輸電線路螺栓檢測的激光點云數據自動化配準研究

黃緒勇，林中愛，唐 標，滕啟韜

（云南電網有限責任公司電力科學研究院，昆明 650012）

輸電線路螺栓的巡檢多采用無人機或激光掃描的方式，通過激光雷達采集現場數據并傳輸至云數據平臺中進行對比分析。為了提高激光掃描的精準性，并改善視場角的限制，需要對激光點云數據進行自動化配準，將采集到的前后幀不同點云數據轉換到同一坐標下，并將重合部分連接在一起。將其應用在輸電線路螺栓的檢測中，可通過點云數據自動化配準來獲取精準的姿態信息，幫助實現故障點的高效定位，提高自動化檢測效率和精準度。

文獻[1]建立數據采集模型，并提取了電力線路中具有穩定結構的目標特征點，采用雙向最鄰近距離比函數對其中點云數據進行初始配準，設定距離最精準閾值以該值作為配準參照。該方法魯棒性較強，但在配準前未對數據進行去噪處理，導致配準誤差較大；文獻[2]則采用一種基于關鍵特征加密的點云數據配準方法。采集被測位置點周圍相鄰站點的點云數據信息，計算點云數據集中符合正態分布的數據點屬性參數，根據特征信息距離來完成自動化配準。該方法對每個數據均進行特征所需運算量較大，實際應用性能較差。

因此，本文研究一種輸電線路螺栓檢測的激光點云數據自動化配準研究。通過自動化的激光點云數據配準，能夠精確地對輸電線路螺栓進行匹配和定位，實現對整個輸電線路螺栓的快速全覆蓋掃描。從而提高了檢測的精度和一致性。

1 激光點云數據分類

1.1 均勻化抽稀

由于輸電線路螺栓各區域的特征不同，不同激光強度、角度位置掃描以及掃描速度得到的特征信息也存在一定差異，造成點云密度分布不均勻。為提高激光點云數據采集的細節完整性和真實性，在采集時自動選擇密度較大的數據，盡可能降低數據之間的密度混淆，因此，通過建立三維空間[3-4]，對原始輸電線路激光點云數據進行抽稀化處理。具體操作步驟為

（2）設定空間大小為（dx，dy，dz），其中dx、dy、dz表示3 個空間方向距離[5]，將點云數據分為多個相同大小的矩形框。為了保證抽稀化處理精準度，將空間格網大小設定為dz＜5 cm，在第i 位置的格網約束范圍如下：

式中：Xi、Yi、Zi分別表示在第i 個位置的點云采集數據三方向的稀疏信息[6]。根據上述公式將所有激光點云數據按照所對應的空間位置分配到各個格網中；

（3）在每個格網中選擇一個中心點作為保留點，對該保留點外的數據進行抽稀處理；

（4）將每個網格中保留點進行保存，清空其余數據，這樣即可完成激光點云數據的均勻化抽稀處理。

經過抽稀處理后的數據密度分布較為平衡，點云數據均勻散落在空間中，提高后續的自動化配準的精準度和效率。

1.2 激光點云數據去噪

對激光點云數據進行抽稀處理后，由于輸電線路環境中存在天氣、自然以及長期損耗等多種因素影響，導致抽稀處理后激光點云數據噪聲含量過高，在螺栓檢測時會影響干擾檢測結果，同時還會導致點云數據自動化配準出現誤差。因此，采用雙邊濾波算法對經過抽稀處理后的點云數據進行去噪處理，修正激光點云數據的雙邊噪點，在保留原始特征的同時對激光點云數據進行去噪處理，為提高后續數據自動化配準效率做好準備。

在δ 中選取任意目標點pi、pj，設相鄰點集合為N（pi，pj），目標點pi、pj的標準參數為gˉij，在保證整體數據方向一致的前提下，定義雙邊濾波權重因子β[7]，表達式為

2）任務驅動教學法。任務驅動教學法是一種先進的教學方法，以理論功底扎實為前提，結合學生的學習活動及任務，以探索問題為契機，引導學生的學習興趣，模擬真實的教學環境，讓學生帶著真實的任務去學習，掌握學習的主動權。將任務驅動教學法引入機器人學課程教學，與教學內容更加契合。將整個班級分成幾個小組，每個小組內部根據具體的任務來分工，教師現場宏觀指導，幫助學生明確方向，選擇適合自己的研究課題，具體設計研究過程由小組內部獨立完成。小組內學生通過觀察教師演示并初步分析程序后，進行討論和嘗試，親自動手進行操作，發現問題、解決問題，既能培養獨立思考的能力，也能體現出自己的真正價值[6]。

式中：ωc表示雙邊濾波[8]空間域的高斯核函數，可用于調節濾波范圍；ωs表示雙邊濾波頻率域的高斯核函數，可用于控制點云數據特征的保留程度。

更新ωc和ωs，則有基于雙邊濾波空間域的高斯核函數ωc計算公式為

基于雙邊濾波頻率域的高斯核函數ωs計算公式為

由此，更新后的濾波權重因子β 的計算公式為

得到的最終雙邊濾波結果即為激光點云數據的去噪結果，其表達式為

1.3 激光點云數據分類

去噪后的激光點云數據中的類別繁多且復雜，無法精準地從全部輸電線路點云數據找到螺栓數據。同時，因螺栓點云數據與其他類別數據因拓撲關系較為相近導致后續自動化配準混淆，降低配準概率。因此，基于螺栓點云數據的特征屬性值，采用k-means 聚類算法分類去噪后的全部激光點云數據。

將去噪后的全部激光點云數據p′分為k 個類別，則有k＝1，2，…，i，…，k 個初始的聚類中心。每個類別之間的特征都具有極高的相似度，表達式為

式中：mi表示k 中的某一個類別。

對于每個點，在所有的聚類中心中找到距離最近的一個，并將其分配到該聚類中心所代表的類別。

根據當前所有分配給某個聚類中心的點，通過d（p′）的平均值，可以得到新的聚類中心：

重復式（8）和式（9），直到聚類中心不再改變，得到最終的聚類中心和相應的分類結果，將激光點云數據分成不同的類別，從中得到螺栓點云數據中心，實現數據分類。激光點云數據分類流程如圖1所示。

圖1 激光點云數據分類流程Fig.1 Laser point cloud data classification flow chart

根據圖1 所示的激光點云數據分類流程，完成激光點云數據的抽稀化處理、濾波去噪以及分類，使激光點云數據內的各個特征清晰化，便于進行輸電線路螺栓激光點云數據的自動化配準。

2 激光點云數據自動化配準算法

由于對點云數據進行了抽稀化處理、濾波去噪以及分類多次處理，使點云數據之間的配準產生微小偏移。因此，為實現輸電線路螺栓檢測，通過自動化配準使其在同一坐標系下對齊。在激光點云數據自動化配準時，由于螺栓處于三維空間中，激光掃描得到的數據在角度方向上的誤差較大，所以，將自動化配準轉換為角度配準問題。具體配準過程如下所示：

以螺栓點云數據中心k′為基礎，建立空間坐標系，在三維坐標系中對螺栓點云數據的坐標點進行自動化配準。設空間坐標為（Xk′，Yk′，Zk′），直角坐標系為（o-xk′，yk′，zk′），其中，o 為原點，得到空間坐標系（Xk′，Yk′，Zk′）與直角坐標系（o-xk′，yk′，zk′）之間的映射關系為

式中：R（A，B，C）表示空間中3 個最大旋轉角，分別對應繞xk′、yk′、zk′軸轉動；t 表示周期參數；ξ 表示尺度因子；X0、Y0、Z0為三方向上的平移參數。則自動化配準點與螺栓檢測點在余弦角9 個方向上的線性關系為

式中：aij表示旋轉矩陣在9 個方向上的線性系數。由此，自動化配準結果為

式中：H 表示高度上的配準誤差；L 表示橫向距離上的配準誤差；V 表示誤差約束。

3 實驗與分析

3.1 實驗設置

為驗證文中提出輸電線路螺栓檢測的激光點云數據自動化配準方法的實際應用性能，以激光雷達無人機作為實驗設備進行輸電線路螺栓及現場參數掃描設備，在其周圍放置多個無線傳感器，并將傳感器與無人機進行信號連接，可第一時間得到無人機的采集圖像和數據。掃描到的螺栓結果如圖2所示，實驗涉及到的激光掃描數據信息如表1 所示。

表1 激光掃描數據信息Tab.1 Laser scanning data information

圖2 輸電線路螺栓激光點云數據自動化配準結果Fig.2 Automated registration results of laser point cloud data for transmission line bolts

3.2 實驗分析

給出所提方法對輸電線路螺栓激光點云數據自動化配準結果，以紅外點云圖像形式進行展現，實驗結果如圖3 所示。

圖3 輸電線路螺栓激光點云數據自動化配準結果Fig.3 Automated registration results of laser point cloud data for transmission line bolts

圖3（a）中的黑色的紅外線段為多個配準點之間的連線，線段兩側的黑色點代表目標配準點。分析圖3（b）可知，所提方法針對輸電線路螺栓激光點云數據自動化配準結果表現較好，各點配準精準度較高，通過水平方向的配準結果來看，所有點幾乎全方位覆蓋，基于不同高度和不同距離以及不同方向上的配準準確性都較強。結果表明，所提方法可以實現高效且精準的激光點云數據自動化配準，應用在實際中可提升輸電線線路螺栓檢測效率，確保點云數據配準精度。

為了進一步檢驗所提方法對輸電線路螺栓點云數據自動化配準結果的有效性，以手動配準數據為參照，對所提方法進行定量性評價，即以RMSE（root mean squared error）均方根誤差指標為驗證指標，通過指標大小進行分析。并基于雙向最近鄰距離比的點云數據配準方法、關鍵特征加密的點云配準方法數據配準方法作對比，RMSE 計算公式為

式中：N 表示數據量；Tg表示源點云數據的真值轉換參數值；Tc表示源點云數據的估計轉換參數值；RMSE 表示越小，2個點云數值之間的接近程度。通過式（13）可知，RMSE數值越高代表2 個點云之間接近程度越高。得到實驗結果如圖4 所示。

圖4 三種方法RMSE 曲線對比Fig.4 Comparison of RMSE curves for three methods

分析圖4 可知，3 種方法的RMSE 指標數值隨著數據量的增加逐漸下降，所提方法的RMSE 指標數值最大值為0.3；雙向最近鄰距離比方法和關鍵特征加密方法的RMSE 指標數值高于所提方法，均大于0.3。結果表明，經過所提方法的自動化配準精準度較高，源點和配準點之間接近程度較高，提高了輸電線路螺栓檢測性能，驗證了所提方法自動化配準的實用性能。

4 結語

本文提出了一種輸電線路螺栓檢測的激光點云數據自動化配準研究。實驗結果表明，所提方法可以有效實現激光點云數據自動化配準，各點配準精準度較高，基于不同高度和不同距離以及不同方向上的配準準確性較強。同時，經過所提方法自動化配準，源點和配準點之間接近程度較高，有效提高了配準精度。