基于多视图结构特征的无人机激光雷达点云中线式浪涌抑制器的提取

《International Journal of Applied Earth Observation and Geoinformation》：Extraction of line Surge Arresters from UAV LiDAR point clouds based on multi-view structural features

电力传输系统中，线间避雷器（LSA）的三维信息获取对精准建模和智能巡检至关重要。现有图像方法受限于三维空间信息缺失，且难以区分几何相似的LSA与绝缘子。本文提出基于结构特征的LSA提取框架：首先通过两步“粗到精”策略分离输电塔与导线，利用SPL（单线段）的投影特征和KDE核密度估计识别含LSA的SPL；进而设计基于结构一致性的目标函数，结合传输紧凑指数（TCI）和轴向均匀性指数（AUI），通过粒子群优化（PSO）搜索最优分割平面，实现高精度LSA提取。实验表明，该方法在含3571基座的测试集上识别准确率98.28%，提取F1-score达90.11%，平均处理时间3.82秒/基座，较通用分割算法精度提升显著。最后公开了包含896个标注LSA的专用数据集。

　　电力传输系统是现代社会中不可或缺的基础设施，承担着将电力从发电站传输到用户的重要任务。为了确保电力系统的稳定运行，防止过电压对设备造成损害，必须对电力传输线路上的关键保护装置进行精确识别和提取。其中，线路避雷器（Line Surge Arresters, LSAs）在防止雷电引起的过电压方面发挥着重要作用，其准确提取对于电力线路的精细重建和智能巡检路径规划具有重要意义。然而，当前研究主要依赖于基于图像的方法进行避雷器识别，这种方法在获取高精度三维信息方面存在局限性。近年来，随着小型无人机（Unmanned Aerial Vehicles, UAVs）搭载的激光雷达（Light Detection and Ranging, LiDAR）技术的发展，UAV-mounted LiDAR成为获取电力走廊三维信息的有效手段。但准确从点云数据中提取线路避雷器仍然是一个重大挑战，因为它们的物理尺寸较小、点云分布稀疏，并且在结构上与其它部件相似。本文提出了一种基于结构特征的线路避雷器提取方法，旨在解决上述问题。

### 1. 方法概述

本研究提出了一种基于结构特征的线路避雷器识别与提取框架，该框架包含四个主要步骤：（1）元件分离；（2）获取单根电力线（Single Power Line, SPL）；（3）基于结构特征的线路避雷器识别；（4）基于粒子群优化（Particle Swarm Optimization, PSO）算法的线路避雷器提取。首先，通过已有的方法对杆塔和电力线进行初步分离，然后将电力线点云划分成单根电力线作为分析单元，这些单元代表了线路避雷器可能的安装位置。对于每根单根电力线，本文提出了一种基于结构特征的方法来识别是否存在线路避雷器。通过宽度为基础的过滤准则，粗略排除没有线路避雷器的单根电力线，保留那些具有潜在线路避雷器的点云。对于保留的单根电力线，采用核密度估计（Kernel Density Estimation, KDE）来捕捉线路避雷器存在的结构特征，从而精准保留含有线路避雷器的单根电力线。随后，提出了一种基于粒子群优化的分割方法，以实现线路避雷器的精确提取。通过构建一个基于传输紧凑性指数（Transmission Compactness Index, TCI）和轴向均匀性指数（Axial Uniformity Index, AUI）的结构一致性驱动目标函数，模拟线路避雷器与其他组件的几何差异，搜索最优的分割平面以分离线路避雷器。实验结果表明，该方法在包含63条输电线路的3,571个杆塔数据集上取得了98.28%的整体识别准确率，92.66%的提取精度，87.43%的召回率，以及90.11%的F1分数。此外，该方法在每根杆塔上的平均处理时间为3.82秒，显著提高了效率。相比现有的通用分割算法，该方法在提取精度方面取得了显著提升。为了促进进一步研究，我们发布了用于线路避雷器提取的点云数据集，该数据集将公开在GitHub上。

### 2. 方法细节

#### 2.1 元件分离

线路避雷器通常位于杆塔横臂下方，并以对角线方式连接电力线。然而，现有的电力线提取方法多基于区域生长或边界分割策略，容易将线路避雷器归类为电力线的一部分。因此，杆塔与电力线的分离可以显著缩小线路避雷器提取的搜索空间，提高整体识别准确率。为此，本文采用了一种“粗到细”的两步策略进行元件分离。首先应用已有的方法（Zhang et al., 2019b）进行初步分离。该方法的核心包括：1）高效组织点云并识别点的邻域关系；2）分析几何特征，如线性、平面性和垂直性，以区分具有强线性结构的电力线点与复杂的杆塔点；3）引入拓扑优化策略，确保提取的电力线段具有良好的连续性。粗提取后，杆塔与电力线连接处的误分类不可避免，因此采用了细调校正技术（Chen et al., 2024）进行修正。该方法通过拟合杆塔的几何边界，准确定义杆塔的物理轮廓，如杆塔主体的下边界和横臂的侧边界。那些被误分类的点，如悬垂导线或绝缘子串，将根据其与拟合轮廓的位置重新分类。通过手动标注实验数据中的两根输电线路，验证了“粗到细”分离策略的有效性。结果表明，该分离方法的总体Macro F1-Score达到98.31%。对于电力线类别，其精度为96.62%，召回率为99.23%，F1分数为98.28%。这些高精度指标表明，该策略能够可靠地提取包含线路避雷器的电力线点云，为后续步骤提供高质量的输入数据。

#### 2.2 单根电力线的获取

1）**杆塔重定向**：考虑到杆塔结构通常具有对称性，因此需要对杆塔点云进行适当旋转，以确保在二维投影中最大程度保留结构特征。该重定向过程将杆塔点云绕Z轴旋转，以确保杆塔横臂的方向为X'轴，电力传输方向为Y'轴。为了计算旋转角度，将Z坐标超过H的杆塔点云投影到XY平面并进行均匀采样。随后，利用主成分分析（PCA）算法计算投影点云的特征值和特征向量。根据最小特征值对应的特征向量，计算旋转角度θ。如果θ超过预设阈值，则通过Rodrigues旋转公式构建旋转矩阵R，将整个杆塔点云旋转，使其主方向与Y'轴对齐。重定向前后的杆塔点云结果如图5所示。

2）**横臂定位**：重定向后的杆塔点云被投影到X'Z平面，得到二值图像I。统计图像中每一行的非零像素数量，得到横向密度直方图H={b_i, i=1,2,…,n}。然后，通过生成直方图H_d={b_j, j=1,2,…,?n/2?}（见图3）来增强横向密度。其中，??表示向下取整。通过聚类相邻的直方图柱，可以识别出横臂。如果某一聚类的横向密度低于max(H_d)的1/3，则移除该聚类。这样可以确保提取的横臂点云中包含线路避雷器。

3）**跳线过滤**：在电力传输过程中，地理限制和规划要求常常导致电力线无法以直线路径铺设。当需要绕过障碍物或修改路线以适应地形特征和土地利用模式时，角度杆塔通常被安装以改变电力线的走向。这些角度杆塔上的跳线作为连接两侧张力夹具的导电元件，具有弯曲形状，可能干扰线路避雷器的识别和提取。为此，本文提出了一种方法来过滤跳线。首先，获取顶部横臂的高度h，保留点云高度范围为[h, h+0.5]米的区域作为横臂点云。在X'Y'平面上，提取横臂点云的Y'坐标最大值和最小值，分别记为Y_max和Y_min。为了减少异常值和散点的影响，仅使用Y_min+0.2到Y_max-0.2范围内的点进行边界曲线拟合。此过程用于确定顶部横臂的边界，如图4所示。这些边界对应于平行于X'轴的直线，表达为y=y_a和y=y_b，共同定义了一个矩形过滤区域。为了确保该区域完全覆盖线路避雷器，沿Y'轴对称扩展0.3米，得到新的边界线y=y_a-0.3和y=y_b+0.3。经过去除电力线点云后，大多数跳线点被有效消除。此时，如图4（c）所示，若线路避雷器安装在相应位置，其点云将被完整保留。随后，在X'Z平面上根据Z轴和横臂位置划分多个区域，应用DBSCAN聚类方法去除孤立的聚类，保留每个区域中的最大聚类作为单根电力线（SPL），如图4（e）所示，这为后续处理提供了输入。

#### 2.3 基于结构特征的线路避雷器识别

在获取单根电力线样本后，需要进行结构分析以确定是否存在线路避雷器。一个主要挑战来自于电力线在角度杆塔处的弯曲，这导致单根电力线的主轴偏离标准化的Y'轴。这种未校正的单根电力线投影会掩盖识别线路避雷器所需的关键对角线分布模式，从而严重降低识别准确性。因此，我们的识别过程从单根电力线重定向开始，以确保所有输入样本具有一致的取向。

1）**单根电力线重定向**：首先，我们在单根电力线点云的X'Y'平面的两侧各取0.3米，计算主方向向量d。随后，计算该向量d与Y'轴之间的角度θ。如果θ超过预设阈值，则通过Rodrigues旋转公式构建旋转矩阵R，将整个单根电力线点云旋转，使其主方向与Y'轴对齐。重定向前后的单根电力线点云结果如图5所示。

2）**粗略过滤**：由于线路避雷器在空间上通常沿着X'方向具有更大的宽度，因此可以应用宽度阈值W来初步过滤单根电力线，有效排除那些不具备线路避雷器特征的单根电力线，从而为后续识别步骤提供更精确的候选集。宽度阈值的确定如下：从已知包含线路避雷器的输电线路中选择100个单根电力线（或随机子集），计算其在X'方向上的坐标差，并采用这些差的中位数作为宽度阈值。如图6所示，宽度阈值设定为1米，可以有效识别出包含线路避雷器的单根电力线，如左（ΔX=2.51米）和右（ΔX=1.82米）杆塔上的单根电力线，而中间杆塔上的一些单根电力线（如ΔX=0.24米）则被过滤。

3）**精细识别**：在粗略过滤后，仍有可能保留一些没有线路避雷器的单根电力线。为了应对这一问题，本文提出了一种基于KDE的方法，进一步提高线路避雷器的识别准确性。KDE常用于发现数据中的聚类、异常值和分布特征，在数据探索和分析中具有重要作用。其核心思想是利用观测数据构建整体分布的估计，并通过平滑样本数据生成连续的密度曲线，以更好地表征数据分布。对于独立同分布的样本X_1, X_2, ..., X_n，KDE的估计为：

$$
\hat{f}_{h_b}(x) = \frac{1}{n h_b} \sum_{i=1}^{n} K\left(\frac{x - X_i}{h_b}\right)
$$

其中，K(?)是核函数，h_b是带宽。n是样本数量。从KDE公式可以看出，核函数K(?)和带宽h_b是核密度估计的重要参数。在相同的样本数量下，估计的准确性完全取决于带宽h_b的值和核函数K(?)的形式。由于高斯核函数具有良好的数学性质和广泛的应用，通常选择为核函数，其形式如公式（5）所示：

$$
K(u) = \frac{1}{\sqrt{2\pi}} e^{-\frac{1}{2} u^2}
$$

在概率密度函数f(x)的估计中，峰值p指的是f(x)的局部最大值。整个精细识别过程如图7所示。首先，将粗略过滤后的单根电力线投影到X'Z平面，生成二值图像。图7（d）和图7（b）展示了两个不同单根电力线的投影结果。图7（d）中没有线路避雷器的单根电力线呈现出简单的线性结构。相比之下，图7（b）中包含线路避雷器的单根电力线（在图7（a）的3D视图中以红色点表示）在投影后呈现出更复杂的结构，具有明显的对角线分布模式。接着，对每个二值图像构建垂直密度直方图，统计其在X'轴方向上每一列的非零像素数量。如图7（e）所示，没有线路避雷器的单根电力线直方图通常呈现单峰（单个峰值）分布，表明其点集中在中央区域。相反，包含线路避雷器的单根电力线直方图如图7（c）所示，由于线路避雷器的对角线方向，呈现出多峰（多个峰值）分布。为了稳健地量化这一基于峰值的特征，KDE被应用于平滑直方图数据，生成连续的概率密度曲线（覆盖在每个直方图上的平滑曲线）。最终的识别基于该密度曲线中检测到的峰值数量，遵循以下规则：

a）当峰值数量p=1时，单根电力线被识别为不包含线路避雷器（见图7（e））。

b）当峰值数量p>1时，单根电力线被识别为包含线路避雷器（见图7（c））。

具体而言，该方法利用KDE平滑投影平面上单根电力线的点云分布，从而显著增强对对角线分布特征的响应。这使得能够有效区分包含线路避雷器的单根电力线和被错误保留的单根电力线。

#### 2.4 基于粒子群优化（PSO）算法的线路避雷器提取

在完成线路避雷器的识别后，剩下的单根电力线主要由线路避雷器和输电导线组成，可能还包含一些绝缘子。因此，后续的提取任务可以被视为单根电力线点云的二分类问题。本文提出了一种基于PSO算法的方法来搜索X'Z平面中的最优分割平面。关键在于设计一个目标函数，该函数能够有效量化线路避雷器与其他组件（主要为输电导线和绝缘子）之间的结构差异，并找到一个垂直于X'轴的分割平面，该平面能够最大化目标函数。

1）**目标函数**：对于给定的分割位置x_s，单根电力线点云被划分为两个子集P_L和P_R。为了评估x_s的有效性，提出了两个结构特征，以量化每个子集的点分布一致性和密度均匀性。传输紧凑性指数（TCI）用于捕捉沿输电方向（Y'轴）的点紧凑性。其定义为：

$$
TCI(P) = 1 - \frac{\sigma_{Y'}(P)}{span_{Y'}(P)}
$$

其中，σ_{Y'}和span_{Y'}分别是点集P的Y'坐标标准差和范围。TCI测量Y'坐标分布的紧凑性。当分布高度集中时，TCI趋向于1，否则趋向于0.5。整个点集的紧凑性是基于分割平面x_s将点集划分为左右两部分后的计算，如公式（7）所示：

$$
TCI(P, x_s) = \frac{|P_L| \cdot TCI(P_L) + |P_R| \cdot TCI(P_R)}{|P|}
$$

其中，| |表示对应点集的点数。输电导线和绝缘子通常垂直于X'轴，而线路避雷器则平行于X'轴。因此，它们在X'轴方向上的密度分布完全不同，但通常在组内保持较高的密度均匀性。如果分割平面错误地将这两部分分开，例如输电导线部分被分配到线路避雷器部分，或者相反，轴向均匀性指数（AUI）的值将显著降低，如图9所示。

2）**通过PSO算法搜索最优解**：在构建目标函数后，线路避雷器的提取任务归结为确定最优分割平面，该平面由单根电力线点集P的坐标范围内的特定X'值定义，以最大化公式（10）中的目标函数。由于问题的单变量特性，本文提出了一种基于粒子群优化（PSO）的方法来解决这一问题。PSO是一种基于群体智能的优化技术，通过同时跟踪每个粒子的个人最佳位置和群体的最佳位置实现快速收敛。分割平面被视为粒子，其速度在迭代过程中可以计算为：

$$
v_i^{(t+1)} = w^{(t)} v_i^{(t)} + c_1 r_1 (p_i^{(t)} - x_i^{(t)}) + c_2 r_2 (p_g^{(t)} - x_i^{(t)})
$$

其中，i=1,2,…,m，m表示种群大小，t表示当前代数。标签x_i^{(t)}、p_i^{(t)}和p_g^{(t)}分别表示粒子i在t代的当前分割平面、粒子i在t代的个人最优分割平面和群体最优分割平面。标签r_1和r_2是在[0,1]范围内的随机系数。常数c_1和c_2分别表示认知和社交学习因子。标签v_i^{(t+1)}和v_i^{(t)}分别表示粒子i在t+1代和t代的速度，其中w^{(t)}表示t代的惯性权重。基于公式（12）中的速度，粒子i在t+1代的分割平面可以通过公式（13）更新：

$$
x_i^{(t+1)} = x_i^{(t)} + v_i^{(t+1)}
$$

一旦PSO收敛到全局最优解，单根电力线点可以被划分为两个子集。由于线路避雷器通常沿X'轴分布，分割后的子集中具有更大X'坐标范围的子集被识别为线路避雷器区域。

### 3. 实验与结果

#### 3.1 数据集描述与实验环境

为了验证所提出的线路避雷器提取方法的可靠性和适用性，我们在涵盖多种类型输电杆塔的数据集上进行了实验。该数据集包括63条输电线路，涵盖了常见的杆塔类型，如酒杯形、猫头形和鼓形杆塔。此外，这些63条输电线路穿越了两种典型场景：一种是郊区输电走廊，地形相对平坦；另一种是山地地区，地形起伏显著。如图10所示，所有数据均在云南省昆明市采集，详情见表1。该数据集包含3571个杆塔，每个杆塔最多包含600,000个点，平均点密度约为29.40个点每平方米。我们的数据使用大疆的Matrice 300 RTK无人机搭载大疆L1和LiAir X3激光测量系统采集，详细信息见表2。实验在Windows 10 × 64平台进行，使用Intel? Core? i5-13600KF CPU（5.1 GHz）、64 GB内存和RTX 3060 GPU。

#### 3.2 参数设置

除了其在本研究中的应用，我们还整理并发布了该标注数据集作为社区资源，以促进未来对UAV LiDAR点云中组件级提取的研究。该数据集包含从246个杆塔中提取的896个手动标注的线路避雷器实例，涵盖了鼓形、猫头形和酒杯形等多种杆塔类型。每个实例以带标签的点云段形式提供，支持识别和提取任务。完整的数据集及使用说明将在GitHub上公开：https://github.com/c175044/Line-Surge-Arresters-datasets。

#### 3.3 线路避雷器识别结果

准确识别输电杆塔上的线路避雷器是后续线路避雷器提取的关键。识别准确率通过在63条输电线路上的实验进行评估，使用公式（14）计算：

$$
Overall Accuracy = \frac{TP + TN}{TP + FP + TN + FN} \times 100\%
$$

其中，TP表示正确识别的杆塔数量，FP表示误分类为包含线路避雷器的杆塔数量，TN表示正确识别为不包含线路避雷器的杆塔数量，FN表示遗漏的线路避雷器数量。此外，图11展示了63条输电线路的整体准确率分布。值得注意的是，所提出的方法在检测线路避雷器方面表现出高精度，平均整体准确率（OA）达到98.28%。具体而言，78.8%的输电线路的OA值超过97.5%，62.12%的线路达到100%的OA。仅有3.0%的输电线路的OA值低于92.5%。

#### 3.4 线路避雷器提取结果与评估

为了定量评估所提出方法的性能，提取结果与使用“CloudCompare”软件手动标注的“真实值”进行了比较。评估指标包括精度、召回率和F1分数，计算如下：

$$
Precision = \frac{TP}{TP + FP} \times 100\%
$$
$$
Recall = \frac{TP}{TP + FN} \times 100\%
$$
$$
F1-score = 2 \times \frac{Precision \times Recall}{Precision + Recall} \times 100\%
$$

结果如表4所示，涵盖36条包含线路避雷器的输电线路。平均精度、召回率和F1分数分别为92.66%、87.43%和90.11%。这些准确率指标在36条输电线路中的分布如图12所示。如图所示，精度分布向高值倾斜，66.7%的线路精度超过0.9，仅有5.6%的线路精度低于0.8。召回率分布相对平衡，50.0%的结果位于(0.8, 0.9]区间，38.9%的结果超过0.9。同时，F1分数分布显示，52.8%的样本F1分数超过0.9，44.4%的样本位于(0.8, 0.9]区间，表明精度和召回率之间具有良好的平衡。仅有2.8%的案例F1分数低于0.8，表明所提出的方法在不同输电线路中保持了高可靠性。

#### 3.5 与其他常用方法的比较

基于全面的文献综述，目前尚无专门针对UAV LiDAR点云中线路避雷器的自动识别和提取方法。为了全面评估本文提出的方法性能，我们选择了多种基线模型进行比较：随机森林（RF）和神经网络（NN）被选为依赖于手动提取几何特征的传统分类器；由于绝缘子与线路避雷器在形态和位置上的相似性，我们包括了（Tang et al., 2023）提出的绝缘子提取方法；此外，还纳入了两种主流的深度学习方法，PointNet++（Qi et al., 2017）和RandLA-Net（Hu et al., 2020）。对于RF和NN，我们使用提取的局部几何特征作为输入，包括线性、平面性和球性等指标。通过与这些方法的比较，我们可以系统评估传统方法和深度学习范式在自动识别和提取UAV LiDAR点云中小型目标任务中的基线性能和局限性。

表5展示了在包含线路避雷器的36条输电线路上的比较结果。比较结果清楚地表明，所提出的方法在整体性能上优于其他五种主流方法，F1分数达到90.11%，精度达到92.66%。尽管PointNet++在召回率上稍高（90.90%），但其精度显著降低（59.10%）。这表明，基于几何特征的分类器在识别小型目标时获得的准确率相当低。对于第一个挑战，我们构建了一个包含896个标注线路避雷器实例的数据集，涵盖来自246个杆塔的点云数据，以推进线路避雷器识别和提取的研究。该数据集将在GitHub上公开：https://github.com/c175044/Line-Surge-Arresters-datasets。对于第三个挑战，我们通过多视角结构和分布特征强调线路避雷器与其他组件的区别，而不是仅依赖几何特征。例如，KDE用于捕捉电力线（本文中称为SPL）包含线路避雷器时的点分布变化，而目标函数中提出的TCI和AUI特征可以表示结构特征，而不是局部几何特征。我们的方法还利用线路避雷器与其他组件在安装位置和方向上的差异，在分割平面的定义和PSO搜索过程中进行区分。

#### 3.6 参数分析

如第3.2节所述，带宽参数直接影响概率密度函数的平滑程度，从而影响线路避雷器特征的检测。本研究进行了敏感性分析，以评估带宽对线路避雷器识别性能的具体影响。结果如图15所示，当带宽为0.7米时，识别率达到峰值98.28%。在带宽范围0.5米到0.9米内，识别率始终超过97.5%，表现出最小波动，表明所提出的方法在这一区间内具有鲁棒性。然而，当带宽超过0.9米时，识别性能急剧下降，识别率降至约93.10%。这一趋势表明，过大的带宽会导致密度估计过于平滑，从而掩盖线路避雷器点分布的特征，降低识别准确性。因此，鉴于投影网格宽度为0.1米，建议将带宽参数设置在0.6米到0.9米之间，以实现识别准确率和算法稳定性的最佳平衡。

### 4. 讨论

#### 4.1 所提出方法的优势

如前所述，大多数现有的线路避雷器提取研究依赖于2D图像。然而，由于存在3D空间信息的丢失、对视角变化的敏感性以及对遮挡的易受干扰性，2D方法难以满足精确的3D定位和建模需求。另一方面，虽然点云提供了3D数据表示，但目前的方法主要集中在提取杆塔和电力线等大尺度结构上。仅有少数研究涉及绝缘子等小尺度组件的提取，而关于线路避雷器的研究则更为有限。

线路避雷器提取的困难主要源于以下几个因素：首先，线路避雷器的安装率较低，导致数据样本的长尾分布——例如，在我们的数据集中，仅有6.9%的杆塔配备线路避雷器——这阻碍了模型学习稳健和通用的特征，尤其是深度学习网络。其次，线路避雷器的物理尺寸较小，导致标注成本较高，这对构建大规模标注数据集构成了显著障碍。第三，线路避雷器与其他线性组件（如绝缘子）在几何特征上高度相似，因此无法仅依靠几何特征进行可靠区分。这在表5的实验结果中得到了体现，基于几何特征的分类器获得的准确率相当低。

针对前两个挑战，我们构建了一个包含896个标注线路避雷器实例的数据集，涵盖超过246个杆塔的点云数据，以推动线路避雷器识别和提取的研究。该数据集将在GitHub上公开：https://github.com/c175044/Line-Surge-Arresters-datasets。针对第三个挑战，我们通过多视角结构和分布特征强调线路避雷器与其他组件的区别，而不是仅依赖几何特征。例如，KDE用于捕捉电力线（本文中称为SPL）包含线路避雷器时的点分布变化，而目标函数中提出的TCI和AUI特征可以表示结构特征，而不是局部几何特征。我们的方法还利用线路避雷器与其他组件在安装位置和方向上的差异，在分割平面的定义和PSO搜索过程中进行区分。

#### 4.2 提取误差分析与对下游应用的影响

主要的提取误差表现为一小段导线被错误地连接到线路避雷器的末端。这种问题通常源于初始SPL单元在Y'轴方向上的对齐偏差。由于该方法使用单一平面进行分割，当SPL单元未能精确对齐时，会导致该误差。这些误差的影响应在具体下游应用的背景下进行评估。对于生成UAV巡检路径的关键点任务，其影响几乎可以忽略不计。该方法能够可靠地确认线路避雷器的存在及其大致位置，足以引导无人机进行近距离视觉检查。然而，对于高保真度的应用，如自动化3D建模或数字孪生的创建，这种误差变得更加关键。导线段的包含可能导致自动推导的几何参数出现偏差，包括线路避雷器的长度、体积或安装方向，这可能影响后续的工程分析。因此，进一步细化分割边界是未来工作的一个关键目标，以增强该方法在高精度建模任务中的适用性。此外，尽管在陡峭角度杆塔上的跳线理论上可能超出预定义的过滤区域，但由于严格的工程设计规范和操作要求，这类情况在实际中极为罕见。在包含超过3,500个杆塔的数据集中，未观察到任何过滤失败，这验证了所提出方法在现实条件下的鲁棒性。另一个潜在的限制是第2.2节中粗略过滤使用的宽度阈值W，该阈值依赖于输电线路的电压等级。尽管我们在220 kV线路上的实验表明，W=1.0米在超过3,500个杆塔上表现出鲁棒性，但该参数可能需要重新调整以适应其他电压等级的线路。这种依赖性可能影响所提出框架的自动化和通用性。因此，未来的工作将聚焦于开发适应性策略，以确定W，例如数据驱动或统计推导的阈值，以进一步提高该方法在多样化操作条件下的适用性。

### 5. 结论

本文提出了一种新颖的框架，用于从UAV LiDAR点云中自动识别和提取线路避雷器。该框架包括两个主要阶段：第一阶段，通过基于宽度的过滤和KDE策略识别线路避雷器，利用其在投影视图中的独特对角线结构特征。第二阶段，采用基于粒子群优化（PSO）算法的分割方法，通过最大化基于所提出特征TCI和AUI构建的结构一致性驱动目标函数，精确提取线路避雷器点。在包含3,571个杆塔的大型数据集上评估该框架，结果显示其具有强大的鲁棒性和高准确性，达到98.28%的整体识别率和90.11%的提取准确率，显著优于现有的通用算法。该方法在每根杆塔上的平均处理时间为3.82秒，表明其在实际应用中既有效又高效。未来的研究将聚焦于解决当前方法在分割边界上的局限性，改进现有的单平面模型，并探索更适应性的分割策略，如使用多平面或曲面模型，以识别最优的分割平面。同时，我们计划开发一个统一的框架，以集成绝缘子和线路避雷器等多关键组件的提取。