面向伪彩色红外图像超分辨率的物理信息Transformer及其在绝缘子检测中的应用
《Engineering Applications of Artificial Intelligence》:Physics-informed transformer for pseudo-color infrared image super-resolution with application to insulator detection
【字体:
大
中
小
】
时间:2026年10月21日
来源:Engineering Applications of Artificial Intelligence 9.0
编辑推荐:
## 摘要
智能电网的快速部署加剧了对绝缘子实时监控和健康诊断的需求,尤其是在热故障早期检测方面。尽管红外热成像技术能够实现非接触式故障定位,但工业级热成像设备往往受限于空间分辨率不足和固有传感器伪影,从而同时降低了图像质量和热信息的可解释性。为解决信息压缩和欠采样问题,同
## 摘要
智能电网的快速部署加剧了对绝缘子实时监控和健康诊断的需求,尤其是在热故障早期检测方面。尽管红外热成像技术能够实现非接触式故障定位,但工业级热成像设备往往受限于空间分辨率不足和固有传感器伪影,从而同时降低了图像质量和热信息的可解释性。为解决信息压缩和欠采样问题,同时恢复相对热模式信息和结构表示,我们提出了保真度感知红外增强网络(Fidelity-aware InfraRed Enhancement Network,FIRE-Net),这是一种面向伪彩色红外图像人工智能(AI)驱动超分辨率的物理信息Transformer模型。该模型集成了红外去噪模块以抑制传感器噪声,采用可学习反锐化掩模和高频注意力模块恢复结构细节,并通过热一致性损失函数进行监督,该函数在归一化色卡衍生的温度代理域中约束相对热模式。在绝缘子红外测试集上,FIRE-Net实现了31.0021 dB(×2)和27.6765 dB(×4)的峰值信噪比,结构相似性指数分别为0.9143和0.8591。该模型还提升了下游检测性能,在IoU=0.50条件下的平均精度均值(mAP)分别达到0.857(×2)和0.904(×4),相比低分辨率基线提升了0.102和0.111。其跨场景性能还在一个保留的光伏数据集上进行了评估。我们进一步分析了计算效率并概述了未来研究方向,包括域扩展训练和轻量化部署。结果表明,将物理启发的先验知识纳入超分辨率模型中,能够有效提升归一化温度代理一致性并改善实际检测性能。源代码公开地址为:https://github.com/Sevil-cy/FIRE-Net。
## 引言
随着现代电力系统规模和复杂性的不断增加,对运行设备进行实时在线监控和维护的需求日益增长(Alizadeh et al., 2025, 2026a, 2026b; Ten and Hou, 2024; Terzija et al., 2010)。绝缘子作为架空输电线路中最关键的部件之一,是连接输电塔与电力线的 essential 绝缘元件,工作在承受恶劣条件的外露环境中(de Santos and Sanz-Bobi, 2023; Hussain et al., 2017; Li et al., 2022; Qiao et al., 2020; Yuan et al., 2023)。近年来,现场工程师发现绝缘子的温度分布与其运行健康状态之间存在强相关性(Guddanti et al., 2025; Liu et al., 2019a)。对于瓷绝缘子,零值故障的发生通常表现为异常的局部过热(Lin et al., 2021; Singh et al., 2021);而对于复合绝缘子,温度升高被视为类似劣化断裂的前兆(Tu et al., 2017; Yuan et al., 2018, 2019a, 2019b, 2020)。因此,及时检测和诊断绝缘子热异常对于维持电网可靠性至关重要。传统的基于电气参数测量的故障诊断技术需要大量人工操作,流程复杂且存在安全风险,使其难以在大规模网络中实现高效准确的评估(Furse et al., 2020)。近期,将红外热成像技术整合到诊断工作流程中已显示出令人满意的效果,能够实现非接触式检测新兴热故障,并增强预防性维护策略(Lin et al., 2023; Wang et al., 2020; Xia et al., 2021)。
尽管红外成像技术具有良好的适用性,但受硬件和工艺限制,其分辨率有限,导致纹理模糊和细节丢失(Bao et al., 2024; Li et al., 2020; Liu et al., 2019c; Ma et al., 2023; Ukiwe et al., 2023)。表1总结了来自两家领先制造商FLIR(https://www.flir.eu/)和FLUKE(https://www.fluke.com/)的几款商用工业级红外相机的关键规格参数。表中数据显示,尽管已有高分辨率红外成像设备可用,但其过高成本使大规模电网中的广泛部署不切实际。相反,低成本红外成像设备虽然分辨率尚可,但图像质量较差,进而限制了下游诊断算法的准确性(Hou et al., 2022)。如何在控制成本的同时获取高质量的绝缘子红外图像,是实现绝缘子在线诊断的关键问题。因此,迫切需要一种有效的算法来提升红外图像的分辨率,以满足工业巡检的需求。
单幅图像超分辨率(Single-Image Super-Resolution, SISR)旨在从单幅低分辨率(Low-Resolution, LR)输入重建高分辨率(High-Resolution, HR)输出,从而有效提升图像保真度(Dong et al., 2015; Kim et al., 2016; Ledig et al., 2017)。尽管已有几种超分辨率(Super-Resolution, SR)算法针对红外成像进行了定制,但现有工作主要聚焦于灰度红外数据。在电力巡检环境中,需要直观评估温度异常,而灰度红外图像的对比度极为有限,人眼难以区分细微的温度差异(Wan et al., 2018)。为解决这一问题,伪彩色红外图像更为常用,其丰富的色彩信息有助于更快的视觉评估(Kaur and Singh, 2018; Zhang et al., 2008)。尽管伪彩色红外图像具有必要性,但现有算法对这些图像的适应性不足,相关研究明显匮乏。标准的深度学习超分辨率方法通常由图像域重建目标和感知目标驱动,很少纳入红外成像物理的显式模型。相比之下,本文所倡导的方法是物理信息驱动的:成像链先验知识(热扩散行为(Bakirov and Kline, 2005; Bansal et al., 2025)和传感器噪声特性(Kozlowski et al., 2002))被显式编码到网络架构和训练损失中,以在严重欠采样条件下提升归一化温度代理一致性和结构保持能力。
驱动本工作的核心研究问题是:如何在严重的信息压缩和欠采样条件下,恢复伪彩色红外图像中目标的多尺度相对热模式信息和结构表示。为解决这一挑战,我们提出了FIRE-Net(保真度感知红外增强网络),这是一个物理信息驱动的Transformer框架,区别于传统的图像域或感知驱动的超分辨率方法,通过将成像链先验知识显式编码到网络设计和训练监督中来提升归一化温度代理一致性和结构保持能力。具体而言,FIRE-Net集成了三个专用组件。首先,红外去噪模块在抑制传感器噪声的同时,显式保留相对热模式的低阶统计特性,从而在不破坏有意义强度变化的前提下减少虚假伪影。其次,为弥补去噪后常见的过度平滑和边界模糊问题,我们设计了一个高频细节增强模块,通过可学习反锐化掩模和高频注意力选择性地恢复因热扩散而退化的边缘和梯度结构。第三,基于Transformer的自注意力优化模块建模非局部上下文并强制全局热一致性,避免了严格局部处理导致的语义不连续性。补充这些架构先验知识的,是一个热一致性损失函数,它在归一化色卡衍生的温度代理域中提供直接监督:该损失结合像素级温度代理平均绝对误差(MAE)、局部统计一致性项和秩保持正则化项,以显式约束相对热模式一致性,而非仅依赖视觉或感知目标。
与现有超分辨率模型相比,所提出的方法在多个图像评估指标上均实现了更优性能,包括传统图像质量指标和感知指标。尤为关键的是,该方法实现了最低的归一化温度代理均方根误差(RMSE),该指标衡量重建图像与参考图像之间色卡衍生标量模式的一致性。为验证重建输出的实用性,我们使用You Only Look Once(YOLO)v8(Hussain, 2023; Varghese and Sambath, 2024)进行目标检测。在自采集数据集上的实验结果表明,与其他评估的单幅图像超分辨率方法相比,所提出的模型提升了重建图像中的绝缘子检测准确率,在报告的协议下达到了最佳检测性能。该模型的跨场景性能还在一个未用于训练或验证的保留光伏红外数据集上进行了进一步评估。
本文的主要贡献如下:
1. 提出了一种保真度感知网络(FIRE-Net),其中所有模块均以物理启发的保真度为核心设计理念,能够在有限的红外分辨率下有效重建既保留相对热模式信息又保留结构边界的高质量图像。
2. 引入了一种红外去噪模块来抑制红外图像中的噪声,并辅以高频增强组件恢复因过度平滑而丢失的细节。注意力机制通过注意力卷积块进一步增强特征提取,并通过深度残差Transformer进行全局上下文建模。此外,提出了一种专门的热一致性损失函数来提升归一化温度代理一致性,该函数结合推断代理值上的像素级MAE项、局部统计一致性项和秩保持正则化项。
3. 全面实验表明,所提出的方法在伪彩色红外图像重建的多个评估指标上均优于现有超分辨率模型。重建图像在识别性能上表现出显著提升,与其他超分辨率方法相比,实现了最佳检测结果。
本文的结构如下。第2节回顾相关工作。第3节详细介绍所提出的FIRE-Net架构、算法设计、重建结果和对比分析。第4节展示基于YOLOv8的绝缘子检测实验和性能对比。最后,第5节对全文进行总结。
## 相关工作
本节回顾与本研究直接相关的先有工作,重点关注三个方面:针对单通道灰度红外图像的超分辨率方法、适用于多通道图像的通用SISR算法,以及现有方法局限性的分析,这些分析导向了本研究的各项设计选择。
红外图像超分辨率研究主要聚焦于克服热噪声、低对比度和传感器导致的模糊问题。代表性方法包括频率域的超分辨率方法……
## 伪彩色红外图像的超分辨率重建
本节详细介绍了伪彩色红外图像超分辨率重建的模型架构和实现细节,涵盖数据集构建、整体网络设计和关键模块,以及实验结果。
## 基于YOLOv8的绝缘子红外图像识别
本节将超分辨率重建后的伪彩色红外图像作为输入用于下游目标检测,基于YOLOv8检测框架评估超分辨率策略对绝缘子检测性能的影响。首先介绍数据集和训练配置,随后报告检测指标并与其他方法进行比较。
## 结论
本工作通过引入FIRE-Net——一个融合物理启发去噪、多尺度高频增强和分布式自注意力优化的保真度感知Transformer框架——解决了伪彩色红外图像超分辨率中空间分辨率不足的挑战。通过绝缘子红外数据集和保留光伏数据集上的实验,FIRE-Net在评估的所有方法中取得了最佳整体性能……
---
## CRediT作者贡献声明
沈长勇:写作–审阅与编辑,写作–初稿撰写,验证,资源提供,项目管理,调查研究,形式分析,数据整理。
魏子翔:写作–审阅与编辑,数据整理。
苑智康:写作–审阅与编辑,指导,经费获取。
魏思明:经费获取,数据整理。
张应尧:写作–审阅与编辑。
金力军:写作–审阅与编辑。
## 利益冲突声明
作者声明以下可能与本工作相关的潜在利益冲突:苑智康报告获得中国国家重点研发计划提供的资金支持。如有其他作者,声明不存在可能影响本文所报告工作的已知财务利益或个人关系。
## 致谢
本工作得到中国国家重点研发计划(2024YFB3312001)、国家自然科学基金(52677031, 52207029)以及松江供电公司大众创新科技项目(520935250006)的支持。
---
**作者列表:** 沈长勇 | 魏子翔 | 苑智康 | 魏思明 | 张应尧 | 金力军