★ 杭州德创电子股份有限公司 王九川，邵森森

关键词：计算机视觉；电气自动化；智能检测；故障诊断

1   引言

电气自动化系统是工业生产线、电力输配网、楼宇智能控制等现代基础设施的核心支撑，其稳定、可靠、安全运行直接关系到生产连续性、能源安全与人身安全。电气系统的检测与维护通常涵盖开关状态识别、仪表读数记录、连接点过热预警、绝缘外观检查、环境异物入侵监测等内容，是一项要求持续、细致且高可靠性的工作[1]。传统电气检测高度依赖人工定期巡检与固定传感器部署，人工巡检存在效率低、主观性强、难以覆盖隐蔽缺陷、高危环境风险大等问题；而传统传感器通常为点式监测，覆盖范围有限，安装布线复杂，且难以应对突发性外观故障。随着电气系统规模扩大与复杂度提升，传统检测方式在实时性、精准性与经济性方面面临严峻挑战。计算机视觉技术通过图像与视频分析，能够实现对目标外观、状态、位置及行为的非接触式、大范围、高精度感知[2]。近年来，随着深度学习算法、高性能计算芯片及工业相机技术的成熟，计算机视觉在工业质检、安全监控、辅助驾驶等领域已取得显著成效，为其在电气自动化检测领域的应用奠定了坚实技术基础[3]。然而，电气检测场景具有强电磁干扰、光照条件多变、设备类型多样、安全等级要求极高等特点，通用视觉检测方案往往难以直接适用，亟需开展针对性的方法研究与系统化设计。本文旨在系统研究适用于电气自动化环境的计算机视觉智能检测方法，构建从图像采集、处理分析到决策输出的完整技术体系，并通过实际工程验证其效能。

2   电气自动化系统检测分析

2.1   检测对象与内容分类

电气自动化系统检测对象广泛，按其功能与位置主要可分为以下几大类，每类对应特定的检测内容，如图1所示。

图1  电气自动化系统主要检测对象

配电与控制设备检测的核心内容集中于运行状态与基本完整性：包括开关的分合位置、指示灯的亮灭与颜色状态、保护压板的投退位置、各类仪表的准确读数、柜内关键部位的温度分布情况，以及元器件标识是否清晰、完整、合规。电力输送设备的检测重点在于其物理状态与热性能：包括外观是否存在破损、积污、锈蚀或爬电痕迹；电气接头是否接触不良导致局部过热[4] ；油浸式设备的油位与油温是否正常；有无可见的电晕或异常放电现象；以及绝缘材料是否存在老化、龟裂等劣化迹象。旋转与驱动设备对其的检测主要关注运行工况与机械状态：包括外壳及轴承等关键点的表面温度；运行时的振动幅度与模式是否异常；冷却风扇是否正常运转；以及设备铭牌信息是否齐全、清晰，便于识别与溯源。环境与辅助系统的检测以安全与环境监控为导向：包括监控区域内是否有异物入侵、未经授权的人员闯入；早期火灾特征如烟雾与明火的识别；是否存在漏水、积水或有害气体泄漏；以及安全工具、消防器材是否按规定定点摆放，处于待用状态。

2.2   现有检测方法及其局限性

目前，电气系统检测主要依赖以下方式，各有其明显的局限性。人工定期巡检，依靠运维人员携带点温仪、局放检测仪等工具进行现场检查与记录。该方

法灵活性高，但存在效率低下、数据难以结构化、检测质量依赖个人经验、无法实现实时监控、高危环境人身风险大等问题。在线传感器监测，在关键点安装温度、电流、振动、气体等传感器进行连续数据采集[5]。该方法能实现实时监控， 但属于“点”监测， 覆盖范围有限，无法感知外观变化，传感器本身也存在故障、校准及通信维护成本等问题。无人机（Unmanned Aerial Vehicle， UAV）巡检，主要用于输电线路、变电站室外设备等大范围场景，效率较高，但受天气和空域管制影响大，图像数据通常需后期人工判读，实时性差，且对室内或柜内设备无效。传统机器视觉，采用固定工业相机，通过阈值分割、边缘检测、模板匹配等算法进行简单状态识别， 鲁棒性差， 对光照变化、视角偏移敏感，难以处理复杂缺陷识别任务。

2.3   相关技术标准与规范

电气设备智能检测系统的设计与实施需遵循一系列安全、可靠性与互操作性标准，主要涉及以下几类，如表1所示：

表1 电气设备智能检测相关主要标准与规范

3   基于多级视觉检测任务的智能检测体系

3.1   多级视觉检测任务的定义

为解决上述难点， 我们提出了一种结构化的多级视觉检测任务体系。该体系将复杂的电气设备检测需求，分解为一系列层次分明、可复用性强的标准视觉任务，如表2所示。

表2 电气设备多级视觉检测任务体系

该任务体系的核心优势在于每个任务相对独立，便于开发、测试与优化。同类设备的“开关状态识别”任务可使用相似算法框架，可根据需要增加新的检测任务层级或内容，可针对每个任务定义明确的验收标准与性能指标。

3.2   系统架构与实施流程

基于上述任务体系，我们设计了一套端到端的视觉智能检测系统架构，其核心实施流程如图2所示。

图2 核心实施流程

4   应用与实践

4.1   项目背景

在杭州某高新技术开发区的大型智能制造工厂中，我们选取其核心10kV变配电所及数十条自动化产线的电气控制柜群作为试点，应用本文提出的视觉智能检测体系。该区域设备价值高、连续运行要求严，传统人工巡检压力大。项目共部署86台固定式高清智能相机（部分带红外热成像模块）、5台轨道式巡检机器人，覆盖总计超过200面高低压柜及关键电缆桥架区域。

4.2   实践过程与效果

项目实施周期为4个月，分为现场勘察与方案设计、设备安装与调试、算法模型训练与优化、系统联调与试运行四个阶段。

系统实现对全部覆盖设备的每2小时一次自动巡检，单次全场巡检时间从人工所需的4～6人/天缩短至系统自动完成的1.5小时，巡检覆盖率达到100%，无遗漏死角。经过持续优化，系统对“开关状态误判”“仪表读数误差>±2%”“明显表面锈蚀/裂纹”等关键任务的识别准确率均稳定在99%以上，高于经验丰富的老师傅平均水平。系统在试运行期间， 成功预警3起柜内连接点轻微过热、1起电缆沟轻微渗水、多起柜门未紧闭等潜在风险，均在发展为严重故障前得到处理。系统将运维人员从重复、枯燥的日常巡检中解放出来，更多地投入到故障分析、预防性维护和设备优化工作中，预计每年可节省相关人工成本约30%，并显著降低了因漏检导致非计划停机的风险损失。所有检测图像、结果与报警记录均结构化存储，形成宝贵的设备数字画像与健康档案，为后续的大数据分析、寿命预测和智能决策提供了数据基础。

5   结果与讨论

杭州示范项目的实践结果充分表明，本文所研究的基于计算机视觉，特别是基于多级任务体系的智能检测方法，能够有效应对电气自动化系统检测的痛点，在提升检测质量、效率和安全性方面取得了显著成效。该方法通过将复杂问题模块化、标准化，降低了技术落地门槛，提高了解决方案的可复制性。与传统方法相比，该体系化方法带来三方面根本性改进：一是从“被动响应”转向“主动预警”，实现预测性维护的初步形态；二是从“经验驱动”转向“数据驱动”，使决策更具客观性和科学性；三是从“孤岛监控”转向“系统联动”，通过与企业现有信息系统集成，实现运维流程的闭环与优化。当然，该方法仍有持续改进空间。例如，在极端恶劣光照条件下的图像质量保证、针对罕见缺陷的少样本学习能力、算法模型在边缘设备上的轻量化部署与即时更新等，都是下一步需要重点攻克的技术方向。此外，如何将视觉检测结果与设备机理模型、物理仿真更深度地融合，以实现更精准的故障根因诊断与剩余寿命预测，是未来研究的重要趋势。

作者简介：

王九川（1987-），男，安徽灵璧人，中级工程师，学士，现就职于杭州德创电子股份有限公司，研究方向为电气工程及其自动化。

参考文献：

[1] 付锐, 姚丹. 基于计算机视觉的电气自动化智能检测方法研究[J]. 自动化与仪器仪表, 2024, (11) : 227 - 231.

[2] 王满利, 窦泽亚, 蔡明哲, 等. 基于高分辨扩展金字塔的场景文本检测[J]. 电子与信息学报, 2025, 47 (7) : 2334 - 2346.

[3] 季丽琴. 基于MFC和OpenCV的图像显示与图像保存的实现[J]. 办公自动化, 2023, 28 (8) : 64 - 66.

[4] 赵永波. 人工智能技术在电子工程自动化控制中的应用探讨[J]. 智能城市应用, 2024, 7 (9) : 93 - 95.

[5] 张椿, 邓风超, 王宗宝. 基于计算机视觉技术的采煤工作面电气设备故障检测系统研究[J]. 电气技术与经济, 2025, (2) : 137 - 139.

摘自《自动化博览》2026年4月刊