基于無人機激光點云的樹障檢測與砍伐樹木數(shù)量估算*

張?zhí)K，齊立忠，韓文軍，朱笑笑，習曉環(huán)，王成，王濮，聶勝?

(1 國網(wǎng)經(jīng)濟技術研究院有限公司 電網(wǎng)工程航空遙感與線路智能巡檢聯(lián)合實驗室， 北京 102209； 2 中國科學院遙感與數(shù)字地球研究所 數(shù)字地球重點實驗室， 北京 100094； 3 中國科學院大學， 北京 100049)(2019年10月17日收稿； 2019年12月31日收修改稿)

電力走廊內的樹木生長過快會對電力線路安全運行造成威脅，從而形成樹障隱患。精確檢測樹障隱患，確定危險樹木的準確位置和數(shù)量，并將樹障區(qū)域內的危險樹木進行砍伐對電網(wǎng)安全至關重要[1-2]。傳統(tǒng)的樹障檢測通常是基于人工巡查的方式實現(xiàn)的，電力部門工作人員親自到現(xiàn)場測量輸電線路到樹木的距離并記錄下來，一旦超過安全距離，則視為存在樹障隱患[3-4]。這種方法的樹障檢測結果受人為因素的影響極大，且會危及巡線工人的生命安危。同時該方法樹障檢測質量無法得到保障，線路的安全狀況亦得不到保證?？傊?，傳統(tǒng)基于人工巡檢方式的樹障檢測巡檢周期長、作業(yè)強度大，無法保證樹障檢測結果客觀性與完整性，可靠性差，難以滿足智能電網(wǎng)建設和大電網(wǎng)安全的需求[3-5]。如何提高輸電線路的樹障檢測精度和效率，成為困擾電力行業(yè)的一個重大難題。國內外越來越多的研究學者開始利用低空可見光航拍影像、傾斜攝影等對架空輸電線路進行樹障檢測[6-7]，這種樹障檢測方式雖然在一定程度上大大提高了效率，但存在定位精度低、不穩(wěn)定等問題，且無法實現(xiàn)三維空間的精準量測，很難精確判斷線路走廊內樹木到導線的距離，無法實現(xiàn)樹障的有效檢測。

機載激光雷達技術的快速發(fā)展，使其成為樹障檢測最具潛力的技術之一。機載激光雷達技術通過集成激光掃描儀、GPS差分定位以及IMU姿態(tài)測量，生成高精度、高密度的三維激光點云數(shù)據(jù)，進而快速獲取電力廊道內各類地物的高精度三維空間信息[8-9]，且激光雷達技術能夠實現(xiàn)三維空間的精準量測，從而精確判斷樹木到導線的距離進而大幅提高樹障檢測的精度[10-13]。此外，基于機載激光點云數(shù)據(jù)能夠實現(xiàn)單木尺度的精準分割，從而高精度估算樹障內需要砍伐樹木的數(shù)量。因此，基于機載激光雷達獲取的三維激光點云數(shù)據(jù)，能夠快速發(fā)現(xiàn)和檢測樹障區(qū)域，且能精確確定需要砍伐樹木的數(shù)量。

目前已有學者基于激光雷達開展了樹障檢測研究[12, 14-18]。毛強[15]提出基于機載激光雷達數(shù)據(jù)的輸電線路樹障檢測方案，該方案可以有效檢測出樹障點，但是其首先要構建輸電線路走廊三維數(shù)字模型，大大增加了工作量且樹障檢測精度受三維模型精度的影響。阮峻等[16]提出基于固定翼無人機激光雷達點云數(shù)據(jù)的輸電線路三維建模和樹障分析方法，但是該方法不是基于原始的電力線點云數(shù)據(jù)進行樹障分析，而是基于擬合的電力線，其與原始點云存在一定的誤差，會降低樹障檢測的精度。丁薇等[17]提出一種輸電線路走廊樹障自動化檢測方法，其直接利用電力線點云數(shù)據(jù)實現(xiàn)樹障檢測，但需計算每個電力線點到每個植被點的距離，工作量大，計算效率低。因此基于無人機激光雷達技術的輸電線路樹障檢測應用在國內外尚處于探索階段，還未形成完整、高效的技術方案。此外，已有的研究重點關注樹障隱患區(qū)域的檢測，沒有進一步確定需要砍伐樹木的數(shù)量及其準確位置，也就是說目前沒有利用激光雷達開展樹木砍伐樹木數(shù)量估算的研究,該領域尚屬空白。

本項目基于無人機系統(tǒng)獲取激光雷達數(shù)據(jù)，開展基于無人機激光三維掃描技術的樹障檢測和砍伐樹木數(shù)量估算研究，精確檢測出樹障隱患區(qū)域的位置與范圍，確定需要砍伐樹木的棵數(shù)，并給出砍伐每木的位置、樹高等信息。總之，所提方法可以快速發(fā)現(xiàn)與檢測樹障隱患，為樹障隱患的消除提供技術支撐，同時為電網(wǎng)運維單位制定樹木砍伐計劃提供可靠依據(jù)。

1 無人機激光雷達數(shù)據(jù)

為了驗證樹障檢測與砍伐樹木數(shù)量估算方法的可行性，本研究利用無人機搭載Riegl VUX-1激光雷達系統(tǒng)獲取安徽電力輸電廊道500 kV電壓的高精度激光點云數(shù)據(jù)，該電力廊道激光點云數(shù)據(jù)長度達10 km。研究區(qū)以丘陵為主，海拔范圍為68～316 m，地形起伏較大(地形坡度范圍為0°～45°)，且植被覆蓋比較密集。無人機飛行高度為150 m，激光點云密度為100 點/m2，激光點云水平精度和垂直精度分別為20和10 cm。本研究獲取的激光點云密度和精度均能夠滿足后期點云分類、樹障檢測和砍伐樹木數(shù)量估算的需求。

2 研究方法

本文提出一種基于無人機激光點云的樹障檢測與砍伐樹木數(shù)量估算方法。該方法首先通過對無人機激光點云進行去噪預處理、點云分類處理，實現(xiàn)植被點與電力線點的精細分離，然后通過樹障檢測確定樹障隱患區(qū)域，最后對隱患區(qū)域樹木進行單木分割，精確估算需要砍伐的樹木數(shù)量，其總體技術流程圖如圖1。

2.1 激光點云去噪預處理

由于環(huán)境、設備、人為等因素影響，激光掃描數(shù)據(jù)通常存在噪聲點，進而影響后續(xù)數(shù)據(jù)處理與應用[19-20]。相比信號激光點的聚集分布，噪聲點分布比較離散且隨機。鑒于激光信號點云和噪聲點云的明顯差異，本項目擬提出基于點云局部空間分布統(tǒng)計的去噪算法。首先基于原始激光雷達數(shù)據(jù)的點云密度進行分段處理，然后建立點云局部高程頻率直方圖，最后利用最大類間方差法設置自適應閾值實現(xiàn)激光信號點云與噪聲點云的有效分離。

圖1 算法總體技術流程圖Fig.1 The overall flowchart of algorithm

2.2 激光點云分類

1)點云濾波

利用朱笑笑等[21]提出的多級移動曲面擬合的自適應閾值點云濾波方法快速實現(xiàn)地面點和非地面點的分離，此方法首先對去噪后的點云數(shù)據(jù)劃分格網(wǎng)建立格網(wǎng)索引，初始格網(wǎng)大小根據(jù)研究區(qū)最大物體(比如建筑物)大小確定，然后利用每個格網(wǎng)中的最低點建立曲面方程，最終通過高程閾值分離地面點和非地面點。此方法基于真實高程與擬合高程的差值自動設置高程閾值，具有一定的自適應性，能夠快速且準確地實現(xiàn)地面點和非地面點的分離(圖2)。

圖2 點云濾波結果Fig.2 The result of point cloud filtering

2)電力線點提取

濾波后的非地面點中含有電力線點和其他地物點，其中電力線是懸空狀分布的，基于電力線點云的空間分布特征，可以粗提取電力線點云[11, 22-24]，此時電力線點云中可能包含其他地物點，因此基于電力線點的投影分布特點，采用隨機抽樣一致性算法(random sample consensus, RANSAC)實現(xiàn)電力線點的精確提取。首先，基于電力線在水平面上的投影呈線性分布的特點，利用RANSAC直線擬合的線性檢測方法剔除與電力線不在同一線上的噪點；然后基于電力線在垂直面上的投影呈拋物線分布的特點，采用RANSAC拋物線擬合剔除與高壓線處于同一垂直面上的噪點；最終在剔除所有噪聲點后實現(xiàn)電力線點云的精提取，提取精度高達98.1%，完全可以滿足樹障檢測的要求(圖3)。

圖3 電力線點提取結果Fig.3 Extraction results of power line points

3)植被點提取

電力線點提取后，非地面點仍舊包含植被點、桿塔點和建筑點。本文首先利用植被分布區(qū)域與桿塔分布區(qū)域的相對高度差異，設置一定的高度閾值去除非地面點中的桿塔點；然后根據(jù)樹木和建筑物在幾何形態(tài)上的巨大差異，實現(xiàn)植被點和建筑物點的精確分離。建筑表面平坦且局部面元的法向量趨向于豎直狀態(tài)，不同面元的法向量之間也近似平行或呈現(xiàn)一定的規(guī)律性；而植被葉片方向隨機分布，植被點局部法向量方向雜亂無序，不同法向量的夾角在[0,π]之間隨機分布。因此本研究采用法向量分析法來分離植被點和建筑物點，進而實現(xiàn)植被點的精細提取。該方法首先基于局部點云計算每個點的局部面元法向量；然后比較目標點局部面元法向量與鄰域內其他點的法向量，并計算法向量夾角的方差；接著建立法向量夾角方差的頻率直方圖；最終根據(jù)頻率直方圖呈現(xiàn)雙峰分布，將雙峰之間的波谷位置設置為閾值，將方差小于閾值的點判定為建筑物點，否則為植被點，植被點提取結果見圖4。

圖4 植被點提取結果Fig.4 Extraction results of vegetation points

2.3 樹障檢測

點云數(shù)據(jù)分類完成后，可以通過判斷導線與植被之間的距離是否超過安全規(guī)范實現(xiàn)樹障檢測。目前最常用的樹障檢測方法是分別計算每一個電力線點到每個植被點的距離，從而分析是否超過電力線安全運行所規(guī)定的安全距離閾值，如果超過安全距離，則將該植被點當成樹障點。該類方法能夠有效檢測樹障位置和范圍，但是該算法復雜度高、計算量大，難以滿足快速檢測的需求。為了提高樹障檢測的效率，本文首先將電力線點沿x方向進行分段，通過實驗發(fā)現(xiàn)分段間距為1 m時,計算效率和精度均很高。對每段電力線點，找出其所在x范圍內的所有植被點，并計算該段所有植被點到電力線點的水平、垂直和凈空距離，然后與安全距離進行比較分析，最終精確檢測出樹障點，并確定樹障隱患區(qū)域的位置和范圍。

2.4 單木分割與砍伐樹木數(shù)量估算

本文單木分割與砍伐樹木數(shù)量估算方法通過對樹障隱患區(qū)域的植被點進行單木分割，從而確定砍伐樹木的數(shù)量，主要包括單木分割、砍伐樹木數(shù)量估算和精度驗證3個部分。

1)單木分割算法

分別利用基于冠層高度模型(canopy height model, CHM)和無人機激光點云的單木分割方法實現(xiàn)單木點云的精確分離[25-26]?；贑HM分割使用分水嶺分割算法，首先分別基于地面點和植被點生成數(shù)字高程模型(digital elevation model, DEM)和數(shù)字表面模型(digital surface model, DSM)；然后DSM減去DEM可以得到CHM，把CHM模型的局部最大值認為是冠頂，低點是冠層底部，從而利用分水嶺的原理實現(xiàn)單木的高精度分割；基于點云的單木分割采用歸一化分割(normalized cut, Ncut)方法[25-26]，該方法首先提取點云的局部最大值作為初始樹頂，然后利用Ncut方法進行初始單木分割，接著進行迭代約束進一步探測冠層中下層單木，進而盡可能識別所有的單木。

2)砍伐樹木數(shù)量估算方法

在樹障隱患區(qū)域，對植被點進行單木分割，經(jīng)分割后可以獲取每木的位置、樹高、冠幅等信息，然后重新計算分割后每棵樹木到電力線的水平距離、垂直距離和凈空距離，最后統(tǒng)計超出安全距離范圍的單木數(shù)量，進而精確確定需要砍伐樹木的數(shù)量。

3)精度驗證

電力走廊單木分割和樹木砍伐數(shù)量估算精度評價采用人工實地驗證，以人工實地勘測確定的砍伐樹木作為真值進行精度評價。本研究將采用召回率R、正確率P、總體精度F3個指標來評價精度。其中R是正確砍伐的單木數(shù)量與真實需要砍伐樹木數(shù)量的比值，P是正確砍伐的單木數(shù)量占提取單木數(shù)量的比例,F表示綜合考慮R和P的總體精度。因此，F(xiàn)可描述如下

(1)

3 實驗結果分析與討論

1)樹障檢測

利用無人機激光雷達數(shù)據(jù)對該試驗區(qū)進行樹障檢測，其中一段電力線的樹障檢測結果如圖5所示。由圖5可知，總共檢測出樹障隱患區(qū)域2處。每處樹障隱患的相關信息，包括位置、距離等均以樹障檢測報告的形式輸出，如表1所示。為了驗證本文樹障檢測方法的有效性，采用兩種不同的方法進行樹障結果的檢驗。第1種方法是對植被點和電力線點進行手工距離量測，利用“點云魔方”軟件中的距離量測工具，手動測量植被點與電力線點的水平和垂直距離，結果共發(fā)現(xiàn)兩處樹障隱患區(qū)域。通過測量樹障隱患所在的位置及其與電力線的水平距離、垂直距離等，可以發(fā)現(xiàn)通過手工量測的樹障結果與本文提出樹障檢測算法結果基本一致。第2種方法是通過實地勘測，同樣發(fā)現(xiàn)存在兩處隱患，并且隱患區(qū)域的位置和范圍與樹障結果同樣呈現(xiàn)一致性。

圖5 危險點分布圖Fig.5 Distribution of dangerous points

表1 樹障檢測報告Table 1 Danger tree detection report

2)單木分割與砍伐樹木數(shù)量估算

本研究分別利用基于CHM和點云的分割方法對樹障隱患區(qū)域進行單木分割，其中基于點云的單木分割結果如圖6所示。結果表明，基于點云的單木分割方法能有效地分割單木點云，不僅可以識別大的單木，還可以分割中下層單木，而基于CHM的分割方法僅能識別大的單木。

利用上述兩種方法分割之后，統(tǒng)計分析樹障隱患區(qū)域內的單木數(shù)量，對砍伐樹木數(shù)量進行估算，最終采用實測數(shù)據(jù)對單木分割與砍伐樹木數(shù)量估算方法進行精度評估，其結果見表2。由表2可知，兩種方法均能夠識別需要砍伐的樹木，其砍伐樹木數(shù)量的估算精度達到90%，一定程度上表明本文提出的方法能夠適用于確定樹障隱患區(qū)的砍伐樹木數(shù)量。此外，結果還表明相比基于CHM的方法，基于點云的方法能夠更好地估算砍伐樹木的數(shù)量，這是因為基于CHM的單木分割方法無法有效檢測下層低矮樹木，而基于點云的單木分割采用Ncut方法，能夠進一步探測中下層樹木，從而提高砍伐樹木數(shù)量估算精度。

圖6 單木分割結果Fig.6 The results of tree segmentation

表2 單木分割與砍伐樹木數(shù)量估算方法精度驗證結果Table 2 The validation of individual tree segmention and danger tree number estimation

雖然本文提出的砍伐樹木數(shù)量估算方法具有比較高的估算精度，但仍存在一定的誤差，這極可能是由于單木分割引起的，基于點云的單木分割算法能一定程度地實現(xiàn)單木的有效分離，但仍存在過分割與欠分割的問題，進而給砍伐樹木數(shù)量估算帶來不確定性。

4 結論

本文提出一種基于無人機激光雷達點云數(shù)據(jù)的樹障檢測與砍伐樹木數(shù)量估算方法。該方法通過點云精細分類、樹障檢測分析以及單木分割等步驟，有效檢測出樹障的具體位置和區(qū)域范圍，并實現(xiàn)砍伐樹木數(shù)量的精確估算?？傊疚难芯繛殡娏€安全提供了遙感技術支持，同時為電力基層單位制定砍伐計劃提供了重要的參考依據(jù)。然而本文的研究著重分析當前工況下樹障檢測與砍伐樹木數(shù)量估算，無法實現(xiàn)樹障的預警分析，也無法明確未來時期樹木的砍伐計劃。未來研究將著重樹木的智能生長模型研究，從而進行樹障預警分析，并結合機載激光點云數(shù)據(jù)制訂更為科學的巡檢頻率與砍伐計劃。