[論文レビュー] Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid

Alexander Kyuroson, Anton Koval+1 more|arXiv (Cornell University)|Aug 14, 2023

Remote Sensing and LiDAR ApplicationsEnvironmental Science参考文献 42被引用数 3

ひとこと要約

本論文は、スマートグリッドにおけるLiDAR点群を用いた、教師なしでアーギョスティックなフレームワークを提案し、自律的かつ高精度に送電線をセグメンテーションする手法を提示している。統計的フィルタリング、PCA、Kdツリーインデキシング、および2段階DBSCANクラスタリングを用い、高圧・低圧送電線およびその周囲のコリドーを検出・セグメンテーションする。深層学習ベースラインと比較して、計算コストが低く、効率的かつ高精度な危険要因分析を実現している。

ABSTRACT

LiDAR is currently one of the most utilized sensors to effectively monitor the status of power lines and facilitate the inspection of remote power distribution networks and related infrastructures. To ensure the safe operation of the smart grid, various remote data acquisition strategies, such as Airborne Laser Scanning (ALS), Mobile Laser Scanning (MLS), and Terrestrial Laser Scanning (TSL) have been leveraged to allow continuous monitoring of regional power networks, which are typically surrounded by dense vegetation. In this article, an unsupervised Machine Learning (ML) framework is proposed, to detect, extract and analyze the characteristics of power lines of both high and low voltage, as well as the surrounding vegetation in a Power Line Corridor (PLC) solely from LiDAR data. Initially, the proposed approach eliminates the ground points from higher elevation points based on statistical analysis that applies density criteria and histogram thresholding. After denoising and transforming of the remaining candidate points by applying Principle Component Analysis (PCA) and Kd-tree, power line segmentation is achieved by utilizing a two-stage DBSCAN clustering to identify each power line individually. Finally, all high elevation points in the PLC are identified based on their distance to the newly segmented power lines. Conducted experiments illustrate that the proposed framework is an agnostic method that can efficiently detect the power lines and perform PLC-based hazard analysis.

研究の動機と目的

• 複雑で植生が豊富な環境において、LiDARデータを用いて自律的かつ教師なしで送電線を検出・セグメンテーションすることを目的とする。
• 従来の点検手法の限界、すなわち高コスト、人的ミス、および遠隔地や過酷な地形へのアクセス制限を是正することを目的とする。
• 送電線コリドー（PLC）を抽出し、植生の侵入を分析することで、早期の危険要因検出を可能にするフレームワークの開発を目的とする。
• UAVベースの点検システムに適したリアルタイムまたはニアリアルタイムの性能を達成することを目的とする。
• XAI原則に準拠したモジュラーで説明可能なパイプラインを提供し、トラブルシューティングおよび将来的な改善を可能とする。

提案手法

• 密度基準とヒストグラムしきい値を用いた統計的分析による初期の地表面点の除去により、高高度の点を分離する。
• 主成分分析（PCA）を用いて幾何的特徴を抽出し、点群の方向性分析を向上させる。
• クラスタリング中の空間的インデキシングおよび近隣探索を効率的に行うためにKdツリーデータ構造を採用する。
• 2段階DBSCANクラスタリングを用い、線形構造を特定し、重複または密集した導体を解消することで個々の送電線をセグメンテーションする。
• 最適化された半径 $ r $ を用いたKdツリーに基づく探索により、セグメンテーションされた線から距離しきい値以内の点を特定し、送電線コリドー（PLC）を抽出する。
• 抽出された送電線を多項式フィッティングによりパラメトリックモデリングし、たるみや電柱位置を評価することで構造的健全性モニタリングを実現する。

実験結果

リサーチクエスチョン

• RQ1 教師なしの機械学習フレームワークは、事前にラベル付けされていないノイズが多く複雑なLiDAR点群から、送電線を効果的に検出・セグメンテーションできるか？
• RQ2 幾何的特徴と空間的クラスタリングをどのように統合することで、密集した環境における植生や地表面から送電線を区別できるか？
• RQ3 2段階DBSCANアプローチは、複数導体構成において、単一段階クラスタリングと比較して、どの程度セグメンテーション精度を向上させるか？
• RQ4 PointNet++のような深層学習ベースのセマンティックセグメンテーションモデルと比較して、本手法の実行時間と精度はどの程度か？
• RQ5 本フレームワークは、リアルタイムで自律的に送電網をUAVベースで点検可能に適応可能か？

主な発見

• 同一のPCL密度条件下で、高圧送電線では0.25 ms/m²、低圧送電線では0.21 ms/m²の実行時間となり、PointNet++の0.93および0.87 ms/m²と比較して顕著に高速であった。
• 2段階DBSCANクラスタリングは、複数層で複雑な構成の状況下でも個々の送電線を効果的に分離し、重複や平行な導体に対しても高い耐性を示した。
• ヒストグラムしきい値処理と密度ベースのフィルタリングにより、地表面および植生点の除去に成功し、クラスタリング前の候補選定の正確性が向上した。
• フレームワークにより、送電線コリドー（PLC）の正確な抽出が可能となり、送電線から定めた距離内での植生の侵入を特定することで、後続の危険要因分析が容易になった。
• モジュラー設計により解釈可能性とトラブルシューティングが可能であり、XAI原則に適合し、段階的改善が可能である。
• 新しいグリッド構成ごとに約15分のハイパーパramータチューニングを要するものの、多様なLiDARデータセットにわたる汎用性とスケーラビリティが強く示された。