《Heliyon》：A weather recognition system for transmission lines leveraging multi-source data
编辑推荐：
输电线路沿线的准确天气识别对于维持电力系统可靠性至关重要。由于输电线路暴露于外部环境，其运行高度受天气条件影响，因此准确的天气识别尤为重要。然而，天气图像往往缺乏鲜明的局部纹理特征，这使得传统卷积网络难以提取具有判别性的特征。为应对这一挑战，本文提出了一种基于
输电线路沿线的准确天气识别对于维持电力系统可靠性至关重要。由于输电线路暴露于外部环境，其运行高度受天气条件影响，因此准确的天气识别尤为重要。然而，天气图像往往缺乏鲜明的局部纹理特征，这使得传统卷积网络难以提取具有判别性的特征。为应对这一挑战，本文提出了一种基于ConvNeXt的框架，并引入了两个增强模块：数值条件特征调制（Numeric-Conditioned Feature Modulation，NCFM）和浅层引导通道与空间注意力（Shallow-Guided Channel and Spatial Attention，SGCSA）。NCFM模块整合了温度、湿度、风速等辅助数值数据，以自适应地调制视觉表征，使模型能够更有效地捕捉与天气相关的变化。SGCSA模块利用浅层特征通过联合通道与空间注意力引导深层特征学习，从而增强对信息区域的关注。研究人员构建了专门的输电线路天气数据集来训练和评估所提出的模型。实验结果表明，该框架达到了96.36%的准确率，比基线ConvNeXt高出3.11%。在从未见过的输电线路场景中采集的独立测试集上进一步验证了其泛化能力。此外，研究人员还开发了集成Grad-CAM的可视化工具以支持定性检查分析。总体而言，所提出的方法通过利用多源数据融合为输电线路天气识别提供了有效解决方案。
论文解读文章
一、研究背景与问题
输电线路作为现代电力系统中的关键基础设施，承担着远距离可靠输电的重要任务。然而，其运行高度受外部环境因素影响，特别是雨、雪、大风等不利天气条件，可能导致覆冰、闪络、断线等故障，对电力系统稳定性构成显著风险，并增加运维复杂性。因此，准确识别输电线路沿线的天气状况，对于提升运行安全性、实现故障及时预防以及改善供电可靠性具有重要意义。
近年来，输电线路沿线可视化监测技术的部署使得基于图像的线路状态监测成为可能，结合计算机视觉技术可自动分类和预测天气状况。早期研究主要依赖手工特征和传统分类器，如利用雨滴引起的强度变化检测雨天场景、基于物理框架建模雨的视觉效应、利用条纹方向直方图区分雨雪等，但这些方法在复杂输电线路环境下的鲁棒性和泛化能力受限。深度学习方法虽已广泛应用于天气识别，但传统卷积神经网络可能忽略对输电线路天气识别至关重要的细粒度特征，如雨滴或薄雾；Transformer类方法在数据有限的条件下可能缺乏识别局部天气模式所需的CNN归纳偏置。
当前存在的主要问题在于：天气识别不同于传统目标识别任务——类别并非由清晰的形状、轮廓或结构属性定义，而是主要依赖亮度分布、雾霾密度、色调和纹理一致性等细微全局线索，这些线索在空间上弥散且缺乏清晰的语义边界，传统卷积架构难以从输电线路图像中提取足够的天气敏感表征。此外，现有方法主要依赖单一视觉信息源进行分类，而温度、湿度、风速等环境属性作为有价值的补充线索往往被忽视，限制了模型区分视觉相似但天气状态不同的场景的能力。
二、研究内容与结论
针对上述挑战，本文在ConvNeXt基线基础上提出了改进算法，主要贡献包括：构建了涵盖晴天、雨天和雪天场景的输电线路天气数据集；提出了数值条件特征调制（NCFM）模块，利用数值属性引导视觉表征的细化，通过将空间分布的图像特征条件化于紧凑的数值描述符，增强跨模态交互；引入了浅层引导通道与空间注意力（SGCSA）模块，利用低层特征引导高层表征的细化，通过自适应强调信息丰富的通道和空间区域同时抑制无关响应，增强深层特征在天气识别任务中的判别能力。
实验结果表明，基线ConvNeXt准确率为93.25%，单独加入NCFM和SGCSA后分别提升至94.21%和95.05%，两者联合后框架达到最高准确率96.36%、精确率96.74%、召回率95.25%和F1值95.97%，充分验证了两个模块的协同增效作用。在独立测试集上的泛化评估进一步确认了框架的跨场景泛化能力，类级分析显示恶劣天气召回率显著提升。该研究为输电线路天气识别提供了一种有效利用多源数据融合的解决方案，对电力系统智能巡检具有重要应用价值。
三、关键技术方法概述
本研究的数据集在2023年12月至2024年12月期间采集于中国河南省，覆盖17个地级市的52条输电线路，电压等级涉及35 kV、110 kV和220 kV，经质量筛选后保留10,707张图像（晴天6,140张、雨天2,188张、雪天2,379张）。图像与温度、湿度、风速、气压等数值气象数据按时间戳同步采集。方法上，采用ConvNeXt-Tiny作为骨干网络，在Stage 2嵌入NCFM模块，通过逐维MLP投影将数值数据映射至与视觉特征相同的嵌入空间，经跨模态注意力实现数值条件化的视觉表征调制；同时在Stage 2和Stage 3插入SGCSA模块，利用Stage 1浅层特征经通道对齐后分别生成空间注意力图（最大池化+深度卷积+逐点卷积）和通道注意力图（均值/方差估计+MLP），联合调制目标层特征并保留残差连接。
四、研究结果
4.1 NCFM验证实验：仅使用数值数据的模型准确率为86.25%，仅使用图像数据的基线达到93.25%，晚期融合（直接拼接）为93.78%，而加入NCFM后达到94.21%准确率和93.83%的F1值，表明基于注意力机制的跨源融合策略能有效利用数值模态的互补线索。
4.2 SGCSA验证实验：与SENet（93.78%）、ECA（94.24%）、CBAM（94.28%）等代表性注意力机制相比，SGCSA以95.05%的准确率和94.37%的F1值取得最优性能，证实浅层引导的通道与空间注意力能更有效地利用浅层特征图引导深层学习。
4.3 消融实验：基线准确率93.25%，单独加入NCFM提升至94.21%，单独加入SGCSA提升至95.05%，两者联合达到96.36%准确率、96.74%精确率、95.25%召回率和95.97% F1值，验证了两个模块的互补关系。
4.4 对比实验：与ResNet（92.16%）、Inception（91.10%）、DenseNet（92.66%）、ViT-B/16（93.71%）、Swin-T（94.49%）相比，所提框架以96.36%准确率取得最佳综合性能，参数量28.37 M，计算量4.75 G，在保持较低计算复杂度的同时展现出更强的天气相关细微视觉线索捕捉能力。
4.5 未见场景泛化评估：在包含900张全新场景图像的独立测试集上，所提框架达到91.89%准确率、92.32%精确率、92.10%召回率和92.02% F1值，优于基线和Swin-T。类级分析显示，雨天召回率从基线的79.86%大幅提升至98.61%，雪天召回率从85.43%提升至89.47%，显著减少了恶劣天气漏检。Grad-CAM可视化证实SGCSA增强模型对天空区域激活更完整，对积雪、积水等天气指示特征聚焦更精准。
4.6 可视化系统：开发了输电线路天气识别原型界面，支持线路区段选择、天气类别预测显示及Grad-CAM可视化分析，为实际巡检维护场景提供初步支持。
五、讨论与结论
本文针对输电线路天气识别中视觉线索细微、背景复杂、单一视觉信息源受限等问题，提出了融合NCFM和SGCSA模块的增强型ConvNeXt框架。NCFM通过将数值环境数据融入视觉表征过程，使模型能够根据温度、湿度等物理线索自适应调整注意力，弥合物理环境属性与图像特征之间的语义鸿沟；SGCSA利用早期浅层特征图通过联合通道与空间注意力引导深层学习，增强对与天气变化相关的细微纹理和亮度变化的捕捉能力，同时抑制无关背景响应。两者联合使框架在验证集上达到96.36%的准确率，比基线提升3.11%，并在独立测试集上验证了跨场景泛化能力。研究结论表明，将数值条件化与浅层引导注意力相结合，能显著增强网络从复杂输电场景中提取判别性天气相关模式的能力，为输电线路天气识别提供了有效且可靠的技术方案。未来工作将聚焦于通过多时序和多传感器信息整合实现更全面的环境感知与动态条件分析，并将评估扩展到覆盖更广泛气候区域和更多天气类别的数据集。
