北京
閱讀提示：本文約 1800 字
導語
紅外圖像中變電設備自動識別是實現缺陷與故障診斷的關鍵步驟。然而，當前紅外圖像中的變電設備識別面臨準確率低和效率差等問題，這主要源于設備背景復雜以及單一圖像信息量的局限性。
針對這一問題，重慶大學楊帆教授團隊在《電工技術學報》2026年第3期發表最新研究成果，提出了一種基于多模態圖像融合的變電設備紅外熱像增強識別方法，結合圖像融合技術實現了紅外圖像中變電設備的高精度識別。
研究背景
復雜的環境背景以及紅外圖像信息量的局限性是影響變電設備自動識別性能的關鍵因素。由于變電設備與周圍環境的溫差較小，且紅外成像易受環境噪聲、大氣衰減等因素干擾，導致變電設備與環境背景難以有效分割，這些因素嚴重影響了識別的準確率。圖像融合技術能夠從不同圖像中提取顯著特征，并將這些特征融合為一張圖像，使得融合后的圖像在信息豐富性和表現力上明顯優于單一圖像。因此，紅外和可見光圖像的融合能更全面、準確地反映變電設備信息，從而有助于提高自動識別準確率。
論文所解決的問題及意義
為進一步提高變電設備識別的準確率，研究團隊提出了一種基于多模態圖像融合的變電設備紅外熱像增強識別方法，相較于紅外圖像中變電設備識別結果，本文所述方法的識別性能得到了顯著提升, 可為實現變電設備狀態精細化檢測提供支撐。
論文方法及創新點
提出了一種基于多模態圖像融合的變電設備紅外熱像增強識別方法，通過神經網絡非線性擬合能力將特征融合引入到融合的每個環節中，提高了特征融合的自適應能力并顯著提升了變電設備識別效果。
(a) 可見光圖像
(b) 紅外圖像識別結果
(c) 融合圖像識別結果
圖1 復雜環境下變電設備識別結果
結論
1) 通過無監督范式的圖像融合模型，可以有效融合紅外和可見光圖像中的顯著特征，在信息熵等4個指標上相比主流方法存在顯著優勢；
2) 通過融合圖像進行變電設備識別有效提高了檢測性能，其中平均精確率提高了4.08%，平均召回率提高了10.41%、平均F1分數提高了7.65%和平均精確度提高了5.70%，有效驗證了圖像融合對變電設備檢測的提升效果；與原YOLOv7網絡相比，進一步說明了改進后YOLOv7網絡在變電設備識別的優勢，其中平均精確度提高了0.61%，檢測速度提高了0.28ms；分析了不同光照、天氣等環境因素影響下的識別性能，進一步驗證了本文所提出方法的魯棒性。
團隊介紹
重慶大學電工裝備多物理場計算團隊主要從事電工裝備多物理場計算、數字孿生技術、電力設備狀態監測與故障診斷等技術研究。
楊帆
教授/博導，國家級青年人才，重慶市學術技術帶頭人。長期從事電力裝備多物理場計算和數字孿生技術研究。主持智能電網國家科技重大專項項目等國家級項目/課題7項，承擔國家電網公司、南方電網公司等企業科技項目40余項。獲國家和省部級教學成果獎6項，省部和學會科技獎勵9項，發表SCI論文150余篇，授權發明專利40余件。
李致民
博士研究生，主要從事電氣設備多模態檢測方法、嵌入式AI技術研究。
本工作成果發表在2026年第3期《電工技術學報》，論文標題為“基于多模態圖像融合的變電設備紅外熱像增強識別方法“。本課題得到中國南方電網有限責任公司科技項目資助。
引用本文
楊帆, 李致民, 李艷, 田杰, 怡勇. 基于多模態圖像融合的變電設備紅外熱像增強識別方法[J]. 電工技術學報, 2026, 41(3): 975-986. Yang Fan, Li Zhimin, Li Yan, Tian Jie, Yi Yong. Infrared Thermal Image Enhanced Recognition Method for Substation Equipment Based on Multi-Modal Image Fusion. Transactions of China Electrotechnical Society, 2026, 41(3): 975-986.
閱讀全文
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
