[논문 리뷰] Autonomous Point Cloud Segmentation for Power Lines Inspection in Smart Grid

Alexander Kyuroson, Anton Koval외 1명|arXiv (Cornell University)|2023. 08. 14.

Remote Sensing and LiDAR ApplicationsEnvironmental Science참고 문헌 42인용 수 3

한 줄 요약

이 논문은 스마트 그라이드에서 LiDAR 포인트 클라우드를 사용하여 자율적인 전력선 분할을 위한 비지도, 무차별적인 프레임워크를 제안한다. 통계적 필터링, 주성분 분석(PCA), Kd-트리 색인, 이중단계 DBSCAN 군집화를 활용하여 고압 및 저압 전력선과 그 주변 코리도어를 탐지하고 분할하며, 딥러닝 기반 기준 대비 낮은 계산 부하로 효율적이고 정확한 위험 분석을 달성한다.

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.

연구 동기 및 목표

• 복잡하고 식생이 풍부한 환경에서 LiDAR 데이터를 활용해 자율적이고 비지도로 전력선을 탐지하고 분할할 수 있도록 하는 것.
• 기존 점검 방법의 한계, 즉 높은 비용, 인적 오류, 원거리 또는 극한의 지형에서의 접근성 부족을 해결하는 것.
• 전력선 코리도어(PLC)를 추출하고 식생 침식 분석을 통해 조기 위험 탐지가 가능한 프레임워크를 개발하는 것.
• 드론 기반 점검 시스템에 적합한 실시간 또는 근접 실시간 성능을 달성하는 것.
• XAI 원칙에 부합하는 모듈식이고 해석 가능한 파이프라인을 제공하여 장애 진단 및 향후 개선에 용이하게 하는 것.

제안 방법

• 밀도 기준과 히스토GRAM 임계값을 사용한 통계적 분석을 통한 초기 지면 점 제거로 고고도 점을 분리.
• 기하학적 특징 추출 및 포인트 클라우드의 방향 분석 향상을 위해 주성분 분석(PCA) 적용.
• 군집화 과정 중 공간 색인 및 이웃 검색을 효율적으로 수행하기 위해 Kd-트리 데이터 구조 사용.
• 선형 구조를 식별하고 겹치거나 군집된 도체를 해결하기 위해 이중단계 DBSCAN 군집화를 통한 개별 전력선 분할.
• 최적화된 반경 $ r $ 를 사용한 Kd-트리 기반 검색을 통해 분할된 선로에서 임계 거리 이내의 점을 식별하여 전력선 코리도어(PLC) 추출.
• 다항식 피팅을 통한 매개변수 모델링으로 처짐과 pole 위치를 평가하여 구조적 건강 모니터링 수행.

실험 결과

연구 질문

• RQ1 사전 레이블링 없이 노이즈가 많고 복잡한 LiDAR 포인트 클라우드에서 비지도 기계학습 프레임워크가 효과적으로 전력선을 탐지하고 분할할 수 있는가?
• RQ2 기하학적 특징과 공간 군집화를 어떻게 조합하여 식생과 지면과 구분되는 밀도 높은 환경에서 전력선을 식별할 수 있는가?
• RQ3 다중 도체 구성에서 단일단계 군집화에 비해 이중단계 DBSCAN 접근 방식이 얼마나 높은 분할 정확도를 향상시키는가?
• RQ4 PointNet++와 같은 딥러닝 기반 세분화 모델에 비해 제안된 방법의 실행 시간과 정확도는 어떻게 비교되는가?
• RQ5 이 프레임워크는 드론 기반 스마트 그라이드 점검에 실시간으로 적용 가능한가?

주요 결과

• 제안된 방법은 고압선 기준 0.25 ms/m², 저압선 기준 0.21 ms/m²의 런타임을 기록하여 동일한 PCL 밀도 조건에서 PointNet++의 0.93 및 0.87 ms/m²보다 빠르게 성능을 달성했다.
• 이중단계 DBSCAN 군집화는 다층적이고 복잡한 구성에서도 개별 전력선을 효과적으로 분리하여 겹치거나 평행한 도체에 대한 강건성을 입증했다.
• 히스토GRAM 임계값과 밀도 기반 필터링은 지면 및 식생 점을 성공적으로 제거하여 군집화 이전 후보 선택 정확도를 향상시켰다.
• 프레임워크는 정확한 전력선 코리도어(PLC) 추출을 가능하게 하여 전력선 주변 정의된 거리 내 식생 침식을 식별함으로써 후속 위험 분석을 지원했다.
• 모듈식 설계는 해석 가능성과 장애 진단을 지원하며, XAI 원칙과 부합하여 점진적인 개선이 가능했다.
• 새로운 그라이드 구성에 대해 약 15분의 하이퍼파rameter 튜닝이 필요하나, 다양한 LiDAR 데이터셋에서 높은 일반화 및 확장성 능력을 입증했다.