【目的】随着电网规模的不断扩大和运行环境的日益复杂，输电设备表面腐蚀问题已成为威胁电网安全运行的重要因素。传统人工巡检方式不仅效率低，而且难以准确识别设备表面的细微腐蚀特征，特别是在复杂自然环境下腐蚀区域边界往往模糊不清，给精确识别带来巨大挑战。为此，提出了一种基于图像语义分割的输电设备表面腐蚀区域细粒度识别方法，旨在通过深度学习技术实现对腐蚀区域的精准检测和识别。【方法】上述识别方法的核心为构建了一个融合注意力机制的语义分割网络，该网络通过引入通道注意力和空间注意力机制，能够有效捕捉腐蚀区域的细微特征和精确边界。具体而言，通道注意力机制通过分析特征图各通道间的关系，增强对腐蚀特征显著通道的响应；空间注意力机制则通过关注特征图的空间位置信息，强化腐蚀区域的空间特征表达。完成初步分割后，采用K-means++聚类算法对分割后图像的像素RGB值进行聚类分析，该算法通过优化初始聚类中心的选择，有效避免了传统K-means算法可能陷入局部最优的问题，从而能够更准确地划分腐蚀与未腐蚀区域。为进一步提高识别精度，引入了结构相似性指标对各聚类区域进行评估，通过计算区域间的结构相似度，在像素级别上实现了腐蚀区域的细粒度识别。【结果】识别方法在复杂自然环境下的输电设备图像数据集上取得了显著效果，腐蚀区域识别准确率大幅度提高，边界定位精度较传统方法明显提升。【结论】该识别方法通过融合注意力机制的语义分割网络，并结合K-means++聚类算法与结构相似性指标评估，为输电设备表面腐蚀区域的细粒度识别开创了一种高效且精确的新途径。该识别方法通过引入注意力机制，有效应对了腐蚀区域特征复杂、边界模糊的挑战，显著提升了识别精度。同时结合聚类算法与结构相似性评估，实现了像素级别的细致区分，进一步增强了识别的精细度和实用性，为电网的安全监测与维护提供了坚实的技术保障，不仅保障了电网的安全稳定运行，还为图像识别和分割技术在其他领域的应用提供了宝贵的思路和启示。