結(jié)合多光譜和激光雷達(dá)數(shù)據(jù)的輸電線路樹(shù)障識(shí)別和預(yù)測(cè)

衛(wèi)長(zhǎng)安

（長(zhǎng)治職業(yè)技術(shù)學(xué)院 山西省長(zhǎng)治市 046000）

1 多光譜與激光點(diǎn)云技術(shù)融合的意義

輸電線路因植被自然生長(zhǎng)，植被與導(dǎo)線距離低于臨界值而發(fā)生的瞬間擊穿現(xiàn)象從而導(dǎo)致電網(wǎng)跳閘的故障被稱(chēng)作樹(shù)木故障。樹(shù)木故障發(fā)生后重合閘一般難以成功，故障點(diǎn)在短時(shí)間內(nèi)難以快速解決。該類(lèi)故障極易造成線路停運(yùn)，甚至電網(wǎng)營(yíng)運(yùn)的嚴(yán)重事故。因此對(duì)樹(shù)障預(yù)測(cè)的研究就有了迫切的現(xiàn)實(shí)意義。雖然激光點(diǎn)云可以設(shè)定植被每年固定的生長(zhǎng)速率來(lái)生成植被與導(dǎo)線關(guān)系的預(yù)生長(zhǎng)報(bào)告，但這種預(yù)生長(zhǎng)報(bào)告只能對(duì)輸電線路廊道中的植被進(jìn)行簡(jiǎn)單機(jī)械的統(tǒng)一預(yù)測(cè)，由于樹(shù)種的個(gè)體差異或其他某些未知因素影響，不同類(lèi)型樹(shù)木之間的生長(zhǎng)狀態(tài)也會(huì)呈現(xiàn)出差異性，做出不同樹(shù)種區(qū)別化的預(yù)測(cè)無(wú)法達(dá)到。通過(guò)無(wú)人機(jī)采集輸電線路通道內(nèi)激光點(diǎn)云和多光譜等數(shù)據(jù)，利用多光譜數(shù)據(jù)與激光雷達(dá)點(diǎn)云數(shù)據(jù)的結(jié)合識(shí)別典型樹(shù)種，建立不同樹(shù)種的生長(zhǎng)模型，運(yùn)用生長(zhǎng)模型進(jìn)行輸電線路廊道的樹(shù)木故障隱患分析預(yù)測(cè)，并在此研究成果上開(kāi)展樹(shù)種識(shí)別和樹(shù)木生長(zhǎng)仿真研究，實(shí)現(xiàn)輸電通道樹(shù)障的風(fēng)險(xiǎn)預(yù)判，提高電網(wǎng)樹(shù)障風(fēng)險(xiǎn)預(yù)測(cè)準(zhǔn)確率。

2 機(jī)載激光點(diǎn)云在電力通道中的應(yīng)用

隨著遙感技術(shù)的發(fā)展，激光雷達(dá)(Light Detection And Ranging，LiDAR)是集激光掃描測(cè)距系統(tǒng)(Laser Scanner)、全球衛(wèi)星導(dǎo)航系統(tǒng)(Global Navigation Satellite System，GNSS)、慣性測(cè)量單元(Inertial Measurement Unit，IMU)等于一體的新型主動(dòng)式快速測(cè)量技術(shù)，可對(duì)目標(biāo)進(jìn)行高精度三維測(cè)量，可直接獲取表征目標(biāo)表面的點(diǎn)云模型，該模型是包含了三維幾何信息的離散點(diǎn)云數(shù)據(jù)。

通道內(nèi)激光數(shù)據(jù)的采集，是在輸電導(dǎo)線上方保持一定的安全距離，由搭載機(jī)載掃描系統(tǒng)(Airborne Laser Scanning，ALS)的無(wú)人機(jī)或直升機(jī)對(duì)輸電線路通道內(nèi)一定寬度范圍（60米-220 米）發(fā)射激光對(duì)地面進(jìn)行左右往復(fù)逐行掃描，通過(guò)GPS、激光掃描儀、慣性測(cè)量單元等協(xié)同配合，基于航空攝影和激光測(cè)距等原理，生成具備高程、強(qiáng)度、回波、時(shí)間等信息的三維激光點(diǎn)云數(shù)據(jù)。通過(guò)對(duì)激光點(diǎn)云數(shù)據(jù)處理，經(jīng)過(guò)數(shù)據(jù)解算、噪點(diǎn)去除、地面點(diǎn)生成、地上物類(lèi)別分類(lèi)、植被精細(xì)識(shí)別和分類(lèi)等流程，可對(duì)輸電線路廊道中的植被與導(dǎo)線進(jìn)行凈空距離、垂直距離、水平距離的測(cè)量生成可視化數(shù)據(jù)，根據(jù)不同等級(jí)的輸電線路的樹(shù)障檢測(cè)標(biāo)準(zhǔn)生成實(shí)時(shí)工況樹(shù)障報(bào)告。

3 多光譜與激光點(diǎn)云技術(shù)融合的理論基礎(chǔ)

多光譜是光學(xué)被動(dòng)遙感數(shù)據(jù)，可獲得冠層水平信息，根據(jù)不同種類(lèi)植被在不同光譜（藍(lán)光，綠光，紅光，紅邊和近紅外單波段影像）通道下表現(xiàn)出不同色彩信息特征達(dá)到對(duì)其樹(shù)種識(shí)別的目的，從而取得不同樹(shù)種的“指紋特征”，通過(guò)該特征來(lái)反應(yīng)細(xì)微空間尺度上的不同差別。而激光點(diǎn)云數(shù)據(jù)是主動(dòng)遙感數(shù)據(jù)，可直接獲得單株木的位置、樹(shù)高和冠幅這三個(gè)垂直結(jié)構(gòu)參數(shù)以及強(qiáng)度信息，從而獲得單顆樹(shù)木的“形態(tài)特征”。將主動(dòng)激光雷達(dá)遙感所獲取的植被三維空間結(jié)構(gòu)與被動(dòng)多光譜遙感所獲取的二維平面光譜信融合利用，可將植被的“立體結(jié)構(gòu)”和“光譜差異”信息綜合利用，有效地提高植被時(shí)空分布格局和動(dòng)態(tài)變化規(guī)律的準(zhǔn)確刻畫(huà)和定量分析。

4 多光譜與激光點(diǎn)云技術(shù)融合的實(shí)施方案

該方案的技術(shù)融合是基于點(diǎn)云數(shù)據(jù)提供的高精度高程信息和多光譜影像豐富的光譜及紋理信息來(lái)進(jìn)行地物的分類(lèi)和提取，首先需要對(duì)點(diǎn)云數(shù)據(jù)和多光譜數(shù)據(jù)進(jìn)行預(yù)處理。對(duì)于點(diǎn)云數(shù)據(jù)首要是實(shí)現(xiàn)點(diǎn)云去噪、地面點(diǎn)分離、點(diǎn)云分類(lèi)、林木點(diǎn)云單木分割、森林分層及特征變量提取處理等。而多光譜影像主要是獲取地物光譜信息，基于獲取的不同報(bào)端信息拓展計(jì)算了光譜指數(shù)及紋理信息。最終將激光點(diǎn)云點(diǎn)云數(shù)據(jù)與多光譜數(shù)據(jù)進(jìn)行融合處理之后，在具有精準(zhǔn)的三維結(jié)構(gòu)信息的基礎(chǔ)上，擁有了豐富的光譜信息以及紋理信息，由于不同的植被類(lèi)型具有不同的光譜信息，可根據(jù)各類(lèi)地物的特征實(shí)現(xiàn)樹(shù)障樹(shù)種的自動(dòng)識(shí)別。將表征冠層水平方向信息的多光譜數(shù)據(jù)與表征林分垂直結(jié)構(gòu)信息的激光點(diǎn)云點(diǎn)云數(shù)據(jù)融合，形成優(yōu)勢(shì)互補(bǔ)，能有效提高樹(shù)種識(shí)別的精度。

4.1 具體技術(shù)路線

具體技術(shù)路線如圖1 所示。

圖1： 多光譜與激光雷達(dá)技術(shù)路線圖

4.2 激光點(diǎn)云數(shù)據(jù)處理

4.2.1 激光點(diǎn)云預(yù)處理

直接獲取的激光點(diǎn)云數(shù)據(jù)是輸電通道范圍內(nèi)具備三維特征的離散的點(diǎn)云數(shù)據(jù)，不能直接用于數(shù)據(jù)融合，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

首先運(yùn)用激光點(diǎn)云處理軟件進(jìn)行剔除明顯不在通道內(nèi)三維結(jié)構(gòu)中或高度異常的點(diǎn)，之后利用軟件對(duì)點(diǎn)云生成地面點(diǎn)，同時(shí)將非地面點(diǎn)按地物類(lèi)別進(jìn)行分類(lèi)。

4.2.2 基于激光點(diǎn)云的單木識(shí)別分割

在點(diǎn)云處理軟件中設(shè)置按高程顯示激光點(diǎn)云數(shù)據(jù)，根據(jù)軟件設(shè)置，離散點(diǎn)云點(diǎn)高程越高顏色越鮮艷，通過(guò)點(diǎn)云三維特征和高程特征將電力線、絕緣子、引流線等部分分類(lèi)識(shí)別處理。完成激光點(diǎn)云屬性分類(lèi)后，利用點(diǎn)云處理軟件單木分割功能將植被區(qū)進(jìn)行單木分割操作。

單木分割算法采用一種基于原始點(diǎn)云的自上而下的區(qū)域增長(zhǎng)分割算法，主要原理是以點(diǎn)之間的水平距離為限制條件，自頂向下實(shí)現(xiàn)點(diǎn)云聚類(lèi)，從而將單棵樹(shù)木點(diǎn)云依次分割出來(lái)。隨著高度的降低，相鄰樹(shù)木的點(diǎn)間距減小，錯(cuò)分的概率增大。通過(guò)在不同高度使用不同的距離閾值，可以減小錯(cuò)分的概率。用于尋找局部最大點(diǎn)的搜索球半徑和距離閾值是分割算法中兩個(gè)關(guān)鍵參數(shù)。以0.5m 為間隔，將兩參數(shù)在1-4m 范圍內(nèi)進(jìn)行調(diào)整。

4.2.3 基于激光點(diǎn)云的森林分層

在上述單木分割的基礎(chǔ)上，根據(jù)高度、物體特征等進(jìn)一步將道路、電力線、其他地面建筑等進(jìn)行場(chǎng)景識(shí)別與分類(lèi)，可以看到示例點(diǎn)分類(lèi)效果較好，圖2 分別展示整體和局部的識(shí)別分類(lèi)的效果。

圖2： 單木分割結(jié)果及局部展示

從單木分割結(jié)果中獲取單株樹(shù)木的高度，并基于高度信息對(duì)森林點(diǎn)云進(jìn)行分層，從而提取出森林中的不同層次植被。本研究中，分別使用了5m,15m 作為高度閾值從分割結(jié)果中提取出不同的森林層次，把小于5m 的作為灌木，5m-15m之間的作為中等植被，高于15 米的作為喬木。

示例點(diǎn)分層結(jié)果如圖3 所示，可以看到圖中大部分的植被高度是5-15m 范圍內(nèi)，即分層結(jié)果圖示紅色部分；次之是低于5m 的植被，即圖中藍(lán)色部分；只有很少一部分的植被有超過(guò)15m 的部分即圖中綠色代表的植被層。

圖3： 站點(diǎn)植被分成3 層的結(jié)果

4.2.4 基于激光點(diǎn)云的特征變量提取

（1）高度相關(guān)特征。區(qū)別不同樹(shù)種最顯著的特征就是高度，通常高度特征包含四類(lèi)：高度最大值（MaxH）、高度均值（MeanH）、高度標(biāo)準(zhǔn)差（SdH）、高度變異系數(shù)（CVH）。高度特征與灰度值關(guān)系是灰度值越高表示特征值越大。

（2）冠層垂直結(jié)構(gòu)特征。采用數(shù)理統(tǒng)計(jì)中的偏度（SK）和峰度（KU）兩個(gè)變量來(lái)描述樹(shù)種的垂直結(jié)構(gòu)特征。冠層比（CRR）是從測(cè)高觀測(cè)中對(duì)冠層相對(duì)形狀的定量描述，定義為平均高度返回減去最小高度除以最大高度減去最小高度。該比率反映了樹(shù)冠表面在高度范圍的上部（＞0.5）或下部（＜0.5）中的程度。其值越高，冠層（例如，開(kāi)放冠層）中發(fā)生的局部變化越多，而小值表示變化越小（例如閉合或均勻的年齡冠層）。由于所有不同的可能冠層配置和定義尺度的影響，因此沒(méi)有對(duì)給定值的單一解釋?zhuān)虼薈RR 是冠層變化的相對(duì)度量。確定冠層密度（CD）最有效的方法是通過(guò)柵格化將研究區(qū)域劃分為許多大小相等的小像元。在每個(gè)柵格像元中，將地上點(diǎn)的數(shù)量與點(diǎn)的總數(shù)相比。柵格圖如圖4 所示。

圖4： 激光點(diǎn)云高度相關(guān)指標(biāo)

4.3 多光譜影像處理

4.3.1 多光譜影像拼接

基于獲取的無(wú)人機(jī)多光譜影像，根據(jù)每張影片中記錄的信息，輸入到影像拼接軟件中實(shí)現(xiàn)多光譜影像拼接。

4.3.2 基于多光譜影像的特征提取

影像的光譜特征是輔助點(diǎn)云分類(lèi)最為有效的特征。運(yùn)用可見(jiàn)光相機(jī)（RGB 合成影像）及5 個(gè)多光譜相機(jī)（藍(lán)光，綠光，紅光，紅邊和近紅外單波段影像），所有相機(jī)均擁有200 萬(wàn)像素解析力。對(duì)于多光譜影像空間分辨率經(jīng)過(guò)處理后可達(dá)到0.05 米空間分辨率。通過(guò)對(duì)圖像的分析及影像特征的描述可知，多數(shù)樹(shù)種在影像中表現(xiàn)出的色彩信息各不相同，這將為輔助點(diǎn)云分類(lèi)提供最直接有力的依據(jù)。同時(shí)利用紋理特征分析輔助解決異物同譜，同譜異物的現(xiàn)象，運(yùn)用NDVI 指數(shù)來(lái)輔助識(shí)別地面植被密集程度。由圖5 可知綠色植被在近紅外波段反射率較強(qiáng)，在紅光波段發(fā)射率較弱，越是密集、葉綠素含量越高，圖譜顯示越強(qiáng)烈。

圖5： 不同樹(shù)種的多光譜影像

4.4 多光譜影像與激光點(diǎn)云數(shù)據(jù)配準(zhǔn)

多光譜和激光點(diǎn)云數(shù)據(jù)的配準(zhǔn)采用控制點(diǎn)位法進(jìn)行完成。在實(shí)際空間上選好控制點(diǎn)，可以得到該控制點(diǎn)的實(shí)際坐標(biāo)，多光譜影像與激光點(diǎn)云數(shù)據(jù)中都可以觀測(cè)到該控制點(diǎn)。數(shù)據(jù)導(dǎo)入軟件后對(duì)比控制點(diǎn)是否重合，如不重合，將激光數(shù)據(jù)進(jìn)行旋轉(zhuǎn)平移最終達(dá)到控制點(diǎn)重合的多光譜影像與激光雷達(dá)點(diǎn)云融合數(shù)據(jù)。

實(shí)施過(guò)程中，控制點(diǎn)的選擇對(duì)配準(zhǔn)精度有直接的影響，一般應(yīng)選取規(guī)則地物的角點(diǎn)、線路桿塔的拐點(diǎn)以及地面建筑的規(guī)則交點(diǎn)等。為了避免同名點(diǎn)對(duì)選擇過(guò)程中的誤差，通常選擇較多的控制點(diǎn)，對(duì)數(shù)據(jù)進(jìn)行多次擬合分析，將擬合效果最差的控制點(diǎn)剔除，最終選擇殘差較小的同名點(diǎn)進(jìn)行后續(xù)數(shù)據(jù)處理。

4.5 研究針對(duì)特定樹(shù)障樹(shù)種的自動(dòng)識(shí)別與分類(lèi)的核心算法開(kāi)發(fā)與實(shí)現(xiàn)

激光點(diǎn)云點(diǎn)云數(shù)據(jù)與多光譜數(shù)據(jù)進(jìn)行融合處理之后，在具有精準(zhǔn)的三維結(jié)構(gòu)信息的基礎(chǔ)上，擁有了豐富的光譜信息以及紋理信息，將經(jīng)過(guò)濾波處理提取的非地面點(diǎn)數(shù)據(jù)進(jìn)行分類(lèi)處理，由于不同的植被類(lèi)型具有不同的光譜信息，可根據(jù)各類(lèi)地物的特征實(shí)現(xiàn)樹(shù)障樹(shù)種的自動(dòng)識(shí)別，能有效提高樹(shù)種識(shí)別的精度。如圖6 所示。

圖6： 樹(shù)種分類(lèi)識(shí)別結(jié)果

4.6 基于多樹(shù)種和樹(shù)線距離的樹(shù)障風(fēng)險(xiǎn)預(yù)測(cè)

利用單木分割數(shù)據(jù)可以得到單顆樹(shù)木頂端與導(dǎo)線的凈空距離、垂直距離和水平距離，通過(guò)多光譜影像融合激光點(diǎn)云數(shù)據(jù)可提高識(shí)別單顆樹(shù)的樹(shù)種類(lèi)型的概率，根據(jù)不同樹(shù)種類(lèi)型來(lái)設(shè)定不同樹(shù)種的樹(shù)生長(zhǎng)預(yù)測(cè)模型，將該模型結(jié)合已知導(dǎo)線與植被的距離關(guān)系，從而達(dá)到預(yù)測(cè)不同樹(shù)種可能生成樹(shù)障隱患的時(shí)間節(jié)點(diǎn)，制作樹(shù)生長(zhǎng)風(fēng)險(xiǎn)預(yù)測(cè)報(bào)告，給出電網(wǎng)運(yùn)維人員建議，在樹(shù)障隱患發(fā)生前進(jìn)行現(xiàn)場(chǎng)勘查和處理。如圖7所示。

圖7： 目標(biāo)樹(shù)木到電力線的垂直、水平和凈空距離

5 結(jié)語(yǔ)

本文探討了利用激光點(diǎn)云點(diǎn)云數(shù)據(jù)、多光譜影像數(shù)據(jù)進(jìn)行融合后，提取兩者不同特征，從而精確判斷輸電線路通道內(nèi)樹(shù)木的“線樹(shù)”距離和樹(shù)種分布情況；利用輸電線廊道內(nèi)多種實(shí)測(cè)數(shù)據(jù)，構(gòu)建輸電線路通道的典型樹(shù)障生長(zhǎng)周期模型，依據(jù)輸電線路電壓等級(jí)制定檢測(cè)標(biāo)準(zhǔn)，結(jié)合所構(gòu)建模型給出算法，從而達(dá)到預(yù)測(cè)輸電廊道內(nèi)不同樹(shù)種形成樹(shù)障隱患的時(shí)間節(jié)點(diǎn)，為電力部門(mén)降低運(yùn)維成本，提高巡檢效率，推動(dòng)智能電網(wǎng)發(fā)展作出了部分參考。同時(shí)也針對(duì)現(xiàn)有樹(shù)障預(yù)測(cè)方法存在的問(wèn)題提供了一種補(bǔ)充，對(duì)無(wú)人機(jī)巡檢電力領(lǐng)域的拓展提供一定的參考方向。