基于深度学习的开关柜红外与可见光图像配准与发热点自动定位设计_人工智能应用.docxVIP

PAGE2

基于深度学习的开关柜红外与可见光图像配准与发热点自动定位设计

第一章绪论

1.1研究背景

电力开关柜作为配电网中的核心设备，承担着电能分配、控制与保护的重任，其运行可靠性直接关系到工业生产和居民生活的用电安全。随着电网规模的持续扩大和供电可靠性要求的不断提高，开关柜的状态监测与故障预警已成为电力运维领域的关键课题。传统的人工巡检方式受限于频次低、主观性强、难以覆盖隐蔽部位等缺陷，已无法满足现代智能电网对设备状态实时感知与精准诊断的需求。

在开关柜的各类故障中，因接触不良、绝缘老化、过载等原因引发的过热缺陷占比极高。发热不仅会加速绝缘材料劣化，还可能引发短路甚至火灾事故。因此，对开关柜内部关键部件进行温度监测，及时发现并定位发热点，是预防事故、保障设备安全运行的重要手段。红外热成像技术能够非接触地获取设备表面的温度分布，已成为电力设备热故障检测的主流方法。

然而，单独的红外图像存在分辨率低、纹理细节缺失、难以辨识具体物理部件等固有局限。运维人员从红外图像中发现热点后，仍需对照可见光图像或现场实物才能确定发热的具体元件，这一过程耗时费力且容易出错。可见光图像虽然能提供丰富的结构纹理和部件边界信息，却无法反映温度分布。将红外与可见光图像进行配准，使热辐射信息与物理部件信息在空间上精确对齐，是解决上述矛盾的关键路径。

异源图像配准面临诸多技术挑战。红外与可见光传感器成