裴愛(ài)根，張 洋，黃 濤，韓 超，肖 楠

(國(guó)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(shì)的高壓輸電線路作為基礎(chǔ)，以達(dá)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(huì)引起放電，從而發(fā)生跳閘，對(duì)于人們的用電安全十分不利。電力部門(mén)如果無(wú)法及時(shí)獲取跳閘原因，勢(shì)必會(huì)給人們的安全帶來(lái)嚴(yán)重的威脅。因此，為了保證輸電線路的安全穩(wěn)定運(yùn)行，電力部門(mén)要經(jīng)常性的對(duì)輸電線路進(jìn)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(dòng)檢測(cè)，借助無(wú)人機(jī)或者有人機(jī)這些巡檢平臺(tái)，對(duì)輸電線路進(jìn)行掃描檢測(cè)。機(jī)載激光雷達(dá)作為一種區(qū)別于其他技術(shù)的遙感設(shè)備，其功能強(qiáng)大，以激光脈沖作為信號(hào)獲取的媒介，可以穿透植被獲取電力的三維坐標(biāo)，通過(guò)室內(nèi)的方式精準(zhǔn)快速的測(cè)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(yùn)行的標(biāo)準(zhǔn)。

1 機(jī)載激光雷達(dá)技術(shù)

機(jī)載激光雷達(dá)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(jī)載激光雷達(dá)需要通過(guò)特定的形式進(jìn)行工作[1]，才可以發(fā)揮出其功能。機(jī)載激光雷達(dá)的工作原理：當(dāng)激光發(fā)生器向地面發(fā)射激光時(shí)，會(huì)立即檢測(cè)出目標(biāo)發(fā)射的信號(hào)，并對(duì)信號(hào)進(jìn)行轉(zhuǎn)換，再對(duì)其進(jìn)行存儲(chǔ)；通過(guò)測(cè)量光信號(hào)，得到計(jì)算目標(biāo)點(diǎn)與系統(tǒng)之間的距離：

圖1 機(jī)載激光雷達(dá)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(shí)，機(jī)載激光雷達(dá)系統(tǒng)都可以獲取數(shù)據(jù)；并通過(guò)側(cè)邊角進(jìn)行點(diǎn)定位，獲取高精度的三維點(diǎn)云信息，并進(jìn)行數(shù)據(jù)記錄[2]。

2 點(diǎn)云數(shù)據(jù)組織和特征

2.1 組織方式

2.1.1虛擬格網(wǎng)

虛擬格網(wǎng)的存在，是將點(diǎn)云所在區(qū)域進(jìn)行網(wǎng)格劃分，并將三維激光點(diǎn)投影到所管轄平面中，讓每一個(gè)格網(wǎng)都可以存儲(chǔ)在自己格網(wǎng)中，通過(guò)行列序號(hào)對(duì)格網(wǎng)進(jìn)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(diǎn)云組織Fig.2 Virtual grid point cloud organization

通過(guò)設(shè)置格網(wǎng)的距離和原點(diǎn)，獲取到行號(hào)和列號(hào)：

(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(diǎn)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(gè)測(cè)區(qū)進(jìn)行覆蓋，通過(guò)三角形的頂點(diǎn)可得出。對(duì)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(lái)較強(qiáng)的適應(yīng)性功能[5]。

2.2 點(diǎn)云數(shù)據(jù)特征

為了獲取更加完整的地物信息，需要對(duì)機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行分類[6]。

(1)激光雷達(dá)所對(duì)應(yīng)的數(shù)據(jù)是地物，對(duì)于離散型數(shù)據(jù)而言，需要通過(guò)三角網(wǎng)的腳點(diǎn)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(diǎn)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(duì)地物地形進(jìn)行描述；

(2)對(duì)于不同的區(qū)域，其點(diǎn)云密度的分布情況也略有差異。激光點(diǎn)云數(shù)據(jù)的分布容易受到來(lái)自多種外界因素的影響，使得激光掃描的角度與速度無(wú)法平均。當(dāng)處于統(tǒng)一區(qū)域下，會(huì)發(fā)生密度差異；

(3)對(duì)于回波次數(shù)與回波強(qiáng)度的多次記錄問(wèn)題，激光雷達(dá)點(diǎn)云數(shù)據(jù)所涵蓋的三維坐標(biāo)，可以達(dá)到提高密度的目的；

(4)光譜信息的缺乏，容易影響激光雷達(dá)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(shì)，但容易忽略地物對(duì)象特征中的光譜信息。

3 基于支持向量機(jī)的機(jī)載激光點(diǎn)云提取方法研究

傳統(tǒng)的電力線走廊點(diǎn)云數(shù)據(jù)，包含多種信息，如電塔、地面、植被等。機(jī)載激光雷達(dá)電力線點(diǎn)云提取，則是對(duì)傳統(tǒng)的電力線走廊點(diǎn)云數(shù)據(jù)進(jìn)行簡(jiǎn)化，通過(guò)獲取電力線點(diǎn)云的方式達(dá)到提取電力線數(shù)據(jù)的目的。提取電力線點(diǎn)云數(shù)據(jù)，可以很好地改善電力巡檢的工作效率。在機(jī)載激光點(diǎn)云處理中，機(jī)器學(xué)習(xí)得到了廣泛應(yīng)用，與傳統(tǒng)點(diǎn)云分類方法相比，機(jī)器學(xué)習(xí)算法對(duì)于復(fù)雜的點(diǎn)云數(shù)據(jù)，可以處理的更加快速和準(zhǔn)確。支持向量機(jī)學(xué)習(xí)算法需要通過(guò)提取電力線的點(diǎn)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(guò)實(shí)驗(yàn)進(jìn)行驗(yàn)證，其實(shí)驗(yàn)步驟如圖4所示。

圖4 電力線點(diǎn)云提取步驟Fig.4 Steps of power line point cloud extraction

3.1 支持向量機(jī)

支持向量機(jī)(SVM)[8]建立在統(tǒng)計(jì)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(jiǎn)而言之，SVM為一種2類問(wèn)題分類模型，也是一種線性分類器，可以將分類問(wèn)題轉(zhuǎn)化為凸2次規(guī)劃問(wèn)題。SVM在解決非線性或者高維模式識(shí)別中具有更加明顯的優(yōu)勢(shì)。在線性可分中，SVM會(huì)尋找分類間隔最大的分類面；在不可分中，會(huì)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(kāi)對(duì)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(jī)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(shí)，x在超平面H上；當(dāng)f(x)>0時(shí)，y=x+1；當(dāng)f(x)<0時(shí)，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(jìn)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(wèn)題，可以直接利用QP優(yōu)化計(jì)算包進(jìn)行解決；或者添加拉格朗日乘子，利用拉格朗日函數(shù)，將問(wèn)題進(jìn)行轉(zhuǎn)化，從而更有助于原問(wèn)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)

3.2 點(diǎn)云特征的提取

使用機(jī)器學(xué)習(xí)方法對(duì)機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行分類過(guò)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(huì)對(duì)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(guò)多，則消耗的時(shí)間較多，影響分類精度；如果數(shù)量較少，則分類的效果無(wú)法得到保證。因此，在進(jìn)行特征提取時(shí)[13]，一定要嚴(yán)格控制特征提取的數(shù)量。本文采用點(diǎn)云的直接特征和間接特征2種鄰域方式提取點(diǎn)云間接特征。

3.2.1點(diǎn)云直接特征

1)回波數(shù)

激光引腳不僅可以記錄單個(gè)回波，還可以記錄經(jīng)常發(fā)生的多個(gè)回波；在地面、屋頂?shù)葻o(wú)法穿透的物體上，多由高植被產(chǎn)生回聲。

2)回波號(hào)

多次回聲分為一次回聲、中回聲和最后一次回聲。第1個(gè)回波通常由電力線組成，樹(shù)冠、建筑邊緣、中間的回聲往往是由植被內(nèi)部的樹(shù)枝產(chǎn)生的；最后的回聲貫穿其間它經(jīng)常在樹(shù)下的地面上和建筑物的邊緣上發(fā)現(xiàn)[14]。

3)回波強(qiáng)度

雖然使用回波強(qiáng)度很難對(duì)地物進(jìn)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(qiáng)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(qiáng)度作為電力線提取的一個(gè)重要特征，對(duì)于地物分類還是有一定的幫助。

3.2.2點(diǎn)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(diǎn)云的高程變化，對(duì)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(duì)地物的粗糙度表達(dá)的更為細(xì)膩，可以真實(shí)的反應(yīng)出鄰域內(nèi)所有點(diǎn)云在微觀上的變化[15]。

3)相對(duì)高程

相對(duì)高程對(duì)于縮小地形起伏波動(dòng)有一定影響，主要通過(guò)指定點(diǎn)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(jì)算公式：

RH=H-HCMIN

(11)

3.3 實(shí)驗(yàn)與結(jié)果分析

3.3.1實(shí)驗(yàn)平臺(tái)

采用Visual Studio(C++)開(kāi)發(fā)環(huán)境，LiDAR_Suite數(shù)據(jù)處理軟件進(jìn)行開(kāi)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(yàn)的數(shù)據(jù)分為訓(xùn)練模式和測(cè)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(xiàng)。

3.3.2確定鄰域半徑

點(diǎn)云的間接特征提取有一個(gè)前提，即需要先設(shè)定鄰域范圍。因?yàn)猷徲虻陌霃綄?duì)于特征提取十分敏感，如果鄰域的半徑相差較大，會(huì)影響最終的分類精度[17]。因此，對(duì)不同的鄰域半徑進(jìn)行實(shí)驗(yàn)，確定最優(yōu)的領(lǐng)域半徑十分重要。通過(guò)設(shè)定多個(gè)鄰域半徑，在每一個(gè)半徑下構(gòu)建特征空間，然后進(jìn)行分類模型的訓(xùn)練。最后對(duì)測(cè)試的樣本進(jìn)行預(yù)測(cè)，結(jié)果如圖6所示。

圖6 測(cè)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(shí)，電力線分錯(cuò)的點(diǎn)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(jī)提取電力線點(diǎn)云

使用支持向量機(jī)進(jìn)行點(diǎn)云分類時(shí)，首先需要對(duì)整個(gè)數(shù)據(jù)集進(jìn)行劃分，將其劃分為訓(xùn)練和測(cè)試2大部分：一是利用訓(xùn)練集部分所生成的模型；二是對(duì)測(cè)試集部分進(jìn)行分類實(shí)驗(yàn)。本研究最終的目的提取電力線點(diǎn)，因此可以將電力線點(diǎn)云單獨(dú)作為一類，其余的作為另一類。在整個(gè)實(shí)驗(yàn)過(guò)程中，要根據(jù)提取的點(diǎn)云特征進(jìn)行驗(yàn)證，以實(shí)數(shù)向量的形式進(jìn)行表達(dá)，根據(jù)特征大小，對(duì)提取的特征進(jìn)行歸一化處理。將每一個(gè)特征都集中放到同一個(gè)區(qū)間內(nèi)，可以有效避免因數(shù)值較大而產(chǎn)生過(guò)分分配數(shù)值小的情況，還可以降低支持向量機(jī)中核函數(shù)計(jì)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(yàn)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(duì)訓(xùn)練集進(jìn)行訓(xùn)練，得到分類模型后對(duì)2部分的測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，具體流程如圖7所示[19]。

圖7 試驗(yàn)流程Fig.7 Test process

本研究所采用的算法，可以準(zhǔn)確的進(jìn)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(cuò)誤。因?yàn)檫@些區(qū)域的聯(lián)系緊密，而且點(diǎn)的特征相似，容易出現(xiàn)分類錯(cuò)誤。支持向量機(jī)對(duì)于電力線的分類效果明顯，對(duì)于分類出的電力線點(diǎn)基本上都維持原來(lái)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(duì)分類的結(jié)果進(jìn)行評(píng)價(jià)，具體如表2所示。

表2 測(cè)試數(shù)據(jù)精度評(píng)價(jià)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(cè)試樣本，其總體精度和Kappa系數(shù)的精度評(píng)價(jià)結(jié)果較高。這也更加體現(xiàn)出了使用支持向量機(jī)進(jìn)行點(diǎn)云特征提取所得到的有效性。

4 結(jié)語(yǔ)

本文對(duì)提出結(jié)合區(qū)域增長(zhǎng)的SVM機(jī)載激光雷達(dá)功率點(diǎn)云提取方法進(jìn)行了闡述，全面介紹了SVM算法的基本理論；然后結(jié)合機(jī)載電力線走廊特征點(diǎn)云數(shù)據(jù)，直接和間接提取電力線分類有效點(diǎn)云特征構(gòu)建特征空間。最后，通過(guò)實(shí)驗(yàn)進(jìn)行研究，主要包括4個(gè)部分：點(diǎn)云鄰域特征半徑確定實(shí)驗(yàn)、支持向量機(jī)提取電力線實(shí)驗(yàn)、電力線區(qū)域生長(zhǎng)實(shí)驗(yàn)、點(diǎn)云密度和電力線提取精度實(shí)驗(yàn)；通過(guò)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(duì)實(shí)驗(yàn)結(jié)果進(jìn)行了分析，結(jié)果表明，提出的算法對(duì)電力線走廊數(shù)據(jù)的提取具有較高的精度。