一種特征量化賦權(quán)的配電線點(diǎn)云自動(dòng)提取方法

宋佳倩，李少達(dá)*，譚駿祥，雷 杰，包櫟煬，杜永永，李啟濤

（1.成都理工大學(xué) 地球科學(xué)學(xué)院, 四川 成都 610000；2.國網(wǎng)成都供電公司，四川 成都 610000；3.長江水利委員會(huì)水文局 長江上游水文水資源勘測(cè)局，重慶 400020）

現(xiàn)有電力線提取方法和相關(guān)軟件如點(diǎn)云魔方、Alundar Platform點(diǎn)云處理軟件等，主要針對(duì)高壓、超高壓輸電場景，對(duì)于電力線架設(shè)較低，線樹矛盾嚴(yán)重的配電網(wǎng)場景的適用性研究較少。因此，本文針對(duì)配電網(wǎng)場景點(diǎn)云數(shù)據(jù)重要的鄰域幾何特征并結(jié)合地物空間分布特點(diǎn)，設(shè)計(jì)了一種基于多特征量化賦權(quán)的電力線提取方法。

1 無人機(jī)LiDAR點(diǎn)云電力線提取

基于配電網(wǎng)場景的特殊性，本文提出了一種無人機(jī)LiDAR點(diǎn)云電力線提取方法。該方法主要包括感興趣區(qū)檢測(cè)、特征化量化、電力線提取三大步驟。

1.1 感興趣區(qū)檢測(cè)

針對(duì)配電網(wǎng)場景原始點(diǎn)云數(shù)據(jù)進(jìn)行感興趣區(qū)檢測(cè)主要包括兩部分工作，分別是離群點(diǎn)檢測(cè)和格網(wǎng)高差濾波。由于激光雷達(dá)掃描儀在獲取數(shù)據(jù)時(shí)因空中漂浮物、飛行鳥類等易產(chǎn)生影響數(shù)據(jù)處理的離群點(diǎn)，因此本文將采用半徑濾波算法進(jìn)行離群點(diǎn)剔除。該方法可根據(jù)點(diǎn)云數(shù)據(jù)密度設(shè)置搜索半徑、最小點(diǎn)數(shù)閾值，有效去除離地物較遠(yuǎn)、位置較為分散的離群點(diǎn)[1-2]。配電網(wǎng)場景線路架設(shè)多經(jīng)過農(nóng)村、鄉(xiāng)鎮(zhèn)等人口密集區(qū)域，地形較為平坦，場景內(nèi)有電力線、桿塔、植被、建筑等地物，其中電力線依靠桿塔水平懸掛于空中，其所處高度范圍內(nèi)可能存在植被、建筑等地物，給電力線提取造成一定干擾。因此可先去除電力線架設(shè)高度以下的近地點(diǎn)，減少非電力線點(diǎn)數(shù)量，提高后續(xù)點(diǎn)云數(shù)據(jù)處理效率。根據(jù)國家能源局《10 kV 及以下架空配電網(wǎng)線路技術(shù)規(guī)程》[3]（以下簡稱《規(guī)程》）中對(duì)不同規(guī)模配電網(wǎng)架空線路安全距離的規(guī)定，可依據(jù)實(shí)際數(shù)據(jù)情況設(shè)置相應(yīng)高度閾值dH，并基于二維格網(wǎng)劃分點(diǎn)云數(shù)據(jù)，計(jì)算每個(gè)格網(wǎng)內(nèi)非地面點(diǎn)高程Z與格網(wǎng)內(nèi)高程最小值Zmin之差，若Z-Zmin＞dH保留該點(diǎn)，反之則為近地點(diǎn)，將其去除。通過格網(wǎng)高差濾波可去除全部地面點(diǎn)及大部分植被、建筑物點(diǎn)。

1.2 特征化量化

點(diǎn)云特征作為分類的重要依據(jù)，其特征的選取會(huì)直接影響分類的精度及效率，因此選擇合適的特征來提取目標(biāo)顯得尤為重要[4]。根據(jù)不同地物因分布不同、幾何特性不同會(huì)導(dǎo)致其在特征提取時(shí)有不同反應(yīng)的特點(diǎn)，本文選擇了2 種類型的點(diǎn)特征來進(jìn)行分析，即基于特征值特征和基于高度信息特征，共計(jì)5 種點(diǎn)特征。特征值特征主要包括線性度、平面度、主方向3 種，它們是通過構(gòu)建激光點(diǎn)最佳鄰域半徑內(nèi)所有點(diǎn)的協(xié)方差矩陣計(jì)算而來。高度特征主要有H-Hmin和高程標(biāo)準(zhǔn)差，前者為激光點(diǎn)鄰域內(nèi)總的高差，后者表示激光點(diǎn)鄰域內(nèi)的高程標(biāo)準(zhǔn)差，具體信息見表1。為顯示不同特征對(duì)地物的區(qū)分能力，將計(jì)算后的特征值進(jìn)行歸一化，并按[0,0.33]、(0.33,0.67]、(0.67,1]3 個(gè)區(qū)間用藍(lán)、綠、紅三色表示特征對(duì)地物的顯著區(qū)分程度，結(jié)果如圖1所示。

圖1 特征顯著區(qū)分性對(duì)比

表1 點(diǎn)云特征描述

配電網(wǎng)場景主要包括電力線、桿塔、植被和建筑4類地物。根據(jù)圖1可知線性度、主方向、H-Hmin和平面度特征分別在四類地物中表現(xiàn)最好。H-Hmin特征中植被和桿塔顯著區(qū)分性相近，不易將兩者進(jìn)行區(qū)分，而在高程標(biāo)準(zhǔn)差特征中兩者顯著性各異。因此針對(duì)單一特征在復(fù)雜場景中電力線提取適用性較差，精度較低的問題，本文引入了一種特征化量化方法：

1）特征正、負(fù)向化處理：為兼顧特征變異性及相關(guān)性，需基于電力線對(duì)5 種特征進(jìn)行無量綱化處理[5-6]。即電力線在線性特征中表現(xiàn)最佳，其特征值越大越好，因此需對(duì)線性度特征正向化處理，如式（1）。其余4 種特征對(duì)電力線區(qū)分性較弱，其特征值越小越好，因此需進(jìn)行負(fù)向化處理，如式（2）。

2）特征變異性與相關(guān)性計(jì)算：特征變異性（Sj）是指特征在樣本之間取值差距的大小，相關(guān)性（Rj）是指特征之間的相關(guān)程度，將兩者綜合考慮可實(shí)現(xiàn)對(duì)電力線點(diǎn)云數(shù)據(jù)的客觀評(píng)價(jià)，數(shù)據(jù)計(jì)算如式（3）、（4）。

3）量化賦權(quán)：根據(jù)特征變異性和相關(guān)性結(jié)果計(jì)算特征在整個(gè)量化系統(tǒng)中的信息量（Wj），從而分配各特征在區(qū)分電力線過程中所占的權(quán)重之比。具體權(quán)重計(jì)算如式（5）。

式（1）、（2）中，為xij（樣本中第i個(gè)電力線點(diǎn)的第j個(gè)特征的特征值）經(jīng)正、負(fù)向化處理后的特征值；式（3）中n為電力線樣本點(diǎn)云；式（4）中p為每個(gè)樣本點(diǎn)的特征數(shù)量；cov(xj，xl)為第j個(gè)特征和第l個(gè)特征之間的協(xié)方差；Dxj、Dxl為第j個(gè)特征和第l個(gè)特征的方差；式（5）中Sj和Rj的乘積為第j個(gè)特征的信息量，信息量越大，表示該特征的重要性相對(duì)較大。

1.3 電力線提取

配電網(wǎng)場景電力線提取即從場景內(nèi)的所有地物中將電力線單獨(dú)提取出來，采用基于特征權(quán)重的電力線提取方法綜合考慮了特征與地物間的關(guān)系，可實(shí)現(xiàn)電力線與場景內(nèi)其他地物的分離。計(jì)算場景內(nèi)所有地物點(diǎn)經(jīng)特征賦權(quán)后的百分制綜合得分，即點(diǎn)經(jīng)過正、負(fù)向化處理后的各特征值與其對(duì)應(yīng)權(quán)重（Wj）乘積總和的百分化結(jié)果。通過測(cè)試確定劃分出電力線點(diǎn)的最優(yōu)分?jǐn)?shù)，分?jǐn)?shù)大于80時(shí)能提取出完整的電力線點(diǎn)，此外，還存在部分未完全去除的其他地物點(diǎn)，在點(diǎn)云空間中散亂分布，不具有完整形態(tài)，且密度不均，彼此間距離不具有規(guī)律性，與電力線點(diǎn)云分布形成鮮明對(duì)比。DBSCAN 算法是基于密度的聚類算法，具有能忽略噪點(diǎn)和孤立點(diǎn)數(shù)據(jù)影響，將足夠高密度的區(qū)域劃分為簇，并可在噪聲存在的空間數(shù)據(jù)中發(fā)現(xiàn)任意形狀聚類體的優(yōu)點(diǎn)。因此可采用DBSCAN聚類算法表示點(diǎn)云類別間的差異性，實(shí)現(xiàn)電力線與其他地物噪點(diǎn)的劃分[7]。本文根據(jù)電力線架設(shè)規(guī)則，設(shè)置合適的鄰域半徑和最小樣本點(diǎn)數(shù)進(jìn)行密度聚類。根據(jù)電力線水平懸掛于一定高度范圍內(nèi)，電力線點(diǎn)數(shù)量較多，而其他地物噪點(diǎn)散亂分布的特點(diǎn)。本文通過分析各點(diǎn)云簇的高度分布情況，即同一高度范圍內(nèi)所具有的點(diǎn)云數(shù)量篩選出電力線類別，完成電力線提取。

2 實(shí)驗(yàn)與結(jié)果分析

本實(shí)驗(yàn)硬件環(huán)境配置為Intel（R）Core（TM）i5-10200H CPU，主頻為2.40 GHz，運(yùn)行內(nèi)存為16 G，GPU為GeForce GTX1650Ti，顯存為4 G。軟件環(huán)境為CUDA Toolkit 10.0,CUDNN V7.4.1.5；Python 3.8；使用集成的Open3D、pclpy庫。

2.1 實(shí)驗(yàn)數(shù)據(jù)

以10 kV 和35 kV 配電網(wǎng)場景無人機(jī)點(diǎn)云數(shù)據(jù)為研究對(duì)象驗(yàn)證該方法的有效性。如圖2 所示，數(shù)據(jù)1和數(shù)據(jù)2 為10 kV 配電網(wǎng)場景，經(jīng)過農(nóng)村地區(qū)，線路架設(shè)較低，與周圍植被、建筑距離較近，點(diǎn)云密度較高。數(shù)據(jù)2 為35 kV 配電網(wǎng)場景，經(jīng)過鄉(xiāng)鎮(zhèn)地區(qū)，相對(duì)于10 kV 線路架設(shè)較高，場景內(nèi)線路、植被和建筑規(guī)劃整齊，但線路下的綠化植被與線路距離較近，數(shù)據(jù)具體信息見表2?？梢?，選取數(shù)據(jù)來自不同地理環(huán)境、輸電線規(guī)模、點(diǎn)云密度等，在實(shí)際電網(wǎng)工程應(yīng)用中具有一定代表性。

圖2 實(shí)驗(yàn)數(shù)據(jù)

表2 實(shí)驗(yàn)數(shù)據(jù)基本信息

2.2 實(shí)驗(yàn)與結(jié)果分析

針對(duì)10 kV和35 kV配電網(wǎng)點(diǎn)云數(shù)據(jù)進(jìn)行電力線提取，首先為保證點(diǎn)云鄰域計(jì)算準(zhǔn)確性且根據(jù)《規(guī)程》對(duì)于配電導(dǎo)線最小線間距離及導(dǎo)線在居民或非居民區(qū)與地面或街道行道樹之間最小距離要求，本文設(shè)置r=0.5 m 進(jìn)行半徑濾波，2 m×2 m 網(wǎng)格及dH=2.5 m 完成格網(wǎng)高差濾波以實(shí)現(xiàn)感興趣區(qū)檢測(cè)。然后選用n=1 080 個(gè)電力線點(diǎn)，p=5 個(gè)點(diǎn)云特征采用本文方法計(jì)算各特征的權(quán)重，最終線性度、平面度、主方向、H-Hmin和高程標(biāo)準(zhǔn)差特征的權(quán)重依次為0.17、0.17、0.15、0.28 和0.23。根據(jù)權(quán)重計(jì)算所有點(diǎn)的特征綜合得分以完成電力線候選點(diǎn)云的提取。最后根據(jù)電力線樣本點(diǎn)分布情況設(shè)置鄰域半徑Reps=1.78 m，最小樣本點(diǎn)數(shù)PminPts=39 進(jìn)行DBSCAN 聚類分離電力線點(diǎn)和其他地物噪點(diǎn)，通過分析各點(diǎn)云簇高程分布情況篩選出電力線點(diǎn)云。

本文精度評(píng)價(jià)主要通過統(tǒng)計(jì)實(shí)驗(yàn)提取的電力線點(diǎn)數(shù)，并以CloudCompare軟件手動(dòng)提取結(jié)果為參考，計(jì)算精確率（precision）、召回率（recall）和F1-score等評(píng)價(jià)指標(biāo)，具體計(jì)算如式（6）、（7）、（8）。

式中，TP為提取出正確的電力線點(diǎn)數(shù)；FP為錯(cuò)誤提取的非電力線點(diǎn)數(shù)；FN為未提取的電力線點(diǎn)數(shù)。

為驗(yàn)證本文方法在配電網(wǎng)場景中的通用性，本文以2.1 節(jié)選取的三景數(shù)據(jù)作為測(cè)試數(shù)據(jù)，采用本文方法提取電力線。由表3可知，數(shù)據(jù)1和2提取精度略低于數(shù)據(jù)3，精確率分別為96.47%和95.50%，主要原因在于場景內(nèi)包含的桿塔結(jié)構(gòu)較為復(fù)雜，部分與電力線存在相似性，造成提取過程中與電力線連接的桿塔點(diǎn)誤提取，如圖3a、b 虛線圓圈所示；召回率分別為98.36%和97.73%，主要原因在于基于特征權(quán)重從場景中分離電力線時(shí)，桿塔點(diǎn)綜合得分低于電力線點(diǎn)，使得與桿塔連接的電力線點(diǎn)欠提取，如圖3a、b虛線方框所示。數(shù)據(jù)3 精確率、召回率相對(duì)較高，為97.82%和99.76%，但也存在桿塔結(jié)構(gòu)與電力線結(jié)構(gòu)相似的情況，如圖3c 虛線方框所示部分桿塔點(diǎn)被誤提取。

圖3 實(shí)驗(yàn)數(shù)據(jù)電力線提取結(jié)果

表3 電力線提取結(jié)果分析

為測(cè)試本文方法的可靠性，本文以35 kV 配電網(wǎng)場景數(shù)據(jù)為測(cè)試數(shù)據(jù)，采用現(xiàn)有的2 種電力線提取方法與本文方法進(jìn)行比較，精度評(píng)價(jià)結(jié)果如表4 所示。其中方法一是利用霍夫變換檢測(cè)提取電力線[10]，方法二是基于點(diǎn)云幾何特征提取電力線。

表4 不同方法電力線提取結(jié)果分析

由表4 可知，相較于其他2 種方法，本文方法提取結(jié)果優(yōu)良，精確率、召回率較高，表明該方法能正確提取電力線。方法一，由于在俯視投影面上會(huì)誤提取與電力線同直線分布的樹木點(diǎn)云，造成精確率相對(duì)較低，僅為96.65%。方法二，與本文方法均基于特征提取電力線，但精確率、召回率相對(duì)較低，為83.47%和94.53%，原因在于方法二所選特征基于輸電場景，高壓電線重量及布設(shè)長度與配電線不同，會(huì)出現(xiàn)如水平夾角略有差異的情況，造成桿塔與電力線連接處欠提取。因此本文所選特征針對(duì)配電網(wǎng)場景地物選取，旨在利用特征對(duì)地物的顯著區(qū)分能力分離距離較近的電力線與其他地物，且本文量化賦權(quán)方法是基于特征的變異性和相關(guān)性綜合衡量以確定特征的客觀權(quán)重，既考慮了不同位置電力線樣本點(diǎn)的變異性，又權(quán)衡了特征之間的相關(guān)程度，具有一定的客觀性。

3 結(jié) 語

本文以配電網(wǎng)激光點(diǎn)云數(shù)據(jù)為研究對(duì)象，結(jié)合激光點(diǎn)云數(shù)據(jù)特點(diǎn)及配電網(wǎng)輸電導(dǎo)線架設(shè)特性，建立了一種電力線提取方法。該方法不僅在效率上滿足配電網(wǎng)電力巡檢時(shí)對(duì)數(shù)據(jù)進(jìn)行實(shí)時(shí)處理的需求，而且在精度上也滿足了對(duì)配電網(wǎng)場景進(jìn)行安全距離分析的應(yīng)用需求。該方法的優(yōu)點(diǎn)在于能綜合考慮場景內(nèi)各地物的空間結(jié)構(gòu)和分布特點(diǎn)，根據(jù)地物點(diǎn)云特征顯著區(qū)分性實(shí)現(xiàn)較近地物的分離從而以較高精度實(shí)現(xiàn)電力線提取。但該方法仍有一些局限，后續(xù)研究將進(jìn)一步完善以提高電力線提取方法的工程適用性。