基于點云數據特征的電力線快速提取和重建

徐梁剛,虢 韜,吳紹華,王坤輝,趙 健,楊 龍,王 迪

(1.貴州電網有限責任公司 輸電運行檢修分公司， 貴陽 550000; 2.中國電建集團 貴州電力設計研究院有限公司， 貴陽 550000)

引 言

電力線快速提取和重建是基于激光點云輸電線路運檢的核心技術之一[1-9]，大批科研人員參與到研究當中。MELZER和BRIESE最早提出電力線投影到2-D平面，然后應用霍夫變換識別、提取電力線點云[1,10]；參考文獻[11]中基于三角網加密濾波、首次回波信息分離地面、高低植被、電力線，最后采用雙曲余弦函數完成電力線建模；參考文獻[12]～參考文獻[14]中采用針對地形起伏的機載LiDAR點云濾波方法，分割掉大部分非電力線點云，然后采用霍夫變換檢測電力線;參考文獻[15]中采用一種基于模型增長的電力線提取方法，首先將原始點云數據網格化為多個體素，然后運用Hough變換、主成分分析、密度分析等方法識別其中的電力線點云，最后運用懸鏈線方程擬合電力線點云。

上述激光點云提取電力線方法雖然取得了一定的成果，但進一步分析發現，這些研究依然存在一些不足。首先這些研究未考慮剔除交跨線、絕緣子點云，這會直接影響電力線重建和隱患分析的效果；其次對電力線模型研究不充分，沒有充分開展對電力線在x-O-y平面投影重合模型的研究，大大降低了算法適用范圍；此外，上述研究對于算法效率的考慮有所欠缺，算法耗時長，無法適應輸電線路巡檢實時處理需求，例如參考文獻[11]中的算法由于采用了三角網加密，且涉及多次點云遍歷、大量點云數據迭代計算，使得電力線提取效率大大降低；參考文獻[15]中的方法過程復雜、計算量大，對數據量或者區域大、點云密度高的情況，其效率和精度有待提高。

針對上述問題，簡化電力線提取與重建流程，提出一種基于點云數據特征的電力線快速提取和重建方法，并解決電力線點云可能存在交跨線點云較難處理、絕緣子點云較難分割、現有算法模型研究不完整的問題。

1 具體方法

提出從原始激光點云快速提取和重建電力線方法。電力線點云快速提取包括：首先，對原始點云進行粗分類，將原始點云中電力線點和部分噪點提取出來；然后，進行點云精分類，提取出精度較高電力線點云。電力線點云快速重建包括：首先進行電力線點云分割，將電力線點云分成單根，針對交跨線、絕緣子和x-O-y平面投影重合模型的點云特征進行數據分割；然后進行電力線重建，完成電力線矢量化。具體流程圖如圖1所示。

Fig.1 Fast extraction and reconstruction of power lines

1.1 電力線點云快速提取

對于現有方法多采用融合Hough變換、密度分析、機器學習分類等復雜算法進行電力線點云提取所導致的計算量大、耗時長問題，本文中通過研究電力線點云與輸電通道其它非電力線點云之間的空間關系與區別特征，采用柵格劃分結合高程閾值判定的簡單高效方法對電力線點云進行快速的粗分類，并采用成熟高效的隨機采樣一致性算法(random sampling consistency algorithm,RANSAC)對電力線點云進行快速精化，最終實現電力線點云的快速提取。

1.1.1 點云粗分類 電力線點云粗分類的目的是從原始輸電線路點云中分割出電力線點云和少量其它類型點云噪點。輸電線路原始點云主要包括電力線、地面、植被、桿塔，在高程方向上，電力線點云和地面、植被呈局部不連續分布狀態[16-17]。針對輸電線路點云這種分布特性，作者根據參考文獻[16]中的部分思想，對原始點云創建3維體素柵格，采用設置合理高程閥值的方法快速分割出非電力線點云。3維體素柵格劃分原理如圖2所示。

本文中將原始點云數據按照步長dx,dy沿輸電線路走向x,y軸方向劃分為n×m個3維體素柵格M(i,j)(i=1,2,…,n;j=1,2,…,m)，如下式所示：

(1)

Fig.2 3-D voxel grids division

輸電線路原始點云在高程方向分布情況主要有3種：地面、桿塔；地面、植被；地面、植被、電力線。從圖中可以明顯看出地面和植被點云呈連續分布狀態，植被和電力線點云呈非連續分布狀態。因此可以分割出地面點和植被點，保留電力線點云和桿塔點云。

(1)創建3-D體素柵格。3-D體素柵格的尺寸會直接影響電力線點云提取準確率。3-D體素柵格過小，則每個柵格內點云數量過少，不能真實反映高程分布特征；相反會出現部分電力線點云被分為非電力線。經過大量輸電線路原始點云實驗驗證，確定3-D體素柵格尺寸經驗值為3m～5.5m效果最佳，本文中取4m。

(2)確定3-D體素柵格內高程間隔尺寸。對于3-D體素柵格內按照高程分割，分割尺寸如果過大，可能會出現無法探測到非連續性特征，本文中采用3-D體素柵格的高程尺寸較小，如果高程方向上兩個相鄰3-D體素柵格內點云為空則合并這兩個3-D體素柵格，新合并生成的3-D體素柵格的高程即為高程間隔，記為H。

(3)計算高程閾值。設定一個高程間隔閾值H0，表示地面點和電力線的高程方向距離。對上一步H，進行高程閾值對比：如HH0，記錄該高程間隔的最小高程值Z0，對于3-D體素柵格中所有點Z值進行遍歷，如果出現Z>Z0，即可判定該點為電力線點；否則判定為非電力線點。

柵格劃分只需要遍歷一次點云并僅進行坐標判斷即可完成，高程閾值判定只需對柵格高程間隔與設定閾值進行比較分析即可完成，因此本文中點云粗分類算法的總體時間復雜度為O(n)。

1.1.2 電力線點云精化 原始點云數據在完成粗分類后，基本分割掉了地面點、植被點，得到了電力線、交跨線、部分桿塔點和部分噪聲點云。電力線點云在x-O-y平面呈線性分布，桿塔點云在x-O-y平面呈明顯的簇狀分布，噪點在水平面呈散點分布。根據電力線、交跨線、桿塔和噪聲點云分布特點，本文中采用隨機采樣一致性算法完成電力線、交跨線精提取，該算法根據包含異常數據的數據集計算出電力線、交跨線數學模型參量，得到有效電力線、交跨線數據的算法，具有較強穩定性。RANSAC算法原理[18-19]如圖3所示。

Fig.3 Flow chart of RANSAC algorithm

1.2 電力線點云快速重建

對于現有方法多利用懸鏈線方程、拋物線方程等對整條電力線中所有點云均參與重建擬合計算所導致的效率低問題，本文中采用分段、采樣的思路，對電力線點云進行分段分割以及關鍵節點采樣重建，以此避免對所有電力線點進行擬合計算，大大提高運算效率，實現電力線點云的快速重建，并對交跨線點云、絕緣子點云進行有效分割。

1.2.1 電力線分割 電力線點云精分類后，得到電力線、交跨線點云，兩者在x-O-y平面投影均呈直線模型，本文中選用2維霍夫變換實現電力線、交跨線單根化，能有效解決電力線點云中斷問題，提取電力線、交跨線，獲取多個直線方程，根據直線方程統計電力線走向，將與電力線走向夾角較大的直線濾除，即可得到電力線點云，為防止出現交跨線、電力線夾角過小引起電力線漏檢情況，針對電力線在輸電通道長度較長，交跨線在輸電通道長度較短這一特性，通過點云長度對比、點云數量閥值對比修正電力線分割結果。

此外，輸電線路可能存在電力線x-O-y平面投影重合情況，針對這種電力線模型，單純使用2-D霍夫變換，會出現電力線漏檢[10]。因此，首先按照電力線走向對電力線點云按照一定步長進行分割，然后對分割后的電力線進行局部聚類[20]，對聚類結果按照高程排序，最后對整檔分割排序點云按照鄰近點坐標近似相等原則進行合并，得到單根電力線。

在完成上述步驟后，電力線點云兩端可能還包含部分絕緣子，而局部電力線點云可以近似看做3-D直線模型。因此，本文中在電力線兩端采用3-D直線模型識別并提取高精度的電力線點云，剔除絕緣子點云。

1.2.2 電力線重建 為了解決常用重建方法中將所有電力線點云參與重建擬合計算，本文中采用提取局部加權質心的方式選取關鍵節點，以此實現對電力線點云的采樣，并只對采樣的關鍵節點進行擬合計算實現電力線重建，從而大大提高電力線重建效率，同時避免了噪聲點對重建質量的影響。

設一條電力線點云在x-O-y面投影的重建直線為y=kx+b，遍歷點云可獲得電力線兩個端點坐標，即(xl,yl)、(xr,yr)將電力線點云沿電力線走向劃分為N段，則分割間距為:

(2)

局部質心計算公式為:

(3)

式中，i表示點編號；n代表點總數；m表示點權重，用該點到重建直線距離的倒數計算，即離重建直線距離越遠，權值越小。

在完成單條電力線關鍵點提取后，進行電力線重建。本文中采用在x-O-z或y-O-z平面投影的多項式方程對局部電力線點云進行局部重建。根據最小二乘原理，重建過程可以轉化為以下求S極小值問題。S表示投影坐標系內縱坐標實際值與計算值的誤差平方和：

S=∑[yi-(A+Bxi+Cxi2)]2

(4)

即：

(5)

(6)

(7)

式中,A,B和C分別表示多項式系數；xi,yi分別表示重建節點在投影2-D坐標系內的橫縱坐標。?S/?A,?S/?B和?S/?C是1階偏導數。

2 實驗與分析

本文中選用Visual Studio 2013作為開發環境實現電力線分割算法。實驗平臺硬件配置：HP ZBook，CPU為Intel I7，內存32GB，裝有Win10系統。采用南方電網A線路和B線路數據作為實驗數據，兩條線路基本情況如表1所示。

Table 1 Basic information table of transmission line

2.1 算法效果驗證

針對電力線x-O-y平面投影重合模型、絕緣子分割，采用南網A線數據測試，實驗共耗時3.9s，對本文中提取的電力線點云數量進行統計，同時用CloudCompare手動精提取實際電力線點云，將兩者進行對比，統計準確率，如表2所示。圖4a為一級桿塔，圖4b為絕緣子分割前數據，可以明顯看到導線末端的絕緣子，圖4c為絕緣子分割后電力線，可以清晰看到絕緣子基本剔除。

Table 2 Extraction results of power line of test data A

Fig.4 Segmentation results of power line of test data A a—single tower b—data before division c—data after division

原始點云真彩色如圖5a所示，電力線重建效果如圖5b所示。

針對輸電線路交跨，采用南網B線數據測試，如圖6所示有3處交跨，實驗共耗時4.2s，對本文中提取的電力線點云數量進行統計，同時用CloudCompare手動精提取實際電力線點云，將兩者進行對比，統計準確率，如表3所示。

Fig.5 Test data Aa—original data b—reconstruction results

serial number of segmentserial number of power lineactual number of point cloud on the power lineextraction number of point cloudaccuracy rate/%11-18933850495.211-22724259895.411-38905869197.611-42496236894.911-59511906395.322-19041864395.622-22876269593.722-39746936696.122-41892180595.422-59678926295.7

原始點云真彩色如圖6a所示，電力線重建效果如圖6b所示。

Fig.6 Test data Ba—original data b—reconstruction results

通過對比電力線實際點云數據和算法提取數據，本文中的算法提取電力線時遺漏了少量電力線點，由于受到桿塔、絕緣子影響，提取的點云中還包含少量絕緣子點云。

2.2 算法效率驗證

將本文中的算法和已有方法一[11]和方法二[15]用相同實驗數據作對比試驗，并從電力線提取和電力線重建兩大過程分別對比算法耗時。采用南方電網A線路和B線路作為實驗數據，記錄試驗時間如表4所示。

從表4可以看出，對于南網A線、B線數據，方法一由于使用了融合Hough變換、主成分分析、密度分析等方法的復雜算法識別電力線點云，導致電力線提取時間較長，達到了6s以上，并選擇了較為復雜的懸鏈線模型對所有點云進行擬合來重建電力線，使得電力線重建過程耗時也達到4s左右；方法二在電力線提取步驟由于采用了三角網加密算法，使得提取效率降低，但也略優于方法一，耗時4s左右，而在電力線重建步驟同樣使用了懸鏈線模型對所有點云進行重建，重建效率與方法一一致；本文中方法基于電力線的空間特征，在保證電力線提取與重建準確度的前提下，采用了時間復雜度更低的簡單高效算法進行電力線提取，耗時在1s左右，在電力線重建步驟，基于分段、采樣的思路對關鍵節點進行多項式擬合重建，耗時也在1s左右，本文中方法總耗時在2.5s以下，效率優于方法一與方法二，實現了電力線的快速提取和重建。

Table 4 Efficiency comparison

3 結 論

提出了一種基于點云數據特征的電力線快速提取和重建方法，通過實驗表明，本文中的方法不僅在精度上可以滿足架空輸電線路安全距離分析應用，而且在效率上可以滿足輸電線路機載激光巡線的實時處理需求，此外，對電力線空間排列方式、交跨線干擾、絕緣子干擾等因素不敏感，算法魯棒性較高。經大量斷裂電力線點云數據測試，算法綜合準確率達到95.3%，總體耗時達2.5s以下，工程適用性較強。