电气设备红外图像超分辨率故障辨识的新方法
对电气设备运行状态进行有效监测并对其故障进行准确诊断可有效提高电力系统安全稳定性。红外检测技术因其直观高效、安全非接触等优点在电气设备故障检测及诊断中得到广泛应用。然而，受硬件发展水平制约，现有红外热成像仪捕获的红外图像通常存在空间分辨率低、清晰度差等缺点，使得基于红外图像的电气设备故障检测结果可信度较低。
受传输带宽、存储空间及感光元件等诸多限制，直接通过提高硬件水平以提升红外图像分辨率的方法难度较大、成本较高。为提高基于红外图像的电气设备故障检测效果，亟需提出一种切实有效的电气设备红外图像分辨率提升方法，并实现基于红外图像的电气设备故障精准辨识。
随着人工智能技术的发展，基于深度学习的数字图像目标检测算法被广泛应用于电气设备故障检测中。然而，目标检测算法主要由海量数据驱动，图像质量会直接影响模型表达能力，现有红外图像存在空间分辨率低等问题，严重影响了目标检测模型的泛化能力。
图像超分辨率重建可基于软件方法将低分辨率图像重建为高分辨率图像，该理论的提出为图像质量提升提供了新的低成本解决方案。针对图像超分辨率重建技术，Tong Tong等将密集连接结构应用于超分辨率网络，实现了图像多层特征高效融合；Zhang Yulun等将残差稠密块结构应用于超分辨率网络，实现了图像局部特征的高效提取。但上述方法在提高分辨率的同时丢失了原有图像的细节特征。
为此，感知损失函数及生成对抗网络被应用于超分辨率重建中，上述方案提高了图像局部清晰度，但却降低了图像整体信噪比。在电力系统中，超分辨率重建技术已开始应用。陈智雨等、白万荣等分别采用超分辨率重建技术实现了电力线路及绝缘子的可视化检测，提高了故障检测效果。然而，上述方法构建的超分辨率重建网络均采用单一尺度卷积核，但是电气设备种类繁多、大小不一，且电气设备红外拍摄角度及拍摄距离多变，使得电气设备红外图像待分析区域尺度多变，采用单一尺度卷积核会影响电气设备红外图像超分辨率重建结果。
据此，新能源电力系统国家重点实验室（华北电力大学）的科研人员提出一种基于多尺度协作模型的电气设备红外图像超分辨率故障辨识方法，该方法通过超分辨率重建提升原始红外图像分辨率，结合深度学习目标检测算法实现电气设备红外图像故障辨识。
