新能源電力系統國家重點實驗室（華北電力大學）的科研人員謝慶、楊天馳、裴少通、謝軍、律方成，在2021年第21期《電工技術學報》上撰文，針對現有紅外影象解析度低、清晰度差，易影響基於紅外影象的電氣裝置故障檢測效果的缺點，提出一種基於多尺度協作模型的電氣裝置紅外影象超解析度故障辨識方法。

對電氣裝置執行狀態進行有效監測並對其故障進行準確診斷可有效提高電力系統安全穩定性。紅外檢測技術因其直觀高效、安全非接觸等優點在電氣裝置故障檢測及診斷中得到廣泛應用。然而，受硬體發展水平制約，現有紅外熱成像儀捕獲的紅外影象通常存在空間解析度低、清晰度差等缺點，使得基於紅外影象的電氣裝置故障檢測結果可信度較低。

受傳輸頻寬、儲存空間及感光元件等諸多限制，直接透過提高硬體水平以提升紅外影象解析度的方法難度較大、成本較高。為提高基於紅外影象的電氣裝置故障檢測效果，亟需提出一種切實有效的電氣裝置紅外影象解析度提升方法，並實現基於紅外影象的電氣裝置故障精準辨識。

隨著人工智慧技術的發展，基於深度學習的數字影象目標檢測演算法被廣泛應用於電氣裝置故障檢測中。然而，目標檢測演算法主要由海量資料驅動，影象質量會直接影響模型表達能力，現有紅外影象存在空間解析度低等問題，嚴重影響了目標檢測模型的泛化能力。

影象超解析度重建可基於軟體方法將低解析度影象重建為高解析度影象，該理論的提出為影象質量提升提供了新的低成本解決方案。針對影象超解析度重建技術，Tong Tong等將密集連線結構應用於超解析度網路，實現了影象多層特徵高效融合；Zhang Yulun等將殘差稠密塊結構應用於超解析度網路，實現了影象區域性特徵的高效提取。但上述方法在提高解析度的同時丟失了原有影象的細節特徵。

為此，感知損失函式及生成對抗網路被應用於超解析度重建中，上述方案提高了影象區域性清晰度，但卻降低了影象整體信噪比。在電力系統中，超解析度重建技術已開始應用。陳智雨等、白萬榮等分別採用超解析度重建技術實現了電力線路及絕緣子的視覺化檢測，提高了故障檢測效果。

然而，上述方法構建的超解析度重建網路均採用單一尺度卷積核，但是電氣裝置種類繁多、大小不一，且電氣裝置紅外拍攝角度及拍攝距離多變，使得電氣裝置紅外影象待分析區域尺度多變，採用單一尺度卷積核會影響電氣裝置紅外影象超解析度重建結果。

據此，新能源電力系統國家重點實驗室（華北電力大學）的科研人員提出一種基於多尺度協作模型的電氣裝置紅外影象超解析度故障辨識方法，該方法透過超解析度重建提升原始紅外影象解析度，結合深度學習目標檢測演算法實現電氣裝置紅外影象故障辨識。

圖1 電氣裝置故障超解析度辨識方法結構

科研人員構建一種了基於多尺度協作模型（Multi-Scale Collaboration Block，MSCB）的紅外影象超解析度重建網路，該網路以生成對抗網路為核心，透過引入多尺度協作模型及雙通道結構，提高超解析度重建網路對電氣裝置紅外影象適應性，並最佳化重建效果。在實現紅外影象超解析度重建基礎上，結合深度學習目標檢測方法，建立電氣裝置紅外影象超解析度故障辨識模型。

圖2 樣本超解析度前後故障辨識對比

表1 各方法故障辨識效果對比

他們針對所提方法進行了實驗驗證，實驗結果表明：

1）多尺度協作模型可提高對電氣裝置紅外影象的適用性，雙通道結構可兼顧紅外影象高、低頻資訊，改進超解析度重建網路。本方法可有效提高紅外影象超解析度重建效果，且PSNR、SSIM值可分別提高至27。26dB、0。8283。

2）利用紅外影象超解析度重建結果，結合深度學習目標檢測演算法，可顯著提高電氣裝置紅外影象的故障辨識效果。利用本方法進行超解析度重建後，可降低故障辨識結果的誤判率及漏檢率，並提高故障辨識結果的置信度及定位精度。經計算，本方法可使mAP、mAR、mAC和mAIOU值平均相對提高19。34%、19。14%、11。83%和25。03%。

本文編自2021年第21期《電工技術學報》，論文標題為“基於多尺度協作模型的電氣裝置紅外影象超解析度故障辨識方法”，作者為謝慶、楊天馳 等。