Con la amplia aplicación del aprendizaje profundo, la tecnología de inspección de energía ha avanzado mucho. Sin embargo, los videos de inspección de subestaciones a menudo presentan desafíos como fondos complejos, distribución desigual de la iluminación, variaciones en la apariencia de los objetivos de los equipos de energía y oclusiones, lo que aumenta la dificultad de la segmentación y el seguimiento de objetos, afectando negativamente la precisión y confiabilidad del monitoreo de la condición de los equipos de energía. En este documento, se propone una red de coincidencia de memoria igualada a nivel de píxel (PEMMN) para la segmentación y seguimiento de inspección inteligente de energía. Primero, se diseña una red de coincidencia de memoria igualada para recopilar información histórica sobre el objetivo utilizando un banco de memoria, en el que se utiliza un método de coincidencia igualada a nivel de píxel para garantizar que la información del marco de referencia se pueda transferir al marco actual de manera confiable, guiando al rastreador de segmentación para centrarse en la región más informativa en el marco actual. Luego, para evitar la explosión de memoria y la acumulación de errores en la plantilla de segmentación, se introduce un módulo de evaluación de calidad de máscara para obtener el nivel de confianza del resultado de segmentación actual y así almacenar selectivamente los marcos con alta calidad de segmentación para garantizar la confiabilidad de la actualización de la memoria. Finalmente, el mapa de características sintéticas generado por el PEMMN y la estrategia de evaluación de calidad de máscara se unifican en el marco de seguimiento de segmentación para lograr una segmentación precisa y un seguimiento robusto. Los resultados experimentales muestran que el método se desempeña excelentemente en escenarios reales de inspección de subestaciones y tres conjuntos de datos generalizados, y tiene un alto valor práctico.