其他行业
在电力系统向智能电网转型的过程中，冷却液、变压器油、水等关键液体的化学完整性，直接关系到电力设备的稳定运行与能源系统的安全保障。这些液体在长期使用中，易因机械磨损、腐蚀、绝缘材料分解等因素，混入碳、铁、铜、锡等杂质，可能降低冷却效率、缩短设备寿命，甚至引发电气故障。有数据显示，约35% 的变压器故障与冷却液体中的污染物相关，因此及时准确的杂质检测成为电力运维的关键需求。
传统检测方法往往存在效率低、准确性不足等问题，难以满足电力系统proactive 维护的需求。而高光谱成像（HSI）技术作为一种非接触检测手段，凭借其高光谱分辨率与空间分辨率的优势，为液体杂质检测提供了新的解决方案。杭州彩谱科技的 FS-23 高光谱相机，在上海电力大学团队开展的电力系统液体杂质检测研究中，展现出了稳定可靠的应用潜力。
该研究搭建的检测系统以彩谱FS-23 高光谱相机为核心，搭配卤素灯、校准白板与计算机，构建了完整的高光谱成像检测体系。FS-23 高光谱相机具备 400-1000nm 的光谱范围，2.5nm 的光谱分辨率与 1200 个光谱通道，能够精准捕捉液体样本在不同波长下的光谱响应；同时其 1920×1920 像素的空间分辨率与 5.86μm 的像素尺寸，可清晰呈现样本的空间信息，为杂质识别提供了丰富的数据支撑。
检测流程遵循严谨的科学逻辑：
1. 样本制备：选取coolant、变压器油、水三类电力系统关键液体，分别添加碳、铁、铜、锡四种常见杂质颗粒（粒径均为 10μm），按照国际标准设定杂质浓度，确保样本贴合实际应用场景；
2. 数据采集：在标准化照明条件下，以50 毫秒曝光时间采集样本高光谱图像，通过软件选取感兴趣区域（ROI），最终构建包含 9350 条光谱反射率数据的数据集；
3. 数据预处理：采用Savitzky-Golay 滤波对原始光谱数据进行平滑处理，消除仪器噪声与光散射等干扰因素，提升数据质量；
4. 模型构建：整合13 种机器学习算法，开发 WeightedEnsemble_L2 加权集成模型，通过两级集成策略，充分发挥不同算法的互补优势，提升杂质分类的准确性与鲁棒性。
实验结果显示，基于彩谱FS-23 高光谱相机的检测方案，在电力系统液体杂质检测中表现出优异性能：
l 模型在训练集上达到90% 的准确率，验证集与预测集准确率均为 87.53%，有效降低了单一模型常见的过拟合问题，展现出良好的稳定性；
l 对不同杂质的识别表现出差异化优势：碳颗粒混合物的识别效果突出，在三类液体中均能实现高效识别；原始液体的识别准确率超过97%，其稳定的光谱特征使其易于区分；铜颗粒在冷却液与变压器油中也保持了较高的识别准确率；
l 具备出色的泛化能力：即使仅基于冷却液样本训练模型，其在变压器油与水样本的杂质检测中，仍分别达到87.86% 与 87.42% 的准确率，能够适配电力系统中多种关键液体的检测需求。
值得注意的是，该方案对铁、锡等杂质的检测虽面临光谱相似性、化学不稳定性等挑战，但仍能保持70% 以上的准确率，为实际应用中的杂质筛查提供了可靠参考。
彩谱FS-23 高光谱相机在电力系统液体杂质检测中的成功应用，不仅解决了传统检测方法的痛点，更推动了电力运维向精准化、智能化转型。其非接触式检测特性，可避免对液体样本的破坏；快速的光谱数据采集与分析流程，能够满足实时监测需求；而与机器学习算法的融合，进一步提升了检测结果的可靠性，为电力设备的预测性维护提供了数据支撑。
除电力行业外，彩谱科技的高光谱相机凭借其灵活的配置与稳定的性能，还可广泛应用于食品检测、环境监测、材料分析等多个领域。未来，彩谱科技将持续深耕高光谱技术研发，不断拓展应用场景，为各行业提供更具针对性的光谱检测解决方案，以技术创新赋能产业升级。
（论文原文可通过Engineering Applications of Artificial Intelligence 158 (2025) 111607搜索《Hyperspectral imaging for rapid impurity detection in power》进行阅读）
产品推荐
FigSpec FS-23成像高光谱相机
l 图像分辨率：1920*1920
l 光谱范围：400-1000nm
l 光谱分辨率(FWHM)：2.5nm
l 光谱通道数：1200
