基于拓扑感知卷积与多模态融合的电力线点云分割方法OACNNs-TopoFusion研究

《IEEE Access》：OACNNs-TopoFusion: Topology-Aware Convolution and Multimodal Fusion for Power-Line Segmentation

本研究针对电力塔巡检中电力线点云分割存在的细长结构识别难、拓扑粘连和类别不平衡三大挑战，提出OACNNs-TopoFusion框架。通过拓扑感知图卷积（PL-TopoConv）融入法向量一致性和曲率敏感性优化邻域构建，设计多模态通道注意力（MMCA）动态融合坐标、颜色和法向量特征，结合伪标签与物理先验的混合损失函数（PL-PLELoss）缓解样本不平衡。实验表明该方法在电力线IoU（94.71%）、mIoU（97.15%）等指标上显著优于OACNNs基线及MinkUNet、PT-V3等前沿模型，为电网自动化巡检提供可靠技术支撑。

　　

在智能电网建设持续推进的背景下，输电线路作为能源输送的核心载体，其运行安全直接关系到电力系统的稳定性和效率。传统的人工巡检和载人直升机巡检受复杂地形和恶劣天气限制，存在效率低、成本高、人员风险大等问题，难以满足大规模输电网络的实时监测需求。近年来，凭借高机动性、高空间分辨率和全天候作业优势，无人机（UAV）已成为获取输电走廊三维数据的主流方式。通过激光扫描（LiDAR）生成的点云精确记录了杆塔、导线和植被的空间形态与几何属性，为智能化巡检提供了关键数据支撑。然而，输电走廊点云数据规模庞大，且存在植被遮挡、塔线拓扑粘连等复杂干扰。尤其电力线作为细长、非刚性结构，在点云样本中占比极低，导致高效精准的电力线分割成为制约自动化巡检的技术瓶颈。

现有点云语义分割方法在电力线提取任务中面临三大核心挑战：首先，邻域构建过度依赖欧氏距离，缺乏对电力线平滑拓扑特性的显式建模，易将塔身边缘噪声点误纳入电力线邻域，导致特征混淆；其次，多模态特征融合多采用简单拼接策略，未能动态调整不同模态的贡献度，难以充分利用法向量等结构信息；第三，电力线样本稀缺且分布不均，传统损失函数监督信号不足，导致细长结构的召回率偏低。

为突破这些限制，本文发表于《IEEE Access》的论文提出OACNNs-TopoFusion模型，在OACNNs（Omni-Adaptive Sparse Convolutional Neural Networks）基础上引入三重创新：拓扑感知图卷积（PL-TopoConv）通过法向量一致性权重（α=0.8）和曲率敏感权重（β可调）优化k近邻（k_init）选择，强化电力线连续拓扑特征；多模态通道注意力（MMCA）机制解耦坐标、颜色和法向量模态，通过轻量级MLP生成通道注意力权重，提升结构信息的表征能力；融合伪标签与物理先验的损失函数（PL-PLELoss）结合低曲率连续性先验（阈值θ_c=0.3）扩充正样本，平衡类别监督信号。

关键技术方法包括：1. 基于体素化（voxelization）与稀疏卷积（SubMConv3D）的点云预处理，通过体素边长v控制下采样密度；2. 编码器-解码器架构中嵌入PL-TopoConv模块，动态计算邻域点法向量夹角θ_ij=arccos(n_i·n_j/‖n_i‖‖n_j‖)及曲率权重w_curv=exp(-β·c?_ij)；3. MMCA模块对多模态特征进行批归一化（?=10^-6）与权重分配（初始化w₀=[1.5,0.5,1.2]）；4. 混合损失函数加权组合（w_CE=1.0, w_pseudo=0.8, w_physical=0.5）交叉熵损失、伪标签损失及物理先验损失。实验数据来源于自采集的输电走廊点云数据集，覆盖110kV~500kV电压等级及山地、丘陵等多场景。

模型架构设计

OACNNs-TopoFusion采用U型编码器-解码器结构，输入为9维特征（坐标+颜色+法向量）。编码器通过三层下采样（SConv3D，步长2）将空间分辨率降至原始点云的1/512，每级嵌入PL-TopoConv与MMCA模块；解码器通过稀疏反卷积（SparseInverseConv3D）与跳跃连接恢复细节，最终通过1×1×1子流形卷积输出语义分割结果。

拓扑感知卷积验证

如表5所示，引入PL-TopoConv（E2组）后，电力线IoU从90.89%提升至93.98%，塔身IoU同步增长0.24%。图3显示，该模块在训练后期显著提升mIoU收敛值，证明其能有效过滤塔缘噪声，增强细长结构连续性建模。

多模态注意力效能

MMCA模块（E3组）使电力线IoU进一步提高至92.22%，背景类别IoU增长1.23%。图4表明，其动态权重分配机制（如强化法向量、抑制光照敏感的颜色特征）优化了多模态协同效率。

混合损失函数效果

PL-PLELoss（E4组）通过伪标签（概率阈值θ_p=0.3）和低曲率先验扩充正样本，电力线IoU达到92.95%。图5显示该损失函数加速模型收敛，缓解类别不平衡导致的召回率不足问题。

对比实验分析

与MinkUNet、PT-V3等7种主流方法相比（表8），OACNNs-TopoFusion在电力线IoU（94.71%）、mIoU（97.15%）指标上均最优。图6的mIoU曲线表明其优化过程更稳定，图7的混淆矩阵验证了三模块协同降低塔线混淆率的有效性。

参数敏感性验证

如图8所示，当法向量权重系数α=0.8时模型性能最优，偏离该值会导致电力线IoU最大波动达4.17%，而背景类别受影响较小（IoU波动<0.3%），证明参数设置对细长结构分割的敏感性。

研究结论表明，OACNNs-TopoFusion通过拓扑感知邻域构建、动态多模态融合和物理先验约束的损失函数，显著提升了电力线点云分割的精度与鲁棒性。其创新点在于将电力线的低曲率连续性等物理先验嵌入深度学习框架，解决了传统方法在复杂场景下的特征混淆和样本不平衡问题。该技术为输电走廊自动化巡检提供了可靠解决方案，并可扩展至电缆、管道等类似细长目标的点云分割任务。未来工作将聚焦多尺度特征金字塔优化、轻量化设计及红外/高光谱等多模态数据融合，进一步推动电力系统智能运维实践。