基于融合Transformer模型的配电线路激光点云分割算法

doi:10.12141/j.issn.1000-565X.240542

华南理工大学学报(自然科学版) ›› 2025, Vol. 53 ›› Issue (5): 139-146.doi: 10.12141/j.issn.1000-565X.240542

• 能源、动力与电气工程 • 上一篇

基于融合Transformer模型的配电线路激光点云分割算法

代洲¹, 刘燕¹, 毛先胤², 虢韬³, 徐梁刚³, 程桂仙⁴

^1.贵州财经大学管理科学与工程学院，贵州贵阳 550025
^2.贵州电网有限责任公司电力科学研究院，贵州贵阳 550002
^3.贵州电网有限责任公司智能作业中心，贵州贵阳 550025
^4.贵州师范大学物理与电子科学学院，贵州贵阳 550025

收稿日期:2024-11-08 出版日期:2025-05-25 发布日期:2024-12-06
通信作者: 程桂仙（1986—），女，博士，副教授，主要从事人工智能、无线传感网络、电力线通信等研究。 E-mail:chgx86@126.com
作者简介:代洲（1987—），男，博士，副教授，主要从事电力装备制造质量智能化评价与预警、人工智能在电气工程中的应用、电网供应链韧性等研究。E-mail： daizhou87@qq.com
基金资助:
国家自然科学基金项目(62361012);贵州省高等学校创新团队项目(黔教技［2023］064号)

Fusion Transformer Model-Based Segmentation Algorithm for Laser Point Cloud of Distribution Lines

DAI Zhou¹, LIU Yan¹, MAO Xianyin², GUO Tao³, XU Lianggang³, CHENG Guixian⁴

^1.School of Management Science and Engineering，Guizhou University of Finance and Economics，Guiyang 550025，Guizhou，China
^2.Electric Power Research Institute of Guizhou Power Grid Co. ，Ltd. ，Guiyang 550002，Guizhou，China
^3.Intelligent Operations Center of Guizhou Power Grid Co. ，Ltd. ，Guiyang 550025，Guizhou，China
^4.School of Physics and Electronic Science，Guizhou Normal University，Guiyang 550025，Guizhou，China

Received:2024-11-08 Online:2025-05-25 Published:2024-12-06
Contact: 程桂仙（1986—），女，博士，副教授，主要从事人工智能、无线传感网络、电力线通信等研究。 E-mail:chgx86@126.com
About author:代洲（1987—），男，博士，副教授，主要从事电力装备制造质量智能化评价与预警、人工智能在电气工程中的应用、电网供应链韧性等研究。E-mail： daizhou87@qq.com
Supported by:
the National Natural Science Foundation of China(62361012)

摘要/Abstract

摘要：

激光点云模型为后续的配电线路检测与管理提供了重要的支撑，现阶段大多数配电通道都已经构建了相应的激光点云模型。由于点云模型数量的增加，有效提取关键部件（如导线、绝缘子等）的位置信息成为了一项重要任务。为了进一步提升对点云模型中配电线路、杆塔、绝缘子等关键部件分割、提取的精准性和效率，该文提出一种基于融合Transformer模型的配电线路激光点云分割算法。考虑到配电线路点云中需要更为关注细节特征的影响，构建了一种双通道平行架构的特征提取模块用于提取高频和低频特征，其中低频特征通过平均池化和基于融合Transformer模型的特征提取器进行处理，高频特征通过最大池化和包含卷积层的多层感知机（MLP）模块进行处理；将两个通道获取的特征向量进行融合，以提升对细节特征的提取能力。此外，考虑到MLP模块在特征处理方面的能力，将融合后特征再次输入MLP模块中作进一步处理，实现了对点云目标的准确分割。该文还开展了大量的实验，验证了所提算法的准确性和有效性。该算法具有提高无人机巡检精度、增强自动化水平、提升鲁棒性、融合多源数据和降低巡检成本等多方面的潜在优势。

关键词: Transformer模型, 配电线路通道, 特征融合, 激光点云, 神经网络

Abstract:

As laser point cloud models are crucial for distribution line inspection and management, most distribution channels have constructed laser point cloud models at present. With the increase of the number of models, extracting key component locations (e.g., conductors, insulators) becomes vital. In order to enhance the accuracy and efficiency of segmenting key components such as lines, towers and insulators, this paper presents a segmentation algorithm for laser point cloud of distribution lines based on a fusion Transformer model. Given the need for detailed features in the point clouds of distribution lines, a dual-channel parallel feature extraction module is designed to capture high-frequency and low-frequency features. The low-frequency features are processed via average pooling and a fusion Transformer-based extractor, while the high-frequency features are handled through max pooling and a multi-layer perceptron (MLP) module with convolutional layers. The feature vectors from both channels are then fused to improve the ability of detail feature extraction. Additionally, the fused features are fed back into the MLP module for further refinement, achieving precise point cloud target segmentation. Extensive experiments demonstrate the accuracy and effectiveness of the proposed algorithm. It has potential advantages in many aspects, such as improving the inspection accuracy of unmanned aerial vehicles, enhancing the level of automation, improving the robustness, integrating multi-source data and reducing inspection costs.

Key words: Transformer model, distribution line channel, feature fusion, laser point cloud, neural network

中图分类号:

TM863

代洲, 刘燕, 毛先胤, 虢韬, 徐梁刚, 程桂仙. 基于融合Transformer模型的配电线路激光点云分割算法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 139-146.

DAI Zhou, LIU Yan, MAO Xianyin, GUO Tao, XU Lianggang, CHENG Guixian. Fusion Transformer Model-Based Segmentation Algorithm for Laser Point Cloud of Distribution Lines[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(5): 139-146.

图/表 13

图1

图2

图3

图4

图5

表1

表2

图6

表3

表4

表5

表6

表7

参考文献 28

1	袁宸胤，陈泉智，陈力．多物理量传感的输电线路安全距离测量及数据在线融合处理技术［J］．电子器件，2023，46（2）：548-586．
	YUAN Chenyin， CHEN Quanzhi， CHEN Li ．Transmission line safety distance measurement and data online fusion processing technology based on multi physical quantity sensing［J］．Chinese Journal of Electron Devices，2023，46（2）：548-586．
2	范长俊，刘伟诚．基于三维激光扫描的风电机组塔筒倾斜及结构形变检测应用［J］．广东电力，2022，35（10）：29-35．
	FAN Changjun， LlU Weicheng ．Detection on inclination and structural deformation of fan tower tube based on 3D laser scanning［J］．Guangdong Electric Power，2022，35（10）：29-35．
3	易琳，王柯，钱金菊．搭载于无人机的电力廊道数据采集系统设计［J］．广东电力，2020，33（4）：120-125．
	YI Lin， WANG Ke， QIAN Jinju ．Design of UAV-airborne power corridor data acquisition system［J］．Guangdong Electric Power，2020，33（4）：120-125．
4	刘传洋，吴一全．基于深度学习的输电线路视觉检测方法研究进展［J］．中国电机工程学报，2023，43（19）：7423-7445．
	LIU Chuanyang， WU Yiquan ．Research progress of vision detection methods based on deep learning for transmission lines［J］．Proceedings of the CSEE，2023，43（19）：7423-7445．
5	彭浚桓．基于图像分割的启发式无人机配电线巡检规划［D］．北京：华北电力大学（北京），2022．
6	TANG W， YANG Q， DAI Z，et al ．Module defect detection and diagnosis for intelligent maintenance of solar photovoltaic plants：techniques，systems and perspectives［J］．Energy，2024（297）：131222．
7	邵瑰玮，刘壮，付晶，等．架空配电线路无人机巡检技术研究进展［J］．高电压技术，2020，46（1）：14-22．
	SHAO Guiwei， LIU Zhuang， FU Jing，et al ．Research progress in unmanned aerial vehicle inspection techno-logy on overhead transmission lines［J］．High Voltage Engineering，2020，46（1）：14-22．
8	刘兰兰，李勃铖，毛盾，等．基于卫星遥感影像的线树距离测量与树障预警技术［J］．南方电网技术，2021，15（8）：130-138．
	LIU Lanlan， LI Bocheng， MAO Dun，et al ．Line-tree distance measurement and tree barrier early warning technology based on satellite remote sensing monitoring［J］．Southern Power System Technology，2021，15（8）：130-138．
9	刘长磊．基于改进运动恢复结构的配电线路倾斜影像重建方法［J］．广东电力，2023，36（6）：94-101．
	LIU Changlei ．Oblique image reconstruction method of transmission lines based on improved motion recovery structure［J］．Guangdong Electric Power，2023，36（6）：94-101．
10	ZHOU Y， TUZEL O ．VoxelNet：end-to-end learning for point cloud based 3D object detection［C］∥Proceedings of IEEE/CVF Conference on Computer Vision and Pattern Recognition．Salt Lake City：IEEE，2018：4490-4499．
11	MATURANA D， SCHERER S ．VoxNet：a 3D convolutional neural network for real-time object recognition［C］∥Proceedings of IEEE/RSJ International Confe-rence on Intelligent Robots and Systems．Hamburg：IEEE，2015：922-928．
12	RIEGLER G， ULUSOY A O， GEIGER A ．OctNet：learning deep 3D representations at high resolutions［C］∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition．Honolulu：IEEE，2017：6620-6629．
13	SU H， MAJI S， KALOGERAKIS E，et al ．Multi-view convolutional neural networks for 3D shape recognition［C］∥Proceedings of IEEE International Confe-rence on Computer Vision．Santiago：IEEE，2015：945-953．
14	GOYAL A， LAW H， LIU B W，et al ．Revisiting point cloud shape classification with a simple and effective baseline［C］∥Proceedings of the 38th International Conference on Machine Learning．Online：Cornell University，2021：3809-3820．
15	CHARLES R Q， HAO S， MO K C，et al ．Guibas，PointNet：deep learning on point sets for 3D classification and segmentation［C］∥Proceedings of IEEE Conference on Computer Vision and Pattern Recognition．Honolulu：IEEE，2017：77-85．
16	QI C， YI L， SU H，et al ．PointNet++：deep hierarchical feature learning on point sets in a metric space［C］∥Proceedings of the 31st International Conference on Neural Information Processing Systems．Long Beach：［s.n.］，2017：5105-5114．
17	LI Y， BU R， SUN M，et al ．PointCNN：convolution on X-transformed points［C］∥Proceedings of the 32nd International Conference on Neural Information Processing Systems．Montreal：［s.n.］，2018：828-838．
18	LIU Y， FAN B， XIANG S，et al ．Relation-shape convolutional neural network for point cloud analysis［C］∥Proceedings of IEEE/CVF Conference on Computer Vision and Pattern Recognition．Long Beach：IEEE，2019：8887-8896．
19	LIU Z， HU H， CAO Y，et al ．A closer look at local aggregation operators in point cloud analysis［C］∥Proceedings of the 16th European Conference on Computer Vision．Glasgow：Springer International Publishing AG，2020：326-342．
20	WANG Y， SUN Y， LIU Z，et al ．Dynamic graph CNN for learning on point clouds［J］．ACM Transactions on Graphics，2019，38（5）：1-12．
21	XIANG T， ZHANG C， SONG Y，et al ．Walk in the cloud：learning curves for point clouds shape analysis［C］∥Proceedings of the IEEE/CVF International Conference on Computer Vision．Montreal：IEEE，2021：895-904．
22	GUO M， CAI J， LIU Z，et al ．PCT：point cloud transformer［J］．Computational Visual Media，2021，7（2）：187-199．
23	ZHAO H， JIANG L， JIA J，et al ．Point transformer［C］∥Proceedings of IEEE/CVF International Confe-rence on Computer Vision．Montreal：IEEE，2021：16239-16248．
24	LIU Z， LIN Y， CAO Y，et al ．Swin transformer：hierarchical vision transformer using shifted windows［C］∥Proceedings of IEEE/CVF International Confe-rence on Computer Vision．Montreal：IEEE，2021：9992-10002．
25	PARK N， KIM S ．How do vision transformers work？［C］∥Proceedings of the 10th International Conference on Learning Representations．Online：［s.n.］，2022：1-26．
26	DONG Y， WEI P， WANG R，et al ．Hiding image with inception transformer［J］．IET Image Processing，2024，18（13）：3961-3975．
27	LIU Y， TIAN B， LV Y，et al ．Point cloud classification using content-based transformer via clustering in feature space［J］．IEEE/CAA Journal of Automatica Sinica，2023，11（1）：231-239．
28	HU Q， YANG B， XIE L，et al ．RandLA-Net：efficient semantic segmentation of large-scale point clouds［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2022，44（11）：8338-8354．

部件	训练集点数量	验证集点数量
导线	562 316	140 579
杆塔	943 162	235 790
绝缘子	72 693	18 173
其他	84 632 352	21 158 088

平台	参数
显卡	NVIDIA A100
显存	80 GB
CPU	Intel（R） Xeon（R） Silver 4208 CPU @ 2.10 GHz
操作系统	Ubuntu20.04
深度学习平台	Pytorch

模型	数据增强方式			P_m/%	R_m/%	I_m/%
模型	Ⅰ	Ⅱ	Ⅲ	P_m/%	R_m/%	I_m/%
1				73.69	87.52	60.49
2	√			73.83	88.29	60.21
3		√		74.28	88.94	60.98
4			√	69.36	85.52	60.32
5	√	√		74.68	89.36	64.59
6	√		√	73.29	88.41	63.56
7		√	√	72.16	85.93	61.39
8	√	√	√	73.51	87.76	62.63

模型编号	MLP模块	高频模块	低频模块	P_m/%	R_m/%	I_m/%
1	√			27.82	39.63	26.35
2		√		57.38	68.53	51.72
3			√	68.16	82.29	59.63
4	√	√		62.57	73.48	53.39
5	√		√	71.22	84.73	60.76
6		√	√	73.65	86.81	61.23
7	√	√	√	74.68	89.36	64.59

模块数量	P_m/%	R_m/%	I_m/%
2	62.45	73.39	49.73
3	70.34	81.75	58.32
4	74.68	89.36	64.59
5	73.28	89.75	64.63
6	74.21	89.34	63.64
7	73.31	88.68	63.12

基于融合Transformer模型的配电线路激光点云分割算法

Fusion Transformer Model-Based Segmentation Algorithm for Laser Point Cloud of Distribution Lines

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 28

相关文章 15

编辑推荐

Metrics

本文评价

模型	P_m/%	R_m/%	I_m/%
PointNet	67.83	73.16	55.47
PointNet++	72.58	83.29	62.06
Point Transformer	70.30	87.29	60.16
PointCNN	69.50	85.34	59.19
文中模型	74.68	89.36	64.59

[1]	姚顺春, 李龙千, 刘文, 等. 基于MIC-PCA-LSTM模型的垃圾焚烧炉NO_x排放浓度预测研究[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 1-.
[2]	左彬, 董天航, 张泽辉, 等. 基于深度学习的质子交换膜燃料电池故障预测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 1-.
[3]	曹瑞芬, 胡维玲, 李强生, 宾艳南, 郑春厚. 基于图神经网络的IL-6诱导肽预测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 109-117.
[4]	马金林, 酒志青, 马自萍, 夏明格, 张凯, 程叶霞, 马瑞士. 基于多尺度特征融合与重构卷积的肝肿瘤图像分割方法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 94-108.
[5]	胡广华, 代志刚, 王清辉. 基于图神经网络的B-Rep模型加工特征识别方法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 20-31.
[6]	贾华宇, 郑会龙, 周洪, 张谦. 基于SSA-BP神经网络的无人机发射参数择优[J]. 华南理工大学学报(自然科学版), 2025, 53(4): 90-101.
[7]	何喆, 张钰荧, 刘尚昆, 高春雷. 钢轨打磨砂轮磨损程度评价与寿命预测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(4): 72-80.
[8]	毕军, 王嘉宁, 王永兴. 基于LSTM-FC模型的充电站短期运行状态预测[J]. 华南理工大学学报(自然科学版), 2025, 53(2): 58-67.
[9]	翁剑成, 吴明珠, 魏瑞聪, 等. 多因素协同的大型活动场馆周边路段速度预测[J]. 华南理工大学学报(自然科学版), 2024, 52(8): 34-44.
[10]	杜启亮, 汪益民, 田联房. 基于特征相似性和特征规范化的注意力模块[J]. 华南理工大学学报(自然科学版), 2024, 52(7): 62-71.
[11]	刘微容, 张志强, 张宁, 等. 基于TT-Tucker分解的无预训练LC卷积神经网络压缩方法[J]. 华南理工大学学报(自然科学版), 2024, 52(7): 29-38.
[12]	苑仁腾, 王晨竹, 项乔君, 等. 轨迹数据驱动的车辆换道意图识别模型[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 34-44.
[13]	蔡晓东, 周青松, 叶青. 基于动态邻域采样的社交推荐模型[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 32-41.
[14]	朱睿, 刘宇, 梁钰迎, 等. 气/水介质湍流噪声强度的BP神经网络预测模型[J]. 华南理工大学学报(自然科学版), 2024, 52(12): 119-126.
[15]	强旭红, 田伟潇, 姜旭, 等. 局部随机点蚀钢构件的卷积神经网络损伤智能识别[J]. 华南理工大学学报(自然科学版), 2024, 52(11): 43-54.

模型	各部件下的精确率/%
模型	绝缘子	杆塔	导线	其他
PointNet	59.32	71.16	65.43	75.39
PointNet++	64.12	78.37	71.67	76.14
Point Transformer	61.92	75.43	69.47	74.39
PointCNN	58.47	79.32	63.59	76.63
文中模型	64.29	80.12	72.16	82.15