基于機載LiDAR 點云數據的電力線自動提取方法與研究

曹中森

（福建永福電力設計股份有限公司，福建福州 350108）

0 引言

為了應對嚴峻的環境壓力以及化石能源的枯竭危機，能源行業正在世界范圍內共同推進能源互聯網這一新型能源系統，目標以智能電網為骨架，綜合電、氣、熱等多種能源形式，大幅提升能源系統對可再生能源的消納能力［1］。作為能源物聯網骨架的電網規模也在不斷擴大。電力線可以將電能從發、變電站輸送至各地，因此電力線的定期巡檢對于電力系統的高效正常運行具有重要意義。目前，國內外針對電力線巡檢的方式主要包括傳統人工巡檢、無人機巡檢、衛星巡檢、機器人巡檢以及直升機巡檢這5 種方式［2-3］。隨著無人機以及激光雷達技術軟硬件設備的發展，基于無人機載LiDAR 技術的電力線巡檢的應用較為廣泛，同時，基于無人機載LiDAR 技術掃描點云數據的電力線提取也成了電力線巡檢中的研究熱點。

目前，基于機載LiDAR 掃描點云數據的電力線提取仍然存在一些不足，如自動化程度不高、人工工作量大、提取結果精度低等。在基于機載LiDAR點云的電力線提取方面，劉曉磊等提出一種種子點跟蹤算法進行電力線提?。?］，該算法的缺陷在于需要人工進行種子點選??；時磊等提出一種分段投影聚類方法［5］，該方法提取電力線精度較高，但是該方法的處理步驟較為復雜；尹輝增等對局部范圍內點云的高程直方圖分布進行分析［6］，實現電力線與其他地物的分類，但是該方法容易將電力線點與鐵塔點混淆，并且提取效果受區域大小影響較大；葉嵐等提出了基于高程閾值的電力線提取方法［7］，但是該方法對于地勢平坦地區的電力線提取效果較好，不適用于地勢復雜區域的電力線提取。綜上所述，現有的電力線提取方法在提取精度、提取效率上均有較大的提升空間。

基于此，本文通過充分分析電力線在機載LiDAR 點云中的分布特征，提出了一種電力線提取方法。該方法主要包括2 個部分，分別為地物分割以及電力線自動檢測。首先，通過改進形態學濾波算法以及基于高差閾值實現電力線點以及少量鐵塔點的提取，其次，通過雙重K-means 算法以及RANSAC 算法實現電力線的自動提取與建模。通過實測機載LiDAR 點云數據對本文提出的電力線提取方法進行檢驗。

1 機載LiDAR 點云電力線自動提取方法

1.1 電力線提取流程

為了更加高效、精確地從機載LiDAR 點云數據中提取電線點云，首先應分析電力線點云在機載LiDAR 點云數據中的分布特征，主要分布特征包括：1）電力線的高程變化幅度較其他地物的更??；2）相較于其他地物，電力線的高程更大，距離地面點距離更長；3）電力線的水平投影為多條相互平行的直線，在走向上類似拋物線［8-9］。針對電力線的上述特征，本文提出了一種基于機載LiDAR 點云的電力線提取方法，技術路線如圖1 所示。

圖1 電力線提取技術路線

1.2 地物點去除

通常情況下會存在電力線點與其他地物點相重疊的現象，而傳統高差閾值分割方法采用整體平均高差進行分割閾值的確定，因此該類方法在針對復雜地形時可能會導致電力線過分割。本文在高差閾值的基礎上提出一種新的分割方法，主要步驟為：

1）地面點獲取。漸進形態學濾波算法能夠對點云進行簡單高效地處理，受地形條件影響較低，但是該算法在進行點云平面投影時，存在將電力線點投影至地面點格網內的情況，造成電力線點誤判。本文在傳統漸進形態學濾波算法的基礎上引入坡度閾值思想，將格網內最低點作為參考點，計算格網內其他點與參考點之間的坡度，將坡度值小于閾值的點作為地面點。參考點與其他點之間坡度計算式如式（1）所示：

式中：（xmin，ymin，zmin）為格網內最低點；（x，y，z）為格網內其他點。

2）計算各點距地高差。將高程最小地面點作為參考地面點，計算格網內所有點距離參考地面點之間的高差，如果該格網內沒有地面點，將該格網最近格網的參考地面點作為該格網參考地面點。

3）通過不斷迭代確定高差閾值，將高差小于高差閾值的點剔除，包括植被點、房屋點以及大部分鐵塔點。計算格網內所有點的距地高差，根據高差平均值z將點云劃分為2 個部分，計算2 個部分的距地高差z1與z2，將z1與z2的平均值作為新的z，迭代上述步驟直到z收斂即可得到最佳高差閾值，將高于高差閾值的點集作為電力線點所在點集。

1.3 電力線候選點集自動提取

作為單根電力線提取前的重要環節，電力線候選點集的提取直接關系到單根電力線提取的效率與精度。本文在高差閾值分割的基礎上提出了一種基于柵格化密度閾值以及擬合殘差閾值的電力線候選點集提取算法，主要步驟為：

1）確定輸入點云的邊界值以及分布空間S0，如（2）所示：

式中：（x，y，z）為輸入點云數據任意一點坐標。

2）根據輸入點云數據的質量與尺度確定柵格化尺度以及分布空間S0，并將原始點云數據沿X軸、Z軸方向劃分m×n個子空間，如式（3）所示：

式中：dx、dz為柵格化尺度；［x］為求取不大于該x值的最大整數。

3）使用Si，j表示子空間，子空間內點云數量表示為Ni，j，計算某子空間點云數量Ni，j與鄰域8 個子空間及該子空間內點云數量總和的比值pi，j，如式（4）所示：

式中：子空間Si，j的特征值可以用Ni，j以及pi，j進行表示。

4）設置閾值dN以及dp，若某子空間特征值同時滿足Ni，j≤dN、pi，j≥dp，將該子空間定為1 類子空間，否則為2 類子空間。此時，2 類子空間內點云為鐵塔點云，1 類子空間內點云為電力線點云與更少量的鐵塔點云。

5）通過拋物線模型以及直線模型的組合對1類子空間點云進行曲線擬合，計算點的擬合殘差，如式（5）所示：

式中：vx為X方向擬合殘差分量；vz為Z方向擬合殘差分量。

6）設置臨界閾值dv，通過對比擬合殘差與臨界閾值dv的大小對1 類空間點進行分類，若某點擬合殘差滿足v＞dv，表示該點為鐵塔點，否則為電力線候選點，dv的表達式如式（6）所示：

式中：mv為擬合殘差平均值；l為標準差系數；sv為擬合殘差的標準差。

1.4 電力線提取

結構上，電力線可分為分裂導線與單根導線，空間特征上，各電力線相互平行。本文根據電力線的空間分布特征，引入雙重K-means 算法［10］進行電力線自動提取，該算法實現電力線提取的主要步驟為：

1）通過直線與拋物線組合模型對電力線候選點進行擬合并計算出擬合殘差值v；

2）使用K-means 算法對電力線候選點擬合殘差進行聚類，算法參數包括種子點間距D以及聚類數目K等；

3）隨機選擇K個種子點并進行迭代，當種子點集合不再發生變化時即可實現單根電力線點云的提取。

對提取得到的單根電力線點云使用RANSAC算法進行矢量化處理，該算法使用隨機選取數據進行模型擬合參數的初選取，通過反復迭代獲取最優模型擬合參數。

2 實驗與結果分析

2.1 實驗數據

為了對本文所提電力線提取方法的有效性進行檢驗，選擇福建北電南送特高壓交流輸變電工程中實測的部分機載LiDAR 點云數據作為實驗數據進行相關實驗，工程主要使用Eclipse 機載LiDAR掃描系統進行掃描工作。本文實驗數據共包括6個鐵塔、28 根電力線，如圖2 所示。

圖2 原始點云數據

2.2 實驗結果與分析

首先使用高程閾值分割法進行電力線粗提取，算法中涉及的參數包括坡度閾值、高差閾值，通過實驗以及迭代計算將坡度閾值設置為1°，高差閾值為24.8 m?；诟叱涕撝捣指钏惴ǖ碾娏€點以及少量鐵塔點提取結果如圖3 所示?？梢钥吹剑键c云中的植被點、建筑物點以及大部分鐵塔點被濾除，沒有出現電力線過分割的情況。

圖3 高差閾值分割提取結果

將提取的電力線與少部分鐵塔點云作為輸入數據，使用基于柵格化密度閾值與擬合殘差閾值方法進行電力線候選點云的自動提取，綜合考慮該實驗數據的特征，將柵格化密度閾值算法中的柵格化尺度dx與dz均取5 m；擬合殘差閾值算法中的臨界閾值dN、dp分別取280 以及0.4、標準差系數l 取2.3，最終提取的電力線候選點集結果如圖4 所示。

圖4 電力線候選點集最終提取結果

為了定量分析本文算法提取電力線提取精度，將本文方法電力線候選點集結果與傳統方法電力線候選點集提取結果進行對比，其中將人工提取電力線候選點集作為正確結果，2 種方法提取結果統計如表1 所示。

表1 電力線提取結果表

通過表1 可知：本文提出的電力線提取結果較傳統電力線提取結果的正確率更高，達到了98%以上，同時可以看到2 種方法提取電力線點云數均大于人工提取點云數，原因在于電力線附近存在與電力線點云空間分布特征相似的噪聲點，在后續使用雙重K-means 算法進行電力線點云聚類時將該類噪聲點剔除。

將提取電力線候選點集作為輸入數據，使用雙重K-means 進行電力線提取，并使用RANSAC 算法進行矢量化處理，處理結果如圖5 所示?？梢钥吹剑褂秒p重K-means 算法以及RANSAC 算法能夠準確進行單根電力線的提取與重建。實驗結果驗證了本文提出電力線提取與重建的可行性，具有較高的正確性。

圖5 電力線提取與矢量化結果

3 結語

本文根據機載LiDAR 點云中電力線點云數據的空間分布特征，提出并實現了一整套電力線提取方法。該方法實現電力線提取的流程主要有：首先，使用高差閾值算法實現電力線點以及部分鐵塔點的粗提取，該算法克服了傳統方法在提取電力線點時將地物點誤分為電力線點的不足；其次，基于柵格化密度閾值以及擬合殘差閾值的算法提取得到電力線候選點集。

最后，使用雙重K-means 算法實現單根電力線的提取并根據RANSAC 算法對提取結果進行矢量化處理。通過實測機載LiDAR 點云數據對本文提出方法進行檢驗，實驗結果表明：本文方法較傳統方法提取電力線結果正確性更高，在實際項目工程中的應用價值高。