圖像識別技術(shù)在變電站智能巡檢中的應(yīng)用綜述

明志勇，楊順吉

（1.貴州電網(wǎng)有限責(zé)任公司銅仁供電局，貴州 銅仁 554300；2.貴州大學(xué)電氣工程學(xué)院，貴州 貴陽 550025）

2017年，中國國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》[1]，人工智能的研究被納入到國家戰(zhàn)略。國家電網(wǎng)公司和南方電網(wǎng)公司都在規(guī)劃和部署電網(wǎng)智能化研究和應(yīng)用方案，加快推進人工智能技術(shù)在生產(chǎn)技術(shù)領(lǐng)域廣泛應(yīng)用。變電站是電網(wǎng)的重要組成部分，運行中的傳統(tǒng)變電站具有布點數(shù)量多、地域分布廣、多處于遠離工業(yè)或居民集中區(qū)域等特點，現(xiàn)階段變電站仍以人工巡檢為主，一線作業(yè)仍然存在著結(jié)構(gòu)性缺員、工作強度高、任務(wù)重、運維效率低下等問題。針對上述問題，為了保障變電站的高質(zhì)量運行，開展基于圖像識別技術(shù)的變電站智能巡檢研究和應(yīng)用是十分必要的。

隨著人工智能技術(shù)和數(shù)字圖像處理技術(shù)的迅速發(fā)展，圖像識別技術(shù)[2]在理論研究和實際應(yīng)用中不斷發(fā)展和改進，圖像識別的效率和準確率都有很大程度的提高。目前，圖像識別技術(shù)在電力生產(chǎn)技術(shù)領(lǐng)域的研究與應(yīng)用，國內(nèi)外都進行了不少有益的探索，但是大部分的研究成果主要集中在輸電領(lǐng)域，如輸電線路的圖像采集、紅外檢測、簡單部件的缺陷識別等，提高了傳統(tǒng)人工巡線的工作效率和安全性。在變電領(lǐng)域，目前變電站智能巡檢開展的一些應(yīng)用與研究，主要以固定攝像頭、智能機器人、智能無人機等裝置為圖像智能采集終端，主要應(yīng)用于變電站設(shè)備外觀、儀表計數(shù)、設(shè)備缺陷的識別以及異常信息巡視等方面。然而，變電站設(shè)備種類繁多、場景復(fù)雜，仍然面臨著圖像智能采集終端智能化水平不高、設(shè)備狀態(tài)識別準確率不高、設(shè)備缺陷樣本難獲取、設(shè)備綜合故障難診斷等挑戰(zhàn)，實現(xiàn)變電站巡檢無人化的目標依然任重道遠。

1 圖像識別過程與圖像識別方法

圖像識別的過程，包括圖像采集獲取、圖像處理、特征提取和圖像分類一系列流程，如圖1所示。

圖1 圖像識別步驟

圖像采集獲取，須借助智能采集終端，采集待識別目標的圖像或視頻流數(shù)據(jù)，在智能終端端側(cè)進行初步處理，傳輸至智能網(wǎng)關(guān)邊側(cè)，甚至云端服務(wù)器中進行圖像識別。圖像處理，首先是對圖像進行去噪、增強、銳化等傳統(tǒng)方法進行圖像預(yù)處理，目的是去除干擾、噪聲及差異，使其具備像素、清晰度、灰度值等一致的希望特性；然后通過邊緣檢測、圖像分割、灰度投影等技術(shù)實現(xiàn)獲取圖像輪廓、增強細節(jié)和切割目標的目的，將原始圖像變成適用于特征提取的形式，方便后續(xù)使用。特征提取，即通過提取目標圖像的特征信息來識別目標的本質(zhì)屬性，每幅圖像既有反應(yīng)圖像整體特點的全局特征，如顏色、紋理、形狀等，也有突出圖像細節(jié)部分的局部特征，如角點、邊緣和斑塊等，若按提取方式劃分可分為人工特征提取與機器學(xué)習(xí)特征提取兩種方式，若按特征描述范圍劃分又可分為全局特征提取與局部特征提取。圖像分類，即設(shè)計分類器，在特征空間中對目標圖像進行歸類與識別，分類器的性能是準確識別目標的關(guān)鍵；分類器的設(shè)計方法結(jié)合了機器學(xué)習(xí)、模式分類等技術(shù)，通過樣本訓(xùn)練，不斷優(yōu)化得到豐富的訓(xùn)練樣本集，確定規(guī)則后與測試樣本比較使樣本分類誤差最小，判斷出圖像的狀態(tài)或本質(zhì)，從而達到圖像識別的目的。

圖像識別首先進行全局、局部特征的提取，然后進行目標檢測，最后設(shè)計分類器來對圖像進行識別。圖像識別方法主要有3類，分別是傳統(tǒng)方法、淺層的機器學(xué)習(xí)方法、深度學(xué)習(xí)方法[3-5]。

圖像識別的傳統(tǒng)方法，一般有模板匹配法、橢圓擬合法、特征點匹配法等。模板匹配法[6]，使用遍歷的方法在原始圖像上窗口平移來尋找特定的目標，與模板做相似度匹配，相似度最高時輸出檢測結(jié)果；該方法模板數(shù)量需求多，計算量大，穩(wěn)定性較差，在目標出現(xiàn)多尺度變化或者光照變化時適應(yīng)性差。橢圓擬合法[7]，常用有快速圓檢測法和Hough變換檢測圓算法，根據(jù)目標的邊緣特征，檢測待測圖像中的近似為圓形目標；該方法使用圓形目標檢測，響應(yīng)速度快，但在背景中多個圓形目標同時出現(xiàn)時極易發(fā)生檢測錯誤。特征點匹配法，主要指SIFT[8]和SURF[9]特征點匹配法，等首先用提取出待測圖像中特征集，然后與特征集中進行特征點匹配，輸出檢測結(jié)果；該方法應(yīng)用廣泛，檢測精度對尺度、方向的變化不敏感，但易受光照、待測圖像形變、背景遮擋等外界因素的影響。

圖像識別的淺層的機器學(xué)習(xí)方法，常用的有神經(jīng)網(wǎng)絡(luò)和支持向量機等。人工神經(jīng)網(wǎng)絡(luò)[10]，通過對圖像進行規(guī)格化預(yù)處理后特征提取，然后經(jīng)過隱藏層的層層傳遞，不斷抽象出更高層的特征，在圖像識別上有一定優(yōu)勢；該方法結(jié)構(gòu)簡單，但須人工設(shè)計相關(guān)參數(shù)，泛化能力弱，容易出現(xiàn)過擬合、欠擬合現(xiàn)象。支持向量機[11]，是一種依據(jù)統(tǒng)計學(xué)理論提出的一種機器學(xué)習(xí)方法，它首先提取圖像中顯著特征，作為支持向量機的分類輸入?yún)?shù)，然后對訓(xùn)練集中的圖像數(shù)據(jù)進行訓(xùn)練，最后通過用于測試的圖片數(shù)據(jù)來對模型進行相關(guān)的評估和改進，構(gòu)造出結(jié)構(gòu)風(fēng)險最小的分類器模型，實現(xiàn)目標檢測；該方法具有結(jié)構(gòu)簡單、容易訓(xùn)練的特點，泛化能力較強，但輸入特征量須人工設(shè)計，圖像識別的效果取決于所設(shè)計的特征量的質(zhì)量。。

圖像識別的深度學(xué)習(xí)方法，常用的有：深度信念網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)。深度信念網(wǎng)絡(luò)[12]，由若干層受限玻爾茲曼機（RBM）和一層某種分類器結(jié)合而成的一種概率生成模型；模型訓(xùn)練時，可以采用神經(jīng)網(wǎng)絡(luò)（BP）方法對不同層次的參數(shù)進行聯(lián)合學(xué)習(xí)和分散化，加快訓(xùn)練時間并縮短收斂時間；該方法在同類數(shù)據(jù)的處理上具有優(yōu)勢，但是對于分類問題，存在分類精度不高、模型訓(xùn)練復(fù)雜等問題，且輸入數(shù)據(jù)的平移不變性要求高，易出現(xiàn)過擬合現(xiàn)象。循環(huán)神經(jīng)網(wǎng)絡(luò)[13]，其隱藏層之間的神經(jīng)元是相互連接的，這些神經(jīng)元具有記憶功能，能夠保留之前時刻的信息，并用于當(dāng)前輸出計算中，該方法對序列數(shù)據(jù)建模有巨大優(yōu)勢，適用于語音識別和手寫字識別，但訓(xùn)練參數(shù)復(fù)雜，訓(xùn)練時間長，容易出現(xiàn)梯度消散或梯度爆炸問題，不具備特征學(xué)習(xí)能力。卷積神經(jīng)網(wǎng)絡(luò)[14]，由人工神經(jīng)網(wǎng)絡(luò)演化而來，是一種特殊的深層前饋網(wǎng)絡(luò)，主要包含輸入層、卷積層、池化層、全連接層以及輸出層；其中最重要的卷積層和池化層用來提取特征，為了減少模型訓(xùn)練時間，提取到豐富特征，通常使用的網(wǎng)絡(luò)模型有LeNet-5、AlexNet、ZF-Net、VGGNet等。該方法訓(xùn)練參數(shù)較少，模型的適應(yīng)性強，對輸入數(shù)據(jù)的要求不高，但容易出現(xiàn)梯度消散問題，空間關(guān)系辨識度差，當(dāng)識別目標旋轉(zhuǎn)超出一定角度后，該方法的識別準確率會大大降低。

2 圖像識別技術(shù)在變電站智能巡檢中的應(yīng)用

變電站的主要設(shè)備包括變壓器、斷路器、隔離開關(guān)、母線、互感器、儀表、保護裝置、通信裝置等，這些設(shè)備的運行狀態(tài)直接決定了電氣系統(tǒng)運行的穩(wěn)定性、可靠性。通過覆蓋全站的搭載不同載體的智能采集終端，開展變電站設(shè)備圖像識別技術(shù)研究是新一代智能變電站建設(shè)的重要課題。

2.1 表計類設(shè)備讀數(shù)識別

變電站大量電氣設(shè)備配置了表計，這些表計大致可以分為以下幾類：指針式表計，如SF6壓力表、油溫表、避雷器在線監(jiān)測表、油位計等；數(shù)字式或者電子式表計，如溫濕度表、數(shù)字電壓表、數(shù)字電流表、主變檔位表等。

指針式表計識別方法主要分為表計目標檢測和讀數(shù)識別兩個步驟。針對目標檢測，常用的傳統(tǒng)方法，如上文所述的模板匹配法、橢圓擬合法、特征點匹配法等，這些方法在固定攝像頭拍攝、實時性要求高時有一定優(yōu)勢，但往往受光照變化、背景干擾、目標旋轉(zhuǎn)變化等因素的影響，泛化能力差，當(dāng)巡檢機器人遠距離、多角度拍攝變電站的表盤時，在表計的指針讀數(shù)識別中容易出現(xiàn)很大誤差；而深度學(xué)習(xí)的方法，特別是卷積神經(jīng)網(wǎng)絡(luò)方法在表計目標檢測方面獲得良好的效果，魯棒性高，抗干擾能力強，樣本足夠時，識別準確率高，但樣本訓(xùn)練難，識別效率低。

針對指針識別，常用的算法主要有Hough直線變換法、中心投影法、減影法、最小二乘法等。Hough直線變換法[15]，即通過Hough變換檢測直線，確定指針的位置，計算零刻度所在的直線與指針所在的直線的夾角來讀數(shù)。中心投影法[16]，利用指針在起止刻度兩種情況確定表盤的圓心，將待識別指針圖像特征投影到圓心處，檢測出指針位置。減影法[17]，對兩幅表計圖像進行灰度相減操作，新圖像中獲得原圖像各自的指針，再進行分割二值化操作，確定指針位置。最小二乘法[18]，擬合指針所在直線和刻度所在直線，判斷指針與刻度所在的兩條直線是否重合，利用距離法獲取儀表讀數(shù)。

上述指針識別的傳統(tǒng)方法，雖然響應(yīng)速度快，有一定抗噪能力，適用于固定角度拍攝的場景，但是都對圖像質(zhì)量要求較高，圖像變形、環(huán)境陰影、表盤條紋干擾或者起霧會對讀數(shù)造成很大影響。很多學(xué)者通過圖像處理技術(shù)、傳統(tǒng)算法的改進與結(jié)合，甚至研究新型算法來解決其中的一些不足。針對變電站表盤出現(xiàn)的表盤起霧與運動模糊等問題，文獻[19]引入暗原色先驗去霧算法和Lucy-R ichardson算法，再通過Hough變換算法檢測指針來解決這類問題；但該方法在目標發(fā)生尺度變化或背景干擾時檢測精度低。文獻[20]選擇ORB、SIFT特征點匹配算法，提取待測圖像中的表計區(qū)域，然后采用改進的快速Hough變換檢測指針所在直線；該方法具有一定的抗噪能力，響應(yīng)速度快，固定攝像頭采集時檢測精度高，但檢測精度會受光照變化、形變、指針模糊的影響。文獻[21]采用多尺度模板匹配法指針式表計的定位，通過表計輪廓分離法擬合表盤所在圓，利用最小二乘法確定圓心，最后采用徑向分割算法來提取指針；該方法對寬窄指針、表盤凝露、拍攝距離具有較好的抗干擾能力，但光照變化仍會對指針定位產(chǎn)生干擾。文獻[22]引入了深度學(xué)習(xí)中的目標檢測和圖像分割技術(shù)，F(xiàn)aster R-CNN模型提高了表計目標檢測的準確性，而改進的U-Net圖像分割技術(shù)適用于小目標的檢測，抗干擾能力強；但該方法目標檢測速度慢，在表盤臟污、曝光欠光時讀數(shù)識別漏檢率高。文獻[23]采用全卷積網(wǎng)絡(luò)FCN從含有表計的圖像中提取表計的圖像，利用圖像處理技術(shù)去除對指針檢測的干擾，采用改進的Hough變換識別表計中指針的位置。該方法的FCN網(wǎng)絡(luò)模型訓(xùn)練所需樣本少，目標檢測效率高，但在表盤傾斜和環(huán)境陰影時讀數(shù)準確率降低。

數(shù)字字符識別，常用的方法主要有模板匹配法、穿線法、七段特征法以及BP神經(jīng)網(wǎng)絡(luò)法、k鄰近算法等。模板匹配法[24]對于每種類型的數(shù)字字符均要在前期制作模板，同時對每個字符均進行模板檢測然后比較相似得分，工作量大，泛化能力差。穿線法[25]須掃描等分線上的像素點，識別準確率受圖片質(zhì)量、圖像預(yù)處理效果的影響較大，抗噪性能差。七段特征法[26]須統(tǒng)計每個字符7個不同區(qū)域像素的和是否達到閡值來判斷每個區(qū)域是點亮狀態(tài)，該方法對于字符圖片質(zhì)量、傾斜角度要求高。

上述數(shù)字字符識別的傳統(tǒng)方法，都是基于字符分割、濾波、二值化等方法，首先分割算法得到各個數(shù)字字符，然后識別字符獲取儀表讀數(shù)，雖然原理簡單，響應(yīng)速度快，但受環(huán)境變化、拍攝角度變化影響，對圖片質(zhì)量要求高。BP神經(jīng)網(wǎng)絡(luò)法，在手寫字體、數(shù)字字符的識別方面有優(yōu)勢，識別率較高，抗干擾能力較強，但網(wǎng)絡(luò)模型訓(xùn)練收斂速度慢，訓(xùn)練參數(shù)依賴人工設(shè)置。文獻[27]提出了一種用于識別數(shù)字字符的改進BP神經(jīng)網(wǎng)絡(luò)算法，先對數(shù)字字符進行分割歸一化處理，然后通過PCA（主成分分析法）算法降低輸入層與隱含層間的權(quán)值矩陣的維度，縮短了訓(xùn)練時間。KNN算法易受表計字符圖片噪聲和拍攝角度干擾，對此，文獻[28]提出了一種基于密度特征和KNN算法的儀表字符識別算法，識別效果好，魯棒性高，但是密度特征的維數(shù)須通過大量實驗選擇，網(wǎng)絡(luò)訓(xùn)練速度慢，實時性不強。

2.2 基于可見光圖像的電氣設(shè)備目標檢測識別

通過采集變壓器、隔離開關(guān)、斷路器分合指示、高壓開關(guān)柜、屏柜等電氣設(shè)備的外觀圖像，識別設(shè)備中的零部件，并對其進行準確定位，才能進一步對設(shè)備的狀態(tài)與運行工況展開分析。對變電站電氣設(shè)備進行目標檢測識別，是實現(xiàn)變電站智能巡檢亟待解決的問題。變電設(shè)備的檢測識別的主要任務(wù)目標電氣設(shè)備精確定位，并進行分類和識別運行狀態(tài)，其中最重要的就是目標檢測算法。常用的目標檢測算法主要分為兩類：傳統(tǒng)算法和卷積神經(jīng)網(wǎng)絡(luò)算法。

傳統(tǒng)的目標檢測算法主要包括模板匹配、SIFT、機器視覺等以及在上述算法的基礎(chǔ)上的優(yōu)化與改進。文獻[29]提出了一種識別電氣設(shè)備圖像的二次模板匹配算法，識別速度快，定位準確；但圖像樣本是基于固定攝像頭拍攝，背景單一，干擾因素少。文獻[30]首先采用SIFT算法提取目標特征點，然后利用模板匹配法進行目標定位，最后進行Hough變換提取直線來判別隔離開關(guān)狀態(tài)。文獻[31]基于隔離開關(guān)圖像的灰度投影特征，通過計算投影的連通區(qū)域個數(shù)，可以有效識別隔離開關(guān)的分合狀態(tài)，識別效果較好；但未考慮復(fù)雜背景下開關(guān)區(qū)域被部分遮擋的情況。

為了提高目標電氣設(shè)備定位和識別精度，卷積神經(jīng)網(wǎng)絡(luò)模型是一種較好的實現(xiàn)方法，該模型大幅提升了檢測穩(wěn)定性?；诰矸e神經(jīng)網(wǎng)絡(luò)模型的目標檢測算法主要有R-CNN、Fast R-CNN、YOLO、SSD等以及在上述算法的基礎(chǔ)上的優(yōu)化與改進。文獻[32]首先采用CNNs-AlexNet模型提取電氣設(shè)備圖像特征，然后利用隨機森林（Random Forest，RF）算法來替換CNNs-Softmax算法對圖像進行識別，識別準確率提高；但未研究基于小樣本數(shù)據(jù)的電氣設(shè)備部件檢測。文獻[33]采用一種改進的CNNs算法對隔離開關(guān)的絕緣子和刀閘位置精確定位，并檢測刀閘區(qū)域長寬比和與絕緣子區(qū)域的連通性來綜合判別隔離開關(guān)的分合狀態(tài)，該方法改善了復(fù)雜環(huán)境下多隔離開關(guān)的干擾問題。文獻[34]提出了一種基于電氣設(shè)備連通域連通域處理的Faster R-CNN改進方法，提高了目標檢測的精度和速度；但未考慮復(fù)雜背景下電氣設(shè)備相互遮擋或干擾的問題。文獻[35]提出了一種改進型單階段多框檢測算法，該算法檢測速度快，適用于小樣本電氣設(shè)備樣本集的分類和定位；但在復(fù)雜背景下對小目標的檢測精度不高。

2.3 電氣設(shè)備紅外圖像識別

目前，變電站電氣設(shè)備紅外巡檢的主要還是人工化，運行人員在現(xiàn)場通過紅外熱像儀采集設(shè)備圖片，后續(xù)再人工分析，但該方式工作效率低，識別精度受運行人員主觀影響。隨著新一代智能變電站的建設(shè)，變電站巡檢機器人、無人機搭載紅外熱成像儀對電氣設(shè)備進行紅外圖像識別成為變電站紅外巡檢的一種新趨勢。

由于紅外圖像分辨率低、邊緣模糊，細節(jié)表達能力較差，電氣設(shè)備紅外圖像識別技術(shù)研究及應(yīng)用還較少，已有研究大多基于傳統(tǒng)的圖像分類識別方法，一般使用目標的形狀結(jié)構(gòu)特征進行目標分類識別，如傅里葉描述子、Hu不變矩、Zernike不變矩等。文獻[36]結(jié)合最大類間方差法和區(qū)域生長法對設(shè)備的紅外圖像進行分割，并基于設(shè)備的傅里葉描述子、Hu矩等形狀特征建立設(shè)備分類特征向量。文獻[37]采用具有旋轉(zhuǎn)與縮放不變性的Zernike矩提取待識別變電設(shè)備的特征，并基于相關(guān)向量機進行電氣設(shè)備分類識別。上述方法通過先驗知識對紅外圖像進行分割圖像以及提取特征，對圖像有較強描述能力，并且具有一定的抗噪聲能力，但在分割圖像中，卻只針對一些背景較為單一、簡單的電氣設(shè)備，而對于背景復(fù)雜多樣的電氣設(shè)備，這類方法不再適用。

卷積神經(jīng)網(wǎng)絡(luò)目標檢測算法已廣泛應(yīng)用于可見光物體檢測領(lǐng)域，文獻[38]基于Faster R CNN算法對多類變電站電氣設(shè)備進行目標檢測，實現(xiàn)目標設(shè)備的精準分類識別。文獻[39]將Faster R-CNN算法應(yīng)用于可見光條件下無人機巡檢圖像的電氣部件識別中，對多種類別的電氣部件識別定位，可以達到較快的識別速度和較高的準確率。文獻[40]提出了基于改進FP-FRCNN模型的電氣設(shè)備紅外圖像識別算法，一定程度上解決了小尺寸電氣設(shè)備紅外圖像較難識別以及視覺特征較難提取的問題。

此外，還有研究結(jié)合可見光和紅外雙通道圖像對電氣設(shè)備進行識別，文獻[41]先采用改進的FAST-Match算法進行電氣設(shè)備可見光圖像多目標定位，然后綜合利用紅外圖像和可見光圖像之間的近似仿射變換關(guān)系，實現(xiàn)電氣設(shè)備紅外圖像的定位識別。

3 總結(jié)與展望

通過前文的回顧與總結(jié)，可以看出，圖像識別技術(shù)在變電站智能巡檢中的應(yīng)用已取得了諸多成效，但應(yīng)用研究還不盡完善，有值得改進的空間，實現(xiàn)變電站智能巡檢的目標任重而道遠。

變電站表計種類繁多、大小不一，還可能存在設(shè)備遮擋、拍攝角度不正、表盤模糊破損、曝光欠光等問題，表計目標檢測和讀數(shù)識別還面臨以下挑戰(zhàn)：（1）傳統(tǒng)的目標檢測算法在響應(yīng)速度上有優(yōu)勢，但在圖像背景干擾、曝光欠光時魯棒性差、穩(wěn)定性低；而主流的深度學(xué)習(xí)方法檢測精度高又難以滿足實時性要求。（2）在表計讀數(shù)識別方面，重點在于如何提高讀數(shù)的準確性，目前以Hough變換為代表的傳統(tǒng)方法很難解決表盤模糊、反光曝光、表盤傾斜帶來的讀數(shù)難題；（3）多類型的表計識別問題，如何用一種通用的方法解決相似表計的識別問題，也是須要研究的難點之一。

變電站內(nèi)電氣設(shè)備分布密集、種類較多，同類電氣設(shè)備還存在不同外觀和狀態(tài)，基于可見光圖像的電氣設(shè)備目標檢測識別還面臨以下挑戰(zhàn)：（1）現(xiàn)有的研究大多集中在電氣設(shè)備及其部件外觀的分類識別上，而對設(shè)備或部件破損、銹蝕、污穢以及漏油等缺陷的識別還有待進一步研究。（2）隔離開關(guān)、信號燈、壓板等同一類設(shè)備都具有不同外觀和狀態(tài)，所研究的圖像識別算法模型只能在限定場景內(nèi)適用或者只針對某幾種特定類型，局限性大，未來有必要研究一種通用性高、魯棒性強的方法。（3）采用基于深度學(xué)習(xí)的圖像識別算法需要海量的樣本和較強的算力，但現(xiàn)實中面臨海里樣本獲取及訓(xùn)練困難，移動式智能巡檢裝置算力較差，為了保證識別的準確性和穩(wěn)定性，可以積極探索基于小樣本集算法模型和輕量化算法模型研究。

基于紅外圖像的分類識別方法一般包含3步，一是對紅外圖像進行分割并找到找到目標識別區(qū)域，二是對目標區(qū)域的視覺特征進行提取，三是對電氣設(shè)備狀態(tài)進行分類。變電站電氣設(shè)備紅外圖像識別研究還處于起步階段，面臨以下挑戰(zhàn)：（1）目前大部分變電站智能巡檢裝置只負責(zé)采集紅外圖像，然后采用紅外測溫技術(shù)標定溫度，最后人工進行電氣設(shè)備紅外圖像識別及缺陷診斷，因此變電站紅外巡檢實際上處于半自動化水平，一定程度上影響了變電站紅外智能巡檢的應(yīng)用發(fā)展。（2）當(dāng)目標電氣設(shè)備圖像復(fù)雜或需要識別多個設(shè)備或部件時，會導(dǎo)致分類識別準確率低、泛化能力差，常用的紅外圖像識別方法難以適用于復(fù)雜背景環(huán)境的變電站電氣設(shè)備識別的要求。（3）雖然變電站巡檢機器人或者無人機均可以搭載可見光和紅外雙目攝像機，但兩個傳感器之間信息的交互涉及較少，未來的研究工作可以進一步融合可見光和紅外雙通道圖像對電氣設(shè)備進行識別。