付紅安,夏峻,馬海鵬,田帥,王學(xué)平

基于多尺度特征向量的輸電線路無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)分類(lèi)方法

付紅安,夏峻,馬海鵬,田帥,王學(xué)平

寧夏寧電電力設(shè)計(jì)有限公司, 寧夏 銀川 750000

提出了一種基于多尺度特征向量的輸電線路無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)分類(lèi)方法，可以有效對(duì)線路走廊中的地物進(jìn)行分類(lèi)。首先提取三維點(diǎn)云數(shù)據(jù)的多尺度局部特征作為特征參數(shù)構(gòu)成特征向量，主要包括高程特征、連通特征、張量特征和平面特征。然后將多尺度特征向量輸入到多分類(lèi)相關(guān)向量機(jī)分類(lèi)器中，在完成分類(lèi)器訓(xùn)練之后，對(duì)無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行分類(lèi)。試驗(yàn)結(jié)果表明，該方法可以有效區(qū)分地面、植物、建筑物、桿塔和電力線5類(lèi)線路走廊地物L(fēng)iDAR點(diǎn)云數(shù)據(jù)，分類(lèi)整體精度達(dá)到96.63%。

輸電線路; 無(wú)人機(jī); 云數(shù)據(jù)分類(lèi)

隨著無(wú)人機(jī)技術(shù)和激光雷達(dá)掃描（Light Detection And Ranging，LiDAR）技術(shù)的不斷發(fā)展，及輸電線路無(wú)人機(jī)巡檢和三維建模研究的不斷深入，機(jī)載LiDAR技術(shù)可以有效解決傳統(tǒng)人工巡檢的缺點(diǎn)，減少輸電線路故障的發(fā)生[2]。在無(wú)人機(jī)LiDAR輸電線路巡檢中，線路走廊模型三維重建是重點(diǎn)研究問(wèn)題，是線路三維可視化、通道清理、故障預(yù)測(cè)等應(yīng)用的基礎(chǔ)[3]。其中，無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)分類(lèi)是線路三維重建研究的核心，直接決定了重建模型的準(zhǔn)確性[4]。目前，無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)分類(lèi)主要有三類(lèi)方法，主要包括地物典型幾何特征分析法、決策樹(shù)分析法和機(jī)器學(xué)習(xí)法三類(lèi)。其中，地物典型幾何特征分析法只能對(duì)符合典型特征的地物進(jìn)行分類(lèi)，易受地形影響，且分類(lèi)后的數(shù)據(jù)會(huì)部分缺失[5]；決策樹(shù)分析法分類(lèi)精度較高，效率高，但識(shí)別地物種類(lèi)有限[6]。因此，將地物點(diǎn)云多尺度特征進(jìn)行融合，采用機(jī)器學(xué)習(xí)的方法進(jìn)行監(jiān)督分類(lèi)成為了研究重點(diǎn)。本文提出了一種基于多尺度特征向量的輸電線路無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)分類(lèi)方法。首先提取三維點(diǎn)云數(shù)據(jù)的多尺度局部特征作為特征參數(shù)構(gòu)成特征向量，然后采用多分類(lèi)相關(guān)向量機(jī)（Milticlass Relevance Vector Machine，M-RVM）分類(lèi)器對(duì)無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行分類(lèi)，可以分為地面、植物、建筑物、桿塔和電力線5類(lèi)，總體分類(lèi)準(zhǔn)確率達(dá)到96.63%。

1 特征提取

由于輸電線路走廊地形多變且環(huán)境復(fù)雜，所以無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)信息量大且分類(lèi)目標(biāo)多樣，包括地面、建筑物、植物、電力線和桿塔。因此提取的點(diǎn)云數(shù)據(jù)特征值需要更加精細(xì)和準(zhǔn)確，從而可以有效對(duì)每一類(lèi)分類(lèi)目標(biāo)進(jìn)行有效分類(lèi)。由于特征值提取需要與其三維鄰域內(nèi)的其他點(diǎn)云進(jìn)行分析計(jì)算，因此進(jìn)行定義特征值時(shí)需要結(jié)合領(lǐng)域的形狀和大小考慮。

根據(jù)線路走廊中地物的LiDAR點(diǎn)云數(shù)據(jù)特征與文獻(xiàn)[7]中的結(jié)論，本文定義了以下三種點(diǎn)云領(lǐng)域的劃分方式：（1）以待分類(lèi)點(diǎn)為中心的球體鄰域V；（2）對(duì)整個(gè)數(shù)據(jù)集采用縱向二維格網(wǎng)劃分的格網(wǎng)領(lǐng)域2D；（3）對(duì)整個(gè)數(shù)據(jù)集采用三維格網(wǎng)劃分的格網(wǎng)領(lǐng)域3D。

其中，張量特征和平面特征基于V計(jì)算得出，高程特征和平面連通性特征基于2D計(jì)算得出，高程連通性特征基于3D計(jì)算得出。同時(shí)，本文從以下四個(gè)方面定義了16個(gè)特征參數(shù)來(lái)描述無(wú)人機(jī)LiDAR點(diǎn)云的局部特征。根據(jù)文獻(xiàn)[8]的研究結(jié)果和減少計(jì)算量，本文僅利用點(diǎn)云空間幾何信息來(lái)定義特征參數(shù)，未采用回波信息。

1.1 高程特征

根據(jù)式（1）~（3）可以計(jì)算出特征值：平面密度1、二維體密度2和三維體密度3。

式中，LiDAR點(diǎn)云點(diǎn)在2D和3D內(nèi)的總數(shù)量為2D和3D，二維格網(wǎng)的平面面積和體積分別為2D和2D，三維格網(wǎng)的體積面積為3D。植物和電力桿塔的點(diǎn)云數(shù)據(jù)所在的2D內(nèi)平面密度較大，電力線的點(diǎn)云數(shù)據(jù)所在的2D內(nèi)體密度較小。

根據(jù)式（4）~（6）可以計(jì)算出特征值：最大高差4、高程方差5和高程平均值6。

式中，P為點(diǎn)云數(shù)據(jù)在二維格網(wǎng)中某個(gè)點(diǎn)的高程，P、P和P分別為點(diǎn)云數(shù)據(jù)在二維格網(wǎng)中間、最高和最低位置的高程。對(duì)于電力線和桿塔所在的二維格網(wǎng)，最大高差4較大；對(duì)于地面所在的二維格網(wǎng)，其高程平均值6較小。

1.2 連通特征

根據(jù)式（7）~（9）可以計(jì)算出特征值：高程連通性7、平面連通性8。

式中，PN為點(diǎn)云數(shù)據(jù)在相鄰二維格網(wǎng)中最高位置的高程。高程連通性7、平面連通性8可以用來(lái)區(qū)分電力線和桿塔點(diǎn)云數(shù)據(jù)。

1.3 張量特征

點(diǎn)云數(shù)據(jù)領(lǐng)域協(xié)方差矩陣的特征值可以描述局部張量特征。設(shè)為點(diǎn)云點(diǎn)P的領(lǐng)域協(xié)方差矩陣，可以由式（10）和式（11）計(jì)算得出。

對(duì)進(jìn)行特征值分解計(jì)算，選取特征值1、2和3，根據(jù)式（12）~（15）計(jì)算獲得張量特征，包括點(diǎn)云點(diǎn)在3D內(nèi)所有點(diǎn)的各向異性9、平面分布特性10、球面分布特性11和線狀分布特性12。

9和10在非平面處較低，在平面處較高；11非平面處較高，在平面處較低；12在線性結(jié)構(gòu)處較高。

1.4 平面特征

根據(jù)文獻(xiàn)[8]中的結(jié)論，設(shè)該三維領(lǐng)域3D內(nèi)中點(diǎn)的法向量角度為13；所在3D內(nèi)所有點(diǎn)法向量角度方差為14，所有點(diǎn)到其擬合平面距離的殘差為15，所有點(diǎn)擬合的平面距離為16。所計(jì)算的局部領(lǐng)域平面特征可以有效的對(duì)建筑物和植物的點(diǎn)云數(shù)據(jù)進(jìn)行分類(lèi)。

根據(jù)上述計(jì)算獲得特征值，可以構(gòu)建特征向量=[1,2,…,16]，且該特征向量的計(jì)算與領(lǐng)域尺度的大小相關(guān)，會(huì)直接影響到最終的地物點(diǎn)云數(shù)據(jù)分類(lèi)準(zhǔn)確性。當(dāng)較小時(shí)會(huì)導(dǎo)致局部特征不明顯，當(dāng)較大時(shí)會(huì)導(dǎo)致地物分類(lèi)準(zhǔn)確度降低。本文采用多尺度領(lǐng)域計(jì)算特征值，從而達(dá)到更好的區(qū)分度和穩(wěn)定性。領(lǐng)域尺度取值如表1所示。

表1 領(lǐng)域尺度k取值

因此，可以構(gòu)建最終的LiDAR點(diǎn)云數(shù)據(jù)多尺度分類(lèi)特征向量=[f1,f2,f3]。

2 多分類(lèi)相關(guān)向量機(jī)

由于輸電線路無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)的訓(xùn)練樣本量較小，且在實(shí)際應(yīng)用中需要較快的計(jì)算速度，因此本文提出采用M-RVM對(duì)輸電線路無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行分類(lèi)[9]。M-RVM采用0-1向量的形式對(duì)點(diǎn)云數(shù)據(jù)的類(lèi)別進(jìn)行表示，如果需要分類(lèi)的點(diǎn)云數(shù)據(jù)有種，則采用維的0-1列向量的形式進(jìn)行表示。輸電線路走廊無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)在本文被分為地面、建筑物、植物、電力線和桿塔5種，則采用5維列向量(0,0,0,0,1)T、(0,0,0,1,0)T、(0,0,1,0,0)T、(0,1,0,0,0)T和(1,0,0,0,0)T作為類(lèi)別標(biāo)簽。M-RVM具體算法流程見(jiàn)文獻(xiàn)[9]。

3 試驗(yàn)驗(yàn)證

圖1 分類(lèi)結(jié)果與真實(shí)標(biāo)簽的對(duì)比

為驗(yàn)證本文提出算法的有效性，采用貴州省某條輸電線路走廊的無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)進(jìn)行試驗(yàn)。該條輸電線路走廊長(zhǎng)度約10 km，寬度約40 m，包括10基桿塔和2回線路，地物主要包括植物和建筑物。點(diǎn)云數(shù)據(jù)總點(diǎn)數(shù)約為2×106個(gè)，平均點(diǎn)間距約為0.5 m。試驗(yàn)環(huán)境采用Inetel i5-7200U四核處理器，2.7 GHz主頻，8 GB內(nèi)存的計(jì)算機(jī)。由于訓(xùn)練分類(lèi)器需要綜合考慮各類(lèi)地物信息，本文將10基桿塔之間的9個(gè)走廊區(qū)段的前6個(gè)（區(qū)段1~區(qū)段6）選為訓(xùn)練集，后3個(gè)（區(qū)段7~區(qū)段9）選為測(cè)試集。為對(duì)本文方法的分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)，所有的點(diǎn)云數(shù)據(jù)均需要人工進(jìn)行標(biāo)記類(lèi)別標(biāo)簽。分類(lèi)結(jié)果如圖1和表2所示。試驗(yàn)結(jié)果表明，該方法可以有效區(qū)分地面、植物、建筑物、桿塔和電力線5類(lèi)線路走廊地物L(fēng)iDAR點(diǎn)云數(shù)據(jù)，分類(lèi)整體精度達(dá)到96.63%。

表2 分類(lèi)準(zhǔn)確度

4 結(jié)論

基于高程特征、連通特征、張量特征和平面特征，本文通過(guò)定義不同的點(diǎn)云領(lǐng)域劃分方式和領(lǐng)域尺度，構(gòu)建的無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)多尺度分類(lèi)特征向量可以有效用于輸電線路走廊地物的分類(lèi)計(jì)算。本文提出的基于多尺度分類(lèi)特征向量的輸電線路無(wú)人機(jī)LiDAR點(diǎn)云數(shù)據(jù)分類(lèi)方法可以有效對(duì)地面、植物、建筑物、桿塔和電力線5種地物進(jìn)行分類(lèi)，分類(lèi)總體精度達(dá)到96.63%，分類(lèi)結(jié)果可以用于輸電線路走廊三維建模。

[1] 楊淵,陳鳳翔,虢韜,等.基于LiDAR點(diǎn)云特征和模型擬合的高壓線提取[J].中國(guó)科學(xué)院大學(xué)學(xué)報(bào),2018,35(5):612-616

[2] 沈小軍,杜勇,王仁德,等.基于地面激光雷達(dá)的輸電線路鐵塔傾斜度測(cè)量[J].電子測(cè)量與儀器學(xué)報(bào),2017,31(4):516-521

[3] Guo B, LI QQ, Huang XF,. An Improved Method for Power-Line Reconstruction from Point Cloud Data[J]. Remote Sensing, 2016,8(1):36

[4] Kim HB, Sohn G. Point-based Classification of Power Line Corridor Scene Using Random Forests[J]. Photogrammetric Engineering & Remote Sensing, 2013,79(9):821-833

[5] 彭向陽(yáng),陳馳,徐曉剛,等.基于無(wú)人機(jī)激光掃描的輸電通道安全距離診斷技術(shù)[J].電網(wǎng)技術(shù),2014,38(11):3254-3259

[6] 陳鑫松,袁曉妍,李響.綜合單點(diǎn)和點(diǎn)簇的建筑物點(diǎn)云分類(lèi)方法[J].測(cè)繪與空間地理信息,2018,41(6):91-93

[7] Guo B, Huang XF, Zhang F,. Classification of airborne laser scanning data using JointBoost[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015,100:71-83

[8] Jie S, Zulong L. Airborne LiDAR Feature Selection for Urban Classification Using Random Forests[J]. Geomatics and Information Science of Wuhan University, 2014,38(11):207--212

[9] 尹金良,朱永利,俞國(guó)勤.基于多分類(lèi)相關(guān)向量機(jī)的變壓器故障診斷新方法[J].電力系統(tǒng)保護(hù)與控制,2013,41(5):77-82

LiDAR Point Cloud Data Classification Method for Transmission Line UAV Based on Multi-scale Feature Vector

FU Hong-an, XIA Jun, MA Hai-peng, TIAN Shuai, WANG Xue-ping

750000,

A LiDAR point cloud data classification method for transmission line UAV based on multi-scale classification features is proposed, which can effectively classify the grounding objects in the corridor of transmission line. Firstly, multi-scale local features of 3D point cloud data are extracted as feature parameters to form feature vectors, which include height features, connectivity feature, tensor feature and plane feature. After that, the feature vector is inputted into the classifier of multi-classification correlation vector machine. After the classifier training is completed, the LiDAR point cloud data of UAV is classified. The test results show that this method can effectively distinguish 5 kinds LiDAR point cloud data of line corridor, which includes ground, plants, buildings, towers and power lines. The classified overall accuracy reached 96.63%.

Transmission line; UAV; cloud data classification

TM769

A

1000-2324(2019)05-0852-03

10.3969/j.issn.1000-2324.2019.05.025

2018-07-21

2018-09-01

付紅安(1990-),男,碩士研究生,工程師,主要研究方向?yàn)檩旊娋€路設(shè)計(jì)及新技術(shù). E-mail:yishilfxy@163.com