温升故障是一种常见的电气设备运行故障类型,绝缘老化、过载、虚接等均可通过温度状态反映。在图像测温方面,基于热辐射机制的红外图像可以实现低温到高温的测量,但是空间分辨率较低;CCD可见光图像空间分辨率较高但只能用于高温测量。基于光反射机制的常温测量方法也只局限于单色激光光源,关于日光下可见光图像测量常温的研究几乎没有。随着光电成像器件的进步以及人工智能的发展,高像素可见光图像可以精确反映物体的颜色信息,机器学习能够有效地从输入特征和输出量之间复杂的非线性关系中拟合出映射模型,使得利用可见光图像测量常温物体的温度成为可能。本文探讨了基于可见光图像的热调制光反射常温测温机制,对基于k近邻机器学习算法的金属板温度预测模型进行了优化,取得的具体成果如下:1)搭建了可见光图像智能测温实验平台,利用数码相机建立了不同照度、不同温度以及不同图像格式的常见金属材料铜板和铝板图像库,共计6000张图像。2)在热调制光反射测温机制的基础上进行了理论拓展,提出了基于可见光图像的全波长多入射角热调制光反射测温机制。以黑体辐射源为研究对象,首先根据热辐射测温机制,实验验证了可见光图像几乎不含有能测量的热辐射温度信息;其次根据光反射测温机制,实验发现了存在反射光时,可见光图像含有明显能测量的温度信息。最后根据热调制光反射测温机制,提出了基于可见光图像的全波长多入射角热调制光反射测温机制,并引入机器学习的方法来拟合图像色度特征和温度的复杂的映射关系。3)在机器学习图像特征优化方面,提出了两种优化方法。首先,提取了三基色灰度频率分布的高层颜色特征,提出了基于Fisher判据进行特征选择,通过降低特征维数有效降低了测量误差。其次,提出了图像的亮度信息与高层颜色特征相结合,使温度预测模型能够反映环境照度的变化,提高了模型预测的准确性。4)在机器学习图像格式方面,提出了将RAW格式图像作为基础数据的优化方法,进一步提高了模型预测的准确性,使测量误差达到了0.7℃。本文提出的基于可见光图像和机器学习的常温测量方法,准确性高,操作简单,成本低,为利用可见光波段图像信息检测常温提供了新的技术路线。