基于卷積自編碼網絡的桿塔點云數據自動分類方法

趙李強

（昆明能訊科技有限責任公司，昆明 650217）

0 前言

目前我國已經進入工業化全面發展的時期，各行各業對電力資源的需求隨著工業化進程的推進在逐漸增大；在我國電力資源主要集中分布在中西部地區，而經濟發達的區域卻集中分布在東部沿海地區，要打破電力資源和經濟發展分布不均勻的現象，只能通過大容量遠距離輸電系統來實現。采用高壓、超高壓輸電系統是實現長距離輸送電力能源的主要方式。超高壓大容量輸電線路大幅度擴建后，維護超高壓輸電線路的安全穩定運行是我國經濟建設高速增長的堅實基礎，高質量高頻率的巡檢運維是保證大規模輸電系統的穩定運行的必要條件。人工巡檢容易受到地形、人員和天氣等因素的影響，往往導致巡檢效率低下、巡檢效果欠佳，這種人工巡檢的方式已經無法滿足新時代下電力事業發展的需求[1]。在生產實踐急需高效巡檢方法的背景下直升機巡檢技術孕育而生，直升機作為一種新的輸電線路巡檢工具在20 世紀50 年代開始出現在歐美等發達國家[2]，而國內直升機輸電線路巡檢方式是進入21 世紀后才開始出現。直升機搭載激光探頭和可見光成像設備可以獲取到輸電線路上部件的三維坐標信息可以被用來進行測距進而對輸電線路上的樹障等隱患給出預警報告，也正是由于其巡檢效率高、操控方便、維護簡單等特點，逐步開始應用于測繪、電網規劃、災害應急響應、線路架設、安全監測等電力系統任務之中[3-4]。

桿塔是輸電線路系統中的主要部件，它是輸電走廊中的節點部件。我們可以根據桿塔的類型判斷出輸電線路的各種屬性，也可以通過桿塔為起點定位出與桿塔相關聯的各種部件，如絕緣子串，導地線，間隔棒，防震錘，線夾等。所以準確的識別出桿塔類型對于實現輸電線路的自動化巡維有著重要的意義。Charles R. Qi 等在文獻[5] 中提出通過深度層次特征的方法來檢測點云數據中的目標物體，但是由于深度神經參數過多而不能對所有的點云數據進行處理只能對點云數據進行抽稀，導致原來點云數據中包含的信息大量丟失；其次深度神經網絡計算量太大嚴重影響了這種方法的工程化應用；吳登祿等在文獻[6]中提出使用深度神經網絡的方法來識別室外場景中的物體目標，該方法在使用點云數據檢測出點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別率但是增強了算法的時間和空間復雜度。我們在本文中提出了一種基于卷積自編碼網絡的桿塔點云數據自動分類方法，算法流程如圖1所示。本文的組織架構如下，第一部分我們簡要的論述了輸電線路巡檢的重要意義以及點云數據目標檢測識別技術的發展現狀；第二部分我們詳細介紹了我們所提出的桿塔點云數據分類算法；第三部分我們給出了實驗結果及分析；第四部分我們進行了簡單的總結。

1 桿塔點云自動分類算法

通過激光雷獲取的三維點云數據為計算機理解目標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信息為準確判斷物體之間的位置關系提供了強有力的依據，通過激光點云數據我們可以實現輸電線路上的自動樹障缺陷分析；近年來由于計算機硬件性能的不斷提升和機器學習算法理論體系的日趨完善，使得深度學習技術得到了極大的發展。深度卷積神經網絡的應用已經滲透到了我們日常生活的各個方面，車牌識別、人臉識別技術的成功應用給我們的生活帶來了很多便捷。自編碼神經網絡作為非線性降維工具是對PCA 線性降維工具補充，通過卷積自編碼神經網絡我們能夠提取到圖像中的非線性特征，使用這些特征我們就可以實現對圖像數據的無監督分類；現實世界中的數據按照機器學習的類型來分有標注的數據（對應于監督學習）和無標注數據（對應于無監督學習），其中有標注的數據只是總數據中的冰山一角，在工程實踐中我們主要面臨的是無監督數據，所以對無監督學習方法研究有著非常重要的意義，常見的無監督學習方法有kmean 聚類，高斯聚類，混合高斯聚類，均值漂移聚類，EM 聚類。在本文中我們提出了一種基于卷積自編碼神經網絡和EM 聚類算法實現對桿塔點云數據進行自動化分類的方法。我們首先對點云數據進行底面投影實現方向校正，然后再正面和側面投影生成桿塔圖像；第二、將收集的桿塔圖像組成數據集對VGG16 結構的卷積自編碼網絡進行訓練，提取網絡中的編碼部分；第三、將桿塔圖輸入到編碼網絡中獲取到特征向量，將特征向量輸入到EM 分類器中實現自動分類。

圖1 桿塔三維點云數據自動分類算法流程圖

圖2 桿塔點云數據在xy平面內的投影圖像及 旋轉平移后的圖像

1.1 桿塔點云圖像的獲取

深度神經網絡參數過多不適合處理大規模的點云數據，在本文所提出的算法中我們采用的方法是將三維的點云數據投影成圖像。由于激光雷達在掃描桿塔的時候，不能保證掃描平面都是平行于桿塔的正面，故桿塔點云與世界坐標系之間存在夾角，我們需要將桿塔點云的坐標進行旋轉平移使桿塔點云外接橢球的各軸與世界坐標系的各軸近似平行。

桿塔點云數據由世界坐標系到圖像坐標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系中的寬、高和像素值，X,Y,Z 分別代表點云數據在世界坐標系中的坐標。在激光雷達對戶外的桿塔進行掃描時不可避免的帶入噪聲，如桿塔底部的基座，這將對我們的后期分類帶來干擾，為了消除這種干擾我們對v 值進行了截斷。我們使用投影圖像中的前景像素點擬合直線，用直線的傾角來代表桿塔投影圖像的方向如圖2 左圖中紅色直線所示，圖2 右圖為旋轉后的投影圖像。

1.2 圖像特征自動提取

激光雷達獲取到的輸電線路點云數據是海量的無標注數據，這些數據無法使用監督學習的方法進行處理，故在本文中我們提出了通過無監督分類的算法對其進行處理。為了提取到好的圖像分類特征我們采用了卷積自編碼神經網絡，我們使用收集的大量桿塔投影圖像對CAE 網絡進行訓練，然后使用自編碼網絡部分對輸入的投影圖像進行降維得到分類特征向量。桿塔投影圖像的自動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特征提取算法流程圖

1.3 圖像自動分類

正態分布（Normal distribution）是一個在數學、物理及工程等領域都非常重要的概率分布，在統計學的許多方面有著重大的影響力。若隨機變量X 服從一個數學期望為 μ 、標準方差為6 的高斯分布，記為：

則其概率密度函數為：

正態分布的期望值μ 決定了其位置，其標準差σ 決定了分布的幅度。我們假設每一個桿塔投影圖像的編碼向量v 服從某一高斯分布，我們通過輸入的向量v 與已有的桿塔投影圖像向量高斯分布進行歐式距離匹配，我們尋找匹配距離小于桿塔的實際邊長和距離最小的分布作為匹配結果，如果沒有滿足匹配條件的桿塔分布存在那么我們就以當前輸入的向量作為均值，產生一個新的分布即找到一個新的桿塔類別。

2 實驗結果和分析

我們在ubuntu1804 64 位上使用tensor f low 1.12、python3.6、Qt 和GCC 編 譯 器 實 現 了本文中所提出的算法。硬件環境為：Intel(R) Core(TM) i5-8300U CPU @ 2.3 GHz 2.3GHz, 8.00GB 內存，RTX 2060 6 G 顯存。我們使用直升機搭載的激光雷達對4 條220 kV 和6 條500 kV 的輸電線路進行了掃描巡檢，一共獲取到了1302 級桿塔，共包含5 種桿塔，并使用本文提出的算法對其進行了測試。桿塔點云數據分類中正面和側面投影圖，如圖4 所示，我們使用VGG16 的網絡結構作為編碼器對圖像進行了降維，將輸入圖像先縮放到300*400 再降到512 維，最后進行自動聚類。我們對數據進行了隨機抽樣將數據劃分為訓練樣本集（1032）和測試樣本集（270），分類結果如表1 所示：

表1 卷積自編碼網絡桿塔點云自動分類算法性能分析

在測試圖像集上，我們記錄了270 個目標的分類結果如表1 所示，算法的正確識別率為：270/270 = 100%，識別錯誤率為：0%，從以上的數據中我們看到在我們的測試數據集上面本文的算法可以達到100%的正確率。

圖4 桿塔點云數據正面側面投影圖

3 結束語

本文提出了一種基于卷積自編碼神經網絡的輸電線路桿塔點云數據自動分類方法，通過對點云數據進行投影和直線擬合計算出點云數據旋轉角度，對點云數據進行旋轉平移校正，之后在正面和側面上投影等到桿塔點云的投影圖像；利用桿塔點云圖像數據對基于VGG16 結構的卷積自編碼網絡進行訓練，提取出其中的自編碼部分作為特征提取器，實現對輸入圖像的降維編碼；最后使用EM 聚類算法對桿塔點云圖像的向量進行自動分類。實驗結果表明本文的算法可以實現對桿塔點云數據的自動分類，運行效率可以達到實時性的要求；本文的工作也是對無監督機器學習的一種探索。