趙李強(qiáng)

（昆明能訊科技有限責(zé)任公司，昆明 650217）

0 前言

目前我國已經(jīng)進(jìn)入工業(yè)化全面發(fā)展的時(shí)期，各行各業(yè)對電力資源的需求隨著工業(yè)化進(jìn)程的推進(jìn)在逐漸增大；在我國電力資源主要集中分布在中西部地區(qū)，而經(jīng)濟(jì)發(fā)達(dá)的區(qū)域卻集中分布在東部沿海地區(qū)，要打破電力資源和經(jīng)濟(jì)發(fā)展分布不均勻的現(xiàn)象，只能通過大容量遠(yuǎn)距離輸電系統(tǒng)來實(shí)現(xiàn)。采用高壓、超高壓輸電系統(tǒng)是實(shí)現(xiàn)長距離輸送電力能源的主要方式。超高壓大容量輸電線路大幅度擴(kuò)建后，維護(hù)超高壓輸電線路的安全穩(wěn)定運(yùn)行是我國經(jīng)濟(jì)建設(shè)高速增長的堅(jiān)實(shí)基礎(chǔ)，高質(zhì)量高頻率的巡檢運(yùn)維是保證大規(guī)模輸電系統(tǒng)的穩(wěn)定運(yùn)行的必要條件。人工巡檢容易受到地形、人員和天氣等因素的影響，往往導(dǎo)致巡檢效率低下、巡檢效果欠佳，這種人工巡檢的方式已經(jīng)無法滿足新時(shí)代下電力事業(yè)發(fā)展的需求[1]。在生產(chǎn)實(shí)踐急需高效巡檢方法的背景下直升機(jī)巡檢技術(shù)孕育而生，直升機(jī)作為一種新的輸電線路巡檢工具在20 世紀(jì)50 年代開始出現(xiàn)在歐美等發(fā)達(dá)國家[2]，而國內(nèi)直升機(jī)輸電線路巡檢方式是進(jìn)入21 世紀(jì)后才開始出現(xiàn)。直升機(jī)搭載激光探頭和可見光成像設(shè)備可以獲取到輸電線路上部件的三維坐標(biāo)信息可以被用來進(jìn)行測距進(jìn)而對輸電線路上的樹障等隱患給出預(yù)警報(bào)告，也正是由于其巡檢效率高、操控方便、維護(hù)簡單等特點(diǎn)，逐步開始應(yīng)用于測繪、電網(wǎng)規(guī)劃、災(zāi)害應(yīng)急響應(yīng)、線路架設(shè)、安全監(jiān)測等電力系統(tǒng)任務(wù)之中[3-4]。

桿塔是輸電線路系統(tǒng)中的主要部件，它是輸電走廊中的節(jié)點(diǎn)部件。我們可以根據(jù)桿塔的類型判斷出輸電線路的各種屬性，也可以通過桿塔為起點(diǎn)定位出與桿塔相關(guān)聯(lián)的各種部件，如絕緣子串，導(dǎo)地線，間隔棒，防震錘，線夾等。所以準(zhǔn)確的識別出桿塔類型對于實(shí)現(xiàn)輸電線路的自動化巡維有著重要的意義。Charles R. Qi 等在文獻(xiàn)[5] 中提出通過深度層次特征的方法來檢測點(diǎn)云數(shù)據(jù)中的目標(biāo)物體，但是由于深度神經(jīng)參數(shù)過多而不能對所有的點(diǎn)云數(shù)據(jù)進(jìn)行處理只能對點(diǎn)云數(shù)據(jù)進(jìn)行抽稀，導(dǎo)致原來點(diǎn)云數(shù)據(jù)中包含的信息大量丟失；其次深度神經(jīng)網(wǎng)絡(luò)計(jì)算量太大嚴(yán)重影響了這種方法的工程化應(yīng)用；吳登祿等在文獻(xiàn)[6]中提出使用深度神經(jīng)網(wǎng)絡(luò)的方法來識別室外場景中的物體目標(biāo)，該方法在使用點(diǎn)云數(shù)據(jù)檢測出點(diǎn)云中的物體后在算法中添加了一些后處理的算子雖可以提升一定的識別率但是增強(qiáng)了算法的時(shí)間和空間復(fù)雜度。我們在本文中提出了一種基于卷積自編碼網(wǎng)絡(luò)的桿塔點(diǎn)云數(shù)據(jù)自動分類方法，算法流程如圖1所示。本文的組織架構(gòu)如下，第一部分我們簡要的論述了輸電線路巡檢的重要意義以及點(diǎn)云數(shù)據(jù)目標(biāo)檢測識別技術(shù)的發(fā)展現(xiàn)狀；第二部分我們詳細(xì)介紹了我們所提出的桿塔點(diǎn)云數(shù)據(jù)分類算法；第三部分我們給出了實(shí)驗(yàn)結(jié)果及分析；第四部分我們進(jìn)行了簡單的總結(jié)。

1 桿塔點(diǎn)云自動分類算法

通過激光雷獲取的三維點(diǎn)云數(shù)據(jù)為計(jì)算機(jī)理解目標(biāo)物體提供了新的視角，使我們能夠獲取到各種物體的世界坐標(biāo)信息為準(zhǔn)確判斷物體之間的位置關(guān)系提供了強(qiáng)有力的依據(jù)，通過激光點(diǎn)云數(shù)據(jù)我們可以實(shí)現(xiàn)輸電線路上的自動樹障缺陷分析；近年來由于計(jì)算機(jī)硬件性能的不斷提升和機(jī)器學(xué)習(xí)算法理論體系的日趨完善，使得深度學(xué)習(xí)技術(shù)得到了極大的發(fā)展。深度卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用已經(jīng)滲透到了我們?nèi)粘Ｉ畹母鱾€(gè)方面，車牌識別、人臉識別技術(shù)的成功應(yīng)用給我們的生活帶來了很多便捷。自編碼神經(jīng)網(wǎng)絡(luò)作為非線性降維工具是對PCA 線性降維工具補(bǔ)充，通過卷積自編碼神經(jīng)網(wǎng)絡(luò)我們能夠提取到圖像中的非線性特征，使用這些特征我們就可以實(shí)現(xiàn)對圖像數(shù)據(jù)的無監(jiān)督分類；現(xiàn)實(shí)世界中的數(shù)據(jù)按照機(jī)器學(xué)習(xí)的類型來分有標(biāo)注的數(shù)據(jù)（對應(yīng)于監(jiān)督學(xué)習(xí)）和無標(biāo)注數(shù)據(jù)（對應(yīng)于無監(jiān)督學(xué)習(xí)），其中有標(biāo)注的數(shù)據(jù)只是總數(shù)據(jù)中的冰山一角，在工程實(shí)踐中我們主要面臨的是無監(jiān)督數(shù)據(jù)，所以對無監(jiān)督學(xué)習(xí)方法研究有著非常重要的意義，常見的無監(jiān)督學(xué)習(xí)方法有kmean 聚類，高斯聚類，混合高斯聚類，均值漂移聚類，EM 聚類。在本文中我們提出了一種基于卷積自編碼神經(jīng)網(wǎng)絡(luò)和EM 聚類算法實(shí)現(xiàn)對桿塔點(diǎn)云數(shù)據(jù)進(jìn)行自動化分類的方法。我們首先對點(diǎn)云數(shù)據(jù)進(jìn)行底面投影實(shí)現(xiàn)方向校正，然后再正面和側(cè)面投影生成桿塔圖像；第二、將收集的桿塔圖像組成數(shù)據(jù)集對VGG16 結(jié)構(gòu)的卷積自編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取網(wǎng)絡(luò)中的編碼部分；第三、將桿塔圖輸入到編碼網(wǎng)絡(luò)中獲取到特征向量，將特征向量輸入到EM 分類器中實(shí)現(xiàn)自動分類。

圖1 桿塔三維點(diǎn)云數(shù)據(jù)自動分類算法流程圖

圖2 桿塔點(diǎn)云數(shù)據(jù)在xy平面內(nèi)的投影圖像及 旋轉(zhuǎn)平移后的圖像

1.1 桿塔點(diǎn)云圖像的獲取

深度神經(jīng)網(wǎng)絡(luò)參數(shù)過多不適合處理大規(guī)模的點(diǎn)云數(shù)據(jù)，在本文所提出的算法中我們采用的方法是將三維的點(diǎn)云數(shù)據(jù)投影成圖像。由于激光雷達(dá)在掃描桿塔的時(shí)候，不能保證掃描平面都是平行于桿塔的正面，故桿塔點(diǎn)云與世界坐標(biāo)系之間存在夾角，我們需要將桿塔點(diǎn)云的坐標(biāo)進(jìn)行旋轉(zhuǎn)平移使桿塔點(diǎn)云外接橢球的各軸與世界坐標(biāo)系的各軸近似平行。

桿塔點(diǎn)云數(shù)據(jù)由世界坐標(biāo)系到圖像坐標(biāo)系的投影公式如下所示：

其中x,y,v 分別代表的是圖像坐標(biāo)系中的寬、高和像素值，X,Y,Z 分別代表點(diǎn)云數(shù)據(jù)在世界坐標(biāo)系中的坐標(biāo)。在激光雷達(dá)對戶外的桿塔進(jìn)行掃描時(shí)不可避免的帶入噪聲，如桿塔底部的基座，這將對我們的后期分類帶來干擾，為了消除這種干擾我們對v 值進(jìn)行了截?cái)唷Ｎ覀兪褂猛队皥D像中的前景像素點(diǎn)擬合直線，用直線的傾角來代表?xiàng)U塔投影圖像的方向如圖2 左圖中紅色直線所示，圖2 右圖為旋轉(zhuǎn)后的投影圖像。

1.2 圖像特征自動提取

激光雷達(dá)獲取到的輸電線路點(diǎn)云數(shù)據(jù)是海量的無標(biāo)注數(shù)據(jù)，這些數(shù)據(jù)無法使用監(jiān)督學(xué)習(xí)的方法進(jìn)行處理，故在本文中我們提出了通過無監(jiān)督分類的算法對其進(jìn)行處理。為了提取到好的圖像分類特征我們采用了卷積自編碼神經(jīng)網(wǎng)絡(luò)，我們使用收集的大量桿塔投影圖像對CAE 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用自編碼網(wǎng)絡(luò)部分對輸入的投影圖像進(jìn)行降維得到分類特征向量。桿塔投影圖像的自動特征提取算法流程圖如圖3所示。

圖3 桿塔投影圖像的自動特征提取算法流程圖

1.3 圖像自動分類

正態(tài)分布（Normal distribution）是一個(gè)在數(shù)學(xué)、物理及工程等領(lǐng)域都非常重要的概率分布，在統(tǒng)計(jì)學(xué)的許多方面有著重大的影響力。若隨機(jī)變量X 服從一個(gè)數(shù)學(xué)期望為 μ 、標(biāo)準(zhǔn)方差為6 的高斯分布，記為：

則其概率密度函數(shù)為：

正態(tài)分布的期望值μ 決定了其位置，其標(biāo)準(zhǔn)差σ 決定了分布的幅度。我們假設(shè)每一個(gè)桿塔投影圖像的編碼向量v 服從某一高斯分布，我們通過輸入的向量v 與已有的桿塔投影圖像向量高斯分布進(jìn)行歐式距離匹配，我們尋找匹配距離小于桿塔的實(shí)際邊長和距離最小的分布作為匹配結(jié)果，如果沒有滿足匹配條件的桿塔分布存在那么我們就以當(dāng)前輸入的向量作為均值，產(chǎn)生一個(gè)新的分布即找到一個(gè)新的桿塔類別。

2 實(shí)驗(yàn)結(jié)果和分析

我們在ubuntu1804 64 位上使用tensor f low 1.12、python3.6、Qt 和GCC 編 譯 器 實(shí) 現(xiàn) 了本文中所提出的算法。硬件環(huán)境為：Intel(R) Core(TM) i5-8300U CPU @ 2.3 GHz 2.3GHz, 8.00GB 內(nèi)存，RTX 2060 6 G 顯存。我們使用直升機(jī)搭載的激光雷達(dá)對4 條220 kV 和6 條500 kV 的輸電線路進(jìn)行了掃描巡檢，一共獲取到了1302 級桿塔，共包含5 種桿塔，并使用本文提出的算法對其進(jìn)行了測試。桿塔點(diǎn)云數(shù)據(jù)分類中正面和側(cè)面投影圖，如圖4 所示，我們使用VGG16 的網(wǎng)絡(luò)結(jié)構(gòu)作為編碼器對圖像進(jìn)行了降維，將輸入圖像先縮放到300*400 再降到512 維，最后進(jìn)行自動聚類。我們對數(shù)據(jù)進(jìn)行了隨機(jī)抽樣將數(shù)據(jù)劃分為訓(xùn)練樣本集（1032）和測試樣本集（270），分類結(jié)果如表1 所示：

表1 卷積自編碼網(wǎng)絡(luò)桿塔點(diǎn)云自動分類算法性能分析

在測試圖像集上，我們記錄了270 個(gè)目標(biāo)的分類結(jié)果如表1 所示，算法的正確識別率為：270/270 = 100%，識別錯(cuò)誤率為：0%，從以上的數(shù)據(jù)中我們看到在我們的測試數(shù)據(jù)集上面本文的算法可以達(dá)到100%的正確率。

圖4 桿塔點(diǎn)云數(shù)據(jù)正面?zhèn)让嫱队皥D

3 結(jié)束語

本文提出了一種基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的輸電線路桿塔點(diǎn)云數(shù)據(jù)自動分類方法，通過對點(diǎn)云數(shù)據(jù)進(jìn)行投影和直線擬合計(jì)算出點(diǎn)云數(shù)據(jù)旋轉(zhuǎn)角度，對點(diǎn)云數(shù)據(jù)進(jìn)行旋轉(zhuǎn)平移校正，之后在正面和側(cè)面上投影等到桿塔點(diǎn)云的投影圖像；利用桿塔點(diǎn)云圖像數(shù)據(jù)對基于VGG16 結(jié)構(gòu)的卷積自編碼網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取出其中的自編碼部分作為特征提取器，實(shí)現(xiàn)對輸入圖像的降維編碼；最后使用EM 聚類算法對桿塔點(diǎn)云圖像的向量進(jìn)行自動分類。實(shí)驗(yàn)結(jié)果表明本文的算法可以實(shí)現(xiàn)對桿塔點(diǎn)云數(shù)據(jù)的自動分類，運(yùn)行效率可以達(dá)到實(shí)時(shí)性的要求；本文的工作也是對無監(jiān)督機(jī)器學(xué)習(xí)的一種探索。