输电线路覆冰类型的精准识别是电网防灾减灾中的关键环节，然而，现有的计算机视觉方法在复杂天气状况下易受干扰，识别准确率和鲁棒性不足。与常规物体分类不同，覆冰过程本质上是由温度、湿度等微气象要素主导的物理相变现象，缺乏气象先验的视觉模型难以建立稳健的特征映射。针对当前单一视觉模态在恶劣环境下鲁棒性不足的问题，本文提出了一种物理感知的交叉注意力驱动多模态融合网络（CADMEF-ViT）。该模型以Visual Encoder提取的图像特征为基础，结合Meteorological Encoder提取的气象特征，利用交叉注意力机制动态引入温度与湿度特征，在特征空间层面实现视觉表征与气象物理条件的深度对齐与互补。为了验证模型在极端条件下的边界性能，构建了一个包含模糊、低光照等长尾样本的挑战性子集。实验结果表明，CADMEF-ViT在标准测试集上的准确率达到97.78%，优于单模态基线（95.97%）及特征拼接变体（97.14%），验证了动态信息交互机制在消除模态歧义方面的有效性。特别是在挑战性子集中，CADMEF-ViT保持了81.44%的高准确率，而缺乏物理约束的单模态模型仅为60.82%，展现了卓越的鲁棒性。消融实验与显著图可视化进一步揭示了模型的决策机理：温度特征主导了类别划分，湿度特征辅助细粒度修正，且交叉注意力机制成功引导模型抑制背景噪声，聚焦于具有因果关联的导线覆冰区域。本文方法为复杂自然环境下的输电线路覆冰监测提供了高可靠的解决方案。
关键词：输电线路覆冰类型识别；多模态；气象要素；交叉注意力机制
 

精细化分类