一種特征量化賦權的配電線點云自動提取方法

宋佳倩，李少達*，譚駿祥，雷 杰，包櫟煬，杜永永，李啟濤

（1.成都理工大學 地球科學學院, 四川 成都 610000；2.國網成都供電公司，四川 成都 610000；3.長江水利委員會水文局 長江上游水文水資源勘測局，重慶 400020）

現有電力線提取方法和相關軟件如點云魔方、Alundar Platform點云處理軟件等，主要針對高壓、超高壓輸電場景，對于電力線架設較低，線樹矛盾嚴重的配電網場景的適用性研究較少。因此，本文針對配電網場景點云數據重要的鄰域幾何特征并結合地物空間分布特點，設計了一種基于多特征量化賦權的電力線提取方法。

1 無人機LiDAR點云電力線提取

基于配電網場景的特殊性，本文提出了一種無人機LiDAR點云電力線提取方法。該方法主要包括感興趣區檢測、特征化量化、電力線提取三大步驟。

1.1 感興趣區檢測

針對配電網場景原始點云數據進行感興趣區檢測主要包括兩部分工作，分別是離群點檢測和格網高差濾波。由于激光雷達掃描儀在獲取數據時因空中漂浮物、飛行鳥類等易產生影響數據處理的離群點，因此本文將采用半徑濾波算法進行離群點剔除。該方法可根據點云數據密度設置搜索半徑、最小點數閾值，有效去除離地物較遠、位置較為分散的離群點[1-2]。配電網場景線路架設多經過農村、鄉鎮等人口密集區域，地形較為平坦，場景內有電力線、桿塔、植被、建筑等地物，其中電力線依靠桿塔水平懸掛于空中，其所處高度范圍內可能存在植被、建筑等地物，給電力線提取造成一定干擾。因此可先去除電力線架設高度以下的近地點，減少非電力線點數量，提高后續點云數據處理效率。根據國家能源局《10 kV 及以下架空配電網線路技術規程》[3]（以下簡稱《規程》）中對不同規模配電網架空線路安全距離的規定，可依據實際數據情況設置相應高度閾值dH，并基于二維格網劃分點云數據，計算每個格網內非地面點高程Z與格網內高程最小值Zmin之差，若Z-Zmin＞dH保留該點，反之則為近地點，將其去除。通過格網高差濾波可去除全部地面點及大部分植被、建筑物點。

1.2 特征化量化

點云特征作為分類的重要依據，其特征的選取會直接影響分類的精度及效率，因此選擇合適的特征來提取目標顯得尤為重要[4]。根據不同地物因分布不同、幾何特性不同會導致其在特征提取時有不同反應的特點，本文選擇了2 種類型的點特征來進行分析，即基于特征值特征和基于高度信息特征，共計5 種點特征。特征值特征主要包括線性度、平面度、主方向3 種，它們是通過構建激光點最佳鄰域半徑內所有點的協方差矩陣計算而來。高度特征主要有H-Hmin和高程標準差，前者為激光點鄰域內總的高差，后者表示激光點鄰域內的高程標準差，具體信息見表1。為顯示不同特征對地物的區分能力，將計算后的特征值進行歸一化，并按[0,0.33]、(0.33,0.67]、(0.67,1]3 個區間用藍、綠、紅三色表示特征對地物的顯著區分程度，結果如圖1所示。

圖1 特征顯著區分性對比

表1 點云特征描述

配電網場景主要包括電力線、桿塔、植被和建筑4類地物。根據圖1可知線性度、主方向、H-Hmin和平面度特征分別在四類地物中表現最好。H-Hmin特征中植被和桿塔顯著區分性相近，不易將兩者進行區分，而在高程標準差特征中兩者顯著性各異。因此針對單一特征在復雜場景中電力線提取適用性較差，精度較低的問題，本文引入了一種特征化量化方法：

1）特征正、負向化處理：為兼顧特征變異性及相關性，需基于電力線對5 種特征進行無量綱化處理[5-6]。即電力線在線性特征中表現最佳，其特征值越大越好，因此需對線性度特征正向化處理，如式（1）。其余4 種特征對電力線區分性較弱，其特征值越小越好，因此需進行負向化處理，如式（2）。

2）特征變異性與相關性計算：特征變異性（Sj）是指特征在樣本之間取值差距的大小，相關性（Rj）是指特征之間的相關程度，將兩者綜合考慮可實現對電力線點云數據的客觀評價，數據計算如式（3）、（4）。

3）量化賦權：根據特征變異性和相關性結果計算特征在整個量化系統中的信息量（Wj），從而分配各特征在區分電力線過程中所占的權重之比。具體權重計算如式（5）。

式（1）、（2）中，為xij（樣本中第i個電力線點的第j個特征的特征值）經正、負向化處理后的特征值；式（3）中n為電力線樣本點云；式（4）中p為每個樣本點的特征數量；cov(xj，xl)為第j個特征和第l個特征之間的協方差；Dxj、Dxl為第j個特征和第l個特征的方差；式（5）中Sj和Rj的乘積為第j個特征的信息量，信息量越大，表示該特征的重要性相對較大。

1.3 電力線提取

配電網場景電力線提取即從場景內的所有地物中將電力線單獨提取出來，采用基于特征權重的電力線提取方法綜合考慮了特征與地物間的關系，可實現電力線與場景內其他地物的分離。計算場景內所有地物點經特征賦權后的百分制綜合得分，即點經過正、負向化處理后的各特征值與其對應權重（Wj）乘積總和的百分化結果。通過測試確定劃分出電力線點的最優分數，分數大于80時能提取出完整的電力線點，此外，還存在部分未完全去除的其他地物點，在點云空間中散亂分布，不具有完整形態，且密度不均，彼此間距離不具有規律性，與電力線點云分布形成鮮明對比。DBSCAN 算法是基于密度的聚類算法，具有能忽略噪點和孤立點數據影響，將足夠高密度的區域劃分為簇，并可在噪聲存在的空間數據中發現任意形狀聚類體的優點。因此可采用DBSCAN聚類算法表示點云類別間的差異性，實現電力線與其他地物噪點的劃分[7]。本文根據電力線架設規則，設置合適的鄰域半徑和最小樣本點數進行密度聚類。根據電力線水平懸掛于一定高度范圍內，電力線點數量較多，而其他地物噪點散亂分布的特點。本文通過分析各點云簇的高度分布情況，即同一高度范圍內所具有的點云數量篩選出電力線類別，完成電力線提取。

2 實驗與結果分析

本實驗硬件環境配置為Intel（R）Core（TM）i5-10200H CPU，主頻為2.40 GHz，運行內存為16 G，GPU為GeForce GTX1650Ti，顯存為4 G。軟件環境為CUDA Toolkit 10.0,CUDNN V7.4.1.5；Python 3.8；使用集成的Open3D、pclpy庫。

2.1 實驗數據

以10 kV 和35 kV 配電網場景無人機點云數據為研究對象驗證該方法的有效性。如圖2 所示，數據1和數據2 為10 kV 配電網場景，經過農村地區，線路架設較低，與周圍植被、建筑距離較近，點云密度較高。數據2 為35 kV 配電網場景，經過鄉鎮地區，相對于10 kV 線路架設較高，場景內線路、植被和建筑規劃整齊，但線路下的綠化植被與線路距離較近，數據具體信息見表2。可見，選取數據來自不同地理環境、輸電線規模、點云密度等，在實際電網工程應用中具有一定代表性。

圖2 實驗數據

表2 實驗數據基本信息

2.2 實驗與結果分析

針對10 kV和35 kV配電網點云數據進行電力線提取，首先為保證點云鄰域計算準確性且根據《規程》對于配電導線最小線間距離及導線在居民或非居民區與地面或街道行道樹之間最小距離要求，本文設置r=0.5 m 進行半徑濾波，2 m×2 m 網格及dH=2.5 m 完成格網高差濾波以實現感興趣區檢測。然后選用n=1 080 個電力線點，p=5 個點云特征采用本文方法計算各特征的權重，最終線性度、平面度、主方向、H-Hmin和高程標準差特征的權重依次為0.17、0.17、0.15、0.28 和0.23。根據權重計算所有點的特征綜合得分以完成電力線候選點云的提取。最后根據電力線樣本點分布情況設置鄰域半徑Reps=1.78 m，最小樣本點數PminPts=39 進行DBSCAN 聚類分離電力線點和其他地物噪點，通過分析各點云簇高程分布情況篩選出電力線點云。

本文精度評價主要通過統計實驗提取的電力線點數，并以CloudCompare軟件手動提取結果為參考，計算精確率（precision）、召回率（recall）和F1-score等評價指標，具體計算如式（6）、（7）、（8）。

式中，TP為提取出正確的電力線點數；FP為錯誤提取的非電力線點數；FN為未提取的電力線點數。

為驗證本文方法在配電網場景中的通用性，本文以2.1 節選取的三景數據作為測試數據，采用本文方法提取電力線。由表3可知，數據1和2提取精度略低于數據3，精確率分別為96.47%和95.50%，主要原因在于場景內包含的桿塔結構較為復雜，部分與電力線存在相似性，造成提取過程中與電力線連接的桿塔點誤提取，如圖3a、b 虛線圓圈所示；召回率分別為98.36%和97.73%，主要原因在于基于特征權重從場景中分離電力線時，桿塔點綜合得分低于電力線點，使得與桿塔連接的電力線點欠提取，如圖3a、b虛線方框所示。數據3 精確率、召回率相對較高，為97.82%和99.76%，但也存在桿塔結構與電力線結構相似的情況，如圖3c 虛線方框所示部分桿塔點被誤提取。

圖3 實驗數據電力線提取結果

表3 電力線提取結果分析

為測試本文方法的可靠性，本文以35 kV 配電網場景數據為測試數據，采用現有的2 種電力線提取方法與本文方法進行比較，精度評價結果如表4 所示。其中方法一是利用霍夫變換檢測提取電力線[10]，方法二是基于點云幾何特征提取電力線。

表4 不同方法電力線提取結果分析

由表4 可知，相較于其他2 種方法，本文方法提取結果優良，精確率、召回率較高，表明該方法能正確提取電力線。方法一，由于在俯視投影面上會誤提取與電力線同直線分布的樹木點云，造成精確率相對較低，僅為96.65%。方法二，與本文方法均基于特征提取電力線，但精確率、召回率相對較低，為83.47%和94.53%，原因在于方法二所選特征基于輸電場景，高壓電線重量及布設長度與配電線不同，會出現如水平夾角略有差異的情況，造成桿塔與電力線連接處欠提取。因此本文所選特征針對配電網場景地物選取，旨在利用特征對地物的顯著區分能力分離距離較近的電力線與其他地物，且本文量化賦權方法是基于特征的變異性和相關性綜合衡量以確定特征的客觀權重，既考慮了不同位置電力線樣本點的變異性，又權衡了特征之間的相關程度，具有一定的客觀性。

3 結 語

本文以配電網激光點云數據為研究對象，結合激光點云數據特點及配電網輸電導線架設特性，建立了一種電力線提取方法。該方法不僅在效率上滿足配電網電力巡檢時對數據進行實時處理的需求，而且在精度上也滿足了對配電網場景進行安全距離分析的應用需求。該方法的優點在于能綜合考慮場景內各地物的空間結構和分布特點，根據地物點云特征顯著區分性實現較近地物的分離從而以較高精度實現電力線提取。但該方法仍有一些局限，后續研究將進一步完善以提高電力線提取方法的工程適用性。