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)。

1 機載激光雷達技術(shù)

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 點云數(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]。

2.2 點云數(shù)據(jù)特征

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。

3 基于支持向量機的機載激光點云提取方法研究

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

3.1 支持向量機

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)

3.2 點云特征的提取

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 實驗與結(jié)果分析

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。

4 結(jié)語

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。