《Processes》：Joule Heating-Assisted Synthesis of CoP-Loaded Carbons with Developed Porosity and Surface Phosphorous Functionality as Cathode Materials for Lithium–Sulfur Batteries
编辑推荐：
从红外热图像中检测变压器漏油受复杂热背景、低对比度和传感器噪声影响而具有挑战性。为解决上述问题，研究人员提出IR-OilNet——一种面向巡检机器人实时红外漏油检测的轻量级CNN–Transformer融合网络。该研究通过防止绝缘油泄漏造成工业水污染、保护偏远
从红外热图像中检测变压器漏油受复杂热背景、低对比度和传感器噪声影响而具有挑战性。为解决上述问题，研究人员提出IR-OilNet——一种面向巡检机器人实时红外漏油检测的轻量级CNN–Transformer融合网络。该研究通过防止绝缘油泄漏造成工业水污染、保护偏远地区水源，贡献于联合国可持续发展目标(SDG) 6。所提框架集成三个核心组件：(1) 无参数热噪声抑制(Thermal Noise Suppression, TNS)模块，在保留结构信息的同时降低高频热噪声；(2) 紧凑CNN骨干网络用于提取局部热纹理；(3) 轻量级Transformer分支用于全局上下文建模。为进一步增强特征整合，引入动态权重融合(Dynamic Weight Fusion, DWF)模块自适应平衡局部与全局表征。在扩充至2700张红外热图像的数据集上的实验表明，IR-OilNet达到准确率(Accuracy) 0.9992、F1值(F1-score) 0.9992及AUC(Area Under the ROC Curve) 0.9993，同时仅含0.20 M参数量和0.19 GFLOPs，实时推理速度达433 FPS。与代表性CNN及Transformer模型相比，所提方法在精度与计算效率间取得更优权衡，适用于资源受限的巡检系统部署。
论文解读：IR-OilNet——基于CNN–Transformer融合的轻量级红外热成像变压器漏油检测网络
一、研究背景与意义
电力变压器是变电站的关键设备，漏油缺陷占所有变压器故障的20%～33.1%，其中法兰、阀门及套管密封失效导致的漏油点占比超66%。变压器油泄漏会降低设备散热与绝缘性能，增加停电与火灾隐患，泄漏油还会污染土壤与水体，带来环境与经济损害。随着智能电网与无人变电站发展，搭载可见光与红外热成像(Infrared Thermography, IRT)的巡检机器人成为重要运维手段。绝缘油蒸发会使漏油区域表面温度降低，在红外图像上形成低温"冷斑"，理论上可被识别。然而实际场景中红外图像存在热噪声、复杂热背景干扰、低对比度及传感器伪影，传统基于手工特征（颜色、温差阈值等）与经典机器学习方法泛化性差，现有深度学习方法虽有所改善但未针对红外热噪声做专门抑制，且纯CNN对全局上下文捕捉不足，纯Transformer对小样本局部热梯度敏感且计算开销大。为此，研究人员设计并验证了IR-OilNet（Infrared Oil-Leakage Network），一种面向资源受限巡检机器人端侧部署的轻量级CNN–Transformer融合二分类网络，发表于MDPI期刊《Processes》。
二、主要关键技术方法
研究人员构建了实验室变压器漏油模拟平台采集数据集，涵盖4类部件（套管bushings、顶盖top covers、散热器radiators、放油阀oil valves）、3种油温（30 ℃、50 ℃、70 ℃）及3种环境条件（干燥、潮湿、雾状），双检标注后扩充至2700张单通道红外热图，采用五折交叉验证。网络以单通道224×224红外图为输入，先经无参数热噪声抑制(TNS)模块——反射填充后局部中值滤波估计背景热分布，再求残差做加权残差校正输出降噪图；降噪图送入紧凑密集卷积块(CNN分支)提取局部热纹理与边缘结构，同时将CNN特征图分块投影为token经浅层Transformer编码器建模全局空间依赖；CNN与Transformer分支特征经双线性上采样与1×1卷积对齐后，通过动态权重融合(DWF)模块——对两路特征分别做全局平均池化(Global Average Pooling, GAP)，拼接后经轻量全连接层加ReLU与Softmax生成归一化融合权重，加权求和得最终融合特征用于二分类（正常/漏油）。训练采用SGD（动量0.9、权重衰减1×10?4）、初始学习率0.001配合余弦退火、批次大小32、早停（耐心10轮），并以Accuracy、Precision、Recall、F1-score、AUC及参数量(Params)、浮点运算量(GFLOPs)、每秒帧数(FPS)综合评估，与ResNet、VGG、MobileNet、ShuffleNetV2、EfficientNet、ConvNeXt-Tiny、ViT、Swin Transformer等对照模型比较，并通过消融实验与Grad-CAM热图验证各模块作用。
三、研究结果
3.1 Dataset Description（数据集描述）
研究人员通过实验室模拟平台采集并扩充至2700张红外热图像，覆盖多部件、多油温及多环境工况，双检标注确保可靠性。结果表明数据集具备足够多样性支撑模型训练与交叉验证。
3.2 Experimental Setup Five-Fold Cross-Validation（实验设置与五折交叉验证）
所有模型在相同软硬件与训练配置下公平对比。五折交叉验证结果表明实验设置可给出无偏性能评估。
3.3 Evaluation Metrics（评价指标）
采用Accuracy、Precision、Recall、F1-score、AUC及Params、GFLOPs、FPS全面衡量分类性能与部署适用性。
3.4 Training Convergence Analysis（训练收敛性分析）
五折训练中损失快速下降后稳定收敛，验证集与训练集曲线吻合良好、间隙窄，说明IR-OilNet无过拟合，具良好泛化能力。
3.5 Comparison with State-of-the-Art Models（与现有模型对比）
IR-OilNet取得Accuracy 0.9992、F1-score 0.9992、AUC 0.9993，与重型CNN（ResNet101/152、EfficientNet-V2-S等）精度相当或更优，但仅0.20 M参数、0.19 GFLOPs，推理速度433.54 FPS，显著优于对比CNN与Transformer模型；纯Transformer（Swin-B/S等）在此小样本红外数据集上表现不及CNN与融合网络。Grad-CAM热图显示网络注意力准确聚焦于漏油冷斑区域而非背景纹理。
3.6 Model Complexity and Inference Efficiency Analysis（模型复杂度与推理效率分析）
量化对比显示VGG、深ResNet及大型Transformer参数量与计算量大，不利边缘部署；IR-OilNet通过轻量密集卷积骨干、浅层Transformer及高效DWF实现精度–效率最优权衡，适合变电站巡检机器人嵌入式平台实时运行。
3.7 Ablation Study（消融实验）
逐次添加TNS、Transformer分支、DWF模块，Accuracy由基线0.9497逐步升至完整模型0.9992；TNS以近零额外计算将Accuracy提升至0.9606，证明有效抑制热噪声；Transformer分支引入全局建模使Accuracy达0.9737；DWF缓解分支特征冲突进一步提升；三者联合效果最佳。DWF权重分布显示Transformer分支权重普遍较高，漏油样本CNN分支权重略增，说明网络能自适应调节局部/全局特征贡献。TNS可视化显示其平滑背景高频波动而保留设备主体热结构。
四、模型验证（Model Validation）
4.1 Robustness Testing（鲁棒性测试）
在5类漏油位置（绝缘子、油箱顶盖、油箱侧壁、散热片、放油阀）及昼夜、雾、雨、油水混合等干扰下测试，10/12场景Accuracy达100%，最差场景99.21%，与五折交叉验证偏差≤±0.72%，证明模型非过拟合且具跨部件与环境干扰的鲁棒性。
4.2 Performance Evaluation: Confusion Matrix, ROC Curve, and PR Curve（混淆矩阵、ROC与PR曲线）
混淆矩阵几无假阳与假阴；PR曲线与ROC曲线AUC接近1，表明IR-OilNet在二分类任务中具有优异的判别能力与稳定性。
五、讨论与结论翻译
讨论部分指出：实验室可控环境下油蒸发形成的稳定冷斑使漏油与正常类较易区分，是当前模型高性能的重要原因；数据集虽有多变量扩充但仍受限于固定拍摄距离与较稳定环境，后续将在真实变电站随机角度、复杂背景下采集现场数据进一步验证与优化。
结论翻译如下：
研究人员提出了IR-OilNet——一种用于红外热成像变压器漏油实时检测的轻量级CNN–Transformer融合网络。该网络集成无参数热噪声抑制(TNS)模块进行输入级降噪、紧凑密集CNN骨干提取局部特征、浅层Transformer分支建模全局上下文，以及动态权重融合(DWF)模块自适应整合双路特征，在极低计算开销下鲁棒捕获判别性特征。在2700张红外热图像扩充数据集上的大量实验表明，IR-OilNet达到Accuracy 0.9992、F1-score 0.9992及AUC 0.9993，在精度、效率与模型紧凑性上优于多数现有CNN及Transformer模型；消融研究证实TNS、Transformer与DWF模块协同提升性能、解决特征冲突并增强鲁棒性。IR-OilNet兼具高精度与低计算成本，是资源受限巡检机器人实时漏油监测的实用方案，通过降低未检出漏油致水源污染风险间接助力SDG 6。未来工作将聚焦现场数据验证、极端工况适应性扩展，以及漏油定位、严重程度评估与多传感器融合功能拓展。需注意所有实验数据取自能见度良好的常规运行工况下真实变压器；极恶劣现场环境可能产生影响，后续将系统探究复杂极端环境因素并优化算法以适应全场景变电站部署。当前局限为数据均来自受控实验室，未在强光、表面积尘及极端温度下验证，后续将补充真实变电站现场数据并持续优化网络。
