本文提出一种基于谱残差变换的电力设备热缺陷识别技术。首先，根据电力设备红外图像中自然背景的冗余特性和热缺陷目标的显著性特征来构建谱残差变换模型，对电力设备红外图像进行谱残差变换，生成具有显著性信息的热缺陷初始识别结图。然后，采用引导滤波技术对初始识别结果进行处理，联合利用红外图像中的温差信息和空间结构信息，提升热缺陷的识别率，生成最终识别结果图。实验结果表明：与其他传统热缺陷识别方法相比，本文所提出的方法在识别精度与识别效率上有显著优势，满足电力设备热缺陷带电检测的应用需求。

电力设备红外图像在电力设备状态监测、故障识别等方面发挥着重要作用。针对红外图像应用时存在的分辨率低, 清晰度不足的问题, 本文提出一种基于图像梯度范数比(Gradient Norm-ratio, GNR)先验约束的压缩感知电力设备红外图像超分辨率方法。通过分析电力设备红外图像在不同采样比时重建图像高频信息的变化规律, 将 GNR先验引入传统压缩感知超分辨率模型中。并针对改进后的模型设计了有效的求解算法, 通过半二次分裂方法引入辅助变量, 对不同变量交替迭代求解, 实现红外图像超分辨率重建。仿真实验结果验证了 GNR先验信息的引入, 有利于超分辨率算法取得更好的重建效果。与现有经典超分辨率方法相比, 本文方法重建图像无论在主观视觉效果还是客观评价指标上都有了较好的提升。

本文提出一种基于多尺度引导滤波和决策融合(multi-scale guided filter and decision fusion, MGDF)的电力设备热故障诊断方法, 联合多尺度引导滤波和决策融合技术, 充分挖掘红外图像的空间结构信息和温度信息。该方法有 3个主要步骤。首先, 基于热故障区域与环境背景在红外图像上的温度差异特性, 逐像素计算热故障区域与环境背景的马氏距离, 获取初始的热故障诊断结果。然后, 采用不同参数设置的引导滤波器对初始诊断结果进行滤波处理, 并将生成的若干引导滤波特征图堆叠在一起。不同参数下的滤波特征图包含着互补的空间结构信息。最后, 为充分挖掘不同尺度特征图的空间结构信息和温度差异信息, 利用主成分分析法对引导滤波特征图进行决策融合, 提升热故障的诊断精度, 生成最终的热故障诊断结果图。实验测试结果表明, 本文方法在热故障诊断精度上有明显优势, 满足电力设备红外巡检的应用需求。

针对电力设备环境监测的现实需求, 开展了光纤阵列温度传感技术的研究。提出了一种以保偏光纤作为传感单元的干涉型传感探头, 建立传感系统的数学分析模型, 构建干涉光路, 分析传感探头长度、光源波长等参量对测温范围的影响。在此基础上, 完成了基于毛细玻璃管的传感器封装设计并研制系统样机。最后, 开展了温度测试实验和传感器重复性实验。实验结果表明, 在光源波长相同的情况下, 传感探头越短, 其测温范围越大, 并且当传感探头为1 cm时, 其测温误差大约为0.37 ℃, 精度约为0.3 ℃。对于光纤温度传感技术在电力等行业中的应用有参考价值。

针对电力设备红外图像存在的图像视觉效果差、尺度差异性大、数据类别不平衡等问题，提出了一种基于改进YOLOv4的目标检测模型。利用该模型并结合MSRCR图像增强算法对电力设备红外图像进行识别。首先，构建电力设备红外图像目标检测数据集，使用MSRCR算法对原始红外图像进行增强处理，改善雨雾天气下红外图像存在的对比度低、像素模糊等问题，进而提高模型在雨雾天气下对电力设备的检测能力；其次，在YOLOv4骨干网络中引入多尺度卷积模块，通过不同大小的卷积核获取输入图像的多尺度特征，增强对初始特征的表征能力；为进一步提升检测精度，采用Focal loss函数，解决了红外图像数据不均衡导致的分类困难问题。经测试，所提方法对8类电力设备的平均识别精度达96.31%，检测速度达71 frame/s。实验结果验证了所提方法的有效性。

针对现有电力设备红外与可见光图像配准难度大、配准时间长等问题，提出一种基于深度学习的电力设备红外与可见光图像配准融合的方法。本文将特征提取与特征匹配联合在深度学习框架中，直接学习图像块对与匹配标签之间的映射关系，用于后续的配准。此外为了缓解训练时红外图像样本不足的问题，提出一种利用红外图像及其变换图像学习映射函数的自学习方法，同时采用迁移学习来减少训练时间，加速网络框架。实验结果表明：本文方法与其他 4种配准算法相比性能指标均有显著提升，本文平均准确率为 89.909，同其余 4种算法相比分别提高了 2.31%、3.36%、2.67%、0.82%，本文平均 RMSE(Root Mean Square Error)为 2.521，同其余 4种配准算法相比分别降低了 14.68%、15.24%、4.90%、1.04%，算法平均用时为 5.625 s，较其余 4种算法分别降低了 5.57%、6.82%、2.45%、 1.75%，有效提高了电力设备红外与红外可见光图像配准的效率。

本文提出一种形状自适应低秩表示的电力设备热故障诊断方法。该方法通过联合超像素分割和低秩表示技术进行热故障诊断。首先，使用主成分分析算法对输入的红外图像进行变换，并对第一主成分进行超像素分割处理，将红外图像自适应地分割为若干非重叠的超像素。然后，采用低秩表示技术对逐个超像素进行热故障诊断，通过充分挖掘空间结构信息和红外温度信息，优化提升热故障诊断精度。实验结果表明，与其他传统热故障诊断方法相比，本文提出的方法在热故障诊断精度上具有较大的优势，满足电力设备红外巡检的应用需求。

近年来图像融合技术广泛应用到电力行业，通过不同类型的图像传感器采集电力设备和输电线的图像，经过红外和可见光的图像融合处理，实现电力设备及输电线的智能巡视和故障分析。文中提出一种基于自适应加权的多尺度图像融合算法，采用配准后的可见光和红外图像，进行多尺度小波分解，根据高低频的不同图像特征，低频采用自适应加权融合规则，高频采用绝对值最大的融合规则，将融合后的小波系数进行逆变换后得到全新的融合图像。通过对融合图像的主观和客观评价分析，证明融合算法解决了单一图像传感器采集图像存在的完整性问题，提高了融合图像细节信息，提升了场景的置信度。

针对现有电力设备红外与可见光图像配准难度大、配准时间长等问题，提出一种改进曲率尺度空间（CSS）算法的电力设备红外与可见光图像配准方法。首先引入Freeman链码差提高CSS算法的特征点提取精度，其次为每个特征点分配点到弦的垂直距离特征主方向，采用加速稳健特征变换（SURF）算法获得特征描述算子，最后利用双边快速近似最近邻（FLANN）搜索匹配方法和随机抽样一致（RANSAC）方法得到正确的匹配点对，获得仿射变换模型参数。实验结果表明：改进CSS图像配准方法与SURF、尺度不变特征变换（SIFT）、CSS配准方法相比性能指标均有显著提升，平均均方根误差（RMSE）较其他3种算法分别降低了77.73%、80.32%、7.63%；平均匹配时间分别降低了30.82%、40.12%、10.57%，提高了电力设备红外与可见光图像配准的效率。

电力设备在运行过程中会产生大量红外图像，当红外图像中的电力设备存在排列密集、具有倾斜角度、大长宽比的情况时，基于水平矩形框的目标检测网络只能给出目标概略位置，易发生目标检测区域重叠，引入冗余背景信息，使得检测结果不够精细。针对此问题，提出在 RetinaNet目标检测网络中引入旋转矩形框机制，并在网络输入端引入 Mosaic数据增强技术；将原特征提取网络中 ReLU函数替换为梯度流更平滑的 Mish激活函数；在原模型 FPN模块后追加 PAN模块进一步融合图像特征。最后利用现场采集的电力设备红外图像制作数据集，将改进后的模型与 Faster R-CNN、YOLOv3、原 RetinaNet三种基于水平矩形框定位的目标检测网络进行对比评估，实验表明改进后的模型可以更为精细地检测出密集场景下带有倾角的电力设备红外目标，在多类别电力设备检测准确率对比上高于以上 3种模型。