引用本文

唐友源, 张辉, 杜瑞, 张恺宁, 曹云康, 别克扎提·巴合提, 陈厚权, 王耀南. 基于结构频谱感知框架的配电网点云语义分割. 自动化学报, 2026, 52(4): 833−845 doi: 10.16383/j.aas.c250540

Tang You-Yuan, Zhang Hui, Du Rui, Zhang Kai-Ning, Cao Yun-Kang, Biekezati Baheti, Chen Hou-Quan, Wang Yao-Nan. Semantic segmentation of distribution network point clouds based on a structure spectrum-aware framework. Acta Automatica Sinica, 2026, 52(4): 833−845 doi: 10.16383/j.aas.c250540

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250540

关键词

配电网点云，语义分割，结构频谱感知，空谱融合，极坐标频谱变换

摘要

配电网点云语义分割对于实现无人化巡检与智能电网运维具有重要意义. 尽管已有方法在空间建模与结构增强方面取得一定进展, 但在频谱特征挖掘与大规模点云处理效率上仍面临突出挑战. 为此, 提出一种结构频谱感知框架(SSAF), 以提升长距离配网场景下的点云表达能力. 在数据预处理阶段, 提出一种结合结构引导的层级滤波策略与结构感知的样本划分方法, 在压缩冗余背景点云的同时, 有效保持电力杆塔、电力线等关键目标的结构完整性与连续性. 在语义分割阶段, 构建空谱协同语义分割网络, 引入局部极坐标系以增强模型对方向特征的建模能力, 并设计基于注意力图的动态融合机制, 实现空间特征与频谱特征之间的自适应交互与信息增强. 实验结果表明, SSAF能在真实配电网场景点云数据集上实现更高的分割精度与推理效率, 在多个关键指标上优于现有代表性方法, 验证了其在复杂场景下的实用性和工程推广潜力.

文章导读

配电网是电网系统的重要组成部分, 其运行安全直接关系到整个电力系统的稳定性与可靠性. 随着无人机(unmanned aerial vehicle, UAV)与深度学习技术的快速发展, 基于无人机激光雷达(UAV-light detection and ranging, UAV-LiDAR)的智能巡检模式广泛应用于电力系统的状态感知与隐患排查, 为实现电网设备的精准诊断与高效维护提供了重要技术支撑[1−4].

从大规模点云数据中准确识别电力杆塔、电力线及其背景环境信息, 是实现UAV-LiDAR智能化巡检的关键. 早期研究主要依赖手工构建的几何特征与启发式规则进行分类与分割. Kim等[5]通过局部几何描述子训练随机森林模型, 实现点云的初步自动分类; Lehtomäki等[6]基于随机样本一致性(random sample consensus, RANSAC)[7]算法提升对线状结构的提取精度; Shen等[8]则结合多层高程阈值策略, 完成电力线区域的点云分离. 这些方法具有良好的可解释性与工程实现便捷性, 但高度依赖规则设计与先验假设, 难以有效适应配电网场景中复杂多样的自然背景与结构变化[9].

随着深度学习在三维点云处理领域的持续突破, 端到端的语义分割网络逐渐取代传统手工特征方法, 成为研究主流[10−12]. PointNet系列方法[13−14]推动点云分割由“局部启发式”向“端到端学习”的转变, 并在通用任务中取得显著进展. 然而, 这类方法过度依赖局部欧氏邻域, 仅能捕捉点间的几何邻近性, 缺乏对方向连续性与结构约束建模, 导致电力杆塔和电力线目标出现语义断裂与边界模糊[15−17]. 为弥补局部建模不足, 后续研究尝试引入图神经网络[18−20]和注意力机制[21−24], 以建模非局部依赖并提升全局特征表达. 但仍局限于空间域建模, 对噪声与拓扑扰动敏感, 整体性能提升有限.

这一限制促使研究者探索频谱域建模. 与依赖局部邻域的空间方法不同, 频谱方法通过频率分量刻画几何结构的连续性与变化模式, 能够更敏锐地感知不同类别的结构特征. 在配电网点云场景中, 电力杆塔对应局部高频集中结构, 电力线呈现细长方向性模式, 植被则表现为更随机的频谱分布. 这些差异为频谱方法提供判别信号, 使其在捕捉长距离依赖的同时增强对结构类别的区分能力. 已有工作在二维任务中验证了频谱建模的有效性[25], 但点云的无序性与不规则性使其直接应用仍面临挑战, Wen等[26]通过图小波变换增强局部结构表征, 进一步验证了频谱建模在结构刻画中的潜力. 但该方法构建的局部谱算子主要作用于图拓扑, 计算复杂度较高, 且在方向连续性和旋转鲁棒性方面存在不足. 进一步的研究转向空谱融合方法, Rizaldy等[27]提出的双分支Transformer, 通过跨域注意力实现空间与频谱特征交互, 在模态互补性上取得进展, 但其频谱分支基于规则网格构建, 难以有效刻画细长结构的局部方向性特征. 综上所述, 频谱建模与空谱融合技术为提升点云表征能力提供了可能, 然而在配电网复杂场景的实际应用中, 仍面临以下三方面关键局限:

1)现有频谱方法通常依赖图结构构建, 将点云转化为图信号后再进行变换. 这一过程不仅带来额外的计算复杂度, 而且频谱响应对局部结构方向的刻画能力有限, 难以稳定表征电力线等细长目标的方向连续性与局部几何差异, 导致语义表征不稳定[26].

2)塔线交汇、植被邻近干扰等复杂区域普遍存在类别混叠, 现有空谱联合方法多依赖表层特征耦合, 未能显式建模空间与频谱的互补关系, 难以保持同类别的语义一致性[28].

3)配电网场景点云规模往往达到数千万至上亿点, 其中大量冗余的背景点以及整体样本尺度直接增加了特征提取和空谱交互的计算量, 导致模型推理效率难以满足电网巡检对实时性的工程需求[15−16].

针对上述挑战, 本文构建一个结构频谱感知框架(structure spectrum-aware framework, SSAF), 通过结合结构引导信息与频谱特征, 对冗余点云信息进行有效压缩与筛减, 并增强模型的特征提取与语义表征能力. 在预处理阶段, 设计结构引导的数据滤波与样本划分方法, 以电力杆塔与电力线为先导生成语义完整的子样本, 在保持关键结构的同时减少数据规模并缓解类别不均衡. 在分割阶段, 设计空谱协同语义分割网络(spatial-spectral collaborative semantic segmentation network, SSCNet), 利用频谱变换提取方向不变的结构特征, 并通过双向门控机制实现空间域与频谱域的交互式融合, 从而在复杂区域保持结构的连续性和边界的一致性.

本文主要贡献总结如下:

1)提出一种结构频谱感知框架(SSAF), 该框架融合结构引导信息与频谱特征, 将大规模走廊点云划分为语义完整的子样本, 在保留关键结构的同时显著降低单样本点云规模, 有效降低计算开销的同时提升点云的语义表征能力.

2)设计一个空谱协同语义分割网络(SSCNet), 在编码阶段并行建模几何与频谱特征, 通过基于局部主轴对齐的极坐标建模与一维频谱变换, 构建对电力线等细长结构具有旋转不变性的结构谱表征[29], 并在网络层面显式融合该结构谱与多尺度空间几何特征. 实现跨模态特征的深度交互, 从而增强复杂区域的语义一致性与边界判别能力.

3)构建覆盖22条配电线路的大规模UAV-LiDAR点云数据集, 并在其上开展系统实验. 实验结果表明, 所提方法在分割精度和推理效率方面均优于现有方法, 验证了其在电网智能巡检中的应用潜力.

图1  结构频谱感知框架

图2  数据预处理

图3  空谱协同语义分割网络

针对配电网走廊点云语义分割任务中存在的结构目标分割精度不足与处理效率瓶颈, 本文提出结构频谱感知框架SSAF. 该框架通过结构引导样本划分与频谱增强建模两条路径, 在保持结构连续性与边界清晰度的前提下, 有效提升了点云语义分割的精度与稳定性.

具体而言, 数据预处理阶段提出基于几何统计与空间拓扑的自适应滤波与结构感知划分策略, 实现大规模点云的语义保持与冗余压缩. 语义建模阶段, 设计空谱协同语义分割网络SSCNet, 通过构建PRST和BGF模块, 在编码器中引入旋转不变的频谱建模与双向门控融合机制, 增强对方向性目标与复杂结构区域的识别能力.

在真实配电网数据集上, SSCNet在多个结构类与全局指标上取得最优性能, 显示出良好的结构适应性与泛化能力. 随着模型精度日趋饱和, 未来工作将重点聚焦于网络压缩、模型轻量化与边缘端部署, 进一步提升系统在资源受限场景下的实用性与响应能力.

作者简介

唐友源

长沙理工大学人工智能学院硕士研究生. 2023年获得湘南学院学士学位. 主要研究方向为点云智能感知. E-mail: tangyouyuan@stu.csust.edu.cn

张辉

湖南大学人工智能与机器人学院教授. 2007年获得湖南大学博士学位. 主要研究方向为数据分析, 图像处理和机器人控制. 本文通信作者. E-mail: zhanghui1983@hnu.edu.cn

杜瑞

湖南大学人工智能与机器人学院博士研究生. 2020年获得湘潭大学硕士学位. 主要研究方向为数据分析, 图像处理. E-mail: durui@hnu.edu.cn

张恺宁

湖南大学人工智能与机器人学院助理教授. 2025年获得武汉大学通信与信息系统专业博士学位. 主要研究方向为3D视觉和多模态感知. E-mail: carney@hnu.edu.cn

曹云康

湖南大学人工智能与机器人学院助理教授. 2025年获得华中科技大学机械工程专业博士学位. 主要研究方向为复杂场景下的工业视觉检测与识别, 工业基础模型及工业具身智能. E-mail: caoyunkang@hnu.edu.cn

别克扎提·巴合提

湖南大学人工智能与机器人学院博士研究生. 2020年获得英国克兰菲尔德大学硕士学位. 主要研究方向为信号分析, 时间序列分析. E-mail: bbiekezati@hnu.edu.cn

陈厚权

湖南大学人工智能与机器人学院博士研究生. 2022年获得中南林业科技大学计算机信息与工程学院学士学位. 主要研究方向为电力场景的多模态技术. E-mail: chq@hnu.edu.cn

王耀南

中国工程院院士, 湖南大学人工智能与机器人学院教授. 1995年获得湖南大学博士学位. 主要研究方向为数据分析, 智能控制和图像处理. E-mail: yaonan@hnu.edu.cn

支持单位：