细长、稀疏、失衡：输电走廊点云的三重困境
截至 2024 年，我国输电线路总长度已超过 250 万 km，大量线路穿越山区、林区及复杂地形，长期面临树障侵入、导线老化、电塔变形及极端天气等安全风险。二维航拍影像易受飞行视角、光照变化、植被遮挡与天气条件干扰，难以完整表达输电设施的三维空间位置关系；机载激光雷达点云虽具备主动测距与三维结构表达优势，但现有点云语义感知方法大多侧重局部空间特征学习，缺乏对几何结构先验与空间拓扑连续关系的显式理解，在复杂低空输电走廊场景中仍面临三方面挑战。
点云稀疏与类别不平衡
输电线路、电塔杆件等目标通常呈现细长、稀疏结构，其点云数量远少于地面与植被等背景目标。本文实验数据中电塔、电力线与背景 3 类的点数比例约为 98:1:1，类别分布呈现明显不平衡特征，容易导致网络在训练过程中偏向背景类别，从而降低关键目标的识别精度。
细长结构连续性不足
电力线与电塔杆件具有明显的拓扑连续性，而现有点云分割方法大多基于局部邻域进行特征聚合，缺乏对细长结构空间连续性的显式约束，容易出现导线断裂、电塔部件漏分等问题。传统交叉熵损失仅关注单点分类准确性，即使整体分类精度较高，仍可能出现杆件局部缺失与多条导线粘连。
几何结构表达不足
输电走廊中不同类别目标具有显著不同的空间结构特征：电力线呈细长线状，电塔为多尺度框架结构，植被高度散乱且非规则分布。现有方法大多直接利用空间坐标进行特征学习，缺乏对几何结构先验的有效利用；仅按空间距离构建的 KNN 邻域还会把植被枝条与电力线错误聚合，导致复杂场景下类别区分能力不足。
截至 2024 年
背景 / 电塔 / 电力线量级失衡
北京 22 km + 广东 10 km
电塔 · 电力线 · 背景
几何先验驱动的层次化分割网络
本文方法以无人机载激光雷达（UAV-LiDAR）点云为输入，通过融合局部几何结构先验与空间拓扑连续关系构建层次化几何感知点云分割网络。首先以多尺度邻域构建局部几何结构先验，从不同尺度描述点云的空间分布特征与结构模式；随后将空间坐标、颜色、激光回波强度以及局部几何结构先验共同输入点云编码网络，实现几何结构先验驱动的特征学习与语义分割；最后构建拓扑连续性约束，通过局部拓扑图约束结构相似点之间的语义一致性，并结合拓扑图聚类实现单条电力线精细提取。
多尺度几何结构先验构建
对每个点分别构建 k=16、32、64 三种尺度的邻域，计算线性度、平面性、表面变化度、垂直度、全向散度以及法向变化率共 6 类局部几何先验，并与空间坐标、RGB 颜色、激光回波强度结合形成增强点特征。线性度描述点云沿单一主方向分布的程度，平面性描述局部平面结构显著程度，表面变化度反映表面粗糙度与结构突变，从而在不同尺度上刻画空间分布、方向一致性与结构复杂性差异。
层次化几何感知编码解码网络
通过统一初始编码层获得点级特征，在统一特征空间内共同学习空间信息与几何结构属性之间的关系。针对传统 KNN 易将空间接近但结构差异较大的点错误聚合的问题，构建几何感知邻域，度量同时包含空间距离项与几何属性差异项并由平衡系数调节。编码阶段采用最远点采样逐层下采样并在几何感知邻域上聚合局部特征，解码阶段通过特征最近邻插值恢复点级分辨率，并以跳跃连接融合浅层与深层特征。
几何一致性感知模块
选取与线状结构表达更相关的线性度、垂直度与法向变化率构建线结构一致性，当两点在这三项指标上一致性较高时其线结构一致性较高。进一步结合点特征、空间相对位置与线结构一致性构建线结构感知聚合权重，对邻域特征加权聚合并通过残差连接更新中心点特征，从而增强具有相似线状结构点之间的特征传播，提高电力线与电塔杆件的连续表达能力。
类别关联几何响应增强模块
电力线主要表现为高线性结构，地面与建筑物更依赖平面结构特征，植被通常具有较强表面变化度、全向散度和法向变化率。该模块在解码阶段先由轻量级分类头生成点级类别语义先验，再据此生成不同几何结构相关的类别响应权重，计算类别关联几何响应并对点特征进行融合增强，使网络能够按类别动态强化对应的结构模式，提升复杂背景条件下不同类别目标的结构区分能力。
拓扑连续性约束与单线提取
在预测空间中构建局部拓扑图，拓扑权重由空间近邻性项与局部几何结构相似性项相乘获得，并以拓扑连续性损失约束空间邻近且结构相似点具有一致预测结果；网络训练由语义分类损失、类别不平衡损失与拓扑连续性约束联合优化。在此基础上按电力线类别概率筛选候选点，结合线状结构约束剔除植被枝条与伪线状点，采用图连通性聚类划分单线实例，并以局部主方向差异阈值进一步切分方向不一致的聚类结果。
无人机激光雷达输电走廊点云
数据由 HawkScan X3 无人机搭载激光扫描仪采集：飞行高度 150 m，飞行速度 24 km/h，航线沿输电线路方向布设并保证相邻航带重叠，最大扫描角 70°，扫描频率 700 kHz。覆盖北京大兴、房山、通州与广东河源、惠州等典型低空输电巡检场景，包含城市、郊区、林区、山地等多种复杂环境，两地采集总长分别为 22 km 和 10 km。按场景块裁剪为约 400 m 长度的点云块，每块至少包含一个电塔和一段线，按场景划分训练集 57 个片段、测试集 23 个片段，标注类别为电塔、电力线与背景 3 类。
训练配置与评价指标
方法基于 PyTorch 实现，实验在 Intel(R) Xeon(R) W-3175X CPU 与两张 NVIDIA GeForce RTX 3090 GPU 的工作站上完成。采用 AdamW 优化器，初始学习率 1×10⁻³ 并以余弦退火策略衰减，批大小 16，训练轮数 500，所有实验使用相同随机种子与数据划分。损失函数由交叉熵损失、Focal Loss 与拓扑连续性正则项组成，权重分别为 1、1 和 0.1。训练前对坐标做局部归一化并对 6 类几何先验归一化，采用随机旋转、平移、缩放与点扰动增强；评价指标为总体精度 OA、平均交并比 mIoU 与各类别 IoU，单线提取采用精确率、召回率与 F1 分数。
实验结果：精度、单线提取与消融验证
实验在相同训练集与测试集、相同数据增强策略与评价指标下，与 PointNet、PointNet++、RandLA-Net、KPConv、Point Transformer、PointNeXt、PointMetaBase、ASGFormer 等代表性点云语义分割方法对比，并在单线提取任务中与 RANSAC、Hough Transform、DBSCAN、图聚类、EM-Net、PointGroup 对比，同时开展几何结构先验组合与不同组件的消融分析。
较 ASGFormer 提升 4.68%
较最优对比方法提升 7.14%
提升 10.63%（电塔 68.42%）
较 EM-Net 提升 3.99%
| 方法 | OA / % | mIoU / % | 电塔 IoU / % | 电力线 IoU / % | 背景 IoU / % |
|---|---|---|---|---|---|
| PointNet | 74.62 | 31.48 | 22.37 | 11.84 | 60.23 |
| PointNet++ | 76.18 | 35.06 | 28.14 | 16.92 | 60.12 |
| RandLA-Net | 81.27 | 45.69 | 43.92 | 29.34 | 63.81 |
| KPConv | 79.34 | 41.83 | 38.76 | 23.58 | 63.15 |
| Point Transformer | 81.16 | 48.72 | 47.85 | 35.21 | 63.10 |
| PointNeXt | 82.05 | 51.96 | 52.33 | 39.76 | 63.79 |
| PointMetaBase | 83.63 | 54.82 | 56.74 | 43.61 | 64.11 |
| ASGFormer | 84.49 | 57.38 | 59.83 | 47.26 | 65.05 |
| 本文方法 | 89.17 | 64.52 | 68.42 | 57.89 | 67.25 |
细长结构目标提升最明显
本文方法在 OA 与 mIoU 上均取得最优表现，分别达到 89.17% 和 64.52%，较最优对比方法 ASGFormer 提升 4.68% 和 7.14%。电塔与电力线类别 IoU 分别达到 68.42% 和 57.89%，较最优对比方法提升 8.59% 和 10.63%。可视化结果显示，对比方法在植被遮挡、地形起伏与电力线稀疏分布条件下容易出现电力线局部漏分、导线断裂与电塔杆件识别不完整，而本文方法能更完整地识别细长电力线结构并保持空间连续性。
三项指标同步最优
单条电力线提取的精确率、召回率与 F1 分数分别达到 95.46%、93.82% 和 94.63%，较最优对比方法 EM-Net 提升 3.73%、4.24% 和 3.99%，F1 分数相比 PointGroup 提升 4.79%。相较 RANSAC、Hough Transform 等模型拟合方法，本文方法更适应弧垂变化、局部缺失与多导线并行分布；相较 DBSCAN 与图聚类方法，几何结构相似性与拓扑连续性约束有效避免了相邻电力线的错误粘连。
组件逐级累积增益
基线方法 mIoU 为 54.25%，引入几何一致性感知模块后升至 60.38%，叠加类别关联几何响应增强模块升至 63.28%，加入拓扑连续性约束后完整方法达到 64.52%。几何先验组合实验显示，无几何先验时 mIoU 为 54.25%，两组三类描述子分别为 57.64% 和 57.30%，6 类联合使用时最优。完整方法背景 IoU 为 67.25%，略低于仅用响应增强模块的 67.77%，原因是拓扑约束更侧重结构类目标的预测一致性。
几何结构先验与拓扑连续关系的联合建模能够有效提升复杂低空输电走廊点云语义分割的精度与鲁棒性，可为输电线路智能巡检、单线提取、净空检测和风险分析提供可靠的数据支撑。
三大贡献、应用价值与未来议程
本文围绕输电线路、电塔杆件、植被和地面等目标在局部几何结构与空间拓扑关系上的差异，构建了几何结构先验驱动的层次化点云分割网络，验证了从局部几何结构建模延伸至全局拓扑关系约束的技术思路，为复杂背景下输电设施点云精细理解提供了有效方法。
多尺度几何先验融合编码
将线性度、平面性、表面变化度、垂直度、全向散度与法向变化率等多尺度几何结构先验引入点云特征编码过程，并联合空间距离与几何相似性构建几何感知邻域，增强网络对不同类别目标局部结构差异的表征能力，减少空间邻近但结构差异较大目标之间的错误聚合。
两个结构感知增强模块
几何一致性感知模块促进结构相似点之间的特征传播，强化网络对电力线和电塔杆件等细长、稀疏目标的响应；类别关联几何响应增强模块按类别语义响应自适应调整几何结构特征重要性，缓解电力线与植被、地面等复杂背景之间的混淆。
拓扑约束与单线实例提取
在预测空间中引入拓扑连续性正则约束，显式建模空间邻近且结构一致点之间的语义关联，减少电力线的错分、漏分和局部断裂；并在语义分割结果基础上结合方向一致性与空间拓扑关系进行图聚类，实现单条电力线的精细化实例提取。
应用价值
方法能够有效减少电力线断裂、杆塔漏分和植被背景误分问题，保持较好的结构完整性和空间连续性，为输电线路弧垂分析、净空检测以及风险评估提供可靠的数据基础。在低空经济与新型电力系统建设背景下，可支撑输电线路智能巡检、单线提取、净空入侵检测与风险分析等业务，提升巡检效率、降低人工巡检成本并保障电网安全运行。
局限与未来
局部几何先验的稳定性受邻域尺度与点云密度变化影响，在点密度极不均匀或局部缺失严重的场景中仍有提升空间；当前仅区分电塔、电力线和背景 3 类，尚未细分绝缘子、避雷器、横担、金具、树障等更精细目标。未来将探索自适应多尺度几何结构建模，按点云密度、局部尺度与空间上下文动态调整邻域构建与先验计算；并扩展细粒度类别体系，结合时序点云、变化检测与风险评估机制，服务净空入侵检测、树障风险分析、设施状态评估及输电线路数字孪生建模。