中文引用格式： 楊晨，鄭帥，潘勝，等. 基于并聯運行特性的整流變壓器紅外圖像異常識別方法[J]. 電子技術應用，2026，52(3)：41-45.
英文引用格式： Yang Chen，Zheng Shuai，Pan Sheng，et al. An infrared image anomaly recognition method for rectifier transformers based on parallel operation characteristics[J]. Application of Electronic Technique，2026，52(3)：41-45.
引言
整流變壓器是城市軌道交通牽引供電系統的核心設備，其運行狀態直接影響供電質量與系統穩定性。紅外熱成像技術[1]憑借非接觸、實時性強和高靈敏度等優勢，成為設備狀態監測的重要手段。然而，傳統紅外熱故障檢測方法主要依賴于人工巡檢，因此存在效率低、誤檢率高[2]等問題。
近年來，基于圖像處理與圖像識別的電力設備紅外圖像故障檢測技術興起。文獻[3-4]運用分水嶺、K均值聚類等方法分割目標圖像，但參數調整復雜，且難以對分割后的設備展開有效分析，可靠性較低。文獻[5]借助定向梯度柱狀圖（Histograms of Oriented Gradients, HOG）算法提取紅外圖像特征，并利用支持向量機（Support Vector Machine, SVM）分類器進行分類。該方法在復雜背景下能夠有效地識別紅外目標，但需參數選擇過程繁雜，需要人工參與。文獻[6]采用改進的區域生長法分割設備紅外圖像，基于設備形狀特征構建分類特征向量，并使用反向傳播（Back Propagation, BP）神經網絡進行分類。BP神經網絡雖具備較強的自學習和自適應能力，但其收斂速度較弱，且極易陷入局部最優。
隨著時代發展，深度學習[7]因強大的數據分析、預測與分類能力的特點被廣泛使用。文獻[8]通過Slic-HSV算法確定設備溫度異常區域，利用softmax損失和中心損失信號訓練GoogLeNet識別故障，但其魯棒性較差，對圖像的角度和背景要求較高。文獻[9]提出基于區域建議網絡Faster-RCNN的紅外異常發熱點目標檢測方法，復雜背景下檢測效果較好，但對故障樣本依賴性高。可以看出，基于深度學習的故障識別算法雖有良好的診斷效果，但需要大量的故障樣本訓練模型，然而實際故障樣本稀缺，使得深度學習在變壓器故障診斷中存在局限性。
而在城軌牽引供電系統中，兩臺整流變壓器通常采用并聯運行的方式，其電氣特性與熱行為特征高度相似，這一特性為無故障樣本條件下的異常檢測提供了有效的理論依據。
因此，本文提出一種基于整流變壓器并聯運行特性的紅外圖像異常識別方法，采用YOLO目標檢測算法分割變壓器關鍵部件，并基于區域生長算法定位紅外圖像異常區域，從而能夠在零故障樣本的情況下實現變壓器的異常溫度檢測。
本文詳細內容請下載：
http://www.tom3567.com/resource/share/2000006999
作者信息：
楊晨1，鄭帥2，潘勝3，田今棟1，張鋼2
（1.北京市地鐵運營有限公司供電分公司，北京 100082；
2.北京交通大學 電氣工程學院，北京 100044；
3.北京市地鐵運營有限公司，北京 100044）
