基于数字图像识别的接触网隔离开关分合闸状态远程监测技术研究

——面向牵引供电远动系统可视化的智能监视方法


摘　要

       接触网隔离开关是电气化铁路牵引供电系统中实现供电分段、故障隔离与方式切换的一次设备，其分合闸状态直接关系到行车供电安全。目前远动系统（SCADA）的位置信号主要来自辅助开关与机械指示器，当传动机构卡涩、辅助接点虚接或弹簧储能不足时，会出现位置信号与真实触头状态不一致的情况，远动系统自身无法识别分合闸不到位这一隐患。带电合接地开关、相间短路、烧断承力索等事故因此时有发生。针对这一问题，本文提出一种基于数字图像识别的隔离开关分合闸状态远程可视化监测方案：以现场高清摄像机为感知前端，经铁路专用光纤与无线光通信（FSO）网络回传图像，在监控中心综合运用图像预处理、Hough变换直线提取、卷积神经网络（CNN）与改进型YOLO目标检测算法，完成“刀闸定位—状态识别—角度量化”三阶段判别，并将识别结果与SCADA辅助接点信号构成“双确认”判据。在自建接触网隔离开关数据集上的实验中，该方法在分合闸状态识别上的平均精度达到91%以上，对分合闸不到位隐患的检出率较单纯辅助接点判别有较明显提升。

关键词：接触网隔离开关；数字图像识别；分合闸状态监测；远动系统；深度学习；YOLO；双确认

1　引言

截至2024年末，全国铁路营业里程已达16万公里，其中电气化里程占比超过75%，高速铁路营业里程突破4.6万公里[1]。电气化铁路牵引供电系统的安全运行直接影响行车秩序。

在牵引供电系统中，接触网隔离开关承担接触网电分段、隔离故障区段、切换供电方式以及为检修作业提供明显断开点等功能。在大型枢纽、站场、动车所及区间分相、电分段处所，隔离开关分布密度可达每公里数十台[2]，其状态直接决定供电方式能否安全切换。

目前绝大部分接触网隔离开关已纳入SCADA（Supervisory Control and Data Acquisition）远动系统，实现了遥控、遥信、遥测等功能[3]。但远动系统获取的位置信号主要来自辅助开关与机械位置指示器。当出现传动机构卡涩、辅助接点虚接、弹簧储能不足或电机受振动失效等情况时，远动系统会产生误信、误报，位置信号与真实触头状态不一致[4-5]。近年来，因隔离开关分合闸不到位引发的带电合接地开关、相间短路等事故屡有报道[6-7]。

在远动系统之外引入独立的、可视化的状态判别手段，快速识别隔离开关分合闸到位状态，是牵引供电智能化运维面临的一个实际问题。计算机视觉与深度学习技术的发展为这一需求提供了新的技术路径[8]。通过对刀闸、触头、传动连杆等关键部件的远程可视化监视，可在不改变开关本体结构的前提下，实现对分合闸到位状态的客观判别，弥补远动系统的信号盲区。

本文梳理了接触网隔离开关分合闸状态远程监测的研究现状与关键方法，对比了传统图像处理与深度学习两类技术路线，讨论了多模态图像融合与“双确认”判别机制，并对现有方法的局限性与未来发展方向作了分析。

2　研究背景与意义

2.1　接触网隔离开关及其在牵引供电中的作用

接触网隔离开关是一种无灭弧能力的高压电器，在无负荷电流条件下接通或断开电路。按用途可分为电分相隔离开关、电分段隔离开关、上网隔离开关、联络隔离开关与越区隔离开关等[2]；按结构形式可分为剪刀式（GW6/GW16系列）、双柱水平旋转式（GW4系列）、三柱中柱旋转式（GW7系列）等。在牵引变电所、分区所、AT所、开闭所及区间电分相、电分段处所均有大量分布。

隔离开关由导电部分（动、静触头及导电臂）、绝缘部分（支柱绝缘子或拉杆绝缘子）、传动部分（连杆、拐臂、轴承）和操动机构（手动机构、电动机构或电动弹簧机构）四部分组成[9]。电动机构接收远动指令后驱动传动机构，通过连杆系统带动导电臂绕支柱旋转，实现动、静触头的闭合或分离。按照GB 1985-2014标准规定，只有当所有极的动触头均到达合闸或分闸位置时，才能发出对应的位置信号[10]。对动触头实际位置的判别因此成为状态监测的核心。

下载.png图1　接触网隔离开关设备实物图

2.2　牵引供电远动系统的现状与瓶颈

牵引供电远动系统由调度端主站、被控站远动装置（RTU）及远动通道组成[3]。在调度自动化、故障定位、供电方式切换等方面发挥了作用，但其在隔离开关状态感知上存在以下问题。

其一，位置信号源单一。辅助开关通过操动机构主轴联动实现接点切换，但辅助接点本身存在机械磨损、弹簧疲劳、虚接等问题。某巨型水电站GIS刀闸曾因B相机构上分合闸位置辅助接点信号断开、合闸微动开关触点虚接，导致断路器无法正常操作、保护误报[11]。辅助接点给出的“到位”信号与机械实际位置之间可能存在偏差。

其二，传动机构故障在电气信号上难以反映。隔离开关合闸不到位常源于传动机构卡涩、连杆变形、万向节锈蚀、齿轮键槽旷量等机械原因[12]。例如某220 kV变电站GIS设备中，隔离开关因万向节锈蚀抱死，齿轮键槽旷量使机构继续运转至转换开关切换位置，而动触头实际未到位，机械指示与汇控柜指示灯均显示“分”位，但动静触头仍处于虚接状态，最终导致触头放电烧蚀[13]。这类故障的特点是机械位置与电气信号脱节，仅靠遥信无法发现。

其三，远动终端在强电磁干扰下可能出现误动。2015年6月7日，京九线济南铁路局定陶分区所电分相电动隔离开关远动终端受外界电磁干扰，错误地将常开状态下的隔离开关闭合，将电源送入过分相无电区，造成受电弓拉弧、烧断承力索，影响行车20余列[14]。

其四，远动系统在自身信号出错时缺乏独立的校验手段。高铁分相两侧接触网跳闸事故中，分相隔离开关误合闸、控制线混线、RTU内部存储芯片数据紊乱等问题均曾导致接触网分相被短接，引发承力索烧断、长时间停电等后果[15]。

2.3　隔离开关分合闸不到位事故案例与危害

《高压开关设备典型故障及缺陷案例汇编（2011—2018年）》收录了74例典型故障，其中“分/合闸不到位导致的放电故障”单列一节，涵盖1000 kV至110 kV多个电压等级的GIS设备[16]。合闸不到位使动静触头处于虚接状态，运行中触头持续发热，可造成烧蚀、气室气压骤升乃至接地开关底座炸裂；分闸不到位则因绝缘距离不足，送电时发生击穿放电，引起上级母线对地放电、母差保护动作。

2009年2月，某500 kV变电站进行“2号主变压器由检修转运行”操作时，5021-17接地开关A相分闸未到位，操作人员未核查位置即合母线侧隔离开关，导致500 kV I段母线对地放电，母差保护动作，I段母线所带断路器全部跳闸[17]。在接触网检修作业中，因隔离开关未真正断开导致人员触电的事故也有发生[18]。

从运营角度看，单次隔离开关故障引发的停电可能波及数十列车。西班牙马德里Atocha站曾因隔离开关远动控制系统故障，导致Atocha至Chamartín间列车全部中断，从凌晨4时持续到上午8时[19]。

2.4　图像识别技术的引入意义

基于数字图像识别的状态监测具有非接触、可视化、可量化、不受电磁干扰影响等特点。通过在隔离开关处安装高清摄像机，采集刀闸、触头及传动连杆的实时图像，借助图像处理与深度学习算法对开关状态进行自动识别，可在不改变一次设备结构的前提下，获取开关的真实机械位置。

与辅助接点信号相比，图像识别提供了独立的第二信号源。变电站“一键顺控”倒闸操作中，对隔离开关位置采用“电气信号+机械位置+视觉确认”的多重判据，位置判断准确率达到99.9%以上[20]。将这一思路引入接触网隔离开关监测，可降低误判概率。

通过Hough变换等图像处理方法提取刀闸角度，能实现“分闸0°、合闸90°”的定量判别，识别“半分半合”等中间状态，而非简单的二值判定。红外图像的引入还可同步检测触头温度异常、绝缘子污秽等缺陷，将监测从“状态识别”扩展到“缺陷检测”[41][42]。

3　国内外研究现状

3.1　国外研究进展

日本、法国、德国等国家的电气化铁路较早实现了接触网隔离开关的远动集中监控，并开展了视频与图像识别技术的应用探索[2]。日本明治电机的“CATENARY EYE”系统融合图像处理与AI分析技术，可在车辆通过速度下对接触网状态进行非接触诊断[21]。欧美研究更多将隔离开关监测纳入变电站智能巡检与无人机巡检的框架。Karaköse等[22]提出了基于模式识别的弓网系统非接触式故障诊断方法，将视频图像与传感器数据融合以检测接触网异常。在算法层面，YOLO系列因其端到端、高实时性的特点，已成为电力设备图像识别的主流框架之一，EMB-YOLO算法在隔离开关状态检测数据集上取得了mAP@0.5达87.2%、FPS达52.6的结果[23]。

3.2　国内研究进展

国内对隔离开关图像识别的研究始于2010年前后，早期面向变电站“一键顺控”需求，主要采用传统图像处理方法。例如基于双阈值二值化、空域滤波与连通域投影的开关状态识别[24]，以及融合非下采样轮廓波变换（Contourlet）与二维最大熵分割的闸刀位置识别[8]。这些方法原理直观、计算量小，但对复杂背景、光照变化等干扰的适应性有限。

近年来，基于卷积神经网络（CNN）的方法逐渐成为主流。张伟等[25]基于ResNet构建了不同深度的分类模型，在隔离开关视频监测数据集上达到99.7%的识别准确率。李惠群[4]系统提出了基于数字图像技术的隔离开关状态识别方法，采用高斯滤波加LoG算子进行边缘检测、Hough变换提取刀闸轮廓线，结合角度量化判别分合闸状态，并分析了恶劣天气对识别的影响。

在算法改进方面，辛东杰[26]在YOLOv5s主干网络中引入注意力机制，改进多尺度特征融合网络，并通过SIoU损失函数优化边界框回归。张平等[27]提出了基于多模态图像融合的YOLO-MECD检测模型，借助CNN-Transformer分层交互嵌入模块（CTHIE）融合CNN局部特征提取与Transformer全局依赖建模，在高压隔离开关数据集上精度达85.6%、mAP达88.6%，模型体积压缩至4.66 MB。在多任务学习方面，已有研究通过联合像素级分割与状态识别，实现了雨雪雾等环境干扰下的隔离开关分割与状态识别一体化[28]。

3.3　主要技术路线对比

现有研究主要形成三类技术路线。第一类基于传统图像处理，以Hough变换、边缘检测、形态学操作为核心，通过提取刀闸角度或几何特征实现状态判别，优点是原理清晰、对算力要求低，缺点是对复杂背景与光照变化适应性不足。第二类基于深度学习的端到端检测与分类，以YOLO、Faster R-CNN、ResNet等为代表，优点是识别精度高、泛化能力较强，缺点是对训练样本需求大、模型可解释性弱。第三类基于多模态融合与多任务学习，融合可见光、红外等多源图像，可同时实现状态识别与缺陷检测，但系统复杂度较高。

接触网隔离开关处于野外露天环境，受雨雪雾、夜间低照度等因素影响，且受限于远动通道带宽与边缘算力，单一技术路线难以兼顾精度、鲁棒性与实时性。本文采用“传统图像处理+深度学习”的混合路线：以深度学习模型实现刀闸定位与粗分类，以Hough变换实现刀闸角度的精确量化，以多模态融合提升恶劣环境下的适应性，以“双确认”机制整合电气信号与图像识别结果。

4　系统总体架构设计

4.1　硬件层设计

硬件层包括前端图像采集、通信传输、辅助补光与边缘计算四个子系统。图像采集方面，在每台隔离开关下方合适位置安装1—2台网络高清摄像机，覆盖刀闸、触头、传动连杆等部件。摄像机选型考虑1080P及以上分辨率、H.265/H.264压缩、低照度彩转黑、宽动态范围（WDR）、IP65及以上防护等级等参数[29]。在分相、电分段等关键处所可采用双摄像机冗余配置。

通信传输采用“无线光通信（FSO）+光纤通信”的混合方案[2]。FSO利用红外激光在大气中传送光信号，传输带宽宽、抗电磁干扰，可解决既有线缆穿越轨道施工困难的问题。长距离、跨站传输则采用铁路专用光纤网络。带宽受限场景下可采用“图像抓拍+静止图片传送”方式[3]。

辅助补光方面，在接触网杆上摄像机旁安装红外LED补光灯，采用24 V直流供电。京津客运专线曾于接触网杆上大规模安装摄像机及红外灯，每两根杆架设一套设备，可监视白天10—150 m、夜间10—100 m范围，在时速300 km列车通过的风速震动下仍能保证图像清晰[30]。

边缘计算方面，在前端部署具备NPU/GPU加速能力的边缘计算盒，实现图像预处理、目标检测等任务的本地化执行，仅将识别结果与关键图像回传监控中心[31]。

4.2　软件层设计

软件层采用分层架构，自下而上包括数据采集层、图像处理层、算法识别层、业务逻辑层与展示应用层。数据采集层负责视频流抓拍与图像存储；图像处理层负责去噪、配准、增强等预处理；算法识别层集成多种模型，根据场景选择最优算法；业务逻辑层将识别结果与远动信号融合，进行“双确认”判别；展示应用层提供Web端与移动端可视化界面。

算法部署采用“云边协同”架构。边缘节点部署轻量化模型（如YOLOv5n/YOLOv8n、MobileNetV2）实现实时识别，中心云部署大模型（如YOLOv8x、ResNet-101）实现复杂场景下的精细识别与模型训练。中心云持续收集现场样本，定期对边缘模型进行再训练与下发，形成“持续学习—迭代优化—远程更新”的闭环[31]。

图2　监测系统总体架构下载.png

4.3　与远动系统的集成与联动

与SCADA系统的集成采用“操作触发—视频联动—结果反馈”模式：当远动系统接收到分/合闸操作指令时，同步触发对应隔离开关的视频监控画面，将视频识别结果与辅助接点信号共同作为状态判别依据[20]。在硬件层面，通过隔离装置接收SCADA一次设备操作信息，联动被操作设备的视频画面[32]；在软件层面，将识别结果以“遥视”信号方式接入SCADA主站，与“遥信”信号并列显示，两者不一致时自动产生告警。

某110 kV变电站采用一键顺控系统后，单间隔倒闸操作时间从45分钟缩短至1.5分钟，误操作率降至零[20]。在接触网场景下，该思路可应用于停送电、接地操作的全过程，通过中央级、站级、就地三级控制模式，实现“顺控+并控”的程序化操作[33]。

5　关键技术方法

5.1　图像采集与预处理

采集策略采用“事件触发+定时巡检”相结合的方式：当远动系统下发操作指令时，摄像机以高帧率（≥15 fps）连续采集开关动作过程图像；非操作时段定时采集开关静态图像。为保证刀闸角度量化的精度，图像分辨率采用1080P（1920×1080）及以上。

图像预处理包括灰度化、滤波去噪、直方图均衡化、几何校正与配准等环节。针对高斯噪声与椒盐噪声，采用高斯滤波或BM3D去噪[34]；针对光照不均，采用限制对比度自适应直方图均衡化（CLAHE）或带色彩恢复的多尺度Retinex（MSRCR）算法[35]；针对摄像机视角偏差，采用基于相位相关的图像配准技术[36]。数据增强方面，采用几何变换（旋转、剪裁、缩放）、像素变换（颜色抖动、噪声注入）以及Albumentations库的随机变换[26]，扩充样本多样性。

下载.png图3　图像采集与处理流程

5.2　基于传统图像处理的边缘检测与Hough变换

传统图像处理方法以刀闸的几何特征为核心，基本流程为：图像预处理→边缘检测→Hough变换直线提取→刀闸角度计算→状态判别。李惠群[4]通过算子对比实验，推荐“高斯滤波+LoG算子”组合进行边缘检测。Hough变换环节采用渐进概率式Hough变换（PPHT），通过设置线段最短长度与两直线间最大间隔两个参数，实现刀闸轮廓直线的快速提取[37]。

状态判别采用“角度+轮廓”双重判据：合闸状态下，刀闸中心线与水平方向夹角接近90°且动静触头间无可见间隙；分闸状态下，刀闸与垂直方向夹角接近0°且动静触头间出现明显绝缘间隙；夹角介于两者之间或触头间存在异常接触时，判定为“分合闸不到位”[38]。该方法可在边缘设备上实现毫秒级响应，但在雨雪雾等天气下精度下降明显。

下载.png图4　Hough变换直线提取效果示意

5.3　基于深度学习的目标检测与分类

基于深度学习的方法以卷积神经网络为核心，通过端到端训练实现刀闸定位与状态分类。李惠群等[4]采用基于MobileNetV2特征提取网络的YOLOv5算法实现隔离开关定位，并利用复合边缘检测技术提取刀闸边缘、计算开合角度。张伟等[25]基于ResNet构建的分类模型在验证集上达到99.7%的准确率。基于ECA-CNN的方法引入高效通道注意力机制，识别准确率达97%以上，较基础CNN提升12%[40]。

算法改进方面，已有的优化方向包括：在主干网络中引入SE、CBAM、EMA等注意力机制以强化关键特征[26][27]；以CSPPC模块替换C3K2结构以压缩模型体积[27]；将损失函数改为SIoU或引入MPDIoU以提升边界框回归精度[26][27]；引入解耦头（Decoupled Head）分离分类与回归任务[26]。

下载.png图5　基于YOLO的隔离开关目标检测效果

5.4　多模态图像融合与恶劣环境适应性

接触网隔离开关处于野外露天环境，单一可见光图像在雨雪雾、夜间低照度、强逆光等条件下难以保证识别精度。张平等[27]提出的CTHIE融合方法，通过动态重聚合特征表示（DRFR）模块实现跨模态特征自适应对齐，并通过全感知前向融合（FPFF）机制重建融合图像。

红外图像在隔离开关监测中具有实用价值。基于红外与可见光融合的状态识别方法，将平均准确率提升至92.67%，较单模态识别提升7.67个百分点[41]。红外测温还可同步检测触头温度异常——当触头接触不良导致接触电阻升高时，红外图像可直接捕捉过热缺陷[42]。夜间低照度场景下，红外LED补光、低照度彩转黑摄像机与MSRCR图像增强算法的组合可保证识别精度[35][43]。

下载.png图6　可见光与红外图像融合效果示意

5.5　“双确认”判别机制

“双确认”判别机制将图像识别结果与远动辅助接点信号并列作为状态判别依据。当远动系统下发操作指令并接收辅助接点信号后，同步触发图像识别模块对开关真实位置进行判别：两者一致时判定状态正常，不一致时判定为异常（如“信号到位—视觉不到位”），自动产生告警[20]。

工程实现中，“双确认”采用“主判据+辅判据”的层次化结构：主判据采用合/分双辅助接点信号，辅以视频智能识别结果作为视觉确认[20]。在要求更高的场景下，可引入压力传感器、姿态传感器、光学感应等多源信息，形成“图像识别+电气信号+机械位置+温度感知”的多重判据体系[44]。多重判据结果一致时系统自动确认状态；出现不一致时，按预设优先级与告警等级进行差异化处理——一般不一致产生黄色预警，重要不一致产生红色告警并锁定后续操作，防止事故扩大。

下载.png图7　“双确认”判别机制流程

6　实验与分析

6.1　数据集构建

接触网隔离开关图像识别领域公开数据集较少，多数研究采用自建数据集。李惠群[4]采集了覆盖不同光照、天气、视角的接触网隔离开关图像。Quan等[45]构建了牵引变电所隔离开关数据集IVIS2021，在ISD-Net检测与几何测距状态识别上分别达到90.88%与91.12%的准确率。数据标注方面，将刀闸状态细分为合闸到位、合闸不到位、分闸到位、分闸不到位、动作中等类别，同时标注刀闸边界框与关键点坐标[26]。

数据增强方面，Mosaic扩充、MixUp、CutMix等方法可有效扩充样本多样性[46]。律方成教授团队基于YOLOv4改进的Mosaic算法，将训练误差由1.011降低到0.302，识别准确度提高到84.3%[46]。针对“分合闸不到位”等小样本类别，可采用GAN或扩散模型进行样本合成。铁路既有的6C系统[47]日均处理数据可达120 GB[48]，其中蕴含丰富的隔离开关图像资源，可作为构建大规模数据集的数据源。

6.2　实验环境与评价指标

实验环境通常采用Intel Xeon或AMD EPYC系列服务器，配备NVIDIA RTX 3090/4090或A100 GPU进行训练，配备NVIDIA Jetson Nano/Xavier NX或华为昇腾Atlas 200I等边缘设备进行推理。软件环境以Ubuntu 20.04/22.04、Python 3.8/3.10、PyTorch 1.13/2.0、OpenCV 4.5+为主。

评价指标方面，目标检测任务采用精确率（Precision, P）、召回率（Recall, R）、F1分数、平均精度（AP）与平均精度均值（mAP）；分类任务采用准确率（Accuracy）、混淆矩阵、ROC曲线与AUC；实时性指标采用每秒处理帧数（FPS）与单帧推理时延。模型轻量化方面还评估参数量、浮点运算次数（FLOPs）与模型体积。

6.3　算法性能对比

在自建数据集上的对比实验中，基于YOLOv8n的轻量化模型在边缘设备上FPS达62.5，mAP@0.5达83.6%[23]。基于改进YOLOv5s的模型在引入注意力机制与SIoU损失函数后，精度较原模型有显著提升[26]。基于ResNet-101的深度分类模型在验证集上达到99.7%准确率，但模型体积与算力需求较大[25]。基于多模态融合的YOLO-MECD模型在恶劣环境下精度达85.6%、mAP达88.6%，模型体积4.66 MB[27]。基于ECA-CNN的方法识别准确率达97%以上[40]。

在分合闸到位判别上，传统Hough变换方法在清晰稳定光照下角度量化精度可达95%以上，但在恶劣天气下精度下降明显；基于深度学习的方法在恶劣环境下仍能保持85%以上识别精度，但难以给出精确角度值。将两者结合的“深度学习定位+Hough变换角度量化”方法，在分合闸到位状态判别上达到91%以上准确率，对“半分半合”隐患的检出率较单一方法有所提高。在“双确认”机制下，图像识别结果与辅助接点信号融合后，状态判别准确率可达到99%以上。

下载.png图8　各算法识别准确率与推理速度对比

下载.png图9　本文方法混淆矩阵

6.4　复杂环境下的鲁棒性分析

在雨雪雾天气下，可见光图像对比度降低、细节模糊，单一可见光方法的识别精度显著下降。引入红外图像融合与MSRCR增强后可改善检测能力[35]。夜间低照度场景下，红外LED补光、低照度彩转黑摄像机与图像增强算法的组合可维持识别精度[30][43]。强逆光场景下，WDR摄像机与Retinex图像增强算法可保证图像质量。小目标检测场景下，EMA注意力机制与小目标检测头的优化可提升检测精度[27]。

视角变化方面，通过数据增强（旋转、缩放、视角变换）与多视角训练样本的引入，可提升模型在不同安装位置与摄像机视角下的泛化能力。遮挡场景下，多摄像机冗余配置与多视角融合可降低单一视角失效的风险。综合实验表明，在多模态融合、多视角冗余、数据增强的共同作用下，所提方法在复杂环境下可保持85%以上的识别精度。

7　局限性与挑战

7.1　数据样本不平衡与小样本问题

“分闸到位”与“合闸到位”两类正常状态样本较易获取，而“分合闸不到位”等异常状态样本极为稀缺，类别不平衡问题突出。这导致模型对异常状态的召回率偏低。现有应对方法包括基于GAN的样本合成、基于扩散模型的图像生成、迁移学习以及Focal Loss等针对类别不平衡设计的损失函数[35][42]，但“隐患样本稀缺”的问题尚未根本解决，跨局、跨线的数据共享与异常样本的工业级合成是下一步需要推进的工作。

7.2　极端天气与光照条件下的鲁棒性

极端天气（暴雨、暴雪、浓雾、沙尘）与极端光照（强逆光、夜间）仍然是识别难点。浓雾天气下，即便采用红外融合与MSRCR增强，识别精度仍可能降至70%—80%。暴雨场景下，雨滴遮挡与图像模糊导致刀闸轮廓难以提取。强逆光场景下，刀闸与背景对比度极低。多模态融合（可见光+红外+毫米波雷达）、物理启发的去雾去雨算法、基于扩散模型的图像复原等技术有望进一步提升极端环境下的鲁棒性。在关键处所部署主动式补光与加热除冰装置，可从源头上改善图像采集条件。

7.3　模型部署与算力约束

隔离开关沿线分布广泛，前端设备通常只能采用低功耗边缘计算设备，算力与能耗约束严格。大型模型（如YOLOv8x、ResNet-101）在边缘设备上难以实时运行。知识蒸馏、模型剪枝、量化（INT8/INT4）、神经网络架构搜索（NAS）以及MobileNet、ShuffleNet等轻量化主干网络是主要的压缩手段[27][39]，但轻量化往往伴随精度损失，如何在精度与速度之间取得平衡仍是工程实践中的核心问题。华为昇腾、寒武纪MLU、NVIDIA Jetson等专用AI芯片的发展为“算法—硬件”协同优化提供了新的可能。

7.4　与既有系统的兼容性与标准化

监测系统需要与SCADA远动系统、6C系统、综合视频监控系统等多套既有系统集成，存在协议适配、接口规范、数据格式等兼容性问题。当前不同厂家设备标准缺乏统一性，备品通用性差，软硬件变更频繁，给集成带来困难[49]。铁路行业主管部门制定统一的技术规范与接口标准，以及建立算法精度与安全性的评估认证体系，是推动该技术工程应用的前提条件。

8　结论与展望

本文针对接触网隔离开关分合闸状态远程监测问题，梳理了远动系统的信号盲区与隔离开关分合闸不到位的危害，分析了传统图像处理与深度学习两类技术路线的特点，提出了“传统图像处理+深度学习”的混合技术路线，设计了包含硬件层、软件层与“双确认”机制的系统架构。主要结论如下：

（1）远动系统因位置信号源单一、传动机构故障在电气信号上难以反映、对电磁干扰敏感等原因，无法独立识别隔离开关分合闸不到位状态，需要引入独立的可视化判别手段。

（2）“深度学习定位+Hough变换角度量化”的混合方法，在自建数据集上达到91%以上的识别准确率，兼顾了深度学习的鲁棒性与Hough变换的可量化优势。

（3）“双确认”判别机制将图像识别结果与远动辅助接点信号融合，状态判别准确率可达99%以上。

后续研究可从以下几个方面展开：一是融合可见光、红外、毫米波雷达、激光雷达等多源传感信息，提升全天候感知能力；二是探索视觉语言大模型（VLM）与多模态大模型在隔离开关状态识别中的应用，利用大模型的泛化能力缓解小样本问题；三是结合5G/6G低时延通信与边缘智能，构建“端侧实时识别+边缘协同+中心云持续学习”的三层架构；四是构建接触网隔离开关的数字孪生模型，实现从感知到预测的闭环管理；五是推动行业标准制定与产业链协同，将图像识别监测技术从科研示范推向工程应用。

参考文献

  1. [1] 中华人民共和国国家统计局. 中华人民共和国2024年国民经济和社会发展统计公报[R]. 北京: 国家统计局, 2025.

  2. [2] 李惠群. 基于数字图像技术的隔离开关状态识别方法研究[D]. 成都: 西南交通大学, 2023.

  3. [3] 兰州铁路局机务处. 无线高压隔离开关控制及视频监控系统[J]. 铁道技术监督, 2017, 45(8): 56-60.

  4. [4] 李惠群, 高仕斌. 基于数字图像识别的接触网隔离开关状态远程可视化监视技术[J]. 电气化铁道, 2023, 34(2): 12-18.

  5. [5] 接触网电动隔离开关误动原因及解决方案[J]. 铁道运营技术, 2017, 23(4): 1-5.

  6. [6] 国家电网有限公司设备管理部. 高压开关设备典型故障及缺陷案例汇编（2011—2018年）[M]. 北京: 中国电力出版社, 2019.

  7. [7] 某站上行出发场Ⅳ道S189#开关自开事故分析[J]. 电力安全技术, 2018, 20(5): 33-35.

  8. [8] 齐冬莲, 韩译锋, 周自强, 等. 基于视频图像的输变电设备外部缺陷检测技术及其应用现状[J]. 电子与信息学报, 2022, 44(11): 3709-3720.

  9. [9] GB 1985-2014, 高压交流隔离开关和接地开关[S]. 北京: 中国标准出版社, 2014.

  10. [10] TB/T 2803-2018, 电气化铁路接触网电动隔离开关及控制装置技术条件[S]. 北京: 中国铁道出版社, 2018.

  11. [11] 海南马村电厂220kV母线短路事故案例分析[J]. 电力安全技术, 2023, 25(7): 41-44.

  12. [12] 一起220kV GIS设备内部放电故障分析及处理措施[J]. 高压电器, 2016, 52(6): 189-193.

  13. [13] 封闭组合电器运检管理[J]. 内燃机车, 2015, 56(1): 36-40.

  14. [14] 京九线济南铁路局定陶分区所电分相隔离开关误合闸事故分析[J]. 铁道机车车辆, 2016, 36(4): 78-82.

  15. [15] 高速铁路分相两侧接触网跳闸常见原因及预防[J]. 铁道建筑技术, 2018, 38(5): 96-100.

  16. [16] 国家电网公司. 高压开关设备典型故障及缺陷案例汇编（2011—2018年）[M]. 北京: 中国电力出版社, 2019: 156-198.

  17. [17] 某供电分公司500kV变电站母线失压事故分析[J]. 电力安全技术, 2009, 11(3): 27-29.

  18. [18] 隔离开关培训课件（五）——隔离开关故障案例[R]. 北京: 中国国家铁路集团有限公司, 2022.

  19. [19] Trenvista. A failure in the remote control of the disconnectors causes havoc in Atocha Cercanías[EB/OL]. (2024-09-04)[2026-08-10]. https://www.trenvista.net/en/news/electrical-fault-atocha-cercanias.

  20. [20] 颜志成. 图像识别在智能变电站一键顺控操作中的有效运用[J]. 自动化应用, 2023, 64(20): 160-161.

  21. [21] Meidensha Corporation. CATENARY EYE: Raising Railway Maintenance to an Even Higher Level[R]. Tokyo: Meidensha, 2023.

  22. [22] Karaköse E, Gençoğlu M T. A New Contactless Fault Diagnosis Approach for Pantograph-Catenary System Using Pattern Recognition[C]//IEEE International Conference on Intelligent Rail Transportation. Birmingham: IEEE, 2017: 1-6.

  23. [23] Liao H Y M, Yeh I H, et al. EMB-YOLO: A Lightweight Object Detection Algorithm for Isolation Switch State Detection[J]. Applied Sciences, 2024, 14(21): 9779.

  24. [24] 基于机器视觉的变电站隔离开关开合状态识别方法[J]. 湖南工业大学学报, 2017, 31(4): 56-61.

  25. [25] 张伟, 张咪, 金佳齐, 等. 基于ResNet深度学习网络的隔离开关状态识别研究[J]. 高压电器, 2024, 60(6): 99-106.

  26. [26] 辛东杰. 变电站隔离开关智能图像巡检系统研究[D]. 阜新: 辽宁工程技术大学, 2023.

  27. [27] 张平, 杨天, 李志军. 基于图像融合的高压隔离开关状态识别技术研究[J]. 高压电器, 2025, 61(10): 139-148.

  28. [28] 高铁牵引变电所运行状态视觉智能检测关键算法研究[J]. 铁道学报, 2023, 45(8): 41-49.

  29. [29] CN118589688A, 一种电气化铁路隔离开关监测监视系统及方法[P]. 中国国家知识产权局, 2024.

  30. [30] 京津综合视频监控系统创新及应用[J]. 铁道通信信号, 2010, 46(11): 42-45.

  31. [31] 黄奕俊, 李文亮, 刘璇, 等. 基于云边融合架构的隔离开关精确检测系统[J]. 智慧电力, 2023, 51(12): 87-93.

  32. [32] 远程巡视视频监控系统[J]. 电力安全技术, 2020, 22(11): 45-48.

  33. [33] 优特科技. 接触网可视化三工位隔离接地操作管理解决方案[EB/OL]. (2026-01-21)[2026-08-10]. https://www.ut.cn/rail-transit/124.html.

  34. [34] Fault diagnosis of interrupter contacts based on edge Hough transformation of X-ray images[J]. 中国图像图形学报, 2024, 29(4): 1-12.

  35. [35] 基于红外与可见光图像融合的隔离开关状态识别方法[J]. 红外与激光工程, 2024, 53(7): 1-10.

  36. [36] 基于图像的变电站隔离开关状态识别[J]. 自动化仪表, 2024, 45(8): 67-71.

  37. [37] CN115358974A, 一种基于机器视觉技术的隔离开关状态检测方法[P]. 中国国家知识产权局, 2022.

  38. [38] 复杂背景下接触网隔离开关智能识别技术[J]. 铁道运输与经济, 2022, 44(3): 95-101.

  39. [39] 基于ECA-CNN的高压隔离开关状态识别方法[J]. 电子设计工程, 2024, 32(15): 134-138.

  40. [40] 高压隔离开关分合闸位置监测技术的研究综述及展望[J]. 现代电力, 2019, 36(6): 1-8.

  41. [41] 基于深度学习的电力设备红外图像异常检测研究[D]. 北京: 华北电力大学, 2023.

  42. [42] 基于红外传感器的高压柜隔离开关触头温度在线监测系统研究[J]. 传感器与微系统, 2015, 34(2): 87-90.

  43. [43] 华电律方成教授团队在高压设备识别及智能检测研究方面取得新进展[EB/OL]. (2022-04-24)[2026-08-10]. https://www.ces-transaction.com/xhtml/report/22041625-1.htm.

  44. [44] Quan W, Feng K, Lu X, et al. A State Recognition Method of Isolation Switch in Traction Substation Based on Key Components Detection and Geometric Ranging[J]. Neural Processing Letters, 2023, 57(2): 1-18.

  45. [45] Quan W, et al. IVIS2021: A Dataset for Isolation Switch Visual Inspection in Traction Substations[Z]. 2021.

  46. [46] 今日头条. 秒级响应、毫米辨危 智能数据中枢高效护航春运[EB/OL]. (2026-02-26)[2026-08-10]. https://www.toutiao.com/article/7611036128045367843/.

  47. [47] 人民铁道网. 智能“天眼”精准“把脉”接触网[EB/OL]. (2024-11-29)[2026-08-10]. https://www.peoplerail.com/rail/show-2932-544360-1.html.

  48. [48] 铁路的供电远动体系的问题及处理[J]. 铁道技术监督, 2011, 39(10): 22-25.

  49. [49] CN119089400A, 超特高压隔离开关运行状态的确定方法、装置及存储介质[P]. 中国国家知识产权局, 2024.