基于YOLOv8的變壓器套管紅外圖像發熱缺陷識別

摘" 要：變壓器作為電力系統的關鍵設備，其安全可靠運行顯得尤為重要，變壓器套管的發熱缺陷是影響其運行可靠性的重要因素之一。針對變壓器套管紅外圖像發熱缺陷識別問題，引入YOLOv8目標檢測算法。首先，分析了變壓器套管發熱缺陷的產生原因、傳統變壓器套管發熱缺陷紅外識別方法及其存在的不足。其次，對比分析了中值濾波、引導濾波兩種不同去噪方法。然后，設計增廣、增強+增廣兩種不同方法構建數據集，基于YOLOv8算法分別進行訓練。最后，在測試集上進行對比實驗，結果表明，增強+增廣處理后訓練所得模型的識別精確率提高了3%、召回率提高了2.3%、平均精度均值提高了0.8%。

關鍵詞：YOLOv8；變壓器套管；紅外圖像；發熱缺陷；圖像去噪；圖像增強；圖像增廣；目標識別

中圖分類號：TM41；TP183 文獻標識碼：A 文章編號：2096-4706（2025）01-0054-06

Infrared Image Thermal Defect Identification for Transformer Bushing Based on YOLOv8

Abstract： As the critical equipment of the power system， the safe and reliable operation of transformers is of paramount importance. The thermal defect in transformer bushing is one of the significant factors affecting the operational reliability. To address the issue of thermal defect identification in infrared images of transformer bushings， the YOLOv8 object detection algorithm is introduced. Firstly， the causes of thermal defects in transformer bushings are analyzed， along with thermal defect infrared identification methods of traditional transformer bushings and the existing limitations. Subsequently， it compares and analyzes the two different denoising methods of median filtering and guided filtering. Next， it designs two different methods of augmentation and enhancement + augmentation to construct the dataset， and conducts the training based on YOLOv8 algorithm separately. Finally， comparative experiments are conducted on the test set. The results demonstrate that the model after training with the process of enhancement + augmentation achieves a 3% improvement in recognition precision， a 2.3% increase in recall， and a 0.8% increase in average value of mean accuracy.

Keywords： YOLOv8; transformer bushing; infrared image; thermal defect; image denoising; image enhancement; image augmentation; target recognition

0" 引" 言

變壓器作為電力系統中最重要的電力設備之一，負責電能的傳輸與轉換，其安全性直接影響到電網的穩定和供電安全[1]。變壓器套管是連接變壓器本體與外部電網的重要組件，擔任著固定引線和與外界絕緣的作用[2]。然而，隨著電網負荷的增加以及設備使用年限的延長，變壓器套管可能會因各種因素而出現發熱缺陷，這不僅會導致設備性能下降，還會引發嚴重的安全隱患。因此，及時、準確地檢測變壓器套管的發熱缺陷是確保變壓器乃至電力系統安全運行的重要舉措。

紅外成像技術因其非接觸、快速、實時等特性[3]，被廣泛應用于電力設備的狀態監測。傳統的套管發熱缺陷檢測方法主要依賴于人工巡檢和紅外熱成像技術，通過對變壓器套管進行紅外熱成像，可以直觀地觀察到其表面溫度分布。這些方法雖然可以在一定程度上識別出發熱異常，但往往存在勞動強度大、效率低以及易受環境條件和人為因素的干擾，導致檢測結果的準確性和可靠性不足。不能滿足現代電力系統對設備健康管理的高標準與高效率要求。因此，亟須引入更為先進的技術手段來提升變壓器套管發熱缺陷的識別效率和準確性。

近年來，深度學習技術在計算機視覺和模式識別領域取得了顯著的發展，其強大的數據處理能力和自學習能力為許多傳統行業帶來了革新。通過利用深度學習算法，如YOLO等，對套管紅外圖像發熱缺陷進行自動識別[4]，能夠有效提升變壓器套管發熱缺陷檢測的智能化水平。這不僅能夠加快檢測速度，提高精準度，還有助于實現對變壓器狀態的實時監控。

1" 變壓器套管發熱缺陷產生原因

1.1" 過載運行

變壓器長期超負荷運行，會導致繞組電流增大，產生大量熱量，使繞組溫度急劇上升。導致變壓器套管的溫度升高，超過其可承受范圍，進而可能引發發熱缺陷。

1.2" 絕緣材料老化

隨著變壓器運行年限的增加，套管的絕緣材料會受到溫度、潮濕、氧化等多種因素的影響而逐漸老化。老化導致變壓器套管絕緣性能下降，從而增加了漏電流和熱量的產生。此外，絕緣材料的老化可能導致微裂紋和氣泡等缺陷形成，妨礙熱量的有效散發，造成熱量在局部區域聚集，形成熱點。這些熱點在紅外熱成像檢測中會顯現為明顯的溫度異常，形成發熱缺陷。

1.3" 接觸不良

當變壓器套管接頭或線夾的接觸面發生氧化或腐蝕時，接觸電阻會顯著增加。此外，機械因素如振動、熱膨脹等也可能導致接頭松動，造成不良接觸。由于接觸電阻的存在，局部區域會集中產生熱量，可能導致發熱缺陷。

1.4" 環境因素

高濕環境或雨水天氣可能導致套管表面受潮，進而影響其絕緣性能，如果水分滲入套管內部也會引起內部絕緣老化、劣化，使其絕緣性能降低[5]，進而導致局部過熱。此外，空氣中的塵埃、污垢等的沉積會降低套管的絕緣性能，容易導致局部過熱[6]。

1.5" 缺油故障

對于油浸式變壓器，絕緣油的缺失首先使得套管的絕緣性能顯著下降[7]，無法有效阻止電弧和局部放電，從而引發局部過熱。其次，缺油會降低套管的散熱能力，導致局部溫度迅速升高，而這一過高的溫度又會進一步加速絕緣材料的老化和劣化，形成惡性循環。最后，缺油狀態下，絕緣材料可能會因缺乏油的潤滑作用而脆化，甚至在高溫下發生熱裂解，產生氣體和雜質，進一步加劇局部發熱和擊穿的風險，導致更嚴重的發熱缺陷。

2" 傳統變壓器套管發熱缺陷紅外圖像識別方法

傳統的變壓器套管發熱缺陷一般采用人工手持熱像儀進行巡檢識別。根據《帶電設備紅外診斷應用規范》（DL/T 664—2016）的規定，現場檢測需在滿足人員要求、安全要求、環境條件要求以及檢測儀表要求的條件下進行。采集套管紅外圖像時，需要在測溫菜單里對輻射率、相對濕度、距離、環境溫度進行設定，其中輻射率設定根據常見物體的比輻射率表選取設定，并選取適當位置對測溫儀進行焦距調整，使被測設備圖像清晰、邊緣清楚。針對測溫物體的尺寸大小需在測溫儀識別選定測溫的范圍進行框選，可針對某一部位，也可框選整個儀器識別范圍內的物體。進行測溫時需根據現場環境溫度對測溫儀進行溫度區間數值設定，在測溫儀溫度允許范圍內，相對窄的測溫范圍可使紅外成像效果相對明顯，通常選擇最小溫度比環境溫度略低即可，這樣測得的發熱部位在紅外測溫儀上顯現出亮白色的光點。如圖1所示，為某變電站人工巡檢過程中采集到的變壓器套管外部接觸不良導致的發熱缺陷紅外圖像。

對變壓器套管發熱缺陷進行人工檢測，巡檢人員可以根據具體情況靈活調整檢測策略和區域，也可以通過直接觀察紅外圖像對一些直觀可見的發熱缺陷做出判斷，但人工檢測結果易受操作人員經驗和技術水平的影響，檢測速度較慢，無法滿足大規模和快速檢測的需求，而且需要手動記錄和處理大量數據，容易出現遺漏或錯誤。因此，本文將YOLOv8引入變壓器套管紅外發熱缺陷的識別，以期提高檢測的準確性的同時，能夠有效降低人工巡檢的成本，為現代電力系統的安全與穩定運行提供強有力的技術支持。

3" 基于YOLOv8的變壓器套管紅外發熱缺陷識別

3.1" 研究方法

本文的研究重點是變壓器套管紅外發熱缺陷識別。首先，對比分析中值濾波、引導濾波兩種濾波方法，根據去噪效果選擇較優的方法應用于套管紅外圖像的預處理中。然后，分析直方圖均衡化處理的目的及效果。最后，設計增廣、增強+增廣兩種不同方法構建數據集，基于YOLOv8目標檢測算法構建變壓器套管發熱缺陷識別模型[8]，進行對比實驗，以達到能夠準確識別有發熱缺陷的變壓器套管的目的。

3.2" 變壓器套管紅外圖像去噪

由于紅外成像設備、環境干擾等因素的影響，變壓器套管紅外圖像通常會引入多種噪聲，這些噪聲會影響變壓器套管紅外圖像的質量，導致后續識別的準確性下降。因此，對圖像質量較差、含有較多噪聲的紅外圖像需要采取有效的去噪措施，以提高圖像質量。本文分析中值濾波和引導濾波對變壓器套管紅外圖像的去噪效果。

3.2.1" 中值濾波

中值濾波是一種非線性平滑技術，廣泛應用于圖像去噪處理中。中值濾波的原理是通過用鄰域內像素的中值替代中心像素的值，從而達到去噪的效果。具體操作步驟如下：

1）根據需要選擇合適的窗口大小，常見的大小有3×3、5×5等。

2）將窗口從圖像的左上角開始，逐行逐列滑動到圖像的右下角，在滑動窗口時，窗口的中心應對應到當前處理的像素。

3）對于窗口內的所有像素值，計算它們的中值，用計算得到的中值替換窗口中心位置的像素值。

4）重復上述步驟，直到整個圖像的每個像素都被處理。

中值濾波以其獨特的非線性處理方式，在去除椒鹽噪聲、保留圖像邊緣和細節等方面表現出一定優勢[9]。

3.2.2" 引導濾波

引導濾波是通過引導圖像來進行平滑處理的方法，使得輸出圖像在保留邊緣的同時平滑噪聲，引導圖像通常是輸入圖像本身，也可以是其他圖像。

假設I表示輸入圖像，O表示濾波輸出圖像，G表示引導圖像，引導濾波的目標是找到一個線性變換，使得輸出圖像O在局部窗口ωk內與引導圖像G保持一致[10]，即：

式中，輸出圖像與引導圖像的第i個像素灰度值用Oi、Gi表示，ak、bk表示待求常數。濾波過程中，為了避免濾波處理后變壓器套管紅外圖像與輸入圖像之間差異較大，通過設置以最小化差異為目標的濾波代價函數來確定ak、bk：

式中，E表示濾波代價，ε表示正則化參數。針對上述代價函數進行線性回歸求解，即可求出：

將最優解代入引導濾波過程中處理變壓器套管紅外圖像，即可得到保留圖像邊緣結構的導向濾波結果。

3.3" 變壓器套管紅外圖像增強

為了提高變壓器套管紅外圖像的對比度和清晰度，改善圖像質量，需對圖像進行增強處理。本文采用直方圖均衡化的方法對變壓器套管紅外圖像進行增強處理。直方圖均衡化就是通過調整圖像的像素值分布，使得圖像的直方圖在每個灰度級上都有大致均勻的分布，從而增強圖像的對比度[11]。首先，將彩色圖像分解為R、G、B三個通道，統計各通道每個灰度級的像素數量，計算每個通道的直方圖；然后，將每個通道的直方圖歸一化，得到每個灰度級別的概率密度函數（PDF），基于每個通道的PDF計算其累積分布函數（CDF）；隨后，根據CDF，為每個通道構建均衡化映射函數，將原圖像中各通道的每個灰度值替換為新的均衡化后的灰度值；最后，將處理后的三個通道融合，生成新的直方圖均衡化圖像。

3.4" YOLOv8目標檢測算法

YOLO系列算法如YOLOv5、YOLOv6和YOLOv7各自通過不同的網絡結構和訓練技術不斷提高目標檢測的精度和速度，而YOLOv8在此基礎上對網絡結構進行了進一步優化，從而使檢測的綜合性能有所提升[12]。相較于前代，YOLOv8可以更好的適應實際應用環境，實現更為出色的實時目標檢測。如圖2所示為YOLOv8網絡結構圖，主要包括輸入端、主干網絡、特征增強網絡和檢測頭四部分[13]。

3.5" 實驗結果與分析

3.5.1" 圖像去噪結果分析

對灰度化處理后的變壓器套管紅外圖像添加了椒鹽、高斯噪聲，分別利用中值濾波、引導濾波兩種方法進行去噪處理，結果如圖3所示。文獻[14]提到結合圖像的峰值信噪比（Peak Signal-to-Noise Ratio， PSNR）和結構相似度（Structure Similarity Index Measure， SSIM）指標可以更好的判斷圖像的去噪效果。因此，計算添加噪聲圖像和經中值濾波、引導濾波處理后圖像的PSNR分別為20.98、24.18、40.43，SSIM分別為0.404、0.791、0.987，由計算結果可得，引導濾波后圖像的PSNR和SSIM最大，結合圖3可得，引導濾波對該圖像的去噪效果最佳。

3.5.2" 圖像增強結果分析

直方圖均衡化處理后的結果如圖4所示，從圖4中可以看出，經過直方圖均衡化處理后，圖像對比度和細節明顯提升，有助于后續變壓器套管目標的精準識別。

3.5.3" 變壓器套管紅外圖像發熱缺陷識別

1）數據集構建。在收集變壓器套管紅外發熱缺陷圖像的過程中，獲取足夠多的樣本比較困難，為了擴充數據集，采用翻轉、旋轉等方式對圖像進行增廣處理。處理結果如圖5所示。

2）環境搭建。本實驗中，環境配置如表1所示。

3）模型訓練與測試。設計兩種不同方法構建數據集，并基于YOLOv8算法對構建的數據集分別進行訓練。

方法一：對收集的原始圖像直接進行增廣處理，然后使用YOLOv8算法對數據集進行訓練。

方法二：對收集的原始圖像進行增強+增廣處理，然后使用YOLOv8算法對數據集進行訓練。

最終，均得到一個包含865張圖像的數據集，在構建的數據集中選取643張，采用LabelImg工具對圖像進行標注，生成YOLO格式的標注文件，做好模型訓練的數據準備。選出的643張圖像中，80%作為訓練集，20%作為驗證集。在訓練之前，設置的批尺寸為8，初始學習率為0.01，輪數為200。本文對實驗效果進行評估的指標有精確率（Precision）、召回率（Recall）和平均精度均值mAP@0.5（mean Average Precision，IoU閾值為0.5）。

使用YOLOv8算法分別對設計的兩種不同方法構建的數據集進行訓練，訓練過程精確率P、召回率R、平均精度均值mAP@0.5的變化曲線如圖6所示。由此可以看出，增強+增廣+YOLOv8的精確率P、召回率R、平均精度均值mAP@0.5較增廣+YOLOv8的精確率P、召回率R、平均精度均值mAP@0.5均有所提升。

再將訓練后得到的YOLOv8模型在測試集上進行對比實驗，經過測試后得到結果如表2、圖7所示。結果表明，增強+增廣+YOLOv8訓練所得模型較增廣+YOLOv8訓練所得模型的識別精確率P提高了3%、召回率R提高了2.3%、平均精度均值mAP@0.5提高了0.8%。

識別效果如圖8所示，由圖可得，增強+增廣+YOLOv8算法訓練所得模型能夠正確的識別出大多數目標。

4" 結" 論

本文探究了變壓器套管發熱缺陷的產生原因，分析了傳統的人工手持紅外熱像儀對變壓器套管發熱缺陷識別過程中存在的問題，基于此，引入YOLOv8目標檢測算法進行變壓器套管紅外發熱缺陷識別。為了提高識別結果，設計了兩種不同方法構建數據集，基于YOLOv8算法分別進行訓練，并在測試集上進行對比試驗。研究結果表明，增強+增廣+YOLOv8算法訓練所得模型對變壓器套管紅外發熱缺陷可以更好地進行識別。今后，可以通過引入更大規模和多樣化的數據集、優化模型結構，進一步探索模型在實時檢測方面的應用潛力。

參考文獻：

[1] 劉冬.基于深度學習的幾種變壓器缺陷檢測研究 [D].保定：華北電力大學，2022.

[2] 李雪寒，劉沁怡，楊曉彤，等.基于Mask R-CNN與改進BP神經網絡聯合算法的變壓器套管紅外熱故障診斷 [J].上海電力大學學報，2023，39（6）：591-598.

[3] 樊繁.基于紅外圖像數據融合的變壓器故障診斷研究 [D].西安：西安工業大學，2021.

[4] 劉云鵬，董王英，許自強，等.基于卷積神經網絡的變壓器套管故障紅外圖像識別方法 [J].高壓電器，2021，57（10）：134-140.

[5] 高維，杜鋼，范偉男，等.變壓器密封用丁腈橡膠濕熱老化特性及機理 [J].高電壓技術，2023，49（2）：608-617.

[6] 張潤.變壓器套管紅外圖像目標提取與發熱缺陷識別研究 [D].南昌：南昌大學，2024.

[7] 董王英.基于多源檢測數據的變壓器套管故障診斷及狀態評估技術 [D].保定：華北電力大學，2020.

[8] 劉易宸.基于改進YOLOv8的輸電線路多目標檢測算法研究 [D].阜新：遼寧工程技術大學，2023.

[9] 李凱勇.基于數據挖掘的圖像特征分割技術 [J].現代電子技術，2020，43（15）：60-64.

[10] 梁劍，黃志鴻，張可人.基于多尺度引導濾波和決策融合的電力設備熱故障診斷方法研究 [J].紅外技術，2022，44（12）：1344-1350.

[11] 陳樂.基于直方圖均衡化的數字射線圖像增強方法分析 [J].上海化工，2023，48（2）：26-29.

[12] 冷睿軒.基于YOLOv8的輸電線路異物識別算法應用 [D].哈爾濱：東北農業大學，2023.

[13] 魯玲，李明良，熊威，等.基于改進的YOLOv8變電設備紅外圖像檢測[J/OL].紅外技術，2024：1-7[2024-06-08].http：//kns.cnki.net/kcms/detail/53.1053.TN.20240508.1504.002.html.

[14] 陳耀欣.基于滾動引導濾波的圖像去霧算法研究 [D].天津：天津職業技術師范大學，2024.