提取技術(shù)主要包括：1）基于高度，密度或脈沖數(shù)的點(diǎn)云統(tǒng)計(jì)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(diǎn)與分布特征之間的監(jiān)督分類［6］。

文獻(xiàn)［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(jī)采樣一致性算法對電力線進(jìn)行整體重構(gòu)，選取用于估計(jì)垂直參數(shù)的電力線基元。由于該方法沒有充分利用所有電力線數(shù)據(jù)，因此數(shù)據(jù)點(diǎn)分類和識別的準(zhǔn)確率分別為91.04%和89%。文獻(xiàn)［8］引入了一種利用脈沖返回的局部點(diǎn)密度和強(qiáng)度的樹和電力線識別方法。該方法采用基于知識的監(jiān)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(xiàn)［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(xiàn)［10］利用電力線的空間分布從點(diǎn)云中提取單條電力線，然后直接利用基于多項(xiàng)式的最小二乘匹配算法估計(jì)其三維重建的電力線模型參數(shù)。文獻(xiàn)［11］提出利用懸鏈線的非線性調(diào)整來檢測電力線候選點(diǎn)。這種方法計(jì)算復(fù)雜，最終擬合的線路模型也不連續(xù)。文獻(xiàn)［12］設(shè)計(jì)了基于車載激光雷達(dá)點(diǎn)云數(shù)據(jù)特征的城市電力線路提取算法。文獻(xiàn)［13］基于一組標(biāo)準(zhǔn)（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(shù)，設(shè)計(jì)了專注于統(tǒng)計(jì)分析的電力線自動(dòng)提取模型。電力線路識別的平均準(zhǔn)確率為93.26%。然而，在復(fù)雜的城市場景中，樹木和建筑物靠近電源線的地方，準(zhǔn)確度會(huì)降低。

綜上所述，機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)有可能克服傳統(tǒng)線路驗(yàn)收現(xiàn)場工作的不足。但是有必要設(shè)計(jì)一種從數(shù)據(jù)點(diǎn)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(fù)雜場景。

3 電力線路識別算法框架

本文設(shè)計(jì)了基于幾何多尺度特征和多尺度鄰域類型的電力線點(diǎn)云分類方法。該方法的主要組成部分包括：1）電力線候選點(diǎn)過濾；2）鄰域選擇；3）特征提取；4）支持向量機(jī)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(shù)據(jù)點(diǎn)過濾

進(jìn)行電力線識別的第一步是對原始激光雷達(dá)點(diǎn)云進(jìn)行電力線候選點(diǎn)過濾［14］。首先是進(jìn)行地面點(diǎn)的分類和數(shù)字地面模型（DTM）的生成。地面數(shù)據(jù)點(diǎn)識別的第一步是對采集的數(shù)據(jù)集中存在缺失的數(shù)據(jù)進(jìn)行填補(bǔ)，之后是創(chuàng)建地面網(wǎng)格，通過逐漸增大窗口大小的形態(tài)來移除地面上的物體。數(shù)據(jù)集中的一個(gè)共同問題是異常值的存在，這些異常值遠(yuǎn)高于或低于其周圍地區(qū)。在形態(tài)學(xué)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(shè)計(jì)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(diǎn)并產(chǎn)生DTM。然后選擇所有的點(diǎn)距離地面4m作為電力線候選點(diǎn)。

3.2 鄰域選擇

使用局部三維空間拓?fù)浣Y(jié)構(gòu)圍繞考慮的三維點(diǎn)X進(jìn)行電力線分類，并初步考慮了三維點(diǎn)的鄰域類型：單標(biāo)度鄰域和多尺度鄰域。在每個(gè)尺度上，對球形、圓柱形和k鄰域等不同的鄰域類型進(jìn)行試驗(yàn)和比對。每個(gè)鄰域由一個(gè)單一的尺度參數(shù)定義，例如半徑、k值或者最優(yōu)鄰域特征值［15］。經(jīng)過多次試驗(yàn)，本文選擇了多尺度的球形鄰域來捕捉電力線拓?fù)浣Y(jié)構(gòu)的各向異性和細(xì)節(jié)。

3.3 拓?fù)涮卣魈崛?/h3>

電力線點(diǎn)的成功識別取決于可以區(qū)分電力線和其他物體的有用特征的提?。?6］。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(yīng)用。本文基于上下文信息提取特征以提高電力線分類準(zhǔn)確性。

3.4 SVM分類

使用支持向量機(jī)（SVM）對電力線點(diǎn)進(jìn)行分類?；诰植總€(gè)體點(diǎn)鄰域的提取特征是支持向量機(jī)（SVM）分類器的特征向量。支持向量機(jī)（SVM）是一種監(jiān)督分類方法，需要訓(xùn)練數(shù)據(jù)集來校準(zhǔn)分類器。為了校準(zhǔn)和驗(yàn)證分類器，我們從數(shù)據(jù)集中手動(dòng)確定了真正的電力線點(diǎn)，并使用五重交叉驗(yàn)證來評估分類器的準(zhǔn)確性。

4 仿真試驗(yàn)

4.1 數(shù)據(jù)集

使用的數(shù)據(jù)集來自貴州城郊某220kV輸電線路。數(shù)據(jù)集是在2016年獲得的，如圖2所示。

圖2 真實(shí)電力線路的數(shù)據(jù)點(diǎn)云識別試驗(yàn)

圖2 是由左上角區(qū)域（UL數(shù)據(jù)集，180×180m2）和下部區(qū)域（LP數(shù)據(jù)集，800×100m2）組成的大型機(jī)載激光采集場景。數(shù)據(jù)集中的點(diǎn)密度約為3.42點(diǎn)/m2。在UL數(shù)據(jù)集和LP數(shù)據(jù)集，都采用針對電力線路的逐點(diǎn)標(biāo)記形式提供地面實(shí)際狀況。表1中給出了電力線標(biāo)記3D數(shù)據(jù)點(diǎn)的數(shù)量。

表1 圖2所示數(shù)據(jù)集中不同類型3D點(diǎn)的數(shù)量

4.2 試驗(yàn)

試驗(yàn)中使用單尺度和多尺度鄰域定義作為地理空間拓?fù)涮卣魈崛〉幕A(chǔ)：1）六個(gè)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(jié)果，本文采用了以下幾個(gè)評估電力線路識別算法的參數(shù)：準(zhǔn)確率（PREC）；召回率（REC）；kappa系數(shù)（k）。PREC，REC和k計(jì)算如下：

其中TP為電力線真正的總和，F(xiàn)P為電力線誤報(bào)的總和，F(xiàn)N為電力線的假陰性總和，N為電力線候選點(diǎn)的總和。

4.3 結(jié)果

由于使用了七種類型的數(shù)據(jù)點(diǎn)和兩個(gè)數(shù)據(jù)集，共進(jìn)行了14次實(shí)驗(yàn)。表2中示出了每個(gè)實(shí)驗(yàn)的精確率（PREC），召回率（REC）和kappa系數(shù)（k）的值。

表2 不同鄰域定義的兩個(gè)數(shù)據(jù)集的PREC、REC和k（%）

試驗(yàn)結(jié)果表明，在UL數(shù)據(jù)集的6個(gè)單尺度鄰域中，N7m的性能較好，而N11m在LP數(shù)據(jù)集中性能較好。主要原因是UL數(shù)據(jù)集的電力線比樹木和建筑更接近于LP數(shù)據(jù)集。但LP數(shù)據(jù)集的準(zhǔn)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(shù)統(tǒng)計(jì)量，因?yàn)樗怂袉纬叨韧負(fù)浣Y(jié)構(gòu)特征，但是識別結(jié)果的覆蓋率卻不如精確率高。

5 結(jié)語

本文的創(chuàng)新之處在于利用多尺度鄰域表征電力線路的空間拓?fù)溥M(jìn)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(jìn)行逐點(diǎn)的個(gè)體三維點(diǎn)拓?fù)涮匦浴Ｔ囼?yàn)數(shù)據(jù)集來自電力線靠近植被或建筑物的地區(qū)。盡管面積的復(fù)雜性，我們的方法仍然可以達(dá)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(fā)現(xiàn)基于特征值的圓柱形和k最近鄰域表現(xiàn)不如球形鄰域。在實(shí)驗(yàn)中，電力線路距離地面約4m，間距約2m，總寬度5m。通過試驗(yàn)發(fā)現(xiàn)在UL數(shù)據(jù)集和LP數(shù)據(jù)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(huán)境的空間異質(zhì)性，多尺度鄰域的識別效果更好。