基于點云數(shù)據(jù)的變電站三維建模方法研究

鄭文杰，喬 木，楊 袆，崔其會

（1.國網(wǎng)山東省電力公司電力科學(xué)研究院，山東 濟南 250003；2.國網(wǎng)山東省電力公司，山東 濟南 250001）

0 引言

變電站是維持電力系統(tǒng)運行的關(guān)鍵，其能否安全穩(wěn)定運行至關(guān)重要［1］。但變電站內(nèi)部錯綜復(fù)雜分布的電纜、荷載及各類設(shè)備，給變電站后期維護帶來極大挑戰(zhàn)，亟須尋找一種快捷有效的方法。同時，隨著電量需求的日益增加，運維工作愈發(fā)復(fù)雜、繁重，人員和技術(shù)都需要進一步提升［2］。大數(shù)據(jù)背景下，電力系統(tǒng)趨于信息化、智能化和自動化發(fā)展，操作、監(jiān)測與運維管理也更加可視化、仿真化、精細化和健康化。基于此，十分有必要研發(fā)變電站智能檢測及自動運維技術(shù)。可視化、仿真化和精細化操作的三維數(shù)字技術(shù)不僅能夠建立真實準確的變電站三維數(shù)字模型，還能夠提供仿真培訓(xùn)與現(xiàn)場輔助分析，降低工作難度，減少維修時間［3］，是一種契合新型變電站需求的有效技術(shù)，引起人們的關(guān)注。如何構(gòu)建信息真實、畫面精良、高適應(yīng)性的變電站三維仿真模型成為研究的熱點。

隨著變電站三維建模要求的不斷提高，具有每秒掃描數(shù)千點并測量距離的同時記錄點表面和位置信息以及計算機直觀呈現(xiàn)采集數(shù)據(jù)優(yōu)勢的三維激光掃描技術(shù)替代了以往常用的虛擬現(xiàn)實建模語言（virtual reality modeling language，VRML）［4］、模型幾何特征［5］、地面激光雷達測距［6］等建模方法，被廣泛應(yīng)用到各個行業(yè)［7-8］。在電力領(lǐng)域中，文獻［9］利用三維激光掃描技術(shù)測得變電站點云數(shù)據(jù)，通過3DMax 軟件實現(xiàn)了三維建模。文獻［10］運用三維激光點云數(shù)據(jù)搭建了變電站模型，提取了設(shè)備模型。文獻［9-10］在處理點云數(shù)據(jù)時需要人工分辨場景，無法快速自動化建模，還需要進一步深入研究。

現(xiàn)階段基于三維激光點云數(shù)據(jù)的變電站三維建模的過程是先預(yù)處理原始點云數(shù)據(jù)，再進行分割獲得獨立點云數(shù)據(jù)模型，然后將其與標準模型庫進行匹配，最后把標準模型庫中的模型放置于場景之中獲得場景模型。此過程涉及數(shù)據(jù)壓縮、背景除噪、設(shè)備分割識別、模型匹配和特征提取技術(shù)。但變電站設(shè)備數(shù)量眾多、結(jié)構(gòu)復(fù)雜，點云數(shù)據(jù)具有數(shù)量大、分布不均和噪聲多的特征，傳統(tǒng)處理方法存在噪聲殘留、設(shè)備分割難度大和模型匹配率低的難題，導(dǎo)致變電站建模難度大、周期長、成本高。為解決上述難題，實現(xiàn)變電站快速建模，深入研究點云數(shù)據(jù)建模關(guān)鍵技術(shù)，基于數(shù)據(jù)特點，提出一種三維激光設(shè)備獲取點云數(shù)據(jù)的自動化、短周期、低成本的快速建模方案，提高模型可移植性和適用性，推動電力變電站系統(tǒng)智能化。

1 點云數(shù)據(jù)采集與處理

1.1 點云數(shù)據(jù)采集

運用三維激光掃描設(shè)備采集物體信息，如圖1所示。通過激光傳感器、旋轉(zhuǎn)平臺和數(shù)碼相機分別獲取距離、反射強度與角度和顏色信息。利用光的傳播和反射性質(zhì)，計算激光照射到物體表面后再返回的耗時，再根據(jù)光速［11］測出距離，如式（1）所示。

圖1 三維激光掃描數(shù)據(jù)采集Fig.1 3D laser scanning data acquisition diagram

式中：c為光速；Δt為脈沖信號發(fā)出與接收的時間間隔。

以掃描儀為原點，為保證變電站場景記錄完整，設(shè)置三維激光掃描儀為高密度掃描，利用水平旋轉(zhuǎn)角度和俯仰角度測得角度。

根據(jù)距離和角度，通過式（2）計算測點的三維坐標pi=(xi,yi,zi)，得到點云數(shù)據(jù)。

式中：α為掃描儀水平旋轉(zhuǎn)角度；θ為掃描儀俯仰角度。

1.2 點云數(shù)據(jù)處理

高密度掃描采集了包含地面、高壓線和噪點等無用數(shù)據(jù)的點云數(shù)據(jù)集，龐大的數(shù)據(jù)增加了處理難度和時間。為提高設(shè)備工作效率，對數(shù)據(jù)進行地面和頂部高壓線的冗余、壓縮和去噪預(yù)處理，以剔除無用數(shù)據(jù)。

1.2.1 頂部與地面切除

地面點云數(shù)據(jù)不僅對建模沒有幫助，還會影響數(shù)據(jù)處理速度，應(yīng)進行地面分割。通過概率統(tǒng)計方法對地面進行切割，得出變電站場景中各高度區(qū)間內(nèi)點云數(shù)據(jù)概率為

式中：bins為區(qū)間點數(shù)；N為點云數(shù)據(jù)總數(shù)；ΔZ為區(qū)間寬度。

考慮變電站地面起伏，對變電站進行大小為5 m×5 m 的網(wǎng)格化處理，以概率最大高度表示地面高度，得到每個網(wǎng)格的地面高度，以地面高度為基礎(chǔ)進行網(wǎng)格處理與合并，獲取地面分離后的變電站數(shù)據(jù)。地面切割后，刪除高于地面上15 m 高度的點云，獲得切除地面和頂部變電站點云數(shù)據(jù)。

1.2.2 點云數(shù)據(jù)壓縮

變電站中不同類型和大小的設(shè)備及建筑物的數(shù)據(jù)密度不一，統(tǒng)一標準壓縮點云數(shù)據(jù)時，高壓縮比無法獲取密度低部分的完整外觀，低壓縮比不僅不能實現(xiàn)數(shù)據(jù)的有效壓縮，而且對處理器的要求還高，壓縮比和壓縮效果均無法平衡。基于此，運用自適應(yīng)密度體素濾波算法（adaptive density voxel filtering algorithm，ADVFA）［12］，避免出現(xiàn)由于點云數(shù)據(jù)分布不均勻造成過多細節(jié)誤刪、高密度壓縮不足的難題。

將點集分為高、低密度兩類，以點鄰域密度為標簽，采用不同壓縮比例，完成變電站點云數(shù)據(jù)的高壓縮比、高質(zhì)量壓縮。具體步驟如下。

1）變電站點云數(shù)據(jù)集為X={pi=(xi,yi,zi)|i=1,2,…,M}，計算點到最近點的平均距離為

式中：di為平均距離；di,j為歐式距離。

若di服從正態(tài)分布N(μ,σ2)，計算全局平均距離、標準差σ和密度閾值T為

式中：n為標準差密度。

2）將閾值范圍內(nèi)和范圍外的點分別放入高密度點 集Dh={Xi|di≤T} 和低密度點集Dl={Xi|di≤T}。

3）設(shè)置高、低密度點集網(wǎng)格，將點空間對應(yīng)相應(yīng)網(wǎng)格。

4）以網(wǎng)格中點重心Xc代替其他點，合并剩余點，得到壓縮后變電站點云數(shù)據(jù)。

1.2.3 去噪處理

三維激光設(shè)備掃描的變電站點云數(shù)據(jù)中包含了許多高密度、形狀各異的噪聲［13］，會影響電氣設(shè)備的提取結(jié)果，應(yīng)提前進行除噪處理。傳統(tǒng)去噪方法有密度、聚類和統(tǒng)計3 種方法，這些方法在處理分布不均、密度不同的數(shù)據(jù)時，需要選擇不同的參數(shù)及統(tǒng)一鄰域范圍和閾值，導(dǎo)致去噪效果不佳，存在高密度背景噪聲殘留問題。

具有非預(yù)設(shè)聚類、高魯棒性和抗噪性的基于密度的空間聚類算法（density-based spatial clustering of applications with noise，DBSCAN）能夠避免傳統(tǒng)方法的不足。其核心思想為：以密度特征為點簇分類標準，判斷點周圍密度區(qū)分區(qū)域密度，對低密度區(qū)域的點記為離群點，抑制離散噪聲影響，獲得不同高度的點云數(shù)據(jù)集的聚類結(jié)果。同時，針對類似于設(shè)備點集密度不能區(qū)分出的噪聲，根據(jù)其原理進一步采用能夠通過引入高度和平面的縱向約束層次聚類方法區(qū)分噪聲和設(shè)備點云，獲得精準的去噪結(jié)果。整體流程如圖2 所示，詳細步驟如下：

圖2 基于DBSCAN聚類和縱向約束層次聚類去噪算法流程Fig.2 Flowchart of denoising algorithm based on DBSCAN clustering and vertical constraint hierarchy clustering

1）根據(jù)設(shè)定的高度分層包含平面特征和高度特征維度信息的變電站點云數(shù)據(jù)集。

2）運用DBSCAN 算法對各層進行初步聚類，獲得各層的聚類結(jié)果。若設(shè)備存在各層，噪聲只存在某層的高度，此時判定噪聲刪除。

3）根據(jù)相鄰特征平面點云數(shù)據(jù)位置和大小的重疊程度，進行調(diào)整和篩選，得到設(shè)備平面范圍的層間整合結(jié)果，以此區(qū)分噪聲和設(shè)備。

4）從原始點云數(shù)據(jù)中分離設(shè)備，刪除剩余噪聲，獲得去噪后的變電站設(shè)備的點云數(shù)據(jù)。

2 電氣設(shè)備提取與匹配

2.1 基于鄰域特征聚合的電氣設(shè)備提取方法

預(yù)處理后的變電站點云數(shù)據(jù)包含多種電氣設(shè)備，為實現(xiàn)模型的快速匹配，從變電站場景中提取單個電氣設(shè)備，設(shè)置獨立的點云數(shù)據(jù)。考慮傳統(tǒng)目標提取方法針對大型場景處理時存在準確度和效率低的不足，因此，基于深度神經(jīng)網(wǎng)絡(luò)的語義分割算法基礎(chǔ)結(jié)構(gòu)為編碼-解碼結(jié)構(gòu)，提出由特征編碼、特征解碼和特征學(xué)習(xí)3 個模塊組成的鄰域特征聚合電氣設(shè)備分割提取方法。

首先通過特征編碼模塊提取出點云數(shù)據(jù)的空間信息，轉(zhuǎn)化為易于學(xué)習(xí)數(shù)據(jù)特征。在此模塊中構(gòu)建了基于鄰域特征聚合的編碼結(jié)構(gòu)，通過級聯(lián)編碼實現(xiàn)點的特征表征范圍的擴大，增強局部特征學(xué)習(xí)能力。然后通過解碼有效篩選提取的特征，為了特征學(xué)習(xí)模塊更深層次和更優(yōu)質(zhì)量的學(xué)習(xí)，對其擴增壓縮后的重要特征。為提高特征提取速度，針對輸入的點云數(shù)據(jù)，在編碼和解碼過程中分別進行隨機下采樣和上采樣，以減少處理點數(shù)量及還原點數(shù)量。最后經(jīng)過3 層全連接層的編碼-解碼特征學(xué)習(xí)獲得點云數(shù)據(jù)重要特征，通過學(xué)習(xí)特征模塊得到各點分割標簽，完成分割提取。提取過程結(jié)構(gòu)如圖3 所示。圖中，N表示點的數(shù)量；Sin表示特征維數(shù)；nclass表示特征標簽數(shù)量；FC 表示全連接層；RS 表示隨機下采樣；US 表示隨機上采樣；MLP 表示多層感知機；DP表示隨機失活層。

圖3 鄰域特征聚合電氣設(shè)備提取示意圖Fig.3 Schematic diagram of neighborhood feature aggregation for electrical equipment extraction

2.2 基于圖像識別的快速匹配方法

模型匹配是構(gòu)建變電站模型的關(guān)鍵技術(shù)，如何將具有真實位置信息的獨立電氣設(shè)備點云數(shù)據(jù)一一匹配到模型庫中，并準確放回變電站場景，十分重要［14-15］。提出基于圖像識別的快速匹配方法，該方法不僅能夠避免深度神經(jīng)網(wǎng)絡(luò)識別正確率低和無法直接對應(yīng)模型庫標準模型的不足，還能提高設(shè)備精細匹配效率。基于圖像識別的快速匹配方法的核心思想是運用圖像識別方法初步識別和分類分割結(jié)果，基于模型庫設(shè)備種類對分類設(shè)備點云進行型號匹配，減少匹配迭代次數(shù)［16-17］。

為提高模型匹配效率，在進行設(shè)備匹配前，對雜亂的設(shè)備進行識別分類。利用遷移學(xué)習(xí)［18-19］，以VGG16 網(wǎng)絡(luò)模型為基礎(chǔ)網(wǎng)絡(luò)模型，搭配特征學(xué)習(xí)，完成電氣設(shè)備的識別分類任務(wù)。其中VGG16 網(wǎng)絡(luò)模型是由13 層卷積層、5 層最大池化層和3 層全連接層構(gòu)成的一種卷積神經(jīng)網(wǎng)絡(luò)，通過在卷積過程中加入激活函數(shù)轉(zhuǎn)換線性到非線性、全連接層引入Softmax 函數(shù)映射完成分類。降低特征提取網(wǎng)絡(luò)模型訓(xùn)練時間成本的同時，以更大數(shù)據(jù)集訓(xùn)練的方式取得的特征提取效果更好。

完成電氣設(shè)備初步分類后，利用迭代最近法（iterative closest point，ICP）算法將各類設(shè)備與標準模型庫進行匹配，獲得設(shè)備具體型號。通過求解標準模型庫到設(shè)備點云的轉(zhuǎn)換矩陣，將模型庫中的對應(yīng)模型在該設(shè)備點云對應(yīng)位置放置，從而實現(xiàn)完整變電站三維場景模型的搭建，過程如圖4 所示。各類設(shè)備的標準CAD 模型庫是由AutoCAD 軟件人工搭建，可適用于不同變電站的場景搭建。但由于ICP算法是通過對應(yīng)點搜索和變換矩陣求解的方式匹配待匹配與目標點云數(shù)據(jù)集，需要提前將標準模型庫的CAD 模型轉(zhuǎn)三角面網(wǎng)格化，密度采樣后得到點云模型。

圖4 基于圖像識別的快速匹配方法Fig.4 Fast matching method using image recognition

3 算例分析

以某變電站中的電氣設(shè)備情況為例，驗證所構(gòu)建的基于點云數(shù)據(jù)的變電站三維建模方法的有效性。以文獻［20］中的數(shù)據(jù)為基數(shù)，采用近紅外激光束波長設(shè)置為1 550 nm 的FARO Focus X130 地面激光掃描儀對變電站區(qū)域內(nèi)的設(shè)備、建筑物、高壓線和噪聲進行位置和顏色的掃描，得到整個變電站146 GB 的點云數(shù)據(jù)。

為完全刪除地面數(shù)據(jù)，考慮變電站地面起伏，將變電站網(wǎng)格化處理，劃分為5 m×5 m 大小的網(wǎng)格，統(tǒng)計各網(wǎng)格地面高度，處理后合并網(wǎng)格，獲得地面分離的變電站數(shù)據(jù)。刪除高于地面15 m 以上的點云數(shù)據(jù)。基于網(wǎng)格劃分的地面高度統(tǒng)計信息，運用本文提出的概率統(tǒng)計方法對地面數(shù)據(jù)進行刪除處理，結(jié)果如表1 所示。由表1 可知：通過對頂部和地面數(shù)據(jù)的刪除，點云數(shù)據(jù)大小發(fā)生了明顯改變，極大減少了點云數(shù)據(jù)量。此次數(shù)據(jù)處理將大大提高后續(xù)數(shù)據(jù)的計算效率。

表1 刪除地面數(shù)據(jù)與否對比Table 1 Comparison of whether to delete ground data

為明顯區(qū)分高、低密度區(qū)域，設(shè)置較大鄰域點數(shù)k＞100 和標準差倍數(shù)n=0.01 的ADVFA 算法，以高、低密度點分別為0.15 m 和0.06 m 的棱長進行壓縮，得出表2。為驗證壓縮結(jié)果的可靠性，與傳統(tǒng)曲線采樣壓縮方法進行比較。

表2 壓縮前后數(shù)據(jù)對比Table 2 Data comparison before and after compression

為更直觀地展示所提算法的壓縮效果，截取220 kV 中2 個開關(guān)的點云數(shù)據(jù)，通過本文ADVFA 與傳統(tǒng)壓縮算法進行比較，壓縮效果如圖5 所示。由圖5 可知：兩種算法對設(shè)備連桿的壓縮效果區(qū)別較大，本文所提算法能夠保留更多的設(shè)備連桿，柱子處高密度點云數(shù)據(jù)被壓縮掉，而低密度區(qū)被更大程度地保留下來。

由電氣設(shè)備高度（如表3 所示）確定設(shè)備特征平面。在實際場景中，13～15 m 的點云數(shù)據(jù)為高壓線與龍門架連桿數(shù)據(jù)，為減少分割點云數(shù)據(jù)和提取電氣設(shè)備的難度，進行提前處理。因此，選取［0.6 m，11 m］為特征高度H=｛0，1，2，3，4，5，6，7，8，9，11｝。確定特征高度后，設(shè)定DBSCAN 聚類算法輸入領(lǐng)域半徑參數(shù)為0.5 和最小密度閾值為50，按照圖2 的流程運用DBSCAN 和縱向約束層次模型進行去噪處理，結(jié)果如圖6 所示。

表3 電氣設(shè)備高度統(tǒng)計Table 3 Height statistics of electrical equipment

圖6 去噪對比分析圖Fig.6 Denoising comparative analysis diagram

圖6（a）和圖6（b）的嘈雜背景明顯多于圖6（c）。由此可知，逐次超松弛迭代法雖然能夠去除大部分低密度噪聲，但去除高密度噪聲區(qū)的效果較差，且容易誤刪設(shè)備連接桿。而本文所提出的去噪算法，整體去噪效果較好，不僅能夠去除低密度噪聲區(qū)，且能在不破壞設(shè)備結(jié)構(gòu)的條件下，去除高密度的樹、樁、高壓線等噪聲。

以去噪后的點云數(shù)據(jù)為輸入集進行電氣設(shè)備提取。設(shè)置包含11 種電氣設(shè)備及母線、龍門架、建筑物和墻背景的15 個標簽，以一種顏色表示一種標簽類型進行提取，提取前后的結(jié)果對比如圖7 所示。

圖7 設(shè)備提取結(jié)果對比圖Fig.7 Comparison of device extraction results

根據(jù)上述分割結(jié)果，正確分割設(shè)備數(shù)量和總設(shè)備數(shù)量的比值為判斷標準進行設(shè)備分割判斷，結(jié)果如表4 所示。由表4 可知：與傳統(tǒng)模型提取結(jié)果進行對比分析，本文所提模型設(shè)備提取準確率較高，整體提取結(jié)果準確率大于97%，且大尺寸設(shè)備提取結(jié)果準確率高達100%，除了部分外觀相似設(shè)備效果不佳，基本實現(xiàn)變電站的設(shè)備提取。

表4 設(shè)備提取準確度Table 4 Accuracy of equipment extraction 單位：%

對11 種設(shè)備類型的多種不同型號轉(zhuǎn)為點云數(shù)據(jù)標準模型，與分類后的點云模型進行匹配，如表5所示。避雷器（lightning arrester，LA）、電流互感器（current transformer，CT）、電容式電壓互感器（capacitive voltage transformer，CVT）、電流斷路器（current breaker，CB）和氣體絕緣金屬封閉開關(guān)設(shè)備（gas-insulated metal-enclose switchgear，GIS）。由表5 可知：對應(yīng)類別的點云設(shè)備和模型點云相互比較，所提去噪方法取得良好的匹配結(jié)果，且大大縮短了迭代時間，更快速地得到匹配結(jié)果。

表5 不同設(shè)備匹配時間表Table 5 Matching schedule of different devices 單位：s

4 結(jié)論

針對變電站電氣設(shè)備點云數(shù)據(jù)建模的關(guān)鍵技術(shù)及特點，提出一種基于點云數(shù)據(jù)的變電站三維快速建模方法，解決變電站建模存在的噪聲殘留多、模型匹配效率低、人工干預(yù)多的難題。主要研究成果為：

1）運用ADVFA 算法，以計算的點鄰域密度為標準，采用不同參數(shù)對不同密度區(qū)域點云進行壓縮處理，既能自適應(yīng)壓縮點云數(shù)據(jù)，又能保留多柱體的內(nèi)部連接桿，解決了變電站點云數(shù)據(jù)量大、分布不均的問題。

2）基于DBSCAN 的去噪算法，引入高度特征，區(qū)分電氣設(shè)備和背景噪聲，刪除97%的高密度噪聲，解決了高密度背景噪聲和噪聲殘留問題。

3）基于鄰域特征聚合的提取方法，利用編碼、解碼模塊提取空間特征，加強學(xué)習(xí)鄰域空間特征，實現(xiàn)了電氣設(shè)備快速分割提取，準確率高達97%，解決了分割難度大的問題。

4）基于圖像識別的快速匹配方法分類識別分割提取后的單個電氣設(shè)備點云數(shù)據(jù)的準確率高達99%，電氣設(shè)備點云模型與模型庫標準模型進行匹配減少了計算量，提高建模速度。

5）通過場景仿真驗證，得出構(gòu)建的基于點云數(shù)據(jù)的三維模型不僅能夠準確處理數(shù)據(jù)，還能快速提取并匹配設(shè)備。