裴愛根,張 洋,黃 濤,韓 超,肖 楠
(國網(wǎng)江蘇省電力工程咨詢有限公司,江蘇 南京 210003)
建設(shè)智能電網(wǎng),需要具有一定優(yōu)勢的高壓輸電線路作為基礎(chǔ),以達到輸送電能的目的?,F(xiàn)有的電力線生存環(huán)境復(fù)雜,受到惡劣天氣的影響,經(jīng)常發(fā)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(shè)備距離較近,會引起放電,從而發(fā)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(yán)重的威脅。因此,為了保證輸電線路的安全穩(wěn)定運行,電力部門要經(jīng)常性的對輸電線路進行檢查,消除隱患,防止意外事故的發(fā)生。隨著遙感技術(shù)的發(fā)展,逐漸取代了人工電力巡檢方式?;谶b感技術(shù)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(qū)別于其他技術(shù)的遙感設(shè)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(biāo),通過室內(nèi)的方式精準(zhǔn)快速的測量電力線到植被之間的安全距離,從而確定設(shè)備是否滿足安全運行的標(biāo)準(zhǔn)。
機載激光雷達是一種新型的航空傳感器,由多種復(fù)雜的系統(tǒng)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(fā)揮出其功能。機載激光雷達的工作原理:當(dāng)激光發(fā)生器向地面發(fā)射激光時,會立即檢測出目標(biāo)發(fā)射的信號,并對信號進行轉(zhuǎn)換,再對其進行存儲;通過測量光信號,得到計算目標(biāo)點與系統(tǒng)之間的距離:
圖1 機載激光雷達系統(tǒng)[3]Fig.1 Airborne lidar system[3]
(1)
式中:c為光速;D為目標(biāo)到系統(tǒng)的距離。
激光作為一種發(fā)射角小且方向性好的光源,當(dāng)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(tǒng)都可以獲取數(shù)據(jù);并通過側(cè)邊角進行點定位,獲取高精度的三維點云信息,并進行數(shù)據(jù)記錄[2]。
2.1.1虛擬格網(wǎng)
虛擬格網(wǎng)的存在,是將點云所在區(qū)域進行網(wǎng)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(wǎng)都可以存儲在自己格網(wǎng)中,通過行列序號對格網(wǎng)進行索引[4];具體格網(wǎng)組織形式如圖2所示。
圖2 虛擬格網(wǎng)點云組織Fig.2 Virtual grid point cloud organization
通過設(shè)置格網(wǎng)的距離和原點,獲取到行號和列號:
(2)
式中:ymin表示縱坐標(biāo)最小值;xmin表示橫坐標(biāo)最小值;Δh、Δw分別表示格網(wǎng)的高度和寬度。
2.1.2不規(guī)則三角網(wǎng)
不規(guī)則三角網(wǎng)如圖3所示。
圖3 不規(guī)則三角網(wǎng)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(qū)進行覆蓋,通過三角形的頂點可得出。對于離散型的數(shù)據(jù),具有顯著效果;結(jié)構(gòu)特殊性,也為數(shù)據(jù)分布帶來較強的適應(yīng)性功能[5]。
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(shù)據(jù)進行分類[6]。
(1)激光雷達所對應(yīng)的數(shù)據(jù)是地物,對于離散型數(shù)據(jù)而言,需要通過三角網(wǎng)的腳點分布獲取準(zhǔn)確的三維結(jié)構(gòu),使其可以在提取空間上變得更加快捷。點云的數(shù)據(jù)較為離散,可以使用相同的平面坐標(biāo),這更有利于對地物地形進行描述;
(2)對于不同的區(qū)域,其點云密度的分布情況也略有差異。激光點云數(shù)據(jù)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(dāng)處于統(tǒng)一區(qū)域下,會發(fā)生密度差異;
(3)對于回波次數(shù)與回波強度的多次記錄問題,激光雷達點云數(shù)據(jù)所涵蓋的三維坐標(biāo),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(tǒng)的獲取準(zhǔn)確性。雖然在提取空間上具備一定優(yōu)勢,但容易忽略地物對象特征中的光譜信息。
傳統(tǒng)的電力線走廊點云數(shù)據(jù),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(tǒng)的電力線走廊點云數(shù)據(jù)進行簡化,通過獲取電力線點云的方式達到提取電力線數(shù)據(jù)的目的。提取電力線點云數(shù)據(jù),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(xué)習(xí)得到了廣泛應(yīng)用,與傳統(tǒng)點云分類方法相比,機器學(xué)習(xí)算法對于復(fù)雜的點云數(shù)據(jù),可以處理的更加快速和準(zhǔn)確。支持向量機學(xué)習(xí)算法需要通過提取電力線的點云數(shù)據(jù)[7],構(gòu)建特征向量,其目的是為了獲取最優(yōu)分類參數(shù),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
支持向量機(SVM)[8]建立在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上,根據(jù)有限的樣本信息,即在復(fù)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(zhuǎn)化為凸2次規(guī)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(yōu)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(shù)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(shù)據(jù),H平面稱為最優(yōu)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(shù)表示:
{(x1,y1),(x2,y2),…(xn,yn)},xi∈Rn,yi∈
{-1,+1},i=1,2,…,n。
當(dāng)f(x)=0時,x在超平面H上;當(dāng)f(x)>0時,y=x+1;當(dāng)f(x)<0時,y=-1。
f(x)=ωTx+b
(3)
式中:ω表示參數(shù)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(shù)據(jù)進行分離,保持最大距離,使r最大化,且滿足下列條件:
(5)
轉(zhuǎn)化后得到:
(6)
式(4)中的目標(biāo)函數(shù)是二次的,屬于凸二次規(guī)劃問題,可以直接利用QP優(yōu)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(shù),將問題進行轉(zhuǎn)化,從而更有助于原問題的求解[11]。轉(zhuǎn)化后得到:
(7)
求導(dǎo)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(biāo)函數(shù)表示[12]:
(10)
使用機器學(xué)習(xí)方法對機載激光雷達點云數(shù)據(jù)進行分類過程中,首先需要構(gòu)建特征向量空間,其數(shù)量和優(yōu)劣性都會對分類的結(jié)果產(chǎn)生影響。提取特征的數(shù)據(jù)不能以數(shù)量為主,如果數(shù)量過多,則消耗的時間較多,影響分類精度;如果數(shù)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(yán)格控制特征提取的數(shù)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(shù)
激光引腳不僅可以記錄單個回波,還可以記錄經(jīng)常發(fā)生的多個回波;在地面、屋頂?shù)葻o法穿透的物體上,多由高植被產(chǎn)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(nèi)部的樹枝產(chǎn)生的;最后的回聲貫穿其間它經(jīng)常在樹下的地面上和建筑物的邊緣上發(fā)現(xiàn)[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(jié)果在一樣的區(qū)域的電力線材料大都相同,表面的強度信息通常是穩(wěn)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(yīng)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(biāo)準(zhǔn)差
局部高程標(biāo)準(zhǔn)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(yīng)出鄰域內(nèi)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(lǐng)域內(nèi)的最低高程相減的結(jié)果而得到,其計算公式:
RH=H-HCMIN
(11)
3.3.1實驗平臺
采用Visual Studio(C++)開發(fā)環(huán)境,LiDAR_Suite數(shù)據(jù)處理軟件進行開發(fā)。使用RieglLMS-Q560激光掃描與獲取輸電線路掃描數(shù)據(jù),其數(shù)據(jù)如表1所示[16]。
表1 掃描數(shù)據(jù)Tab.1 Scanning data
由表1可知 ,地形較為復(fù)雜,且起伏不平,因此將試驗的數(shù)據(jù)分為訓(xùn)練模式和測試模式2大部分。2種訓(xùn)練模式的數(shù)據(jù)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(shè)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(yōu)的領(lǐng)域半徑十分重要。通過設(shè)定多個鄰域半徑,在每一個半徑下構(gòu)建特征空間,然后進行分類模型的訓(xùn)練。最后對測試的樣本進行預(yù)測,結(jié)果如圖6所示。
圖6 測試樣本結(jié)果Fig.6 Test sample results
由圖5可以看出,當(dāng)半徑為3.5 m時,電力線分錯的點數(shù)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(gòu)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(shù)據(jù)集進行劃分,將其劃分為訓(xùn)練和測試2大部分:一是利用訓(xùn)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(jù)提取的點云特征進行驗證,以實數(shù)向量的形式進行表達,根據(jù)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(qū)間內(nèi),可以有效避免因數(shù)值較大而產(chǎn)生過分分配數(shù)值小的情況,還可以降低支持向量機中核函數(shù)計算數(shù)據(jù)的復(fù)雜度。
使用RBF核函數(shù),確定參數(shù),在初始的數(shù)據(jù)上使用五折交叉驗證。參數(shù)設(shè)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(shù),對訓(xùn)練集進行訓(xùn)練,得到分類模型后對2部分的測試數(shù)據(jù)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(zhǔn)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(xiàn)分類錯誤。因為這些區(qū)域的聯(lián)系緊密,而且點的特征相似,容易出現(xiàn)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(tài)和結(jié)構(gòu)。為了可以定量的分析分類的結(jié)果,需要對分類的結(jié)果進行評價,具體如表2所示。
表2 測試數(shù)據(jù)精度評價結(jié)果[20]Tab.2 Test data accuracy evaluation results[20]
由表2可以看出,地形環(huán)境差異較大的2組測試樣本,其總體精度和Kappa系數(shù)的精度評價結(jié)果較高。這也更加體現(xiàn)出了使用支持向量機進行點云特征提取所得到的有效性。
本文對提出結(jié)合區(qū)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(jié)合機載電力線走廊特征點云數(shù)據(jù),直接和間接提取電力線分類有效點云特征構(gòu)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(qū)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(shù)的精度對實驗結(jié)果進行了分析,結(jié)果表明,提出的算法對電力線走廊數(shù)據(jù)的提取具有較高的精度。