电力设备红外热成像AI巡检：发热缺陷识别

变电站与配电房的人工红外测温存在覆盖频次低、依赖个人经验的问题。实验室近期围绕电力设备发热缺陷，开展红外热成像AI巡检的阶段性实验，输入源为巡检机器人与固定测温点位采集的图像流，目标缺陷包括接头氧化、触头接触不良、避雷器受潮等典型发热场景。要点一（进展）：已在合作变电站积累约1.2万张红外图像，建立覆盖变压器、开关柜、母线接头等12类部件的温度基准库；采用“温升包络建模+小样本微调”路线，测试集上对温差超阈缺陷的召回率达92%，误报率约5%。要点二（下一步）：引入负荷与环境温度联动校正，压低季节与负载变化带来的误报；计划在两个配电房开展为期一个月的试运行，重点验证告警准确率与单次巡检耗时的变化幅度。方法论上，团队坚持“先建基准、再判异常”的路径：同一部件在不同负荷下的正常温升差异明显，直接套用固定阈值会放大误报。通过历史数据学习各部件的温升包络，并结合语义分割定位热点区域，将判别逻辑从“绝对温度”转为“相对偏差”，是方案能否稳定落地的关键一步。