柳長安，孫書明，趙麗娟

(華北電力大學(xué) 控制與計(jì)算機(jī)工程學(xué)院，北京 102206)

引 言

激光雷達(dá)(light detection and ranging,LiDAR)以其高精度、高分辨率等特性成為重要的遙感工具[1-2]。當(dāng)下，無人機(jī)機(jī)載激光雷達(dá)技術(shù)已廣泛應(yīng)用于電力巡檢作業(yè)[3-6]，與傳統(tǒng)技術(shù)手段相比較，其耗費(fèi)時(shí)間更短且數(shù)據(jù)更加可靠[7]，可以很好地解決空間定位和測(cè)量精度的問題，并可以對(duì)故障和缺陷進(jìn)行更加準(zhǔn)確的判斷和定性，實(shí)現(xiàn)多維度的立體巡檢[8-12]。

國內(nèi)外對(duì)于桿塔自動(dòng)提取的問題也有一定研究，其中CHEN利用點(diǎn)云的數(shù)字高程模型(digital elevation model,DEM)與數(shù)字表面模型(digital surface model,DSM)特征構(gòu)建歸一化數(shù)字表面模型(normalized digi-tal surface model，nDSM)點(diǎn)云，并對(duì)nDSM點(diǎn)云整體繪制高程直方圖以確定地物點(diǎn)云與非地物點(diǎn)云的分離高度閾值[13]，但由于其特征由點(diǎn)云整體得出，當(dāng)?shù)匦屋^為起伏時(shí)，通過單閾值較難分離。SONG將點(diǎn)云所在空間分為若干個(gè)大小相等的格網(wǎng)，在格網(wǎng)內(nèi)部利用DEM與DSM特征構(gòu)建高差特征圖，并利用DSM特征計(jì)算坡度特征，通過高差特征與坡度特征來定位桿塔[14]，但由于采用判斷連通域的方式剔除高大樹木，當(dāng)連續(xù)的高大樹木處在線路下方時(shí)，將難以判斷。GUO等人同樣將點(diǎn)云所在空間格網(wǎng)化，利用格網(wǎng)內(nèi)相對(duì)高程差區(qū)分地物點(diǎn)與非地物點(diǎn)，并利用單個(gè)格網(wǎng)垂直方向空間間隔的數(shù)目來區(qū)分電力線點(diǎn)與桿塔點(diǎn)[15]，但同樣難以區(qū)分處于電力線正下方的高大樹木。HAN通過霍夫變換先行提取出電力線點(diǎn)云，進(jìn)而生成3維立方體外包來提取電力塔數(shù)據(jù)點(diǎn)，最后在電力塔數(shù)據(jù)上建立3維空間格網(wǎng)[16]，但易受點(diǎn)云密度分布不均的干擾。SHEN等人在將點(diǎn)云所在空間格網(wǎng)化的基礎(chǔ)上，在格網(wǎng)內(nèi)部確定高程閾值，并進(jìn)行進(jìn)一步分割[17]，但易被垂直方向樹障遮擋等因素干擾。

基于以上問題，本文中提出了一種直接以LiDAR點(diǎn)云數(shù)據(jù)作為輸入端的輕量級(jí)神經(jīng)網(wǎng)絡(luò)，通過特征網(wǎng)絡(luò)自動(dòng)提取其形狀、空間特征并加以判斷，以確定桿塔所在的區(qū)域,在地形起伏較大區(qū)域及桿塔區(qū)域存在垂直方向遮擋的情況下使精確度及穩(wěn)定性有所提升。

1 基于神經(jīng)網(wǎng)絡(luò)的3維點(diǎn)云分類

目前從激光點(diǎn)云中提取桿塔的算法，多數(shù)依賴于人為擬定的空間特征、形狀特征等。人為擬定的特征往往具有一定的局限性，而通過神經(jīng)網(wǎng)絡(luò)提取的特征，直接從分類結(jié)果的角度考慮，在穩(wěn)定性以及準(zhǔn)確率方面，有其自身的優(yōu)勢(shì)。同時(shí)因?yàn)闊o需預(yù)先使用降噪算法，使得點(diǎn)云的原始信息以及特征得以更完整的保存。目前有數(shù)種針對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類的網(wǎng)絡(luò)，如PointNet[18]、PointNet++[19]、VoxelNet[20]等，但其網(wǎng)絡(luò)結(jié)構(gòu)較為復(fù)雜，訓(xùn)練周期也較長，而桿塔提取的問題只需判別某點(diǎn)是否為桿塔點(diǎn)，因此本文中使用規(guī)模較小的輕量級(jí)網(wǎng)絡(luò)，基于空間進(jìn)行體素格劃分，并對(duì)體素格提取特征加以判斷，主要分為以下幾個(gè)步驟：(1)將原始點(diǎn)云空間劃分為若干個(gè)大小相等的體素格，將點(diǎn)云數(shù)據(jù)中的每個(gè)點(diǎn)歸入對(duì)應(yīng)體素格中，并對(duì)每個(gè)體素格內(nèi)的點(diǎn)進(jìn)行采樣，采樣最大數(shù)量為δn；(2)對(duì)體素格內(nèi)的采樣后所有的點(diǎn)，利用特征提取網(wǎng)絡(luò)，提取其特征，并且利用最大池化函數(shù)，消除點(diǎn)云數(shù)據(jù)無序性帶來的干擾;(3)利用卷積層，進(jìn)一步計(jì)算每個(gè)體素格對(duì)應(yīng)的空間、形狀特征，并結(jié)合相對(duì)高度差δz以及點(diǎn)密度q兩個(gè)特征組成新的特征矩陣;(4) 將體素格對(duì)應(yīng)的特征作為輸入，利用分類網(wǎng)絡(luò)，判斷該體素格是否為桿塔點(diǎn)云，并利用聚類算法，剔除孤立體素格。其具體流程圖如圖1所示。

Fig.1 Flow chart of the algorithm for the extraction of power tower

2 基于激光點(diǎn)云實(shí)現(xiàn)桿塔提取的輕量級(jí)網(wǎng)絡(luò)

2.1 網(wǎng)絡(luò)結(jié)構(gòu)

本文中提出的網(wǎng)絡(luò)主要由三部分組成：(1)特征學(xué)習(xí)網(wǎng)絡(luò);(2)卷積層;(3)分類網(wǎng)絡(luò)。如圖2所示。

Fig.2 Structure of the network

將點(diǎn)云所在的3維空間分為大小完全相同的若干體素格。假定點(diǎn)云數(shù)據(jù)在3維空間內(nèi)占據(jù)的長、寬、高分別為D,W,H;且每個(gè)體素格的長、寬、高分別為vD,vW,vH;對(duì)于體素格類別的判斷分為兩個(gè)步驟，首先令體素格的高度為H，對(duì)劃分后的體素格進(jìn)行第1次判斷，而后對(duì)于已經(jīng)確定為桿塔的體素格，假設(shè)垂直方向的體素格數(shù)量為n，令vH=H/n，在垂直方向上再次劃分體素格，并進(jìn)行進(jìn)一步判斷，這種做法避免了3維卷積運(yùn)算，對(duì)整體的運(yùn)算效率帶來了較大提升，如圖3所示。

Fig.3 Order of classification

2.2 特征學(xué)習(xí)網(wǎng)絡(luò)

首先需要將點(diǎn)云數(shù)據(jù)中所有點(diǎn)歸入對(duì)應(yīng)的體素格中。由點(diǎn)云數(shù)據(jù)自身的特性可知，不同體素格中點(diǎn)的數(shù)量差距較為明顯，基于運(yùn)算效率以及穩(wěn)定性的考慮，本文中算法對(duì)體素格內(nèi)的點(diǎn)進(jìn)行隨機(jī)采樣，設(shè)定閾值δn，當(dāng)體素格內(nèi)點(diǎn)的數(shù)量大于δn時(shí)，采用隨機(jī)采樣，只保留其中的δn個(gè)點(diǎn);當(dāng)點(diǎn)的數(shù)量不大于δn時(shí)，則將所有點(diǎn)全部保留。

(1)

Fig.4 Feature-learning network

其中前向傳播部分由全連接層與線性整流函數(shù)(rectified linear unit,ReLU)組成。輸入端Min經(jīng)過特征層(feature layer,FL)FL0進(jìn)行前向傳播被投影為維度更高的特征矩陣，對(duì)于所有經(jīng)由FL0產(chǎn)生的特征矩陣，按位置分別進(jìn)行最大池化獲得特征矩陣M00，繼而將所有經(jīng)由FL0產(chǎn)生的特征矩陣與M00相連接，得到每個(gè)點(diǎn)對(duì)應(yīng)的特征矩陣L01，對(duì)于每一個(gè)L01，經(jīng)過前向傳播之后再次被投影為更高維度的特征L02，對(duì)其按位置分別進(jìn)行最大池化，得到該體素格所對(duì)應(yīng)的特征矩陣V0，同時(shí)利用最大池化的方式，也規(guī)避了3維點(diǎn)云的無序性對(duì)特征提取帶來的影響。

2.3 卷積層

卷積層由若干個(gè)卷積核組成，用于進(jìn)一步提取各個(gè)體素格自身以及與周圍其它體素格所共同形成的特征，為保證卷積后得到的特征數(shù)量與體素格的數(shù)量相等，需預(yù)先在特征圖外圍增加一圈空的特征向量，如圖5所示。

Fig.5 Convolutional layer

在此過程中引入傳統(tǒng)的桿塔提取算法中的特征M′,假設(shè)某體素格的特征向量V0是尺寸為nr×1的矩陣，則卷積過后得到的特征向量V1，其尺寸仍為nr×1，將V1與M′=[δz,q]T相連接，得到特征向量V2，其中δz代表體素格的高度特征值，q代表體素格內(nèi)的點(diǎn)的數(shù)量(即點(diǎn)密度)，如圖所示，當(dāng)體素格的高度取vH=H時(shí)，有：

δz=zmax-zmin

(2)

式中，zmax和zmin代表該體素格中所有點(diǎn)z的最大值與最小值， 而當(dāng)體素格的高度取H/n時(shí)，有：

(3)

2.4 分類網(wǎng)絡(luò)

如圖6所示，該部分以特征向量V2作為輸入，以softmax層作為輸出層Mout。

Fig.6 Classifying layer

該分類網(wǎng)絡(luò)包含全連接層與激活函數(shù)(ReLU)，并以softmax模型作二分類的判斷，經(jīng)前向傳播之后，將判斷出該體素格的類型為桿塔點(diǎn)云或者非桿塔點(diǎn)云。其損失函數(shù)為：

Eloss=(Mlabel-Mout)2

(4)

式中，Eloss代表輸出值與標(biāo)定值的誤差，Mlabel為事先標(biāo)定的值，用于區(qū)別某體素格是否屬于桿塔點(diǎn)云。當(dāng)所有體素格的類型被判定完畢后，對(duì)其采用聚類算法，以獲得每個(gè)桿塔的最終區(qū)域．

3 實(shí)驗(yàn)結(jié)果與分析

本文中的算法在Intel Corei5-7300HQ CPU，2.5GHz，8G內(nèi)存硬件條件下運(yùn)行，由于需要與以CloudCompare為基礎(chǔ)的項(xiàng)目對(duì)接，因此在win 10，PCL 1.8.1，opencv-2.4.13.6環(huán)境下采用Microsoft Visual Studio 2015編程實(shí)現(xiàn)。

3.1 網(wǎng)絡(luò)參量

本文中所述網(wǎng)絡(luò)采用北川地區(qū)的巡檢數(shù)據(jù)作為訓(xùn)練集，其桿塔類型為V型塔或T型塔，在人工對(duì)桿塔點(diǎn)云位置進(jìn)行標(biāo)定之后，將其中80%作為訓(xùn)練集，20%作為測(cè)試集，并對(duì)原始數(shù)據(jù)進(jìn)行平移、旋轉(zhuǎn)、鏡像等操作以達(dá)到數(shù)據(jù)擴(kuò)展的目的?；邳c(diǎn)云數(shù)據(jù)的特征考慮，如果體素格的尺寸過大，將影響桿塔提取的精度，而如果尺寸過小，造成每個(gè)體素格中容納的點(diǎn)的數(shù)量減少，將難以提取到有效的特征，同樣對(duì)桿塔提取造成不利影響。故體素格設(shè)置為如下尺寸(單位為m)：vW=1m,vD=1m，而對(duì)于vH，在第1次判別時(shí)取vH=H，第2次進(jìn)一步判別時(shí)取vH=2m,并且第1次判別時(shí)體素格中點(diǎn)數(shù)上限為150，第2次判別時(shí)點(diǎn)數(shù)上限為30。

經(jīng)由FL0產(chǎn)生的特征矩陣尺寸為32×1，與最大池化特征拼接后特征矩陣尺寸為64×1，經(jīng)過第一部分特征學(xué)習(xí)網(wǎng)絡(luò)，輸出的體素格特征矩陣尺寸為128×1，第二部分卷積層中設(shè)置4個(gè)卷積核，第三部分分類網(wǎng)絡(luò)中中間層的矩陣尺寸50×1，并采用mini-batch的方法進(jìn)行訓(xùn)練。

由于訓(xùn)練集的單個(gè)點(diǎn)云數(shù)據(jù)文件包含的點(diǎn)數(shù)通常達(dá)到數(shù)百萬以上，且其整體的長度和寬度可達(dá)1km甚至2km以上，考慮內(nèi)存空間的問題，將原點(diǎn)云數(shù)據(jù)分塊進(jìn)行訓(xùn)練，每塊的長度和寬度都為50m。故經(jīng)過第一階段特征學(xué)習(xí)網(wǎng)絡(luò)之后，將得到一個(gè)尺寸為50×50且深度為128的特征。由于桿塔點(diǎn)云所占的體素格數(shù)目相對(duì)于點(diǎn)云整體的比例很小，若直接將數(shù)據(jù)輸入進(jìn)行訓(xùn)練，準(zhǔn)確率的提升將較為迅速，而召回率則將一直維持在較低水平，故在訓(xùn)練中的反向傳播部分對(duì)非桿塔點(diǎn)云的體素格進(jìn)行欠采樣，以維持召回率與準(zhǔn)確率的平衡，如圖7所示。此為一塊數(shù)據(jù)直接輸入以及進(jìn)行欠采樣時(shí)，其召回率及準(zhǔn)確率隨訓(xùn)練次數(shù)的變化曲線，橫軸為訓(xùn)練次數(shù)，縱軸為召回率或準(zhǔn)確率的百分比。在訓(xùn)練數(shù)據(jù)集中，該網(wǎng)絡(luò)的召回率與準(zhǔn)確率均達(dá)到90%以上。

Fig.7 Curve of recall and precision in training

3.2 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證本文中方法在不同環(huán)境下的可行性及魯棒性，選取了不同地形以及包含不同塔型的3組機(jī)載激光點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)1覆蓋面積為392m×1181m，包含3262599個(gè)數(shù)據(jù)點(diǎn)，地形較為平坦，周圍有一定量樹木干擾，其桿塔類型為酒杯型，數(shù)據(jù)2覆蓋面積為173m×1165m，包含1573050個(gè)數(shù)據(jù)點(diǎn)，地形起伏較為明顯，為桿塔定位帶來一定困難，桿塔類型同樣為酒杯型，數(shù)據(jù)3覆蓋面積為771m×508m，包含1836981個(gè)數(shù)據(jù)點(diǎn)，高空中有若干噪聲點(diǎn)，且檔間有高大樹木干擾，塔型為羊角塔與干字型塔，如圖8所示。經(jīng)過聚類篩選之后，提取出桿塔點(diǎn)云，其總耗時(shí)分別為10s，12s，15s,其中對(duì)體素格的聚類搜索半徑為2m，聚類最小數(shù)量為10。

Fig.8 Experimental data and results

為驗(yàn)證桿塔點(diǎn)云的提取精度，對(duì)以上實(shí)驗(yàn)結(jié)果中總計(jì)9處桿塔的提取精度進(jìn)行評(píng)估，評(píng)估標(biāo)準(zhǔn)為點(diǎn)云提取率(提取點(diǎn)數(shù)量/標(biāo)定點(diǎn)數(shù)量)。

統(tǒng)計(jì)結(jié)果如表1所示。由表1可知，桿塔點(diǎn)云的提取精度通常能達(dá)到95%左右，無論是地物點(diǎn)云中存在地形起伏或者植被等因素的干擾，本文中提出的網(wǎng)絡(luò)均能較好地提取桿塔點(diǎn)云，其中對(duì)平坦地形的提取效果最好，且運(yùn)行速度也相對(duì)較快，而對(duì)地形明顯起伏以及兩檔之間受高大樹木干擾或者有噪聲干擾的情況，其精度略有下降，但依然可以維持較高的準(zhǔn)確率，說明本方法具有一定的魯棒性。

Table 1 Accuracy evaluation of the extraction

4 結(jié) 論

本文中通過卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)體素格內(nèi)的空間、結(jié)構(gòu)特征，輔以傳統(tǒng)方法中的高度差、點(diǎn)密度等特征，提出了一種基于LiDAR激光點(diǎn)云的桿塔點(diǎn)云提取方法。在地形起伏較大以及受高大植被干擾等環(huán)境當(dāng)中，該方法仍可自動(dòng)地準(zhǔn)確提取出桿塔點(diǎn)云，且具有較好的魯棒性。實(shí)驗(yàn)表明，本文中所提方法在一定程度上解決了噪點(diǎn)濾波、垂直遮擋等因素對(duì)桿塔點(diǎn)云提取造成不利影響的問題，在輸電走廊的空間結(jié)構(gòu)自動(dòng)分析領(lǐng)域具有較好的工程應(yīng)用價(jià)值。