利用無人機機載雷達測量進行輸電線路竣工通道檢測分析

左 羅，田 其，郭力馳

（1.國網湖北省電力有限公司中超建設管理公司，湖北 武漢 430000；2.湖北省電力勘測設計院有限公司，湖北 武漢 430000；3.國網湖北省電力有限公司，湖北 武漢 430077）

0 引言

輸電線路建設如火如荼，每年都有大批的輸電線路工程竣工。在交付運營前，都需要對輸電線路工程進行檢查驗收。竣工驗收除確認工程的施工質量外，還需要對線路走廊的障礙物清理情況進行驗收，確保線路運行安全。目前輸電線路工程通道驗收主要采用人工作業模式，需要驗收人員翻山越嶺沿電力線通道進行巡視，依靠經驗判斷是否存在危及電力線安全運行的因素。驗收人員在地面目視電力線，特別是在植被茂密地區，存在很大的盲區，通過目視無法判斷電力線與障礙物之間的凈空距離，依靠手持測距儀也很難準確測量其空間距離，驗收作業存在很大的主觀性，缺乏定量測量依據［1-31］。目前通道驗收存在以下問題：

1）驗收難度大。驗收人員沿著輸電線路逐塔巡查，大部分輸電線路遠離城鎮、道路，位于崇山峻嶺之中，地形復雜、交通條件不便，且植被覆蓋率高，驗收人員沿著線路巡查驗收的方式花費時間長、工作環境惡劣、勞動強度大、工作安全性低。

2）測量精度低。由于在地面檢測，受到空間位置和探測儀器的限制，短時間內不能對輸電線路進行全局地、詳細地勘察。驗收結果更多的是依靠驗收人員的專業經驗，不可避免地存在著缺陷發現不及時、巡查不全面等情況，因此傳統的驗收方式已無法滿足現代電力系統的運行管理與現代電網的建設和發展需要。

激光掃描技術是一種非接觸主動式快速獲取物體表面三維密集點云的技術，通過該技術可以直接獲取具有三維坐標、一定屬性（回波、反射強度等）的海量、不規則空間分布的三維點云，同時具有一定的植被穿透能力［32-34］。通過無人機搭載激光雷達設備獲取輸電線路及其走廊環境內的地表高精度點云數據，實現對輸電線路、桿塔等自動獲取，并計算輸電線與地物的空間距離，從而實現輸電線路通道危險點檢測，并可通過交叉跨越分析、林木分析等，提前發現隱患，達到通道驗收目的。

1 利用雷達點云數據進行通道檢測流程

利用機載激光雷達技術沿輸電線路采集通道內的三維點云數據，經過點云數據預處理、點云分類后，可進行桿塔分析、實時工況分析、模擬工況分析等操作，實現對輸電線路廊道的障礙物清理情況進行檢測，以數據來支持通道驗收，如圖1所示。

圖1 流程示意圖Fig.1 Flow diagram

目前外業數據采集和數據預處理已基本成熟。多旋翼無人機具有成本低、運輸方便、操作靈活、起飛場地要求低等優勢。利用多旋翼無人機搭載激光雷達設備，可以沿輸電線路進行仿地飛行，獲取輸電線路及其走廊環境內的地表高精度點云數據。通過配套的數據處理軟件對激光掃描數據進行POS 解算、數據融合等預處理，輸出標準格式的點云數據。

利用已有的桿塔坐標文件或者人工通過點云識別確定鐵塔位置，然后根據桿塔位置和電壓等級對環境的影響按照一定通道寬度對原始點云數據進行裁切，每一檔數據裁切為一個文件，以減少后期運算的建模難度和計算量。

在點云分類中，采用常規的濾波算法可以分類出地面點、植被點、房屋等，但是對于電力線的分類效果并不好。機器學習算法近年來廣泛應用于機載LiDAR點云處理中，相比于傳統的濾波點云分類方法，機器學習算法可以自動學習分類規則，對某些復雜點云數據可以取得更為優越的分類效果。通過機器學習分類算法對分檔點云數據中的電力線、桿塔、地面點、建筑物、植被等進行分類。目前自動分類并不能達到100%的準確率，尤其是耐張塔分類時，易出現錯分類的情況，需要人工手動將分類不準確的類別進行修改。

利用分類好的點云數據，可以對地線、導線、桿塔等進行矢量化建模，進而計算出弧垂、掛點對塔身的距離等，實現對桿塔情況的定量分析。

利用分類后的點云數據及建模的輸電線路設施進行實時工況分析，包括危險點檢測、交叉跨越分析、林木分析等。通過計算每一檔數據中的導線、引流線與其他地物的凈空距離，并與提前設置好的凈空安全距離進行對比分析，如果計算出的凈空距離不滿足安全距離要求，則判定為危險點［35］。人工需要對每一處判定為危險點的地方進行再次檢查，確認是否存在誤分類的情況，核實是否為真正的危險點。

進行交叉跨越分析前，需要對照影像，對點云數據中的“三跨”線路（公路、鐵路和重要輸電通道的電力線路）進行識別與分類，目前尚無法做到全自動識別。需要人工參照正射影像，將對應的“三跨”進行手動分類。

利用點云數據可以實現對較大林木的單體分割，可以確定樹高、樹密度等。用于分析通道內的林木生長情況。

2 案例分析

2.1 數據采集

項目試點為某竣工的±800 kV特高壓項目，位于湖北省恩施土家族苗族自治州巴東縣境內。采用六旋翼無人機搭載RIGEL VUX-1LR 激光雷達設備及數碼相機，其最大測距達1 350 m，最大激光發射頻率50萬點/s。

經過多次試驗飛行測試，發現要模擬出桿塔及導線、地線等輸電線路設施，點云密度應超過1∶500地形圖16點/m2的最低要求，點云密度越高，測量到的輸電線路點云越多，但數據量也相應增加，后期數據處理工作量也相應變大，因此保持點云密度在50～100 點/m2是比較合適的。影響點云密度的因素主要有飛行高度、飛行速度、激光雷達設備的發射頻率、航線重疊度等。在飛行高度選擇上主要考慮激光的有效測距。飛行速度一般選擇10 m/s，速度較為適中，也能保證較高的數據采集效率。采用多旋翼無人機飛行時一般是采用雙航線設計，因此可以偏離輸電線路中線進行航線布設，既可以提高飛行安全性，也盡可能減少了塔身的遮擋，能夠獲得較為完整的塔身及金具的點云數據。掃描開角一般設置為左右各45°，單航線掃描寬度約為相對航高的2 倍，點云通道寬度一般都會超過200 m，完全滿足通道安全分析的要求。在輸電桿塔落差較大的地區，一般采用仿地飛行模式，可以保證點云采集密度較為一致。

本次飛行采用仿地飛行模式，相對航高250 m，飛行速度10 m/s，偏離輸電線路中線30 m飛行，每架次先沿輸電線路左側飛行，返航時沿輸電線路右側飛行，一共完成了20 km 線路，合計51 基塔的激光點云及數碼影像的采集工作。

點云數據及影像經過處理后，點云密度達到95點/m2，檢測點的高程中誤差為0.05 m，影像地面分辨率為4.5 cm。

2.2 點云分類

根據桿塔位置按60 m 帶寬對點云數據進行切檔處理，每一檔數據為一個文件。利用機器學習算法對點云進行自動分類，分類出地面點、低矮植被點、中等植被點、高植被點、低點、地線、導線、鐵塔、絕緣子、引流線、交叉跨越線等。當前自動分類對于直線塔的分類效果比較好，但是對于耐張塔的分類效果并不理想，誤分類的情況較多。需要人工對所有的分類數據進行一次全面的檢查和修改。圖2紅色方框區域內就出現了將絕緣子和導線錯分類成了高植被，需要人工將錯分的高植被類修改為絕緣子類和導線類，否則在進行危險點識別的時候會出現錯誤的提醒。

圖2 耐張塔點云分類圖Fig.2 Point cloud classification diagram of tensioning tower

2.3 危險點檢測

利用分類好的點云數據，計算導線、引流線等對其他地物的距離來判斷是否滿足規范對安全距離的要求。經計算，共發現有14 處植被的對地距離不滿足13.5 m的安全距離要求，如圖3所示。

圖3 實時工況凈空危險點凈空危險點匯總Fig.3 Summary of clearance danger points in real-time working condition

查看N3808-N3809 區域提示的凈空危險點，從點云數據中可以看出，不滿足安全距離要求的植被點位于N3808 號塔附近，其相對于左側的引流線凈空距離只有12.84 m，不滿足13.5 m 的安全距離要求，如圖4～圖6 中紅色三角是標注的危險點位置。通過林木分析，可以對較大的樹木實現單體化分割，統計出樹高及樹木密度。通過圖7～圖10 可以看出，在N3808_N3809 區間林木總計有810 棵，在鐵塔附近的林木已基本砍伐掉了，林木分布稀疏，臨近的林木高度均低于17.71 m。

圖4 N3808_N3809區間缺陷俯視圖Fig.4 Top view of N3808_N3809 interval defect

圖5 N3808_N3809區間缺陷正視圖Fig.5 Front view of N3808_N3809 interval defect

圖6 N3808_N3809區間缺陷點云Fig.6 Point cloud of N3808_N3809 interval defect

圖7 桿塔區間7-8(N3808_N3809)樹高圖Fig.7 Tree height map of 7-8 (N3808_N3809) tower interval

圖8 桿塔區間7-8(N3808_N3809)樹密度圖Fig.8 Tree density map of 7-8 (N3808_N3809) tower interval

圖9 交叉跨越分析對比Fig.9 Cross-over analysis and comparison

圖10 N3837G_N3839G缺陷俯視圖Fig.10 Top View ofN3837G_N3839G defects

通過交叉跨越分析，可以看出該段線路內仍然存在未拆除的建筑物。

通過對點云數據的分類，可以建模出導線、地線、引流線、桿塔等輸電線路設施，通過計算分析可以自動識別出危險點，用戶也能夠更直觀地看到輸電線路周邊的真實三維環境情況，并量測查看相關的信息，使竣工驗收的資料更直觀、準確，從傳統的依靠人工經驗判斷提升到定量分析。

對自動識別出的危險點需要現場進行人工復核，現場利用免棱鏡全站儀對危險點的凈空距離進行了測量，與激光點云計算的凈空距離誤差均小于0.2 m，確認通過激光點云數據識別危險點的結果是可信的。

3 存在的問題

目前通過無人機機載激光雷達測量可以實現對竣工輸電線路通道的檢測，排查危險點，達到檢查驗收的目的。但是在試驗的過程中，也發現了以下問題：

1）點云自動分類精度不高。在對輸電線路設施進行精細分類時，容易出現錯分類的情況，尤其是耐張塔，極易出現將輸電線路設施誤分類為高植被點的情況；手動分類的工作量較大，且容易出現手動分類也不完全的情況。致使在后面的建模分析時，出現錯誤警報，需要重復進行修改分類后再進行分析處理。

2）“三跨”信息無法自動分類，需要人為結合正射影像將點云數據進行重新分類，人工的工作量大。

3）林木雖然能夠實現單體化分割，但是無法確定其樹種。在進行樹木生長預警分析時，只能將樹木生長高度按照統一的年生長高度進行計算，無法確定其自然生長高度，對林木生長預計分析不夠準確。

4）采集的點云數據為單次實時數據，對于極端工況需要進行模擬分析。目前尚無法準確模擬各種極端工況，需要進一步完善。

4 結語

通過試驗可以看出利用無人機機載雷達測量技術來進行通道竣工驗收是可行的。相比較傳統的驗收手段，無人機機載雷達測量技術能夠獲取到輸電線路通道的真實三維環境數據，通過數據建模分析，可以自動計算出危險點，并對通道內的“三跨”、林木、建筑物等進行統計分析，為竣工驗收提供詳實、可靠的三維數據，達到定量分析，使得通道竣工驗收有據可查。

該套操作方法流程不僅僅適用于輸電線路的竣工通道檢查，也適用于后期的電力線路巡檢。