基于改进PointNet++的输电杆塔点云语义分割模型

针对现有输电线路点云提取精度不高、无法满足无人机自主精细化巡检需求的问题,提出一种改进的PointNet++的输电杆塔点云语义分割方法,以实现对导线、地线、引流线、绝缘子和杆塔塔身的点云分割。首先,对经典PointNet++模型参数进行调整,使模型在特征提取数量、感受野方面更适用于输电杆塔点云数据;然后,采用核心点卷积作为点云特征提取算法,进一步提升模型对点云特征的提取能力;最后,针对点云数据中存在的数据不平衡问题,采用focal loss作为损失函数,使占比较少的类别得到充分训练。为验证所提方法有效性,在2 284基输电杆塔组成的点云数据集上进行了实验,实验结果表明：改进后的算法平均F1值达到97.26%,较经典PointNet++提高了3.95个百分点。     

基于改进PointNet++的室内点云语义分割模型

针对点云语义分割过程中存在的大量点云数据的相邻关系丢失以及无法捕获部分点云特征的关键信息等问题,提出了一种基于改进PointNet++的室内点云语义分割模型。首先利用中垂线通道采样获取到更具代表性的采样点,从而提高采样结果的信息丰富度;在此基础上使用采样点邻域特征自适应分组,使组内采样点的分布特征和邻域内的点云特征更加接近,然后引入注意力机制,以实现对点云数据的多层次、多维度的建模和表达;最后通过实验进行性能对比分析。实验结果表明,模型对室内点云进行语义分割相较于PointNet++模型的整体准确率提高了5.6%,因此语义分割网络改进模块能够帮助神经网络提取到更优的点云特征信息,从而提高语义分割网络模型的性能。     

激光雷达输电线路点云数据智能分类方法研究

为解决传统分类方法处理大规模输电线路可视化巡检的激光雷达点云数据时效率低、精度差的问题,提出了一套自动分离输电线廊道中电力线、杆塔、地面和植被的智能化方案。首先依据曲率及邻域特征精准提取出电力线点;然后利用布料滤波法分离地面点和非地面点;最后基于圆柱模型从非地面点里识别出杆塔点和植被点。此研究选用了三段不同密度的输电线走廊点云数据进行实验,结果显示该方法对三种数据集的电力线、杆塔、地面和植被识别均有良好表现,整体分类精度大于90%,电力线的用户精度和制图精度随着云点密度的增加而逐渐增高。实验证明,此方法适用于多种类型的激光雷达点云数据,其理论方法对解决输电线走廊可视化巡检的自动分类问题具有借鉴价值,为充分提高输电线路无人机巡检的效率和精度提供了科学依据。     

基于B-PointNet++的地下电缆工井点云语义分割模型

地下电缆工井具有规模大、范围广、空间分布复杂等特点，为提高地下电缆工井筛查效率，保障地下电缆安全可靠运行，提出了一种基于宽度学习系统(broad learning system, BLS)和编解码器(encoder-decoder)的PointNet++模型，简称B-PointNet++,并将其应用于地下电缆工井点云语义分割。首先，为提高PointNet++对于大规模点云数据的特征学习能力以及学习效率，提出了基于Encoder-Decoder的PointNet++学习框架，并在PointNet核心网络中引入BLS算法替代原有多层感知器(multilayer perceptron, MLP),充分发挥BLS随机化学习效率；其次，采集了雄安新区地下电缆工井点云数据并加入真实语义标签制作模型训练需要的数据集；最后，与PointNet和PointNet++等现有方法相比，B-PointNet++具有更高的精确度、召回率、交并比和F1分数，有利于地下电缆工井场景的多目标分割，有较大的应用潜力。     

激光点云中输电杆塔坐标的快速提取方法

为实现利用无人机进行输电杆塔精细化巡检,需从冗杂的激光点云数据中提取输电杆塔坐标。首先,通过降采样和高程滤波对点云数据预处理;其次,根据杆塔、导线和地面点云的空间特征将每个杆塔初步分离提取;最后,基于杆塔的直立特性和对称特性进一步精提取出独立杆塔。以某市2条220 kV输电线路的激光点云数据为例,本文算法可快速完整地提取出全部输电杆塔坐标,单个杆塔建模效果较好,平均每基杆塔可在2 min内完成提取,有助于后续无人机杆塔精细化巡检的航迹规划。     

无人机倾斜摄影技术在电力巡线树障检测中的实践应用研究

为解决目前贵州电网电力巡线工作中人工巡检存在精度低、效率慢、智能化水平低等问题,本文结合无人机倾斜摄影技术的工作原理,对输电线路杆塔、通道及周边环境进行无人机航飞、空中三角测量、建模,形成电力线通道三维点云,利用自动匹配算法生成的导线精确计算出树障距离和位置,并生成输电线通道障碍物报告。即将无人机倾斜摄影技术用于电力线巡检,可在恢复输电线路通道三维点云的基础上实现树障的定量化检测,探索出一种无人机智能电力巡线新方法。本文将从无人机航空摄影方法、地表三维点云重建方法、导线三维重建方法和树线距离量测方法四个方面入手,重点分析无人机倾斜摄影技术在电力巡线树障巡检作业中的工作原理和流程,并结合一线巡检班组的实验数据,阐述其在实践中的具体应用。     

基于部分重合分段的电力线激光点云数据聚类方法与实现*

在无人机激光雷达电力线巡检中,基于激光点云数据的电力线三维重建是首要工作。针对已有方法无法解决多种构型电力线激光点云聚类等问题,提出了基于部分重合分段的电力线激光点云数据聚类方法。该算法包含构建单档单根电力线的三维重建模型中直线段模型和悬链线段模型的数学表达式、数据预处理和部分重合数据分段、模型拟合及线段标号与合成等三个步骤。通过实验验证了该算法的实用性和有效性,实现了对任意长度、任意电塔高差、存在不规则断裂和粗差的电力线点云的正确分割,具备较高精度和鲁棒性。     

基于3D激光点云的输电线提取及建模方法研究

以电力系统中输电导线的巡视和维护问题为研究背景,基于UAV LiDAR获取的3D点云数据,提出了一种结合聚类分割思想实现自动提取输电线的方法,并进行了点云空间拟合建模研究。试验结果表明,该方法能较完整地提取电力线点云,拟合出的模型能较准确地预测电力线的空间分布。     

基于深度学习的输电线路杆塔点云分类方法

随着激光点云在电力场景中的运用深入,为进一步发挥杆塔点云作用,针对传统方法对杆塔点云精细分类自动化能力不足问题,本文结合无人机激光扫描点云,运用深度学习技术中新兴的针对3D点云处理技术PointNet,利用PointNet技术来对电力杆塔激光点云精细分类,精细分出电力杆塔点云中电力杆塔、输电线路、绝缘子、跳线等部分,共7个种类。试验取得了较好效果,总精度达到0.91。并测试了点云抽稀缺陷情况下电力杆塔点云的分类效果,为电力场景中点云分类提供了可行的解决方案。     

基于改进YOLOv4模型的输电线路杆塔图像缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。     

基于卷积自编码网络的杆塔点云数据自动分类方法

在输电线路三维可视化自动建模场景中如何实现对杆塔的三维点云数据进行快速准确的自动化分类是一个关键问题,在本文中我们提出了一种基于卷积自编码神经网络CAE的杆塔三维点云数据自动分类算法。首先,我们通过投影计算得到杆塔点云的旋转角度并使用旋转矩阵将杆塔点云摆正,然后进行正面侧面投影获取到杆塔点云的图像;第二,使用收集到的杆塔点云图像组成训练数据集,对卷积自编码网络进行训练之后提取出自编码网络的编码部分用于对图像进行特征提取;第三,使用自编码器对输入的杆塔点云图进行特征抽取,将提取的图像特征向量输入EM进行自动分类。实验结果表明我们所提出的杆塔点云自动分类算法能够快速准确实现对点云数据的自动化分类。     

SaSnet：基于自监督学习的电力线实时分割网络

电力线分割对于实现无人机自动避障、保障无人机低空飞行安全具有重要意义。传统基于线和线段的算法只能在一些简单场景下应用，在复杂场景下极容易出现误检、漏检情况。近年来，深度学习的快速发展极大地促进了电力线分割研究，但是相关研究仍然存在3个问题：1）较少考虑实际应用；2）没有充分利用电力线特点；3）忽略了缺乏大规模电力线数据的问题。该文基于电力线分割的实际应用需求，改进了传统的F1分数评价指标，提出一种基于积分加权的电力线分割评价指标。同时从电力线特点出发，提出一个轻量级的实时语义分割网络SaSnet，包括lite和general两个深度不同的版本。针对电力线分割缺乏大规模数据的问题，提出自监督学习算法IBS，基于IBS算法的SaSnet用极少量有标签数据进行训练，在公开数据集上的精度和速度都超越了目前已有的最优方法。在嵌入式设备上的实验结果表明SaSnet已经初步具备了实际应用的能力。     

基于YOLOv3的电力杆塔检测算法研究

电力杆塔是支撑和架空输电线的塔架结构,杆塔检测和无人机智能巡检电网线路相结合已逐渐成为发展趋势。为提升电力设备巡检效率,提出了一种基于YOLOv3改进的目标检测模型,用于无人机巡检输电线路中对于杆塔的实时检测。通过水平镜像、旋转变换、图像错切和颜色变换等方法完成数据扩增,扩大杆塔训练样本。利用K-means聚类算法获取最适合的先验锚框,使其更符合杆塔的形状和比例。改进损失函数,采用GIoU计算边界框回归损失,提升了目标定位的准确性。实验结果表明,相对于其他算法,改进后的YOLOv3模型准确率较高,检测速度达到了每帧65 ms, mAP(多类别平均精度)达到90.8%,可以有效检测到航拍图像的电力杆塔,对无人机巡检输电线路有一定的工程应用价值。     

基于改进U-Net的轻量级输电线分割算法

为了提高输电线路的巡检效率,保证输电线的分割精度和速度,本文提出基于改进U-Net的轻量级网络GU-Net。首先,以U-Net网络为基础,在编码器部分引入轻量化主干提取网络Ghost-Net;然后采用双线性插值方法完成上采样,并利用深度可分离卷积代替部分普通卷积;最后在训练过程引入多损失函数以解决输电线和背景像素占比不平衡问题,并采用迁移学习策略训练模型。在E-Wire输电线数据集上测试,GU-Net网络的MIoU和F1-score分别为80.04%和87.77%,与现有的轻量化输电线语义分割网络Wire-Detection相比分别提升了4.26%和2.96%,且分割速度几乎没有损失,参数量约是它的20%。实验结果表明,本文提出的算法能够实现快速高效、轻量化地分割出复杂图像中的输电线。     

复杂背景条件下的电气设备图像实例分割算法

变电站巡检拍摄的电气设备可见光图像存在背景杂乱、目标轮廓不规则等特点,造成设备分割精度不高,影响智能巡检系统设备识别效果。基于此,提出一种改进的YOLACT++模型,实现设备目标精确实例分割。首先,设计了电气设备特征提取主干网络DAGNet,提升了网络对复杂背景下重要特征的关注度;同时在原型网络分支引入3D注意力模块SimAM,降低混乱背景对目标分割的干扰。使用某市8个区域58座110 kV变电站和86座35 kV变电站巡检所得避雷器、断路器等6类电气设备的1 730张可见光图像的标记数据集对该模型进行验证,实验结果表明,改进YOLACT++模型分割的AP_all指标为84.1%,相较原模型提高了4.4%,与YOLACT、Mask R-CNN和YOLOv8模型相比分别高出4.0%、9.3%、1.6%,较好地实现了6类电气设备的识别,可满足电力巡检中准确性和快速性的要求。     

基于多视投影的电力杆塔点云绝缘子串快速提取

在无人机自动巡检中,需要根据电力走廊带点云中绝缘子串的位置进行航线规划。由于电力走廊带长度跨越较大,杆塔数量众多,人工进行绝缘子串位置标注的工作量巨大。同时点云数据散乱无序,在三维空间中直接定位绝缘子串耗时长。为此,本文提出多视二维投影,快速提取三维杆塔点云中的绝缘子串。该方法首先利用鲁棒主成分分析,在俯视图中分析杆塔顶端横担水平方向,统一杆塔点云的朝向。接着,在侧视图中通过霍夫直线检测,对电力线高度进行快速定位,并根据电力线与横担的空间关系,将相应的绝缘子串分为顶层悬挂、竖直绝缘子串与水平绝缘子串三类。最后,在多视投影中进行角点检测,对绝缘子串与电力线、杆塔的连接端点进行定位,实现快速的绝缘子串提取。本文提出的方法在50 km的电力走廊带中的97座不同类型杆塔的867个绝缘子串上进行了提取实验,证明了该方法能对不同类型绝缘子串进行快速提取。     

基于改进生成对抗网络的无人机电力杆塔巡检图像异常检测

无人机电力线路巡检拍摄的杆塔图像背景复杂且正负样本极不均衡,严重影响了电力杆塔异常检测的准确性。该文提出一种基于压缩激活改进的快速异常检测生成对抗网络（SE-fAnoGAN）,可提高复杂背景下无人机电力杆塔巡检图像异常检测的精度。首先,在f-AnoGAN编码器中引入压缩激活网络（SENet）,提取图像中的显著性信息。然后,将生成对抗网络的无监督学习和二分类器的有监督学习有机结合,实现前者特征提取优势和后者判别优势的互补。在此基础上,借助基于迁移学习的优化训练策略进一步有效提升模型在大规模数据集上的泛化性能。实验结果显示,总体样本的检测准确率为95.74%,正负样本的召回率分别达到96.05%和95.36%,证明了SE-f-AnoGAN在异常检测中的有效性。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

异源特征差异化融合引导的变电站场景语义分割

变电站场景图像语义分割能够为巡检机器人提供像素级的场景理解,是变电站智能化巡检、管控的关键步骤之一,但由于设备种类众多、背景环境复杂,仅依赖单一模态图像的语义分割方法准确性受限。针对该问题,提出一种基于多尺度特征差异化融合的语义分割网络,根据不同层次、不同模态特征图的特点,利用差异化的融合策略,提取红外与可见光图像在空间细节与语义信息的互补内容,从而利用融合信息引导解码过程,实现稳定的异源图像语义分割。为了验证算法的性能,利用无人机与机器人平台采集大量异源图像,手工标注并构建了数据集。实验证明本文提出的算法可以准确识别各类电力设备,对于保障电力系统安全稳定的运行具有实用价值。     

大型无人机电力巡检LiDAR点云安全距离诊断方法

输电线路走廊中地物安全距离检测是电力运维部门日常线路巡检作业中的重要一环。结合此项运维实际需求,提出一种无人机电力巡检LiDAR点云数据的自动安全距离诊断方法:首先依据已知的线路位置与走向对无人机巡检系统采集的LiDAR点云进行裁剪,获得线路走廊区域点云;其次,采用自适应分区滤波的方法滤除地面点,获得非地面点云;在此基础上,在非地面点数据中,依据点云维数特征以及空间几何分布特性从非地面点中分离出导线点、杆塔点、及林木植被、建筑物等安全距离诊断所关注的线路走廊其他地物;继而提出一种迭代最小二乘电力线悬链线模型解算方法,自无序电力线激光点云数据拟合悬链线方程,用于后续安全距离计算;最后使用分段剖面安全距离计算方法计算线路与线路走廊下方地面/地物距离,并与标准安全距离做比较,对于距离小于安全距离的区域进行危险预警。采用大型无人机电力线路巡检系统采集的多组LiDAR点云数据对文中算法进行实验验证,并对检测结果与人工点云量测值与实地巡检值进行了定性与定量的对比分析。实验结果表明提出的安全距离诊断方法能准确探测树障等安全距离超限地物。