基于卷積自編碼網(wǎng)絡(luò)的桿塔點(diǎn)云數(shù)據(jù)自動(dòng)分類(lèi)方法

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(guó)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(duì)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(guó)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(guò)大容量遠(yuǎn)距離輸電系統(tǒng)來(lái)實(shí)現(xiàn)。采用高壓、超高壓輸電系統(tǒng)是實(shí)現(xiàn)長(zhǎng)距離輸送電力能源的主要方式。超高壓大容量輸電線(xiàn)路大幅度擴(kuò)建后，維護(hù)超高壓輸電線(xiàn)路的安全穩(wěn)定運(yùn)行是我國(guó)經(jīng)濟(jì)建設(shè)高速增長(zhǎng)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(wú)法滿(mǎn)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(xiàn)路巡檢工具在20 世紀(jì)50 年代開(kāi)始出現(xiàn)在歐美等發(fā)達(dá)國(guó)家[2]，而國(guó)內(nèi)直升機(jī)輸電線(xiàn)路巡檢方式是進(jìn)入21 世紀(jì)后才開(kāi)始出現(xiàn)。直升機(jī)搭載激光探頭和可見(jiàn)光成像設(shè)備可以獲取到輸電線(xiàn)路上部件的三維坐標(biāo)信息可以被用來(lái)進(jìn)行測(cè)距進(jìn)而對(duì)輸電線(xiàn)路上的樹(shù)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(jiǎn)單等特點(diǎn)，逐步開(kāi)始應(yīng)用于測(cè)繪、電網(wǎng)規(guī)劃、災(zāi)害應(yīng)急響應(yīng)、線(xiàn)路架設(shè)、安全監(jiān)測(cè)等電力系統(tǒng)任務(wù)之中[3-4]。

桿塔是輸電線(xiàn)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(lèi)型判斷出輸電線(xiàn)路的各種屬性，也可以通過(guò)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(xiàn)，間隔棒，防震錘，線(xiàn)夾等。所以準(zhǔn)確的識(shí)別出桿塔類(lèi)型對(duì)于實(shí)現(xiàn)輸電線(xiàn)路的自動(dòng)化巡維有著重要的意義。Charles R. Qi 等在文獻(xiàn)[5] 中提出通過(guò)深度層次特征的方法來(lái)檢測(cè)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(guò)多而不能對(duì)所有的點(diǎn)云數(shù)據(jù)進(jìn)行處理只能對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行抽稀，導(dǎo)致原來(lái)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(lái)識(shí)別室外場(chǎng)景中的物體目標(biāo)，該方法在使用點(diǎn)云數(shù)據(jù)檢測(cè)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(shí)別率但是增強(qiáng)了算法的時(shí)間和空間復(fù)雜度。我們?cè)诒疚闹刑岢隽艘环N基于卷積自編碼網(wǎng)絡(luò)的桿塔點(diǎn)云數(shù)據(jù)自動(dòng)分類(lèi)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(jiǎn)要的論述了輸電線(xiàn)路巡檢的重要意義以及點(diǎn)云數(shù)據(jù)目標(biāo)檢測(cè)識(shí)別技術(shù)的發(fā)展現(xiàn)狀；第二部分我們?cè)敿?xì)介紹了我們所提出的桿塔點(diǎn)云數(shù)據(jù)分類(lèi)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(jiǎn)單的總結(jié)。

1 桿塔點(diǎn)云自動(dòng)分類(lèi)算法

通過(guò)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(guò)激光點(diǎn)云數(shù)據(jù)我們可以實(shí)現(xiàn)輸電線(xiàn)路上的自動(dòng)樹(shù)障缺陷分析；近年來(lái)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(chē)牌識(shí)別、人臉識(shí)別技術(shù)的成功應(yīng)用給我們的生活帶來(lái)了很多便捷。自編碼神經(jīng)網(wǎng)絡(luò)作為非線(xiàn)性降維工具是對(duì)PCA 線(xiàn)性降維工具補(bǔ)充，通過(guò)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(xiàn)性特征，使用這些特征我們就可以實(shí)現(xiàn)對(duì)圖像數(shù)據(jù)的無(wú)監(jiān)督分類(lèi)；現(xiàn)實(shí)世界中的數(shù)據(jù)按照機(jī)器學(xué)習(xí)的類(lèi)型來(lái)分有標(biāo)注的數(shù)據(jù)（對(duì)應(yīng)于監(jiān)督學(xué)習(xí)）和無(wú)標(biāo)注數(shù)據(jù)（對(duì)應(yīng)于無(wú)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(wú)監(jiān)督數(shù)據(jù)，所以對(duì)無(wú)監(jiān)督學(xué)習(xí)方法研究有著非常重要的意義，常見(jiàn)的無(wú)監(jiān)督學(xué)習(xí)方法有kmean 聚類(lèi)，高斯聚類(lèi)，混合高斯聚類(lèi)，均值漂移聚類(lèi)，EM 聚類(lèi)。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(lèi)算法實(shí)現(xiàn)對(duì)桿塔點(diǎn)云數(shù)據(jù)進(jìn)行自動(dòng)化分類(lèi)的方法。我們首先對(duì)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(duì)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(lèi)器中實(shí)現(xiàn)自動(dòng)分類(lèi)。

圖1 桿塔三維點(diǎn)云數(shù)據(jù)自動(dòng)分類(lèi)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(guò)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(duì)戶(hù)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(duì)我們的后期分類(lèi)帶來(lái)干擾，為了消除這種干擾我們對(duì)v 值進(jìn)行了截?cái)?。我們使用投影圖像中的前景像素點(diǎn)擬合直線(xiàn)，用直線(xiàn)的傾角來(lái)代表?xiàng)U塔投影圖像的方向如圖2 左圖中紅色直線(xiàn)所示，圖2 右圖為旋轉(zhuǎn)后的投影圖像。

1.2 圖像特征自動(dòng)提取

激光雷達(dá)獲取到的輸電線(xiàn)路點(diǎn)云數(shù)據(jù)是海量的無(wú)標(biāo)注數(shù)據(jù)，這些數(shù)據(jù)無(wú)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(guò)無(wú)監(jiān)督分類(lèi)的算法對(duì)其進(jìn)行處理。為了提取到好的圖像分類(lèi)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(duì)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(duì)輸入的投影圖像進(jìn)行降維得到分類(lèi)特征向量。桿塔投影圖像的自動(dòng)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(dòng)特征提取算法流程圖

1.3 圖像自動(dòng)分類(lèi)

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(guò)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(zhǎng)和距離最小的分布作為匹配結(jié)果，如果沒(méi)有滿(mǎn)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(lèi)別。

2 實(shí)驗(yàn)結(jié)果和分析

我們?cè)趗buntu1804 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(duì)4 條220 kV 和6 條500 kV 的輸電線(xiàn)路進(jìn)行了掃描巡檢，一共獲取到了1302 級(jí)桿塔，共包含5 種桿塔，并使用本文提出的算法對(duì)其進(jìn)行了測(cè)試。桿塔點(diǎn)云數(shù)據(jù)分類(lèi)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(duì)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(dòng)聚類(lèi)。我們對(duì)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(cè)試樣本集（270），分類(lèi)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(dòng)分類(lèi)算法性能分析

在測(cè)試圖像集上，我們記錄了270 個(gè)目標(biāo)的分類(lèi)結(jié)果如表1 所示，算法的正確識(shí)別率為：270/270 = 100%，識(shí)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(cè)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(yǔ)

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(xiàn)路桿塔點(diǎn)云數(shù)據(jù)自動(dòng)分類(lèi)方法，通過(guò)對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行投影和直線(xiàn)擬合計(jì)算出點(diǎn)云數(shù)據(jù)旋轉(zhuǎn)角度，對(duì)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(duì)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(duì)輸入圖像的降維編碼；最后使用EM 聚類(lèi)算法對(duì)桿塔點(diǎn)云圖像的向量進(jìn)行自動(dòng)分類(lèi)。實(shí)驗(yàn)結(jié)果表明本文的算法可以實(shí)現(xiàn)對(duì)桿塔點(diǎn)云數(shù)據(jù)的自動(dòng)分類(lèi)，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(duì)無(wú)監(jiān)督機(jī)器學(xué)習(xí)的一種探索。