衛(wèi)長安

（長治職業(yè)技術(shù)學院 山西省長治市 046000）

1 多光譜與激光點云技術(shù)融合的意義

輸電線路因植被自然生長，植被與導線距離低于臨界值而發(fā)生的瞬間擊穿現(xiàn)象從而導致電網(wǎng)跳閘的故障被稱作樹木故障。樹木故障發(fā)生后重合閘一般難以成功，故障點在短時間內(nèi)難以快速解決。該類故障極易造成線路停運，甚至電網(wǎng)營運的嚴重事故。因此對樹障預測的研究就有了迫切的現(xiàn)實意義。雖然激光點云可以設(shè)定植被每年固定的生長速率來生成植被與導線關(guān)系的預生長報告，但這種預生長報告只能對輸電線路廊道中的植被進行簡單機械的統(tǒng)一預測，由于樹種的個體差異或其他某些未知因素影響，不同類型樹木之間的生長狀態(tài)也會呈現(xiàn)出差異性，做出不同樹種區(qū)別化的預測無法達到。通過無人機采集輸電線路通道內(nèi)激光點云和多光譜等數(shù)據(jù)，利用多光譜數(shù)據(jù)與激光雷達點云數(shù)據(jù)的結(jié)合識別典型樹種，建立不同樹種的生長模型，運用生長模型進行輸電線路廊道的樹木故障隱患分析預測，并在此研究成果上開展樹種識別和樹木生長仿真研究，實現(xiàn)輸電通道樹障的風險預判，提高電網(wǎng)樹障風險預測準確率。

2 機載激光點云在電力通道中的應用

隨著遙感技術(shù)的發(fā)展，激光雷達(Light Detection And Ranging，LiDAR)是集激光掃描測距系統(tǒng)(Laser Scanner)、全球衛(wèi)星導航系統(tǒng)(Global Navigation Satellite System，GNSS)、慣性測量單元(Inertial Measurement Unit，IMU)等于一體的新型主動式快速測量技術(shù)，可對目標進行高精度三維測量，可直接獲取表征目標表面的點云模型，該模型是包含了三維幾何信息的離散點云數(shù)據(jù)。

通道內(nèi)激光數(shù)據(jù)的采集，是在輸電導線上方保持一定的安全距離，由搭載機載掃描系統(tǒng)(Airborne Laser Scanning，ALS)的無人機或直升機對輸電線路通道內(nèi)一定寬度范圍（60米-220 米）發(fā)射激光對地面進行左右往復逐行掃描，通過GPS、激光掃描儀、慣性測量單元等協(xié)同配合，基于航空攝影和激光測距等原理，生成具備高程、強度、回波、時間等信息的三維激光點云數(shù)據(jù)。通過對激光點云數(shù)據(jù)處理，經(jīng)過數(shù)據(jù)解算、噪點去除、地面點生成、地上物類別分類、植被精細識別和分類等流程，可對輸電線路廊道中的植被與導線進行凈空距離、垂直距離、水平距離的測量生成可視化數(shù)據(jù)，根據(jù)不同等級的輸電線路的樹障檢測標準生成實時工況樹障報告。

3 多光譜與激光點云技術(shù)融合的理論基礎(chǔ)

多光譜是光學被動遙感數(shù)據(jù)，可獲得冠層水平信息，根據(jù)不同種類植被在不同光譜（藍光，綠光，紅光，紅邊和近紅外單波段影像）通道下表現(xiàn)出不同色彩信息特征達到對其樹種識別的目的，從而取得不同樹種的“指紋特征”，通過該特征來反應細微空間尺度上的不同差別。而激光點云數(shù)據(jù)是主動遙感數(shù)據(jù)，可直接獲得單株木的位置、樹高和冠幅這三個垂直結(jié)構(gòu)參數(shù)以及強度信息，從而獲得單顆樹木的“形態(tài)特征”。將主動激光雷達遙感所獲取的植被三維空間結(jié)構(gòu)與被動多光譜遙感所獲取的二維平面光譜信融合利用，可將植被的“立體結(jié)構(gòu)”和“光譜差異”信息綜合利用，有效地提高植被時空分布格局和動態(tài)變化規(guī)律的準確刻畫和定量分析。

4 多光譜與激光點云技術(shù)融合的實施方案

該方案的技術(shù)融合是基于點云數(shù)據(jù)提供的高精度高程信息和多光譜影像豐富的光譜及紋理信息來進行地物的分類和提取，首先需要對點云數(shù)據(jù)和多光譜數(shù)據(jù)進行預處理。對于點云數(shù)據(jù)首要是實現(xiàn)點云去噪、地面點分離、點云分類、林木點云單木分割、森林分層及特征變量提取處理等。而多光譜影像主要是獲取地物光譜信息，基于獲取的不同報端信息拓展計算了光譜指數(shù)及紋理信息。最終將激光點云點云數(shù)據(jù)與多光譜數(shù)據(jù)進行融合處理之后，在具有精準的三維結(jié)構(gòu)信息的基礎(chǔ)上，擁有了豐富的光譜信息以及紋理信息，由于不同的植被類型具有不同的光譜信息，可根據(jù)各類地物的特征實現(xiàn)樹障樹種的自動識別。將表征冠層水平方向信息的多光譜數(shù)據(jù)與表征林分垂直結(jié)構(gòu)信息的激光點云點云數(shù)據(jù)融合，形成優(yōu)勢互補，能有效提高樹種識別的精度。

4.1 具體技術(shù)路線

具體技術(shù)路線如圖1 所示。

圖1： 多光譜與激光雷達技術(shù)路線圖

4.2 激光點云數(shù)據(jù)處理

4.2.1 激光點云預處理

直接獲取的激光點云數(shù)據(jù)是輸電通道范圍內(nèi)具備三維特征的離散的點云數(shù)據(jù)，不能直接用于數(shù)據(jù)融合，需要對數(shù)據(jù)進行預處理。

首先運用激光點云處理軟件進行剔除明顯不在通道內(nèi)三維結(jié)構(gòu)中或高度異常的點，之后利用軟件對點云生成地面點，同時將非地面點按地物類別進行分類。

4.2.2 基于激光點云的單木識別分割

在點云處理軟件中設(shè)置按高程顯示激光點云數(shù)據(jù)，根據(jù)軟件設(shè)置，離散點云點高程越高顏色越鮮艷，通過點云三維特征和高程特征將電力線、絕緣子、引流線等部分分類識別處理。完成激光點云屬性分類后，利用點云處理軟件單木分割功能將植被區(qū)進行單木分割操作。

單木分割算法采用一種基于原始點云的自上而下的區(qū)域增長分割算法，主要原理是以點之間的水平距離為限制條件，自頂向下實現(xiàn)點云聚類，從而將單棵樹木點云依次分割出來。隨著高度的降低，相鄰樹木的點間距減小，錯分的概率增大。通過在不同高度使用不同的距離閾值，可以減小錯分的概率。用于尋找局部最大點的搜索球半徑和距離閾值是分割算法中兩個關(guān)鍵參數(shù)。以0.5m 為間隔，將兩參數(shù)在1-4m 范圍內(nèi)進行調(diào)整。

4.2.3 基于激光點云的森林分層

在上述單木分割的基礎(chǔ)上，根據(jù)高度、物體特征等進一步將道路、電力線、其他地面建筑等進行場景識別與分類，可以看到示例點分類效果較好，圖2 分別展示整體和局部的識別分類的效果。

圖2： 單木分割結(jié)果及局部展示

從單木分割結(jié)果中獲取單株樹木的高度，并基于高度信息對森林點云進行分層，從而提取出森林中的不同層次植被。本研究中，分別使用了5m,15m 作為高度閾值從分割結(jié)果中提取出不同的森林層次，把小于5m 的作為灌木，5m-15m之間的作為中等植被，高于15 米的作為喬木。

示例點分層結(jié)果如圖3 所示，可以看到圖中大部分的植被高度是5-15m 范圍內(nèi)，即分層結(jié)果圖示紅色部分；次之是低于5m 的植被，即圖中藍色部分；只有很少一部分的植被有超過15m 的部分即圖中綠色代表的植被層。

圖3： 站點植被分成3 層的結(jié)果

4.2.4 基于激光點云的特征變量提取

（1）高度相關(guān)特征。區(qū)別不同樹種最顯著的特征就是高度，通常高度特征包含四類：高度最大值（MaxH）、高度均值（MeanH）、高度標準差（SdH）、高度變異系數(shù)（CVH）。高度特征與灰度值關(guān)系是灰度值越高表示特征值越大。

（2）冠層垂直結(jié)構(gòu)特征。采用數(shù)理統(tǒng)計中的偏度（SK）和峰度（KU）兩個變量來描述樹種的垂直結(jié)構(gòu)特征。冠層比（CRR）是從測高觀測中對冠層相對形狀的定量描述，定義為平均高度返回減去最小高度除以最大高度減去最小高度。該比率反映了樹冠表面在高度范圍的上部（＞0.5）或下部（＜0.5）中的程度。其值越高，冠層（例如，開放冠層）中發(fā)生的局部變化越多，而小值表示變化越?。ɡ玳]合或均勻的年齡冠層）。由于所有不同的可能冠層配置和定義尺度的影響，因此沒有對給定值的單一解釋，因此CRR 是冠層變化的相對度量。確定冠層密度（CD）最有效的方法是通過柵格化將研究區(qū)域劃分為許多大小相等的小像元。在每個柵格像元中，將地上點的數(shù)量與點的總數(shù)相比。柵格圖如圖4 所示。

圖4： 激光點云高度相關(guān)指標

4.3 多光譜影像處理

4.3.1 多光譜影像拼接

基于獲取的無人機多光譜影像，根據(jù)每張影片中記錄的信息，輸入到影像拼接軟件中實現(xiàn)多光譜影像拼接。

4.3.2 基于多光譜影像的特征提取

影像的光譜特征是輔助點云分類最為有效的特征。運用可見光相機（RGB 合成影像）及5 個多光譜相機（藍光，綠光，紅光，紅邊和近紅外單波段影像），所有相機均擁有200 萬像素解析力。對于多光譜影像空間分辨率經(jīng)過處理后可達到0.05 米空間分辨率。通過對圖像的分析及影像特征的描述可知，多數(shù)樹種在影像中表現(xiàn)出的色彩信息各不相同，這將為輔助點云分類提供最直接有力的依據(jù)。同時利用紋理特征分析輔助解決異物同譜，同譜異物的現(xiàn)象，運用NDVI 指數(shù)來輔助識別地面植被密集程度。由圖5 可知綠色植被在近紅外波段反射率較強，在紅光波段發(fā)射率較弱，越是密集、葉綠素含量越高，圖譜顯示越強烈。

圖5： 不同樹種的多光譜影像

4.4 多光譜影像與激光點云數(shù)據(jù)配準

多光譜和激光點云數(shù)據(jù)的配準采用控制點位法進行完成。在實際空間上選好控制點，可以得到該控制點的實際坐標，多光譜影像與激光點云數(shù)據(jù)中都可以觀測到該控制點。數(shù)據(jù)導入軟件后對比控制點是否重合，如不重合，將激光數(shù)據(jù)進行旋轉(zhuǎn)平移最終達到控制點重合的多光譜影像與激光雷達點云融合數(shù)據(jù)。

實施過程中，控制點的選擇對配準精度有直接的影響，一般應選取規(guī)則地物的角點、線路桿塔的拐點以及地面建筑的規(guī)則交點等。為了避免同名點對選擇過程中的誤差，通常選擇較多的控制點，對數(shù)據(jù)進行多次擬合分析，將擬合效果最差的控制點剔除，最終選擇殘差較小的同名點進行后續(xù)數(shù)據(jù)處理。

4.5 研究針對特定樹障樹種的自動識別與分類的核心算法開發(fā)與實現(xiàn)

激光點云點云數(shù)據(jù)與多光譜數(shù)據(jù)進行融合處理之后，在具有精準的三維結(jié)構(gòu)信息的基礎(chǔ)上，擁有了豐富的光譜信息以及紋理信息，將經(jīng)過濾波處理提取的非地面點數(shù)據(jù)進行分類處理，由于不同的植被類型具有不同的光譜信息，可根據(jù)各類地物的特征實現(xiàn)樹障樹種的自動識別，能有效提高樹種識別的精度。如圖6 所示。

圖6： 樹種分類識別結(jié)果

4.6 基于多樹種和樹線距離的樹障風險預測

利用單木分割數(shù)據(jù)可以得到單顆樹木頂端與導線的凈空距離、垂直距離和水平距離，通過多光譜影像融合激光點云數(shù)據(jù)可提高識別單顆樹的樹種類型的概率，根據(jù)不同樹種類型來設(shè)定不同樹種的樹生長預測模型，將該模型結(jié)合已知導線與植被的距離關(guān)系，從而達到預測不同樹種可能生成樹障隱患的時間節(jié)點，制作樹生長風險預測報告，給出電網(wǎng)運維人員建議，在樹障隱患發(fā)生前進行現(xiàn)場勘查和處理。如圖7所示。

圖7： 目標樹木到電力線的垂直、水平和凈空距離

5 結(jié)語

本文探討了利用激光點云點云數(shù)據(jù)、多光譜影像數(shù)據(jù)進行融合后，提取兩者不同特征，從而精確判斷輸電線路通道內(nèi)樹木的“線樹”距離和樹種分布情況；利用輸電線廊道內(nèi)多種實測數(shù)據(jù)，構(gòu)建輸電線路通道的典型樹障生長周期模型，依據(jù)輸電線路電壓等級制定檢測標準，結(jié)合所構(gòu)建模型給出算法，從而達到預測輸電廊道內(nèi)不同樹種形成樹障隱患的時間節(jié)點，為電力部門降低運維成本，提高巡檢效率，推動智能電網(wǎng)發(fā)展作出了部分參考。同時也針對現(xiàn)有樹障預測方法存在的問題提供了一種補充，對無人機巡檢電力領(lǐng)域的拓展提供一定的參考方向。