王硕禾，巩方超,2，古晓东，田继祥，金 格，牛江川

(1.石家庄铁道大学 电气与电子工程学院，河北 石家庄 050043；2.威海海洋职业学院，山东 威海 264300；3. 中国铁路设计集团有限公司，天津 300142)

牵引变电站作为电气化铁路的核心枢纽，其室外长期运行的电气设备受环境影响出现的各类故障易对牵引供电系统的安全稳定运行造成冲击。这些故障设备整体或局部的温度会发生变化，呈现出不同于正常状态的热像特征。当前，多数基于红外热成像检测技术的变电站电气设备热状态监测还是仅依靠操作人员的经验分析红外图像，进而对电气设备的热故障做出诊断[1]。

解决人工巡检出现的耗时耗力、检测精度低、可靠性差等问题的方法之一，就是结合红外技术和机器视觉对电气设备类型及故障进行识别[2-3]，提升图像分析处理的自动化与智能化水平。文献[4]通过提取红外图像的HOG特征，选择支持向量机进行特征分类，本文采用HOG特征有效分类了局部场景下的高压设备。但HOG算法对图像的空间信息描述不足，无法更细致地判别设备图像的局部外观和形状信息，对此有学者提出PHOG(Pyramid Histogram of Oriented Gradients)算法来进行改进[5]。文献[6]结合GLOH描述子和GVF Snake模型精准分割绝缘子，并通过分析统计直方图来实现零值绝缘子的自动检测。对于零值绝缘子本方法检测效果较好，但是并不适合其他状态的绝缘子或其他电气设备。文献[7]利用Faster-RCNN精确定位，采用深度残差网络(Res-Net)提取图像特征，最后利用稀疏表示进行绝缘子状态分类。……