基于深度特征和改进的SIFT算法的小型电力设备红外热图像-点云融合方法

《IEEE Sensors Journal》：Infrared Thermal Image-Point Cloud Fusion Method for Small Power Equipment Based on Depth Feature and Improved SIFT

针对小型电力设备加热状态检测难题，提出融合红外图像与点云数据的3D温度场重建方法。通过改进的SIFT算法和MobileNetV3特征提取实现多模态数据匹配，建立三维坐标系并完成热场融合。实验表明空间定位误差<1mm，温度重建误差<1.03°C，验证了方法的有效性。

　　

摘要：

针对小型电力设备加热状态检测的困难以及传统红外温度检测技术的局限性（该技术仅提供平面形式的热场数据，缺乏空间深度感知能力），我们提出了一种多层次对齐框架，用于融合红外图像和点云数据。该方法结合了模板匹配和改进的尺度不变特征变换（SIFT）算法，实现了从粗略配准到精细配准的跨模态匹配，从而构建出三维温度场。在此过程中，采用边缘拟合最小二乘法（EF-LSs）获取精确的点云数据，并从红外图像中提取高对比度区域作为模板。随后引入MobileNetV3进行特征提取，替代传统的滑动窗口模板匹配方法，实现初步的粗略配准。在此基础上，利用改进的SIFT描述符算法将粗略配准结果与红外热图像上的特征点进行精确匹配。我们解决了红外图像坐标系与三维点云坐标系之间的转换问题，完成了整个红外热图像与点云数据的融合。实验结果表明：重建的热场空间位置与实际测量值的误差小于1毫米；融合后的热点云关键点的重投影误差在1.96像素以内；热电偶测量的温度数据与重建热场温度数据的误差小于1%；瞬态温度场模拟值与重建温度值的平均误差在1.03°C以内。这些结果验证了该方法的准确性。

引言

在电力系统运行过程中，过载、材料老化、设备接触不良等因素会导致过热现象[1][2][3]。这类过热故障通常具有局部性特征，其早期热异常信号难以用肉眼识别，常被设备表面的均匀温度场掩盖。尤其是对于封闭式电力设备，由于内部空间限制导致散热效率降低，可能引发热失控——这一连锁反应会导致不可逆的损坏、可靠性下降以及电力系统稳定性受损。这不仅会对设备造成不可逆的损害，还会降低其可靠性，并影响电力系统的稳定性。然而，由于设备密封结构的限制，传统的接触式监测方法在传感器部署方面存在困难，盲区的温度测量也存在明显问题；因此，迫切需要开发非侵入式的三维热状态传感技术[4]。