基于YOLOX的电力熔断器与输电线路红外热成像实时故障检测系统ThermXNet

《Array》：ThermXNet: An integrated real-time infrared thermographic fault inspection system for electric fuses and power lines based on YOLOX

　　

ThermXNet集成了YOLOX目标检测、热点分割以及提供风险建议的交互式图形用户界面(GUI)。研究人员使用了经专家筛选的400张热成像图像，涵盖十种类别：熔断器和输电线路。该系统在76帧/秒(FPS)下实现了97.0%的平均精度均值(mAP@0.5)，并通过分层五折交叉验证对结果进行了验证。自适应阈值方法在确定热点方面与传统方法（Otsu、k-means）进行了基准对比。该系统还提供了基于温差(ΔT)的风险评估等级（最高可达四个等级！），并对测量误差进行了分析。

一、研究背景与现存问题

电力熔断器和配电输电线是工业电气基础设施中关键的过电流保护与能量传输元件。熔断器通过熔断其可熔体，在二次设备损坏前提供针对过载和短路电流的最终保护措施。主配电电缆承载持续的高幅值电流，其绝缘完整性、连接质量或相平衡的任何异常都会对人员和生产的连续性构成风险。在生产依赖型设施中，即使是短暂的组件故障也可能引发级联性的生产损失。

红外热成像技术已成为电气系统预测性维护中领先的非接触、非破坏性工具，可在不断电或不拆卸设备的情况下揭示正常运行条件下的热异常。深度学习方法的进步显著提升了基于红外热成像的故障检测精度和自动化水平。然而，现有研究存在三个未解决的空白：第一，尚无工作提供一个完整的、可现场部署的端到端图形用户界面系统，用于电气熔断器和电缆的集成化检测，包括采集、实时检测、像素级热点分割、温度校准以及面向现场工程师的风险驱动纠正建议；第二，尚未有研究报告包含多类型电气熔断器热检测的带注释数据集，且数据来自真实工业环境；第三，以往的热检测研究很少将检测输出与面向维护的风险模型相结合，并对其温度标准和测量不确定性进行显式分析。因此，研究人员开展了此项研究，旨在开发一个名为ThermXNet的集成化实时热成像故障检测系统。

二、研究方法

研究人员采用的主要关键技术方法包括：

1. 1.
   YOLOX目标检测架构：作为系统的检测骨干网络，这是一种单阶段无锚框目标检测器，采用了解耦检测头和SimOTA标签分配策略。
2. 2.
   自适应热点分割算法：在每个检测到的边界框内，应用基于统计离群值的自适应温度阈值（Tmask = μ_box + 1.5σ_box），结合连通域分析和形态学细化，提取像素级的热点区域。
3. 3.
   四层级风险分类框架：根据最大接触温度，将检测到的故障划分为正常/无风险、低风险、中等风险和高风险四个等级，并提供相应的纠正维护建议。
4. 4.
   交互式GUI系统：基于Python 3.9、PyQt5和OpenCV 4.7实现，集成了FLIR相机接口、图像增强、YOLOX推理、热点可视化及风险输出等功能模块。
5. 5.
   实验设计与统计验证：使用了来自印度马杜赖一家纺织厂的400张由热成像专家精选和标注的图像，涵盖十个故障与正常类别。采用了分层五折交叉验证、多随机种子重复以及配对Bootstrap显著性检验来确保结果的稳定性和可靠性。

三、研究结果

1. 每类检测性能

在56张图像的留出测试集上，YOLOX在所有十个类别上均表现出色，平均精确率、召回率、F1分数和mAP@0.5分别达到96.7%、96.0%、96.3%和97.0%。其中，“熔断器烧毁”类的mAP@0.5最低，为95.5%，这与其训练样本量较少一致。

2. 交叉验证、种子敏感性与统计显著性

分层五折交叉验证结果显示，YOLOX的平均mAP@0.5为97.1%±0.4%，优于YOLOv8-s（96.3%±0.5%）、RT-DETR-R18（95.9%±0.7%）和YOLOv7（95.5%±0.8%）。在主分片上使用三个不同随机种子重复训练YOLOX，得到mAP@0.5为97.0%±0.2%，表明模型对初始化随机性不敏感。配对Bootstrap检验（p=0.003）证实，ThermXNet相对于最强竞争对手的性能提升具有统计学显著性。

3. 对比性能分析

在与六种基线方法的全面比较中，ThermXNet在精确率、召回率、F1分数和mAP@0.5四项指标上均取得最佳成绩。YOLOX以97.0%的mAP@0.5和76 FPS的推理速度，展现了最佳的精度-效率权衡，远超其他深度学习方法（如YOLOv8-s的96.3% mAP@0.5和68 FPS，RT-DETR-R18的96.0% mAP@0.5和35 FPS）。传统PCTA+SVM管道仅能达到90.8%的分类准确率。

4. 熔断器特定故障风险评估

在八个熔断器数据集中，ThermXNet成功识别了从正常到高风险的各种状态。例如，对于CPBF1，系统检测到135°C的高温接触故障，判定为高风险，并建议立即隔离电路并更换熔断器触头弹簧。对于KKF1，系统检测到85.7°C的温度，判定为中风险，建议在48小时内重新压接电缆端子。

5. 输电线（MPDC）特定故障风险评估

在四个MPDC数据集中，系统正确地将MPDC2（65°C）的线缆端子松动故障判定为低至中风险，并建议拧紧接线螺栓。其余三个数据集被判定为正常/无风险，确认了三相热分布均衡的健康状态。

6. 月度故障频率分析

对12个月连续监测数据的分析显示，熔断器的高温接触故障在6月和8月（环境温度高峰期）达到峰值，而熔断器烧毁事件在5月和8月（机器利用率高峰）更为频繁。输电线的过热/相不平衡故障在5月至6月达到峰值，绝缘退化则在3月至4月略有增加。

四、讨论与结论

讨论部分总结： 研究结果表明，ThermXNet作为一个集成的端到端系统，成功解决了现有研究中存在的空白。其高性能得益于YOLOX的解耦头和SimOTA标签分配，这些特性在较小的数据集上避免了梯度干扰和次优标签匹配。与其他方法相比，YOLOX在保持高精度的同时，推理速度最快，非常适合工业实时监控场景。热点分割消融实验证实，提出的自适应阈值方法（μ_box + 1.5σ_box）在IoU和Dice系数上均优于固定ΔT、Otsu和k-means等传统方法。月度故障频率分析揭示了故障发生与环境温度和负载周期的相关性，为制定季节性预防性维护计划提供了依据。

研究结论翻译： 本文提出了ThermXNet，这是一个用于电力熔断器和配电电缆的集成化实时红外热成像故障检测系统。该系统整合了YOLOX目标检测、自适应热点分割、四层级风险分类以及一个交互式GUI，为现场工程师提供可操作的纠正建议。在一个包含400张经专家注释的热成像图像、涵盖十个故障和正常类别的数据集上，YOLOX达到了97.0%的mAP@0.5和76 FPS的推理速度。分层五折交叉验证和配对Bootstrap显著性检验证实了结果的稳健性和统计显著性。热点分割消融研究表明，所提出的自适应阈值方法在IoU（91.8%）和Dice（95.6%）上优于Otsu、k-means和固定ΔT方法。对12个连续月监测数据的分析揭示了季节性故障模式。经济分析表明，通过避免计划外停机、附带损害和减少人工巡检成本，每年可实现约290,000印度卢比的净节省。