[论文解读] 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 3

一句话总结

本文提出了一种无监督、与模型无关的框架，用于在智能电网中基于激光雷达点云实现自主输电线路分割。该方法采用统计滤波、主成分分析（PCA）、Kd-tree索引以及两阶段DBSCAN聚类，检测并分割高压与低压输电线路及其周边走廊，与深度学习基线相比，计算开销低，实现了高效、准确的隐患分析。

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.

研究动机与目标

• 通过使用激光雷达数据，在复杂、植被丰富的环境中实现输电线路的自主、无监督检测与分割。
• 解决传统巡检方法的局限性，包括成本高、人为错误以及在偏远或恶劣地形中访问受限的问题。
• 开发一种框架，通过提取输电线路走廊（PLC）并分析植被侵入，实现在早期阶段检测隐患。
• 实现适用于无人机巡检系统的实时或近实时性能。
• 提供模块化、可解释的处理流程，符合可解释人工智能（XAI）原则，便于故障排查与未来升级。

提出的方法

• 通过基于密度的统计分析与直方图阈值法，移除初始地面点，以分离高程点。
• 应用主成分分析（PCA）提取几何特征，增强点云方向分析能力。
• 使用Kd-tree数据结构实现聚类过程中高效的空间索引与邻域搜索。
• 采用两阶段DBSCAN聚类，通过识别线性结构并解决重叠或聚集的导线，实现单个输电线路的分割。
• 基于Kd-tree的搜索，结合优化的半径 $ r $，通过识别距分割线路在阈值距离内的点，提取输电线路走廊（PLC）。
• 通过多项式拟合对提取的输电线路进行参数化建模，以评估弧垂与杆塔位置，实现结构健康监测。

实验结果

研究问题

• RQ1 无监督机器学习框架能否在无需先验标注的情况下，有效从噪声大、复杂的激光雷达点云中检测并分割输电线路？
• RQ2 如何结合几何特征与空间聚类，以在密集环境中区分输电线路、植被与地面？
• RQ3 在多导线配置下，两阶段DBSCAN方法相较于单阶段聚类，在分割精度方面提升了多少？
• RQ4 与PointNet++等基于深度学习的语义分割模型相比，该方法在运行时间与精度方面表现如何？
• RQ5 该框架是否可适配为实时、自主的无人机电网巡检系统？

主要发现

• 在相同PCL密度条件下，该方法对高压线的运行时间为0.25 ms/m²，低压线为0.21 ms/m²，显著快于PointNet++的0.93和0.87 ms/m²。
• 两阶段DBSCAN聚类在多层复杂配置下仍能有效分离单个输电线路，表现出对重叠与平行导线的强鲁棒性。
• 直方图阈值法与基于密度的滤波成功去除了地面与植被点，提升了聚类前候选点选择的准确性。
• 该框架能够准确提取输电线路走廊（PLC），便于后续通过识别输电线路附近区域的植被侵入实现隐患分析。
• 模块化设计支持可解释性与故障排查，符合XAI原则，支持逐步优化与改进。
• 尽管每种新电网配置需约15分钟的超参数调优，但该方法在多种激光雷达数据集上表现出良好的泛化能力与可扩展性。