中文引用格式： 杨晨，郑帅，潘胜，等. 基于并联运行特性的整流变压器红外图像异常识别方法[J]. 电子技术应用，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
整流变压器是城市轨道交通牵引供电系统的核心设备，其运行状态直接影响供电质量与系统稳定性。红外热成像技术[1]凭借非接触、实时性强和高灵敏度等优势，成为设备状态监测的重要手段。然而，传统红外热故障检测方法主要依赖于人工巡检，因此存在效率低、误检率高[2]等问题。
近年来，基于图像处理与图像识别的电力设备红外图像故障检测技术兴起。文献[3-4]运用分水岭、K均值聚类等方法分割目标图像，但参数调整复杂，且难以对分割后的设备展开有效分析，可靠性较低。文献[5]借助定向梯度柱状图（Histograms of Oriented Gradients, HOG）算法提取红外图像特征，并利用支持向量机（Support Vector Machine, SVM）分类器进行分类。该方法在复杂背景下能够有效地识别红外目标，但需参数选择过程繁杂，需要人工参与。文献[6]采用改进的区域生长法分割设备红外图像，基于设备形状特征构建分类特征向量，并使用反向传播（Back Propagation, BP）神经网络进行分类。BP神经网络虽具备较强的自学习和自适应能力，但其收敛速度较弱，且极易陷入局部最优。
随着时代发展，深度学习[7]因强大的数据分析、预测与分类能力的特点被广泛使用。文献[8]通过Slic-HSV算法确定设备温度异常区域，利用softmax损失和中心损失信号训练GoogLeNet识别故障，但其鲁棒性较差，对图像的角度和背景要求较高。文献[9]提出基于区域建议网络Faster-RCNN的红外异常发热点目标检测方法，复杂背景下检测效果较好，但对故障样本依赖性高。可以看出，基于深度学习的故障识别算法虽有良好的诊断效果，但需要大量的故障样本训练模型，然而实际故障样本稀缺，使得深度学习在变压器故障诊断中存在局限性。
而在城轨牵引供电系统中，两台整流变压器通常采用并联运行的方式，其电气特性与热行为特征高度相似，这一特性为无故障样本条件下的异常检测提供了有效的理论依据。
因此，本文提出一种基于整流变压器并联运行特性的红外图像异常识别方法，采用YOLO目标检测算法分割变压器关键部件，并基于区域生长算法定位红外图像异常区域，从而能够在零故障样本的情况下实现变压器的异常温度检测。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006999
作者信息：
杨晨1，郑帅2，潘胜3，田今栋1，张钢2
（1.北京市地铁运营有限公司供电分公司，北京 100082；
2.北京交通大学 电气工程学院，北京 100044；
3.北京市地铁运营有限公司，北京 100044）
