随着我国综合国力的大幅提升,对于电力的依赖与日俱增,电力行业的角色愈发重要,其中电力设备是否能够安全、可靠、长久、稳定作业,是整个电力系统的关键所在。因此,为保障电力设备运行的安全性与可靠性,对电力设备进行有效的监控,观测、记录电力设备温度的变化,并实时、自动分析电力设备有无故障、故障程度、故障位置以及故障预测等已经成为研究的热点。本文依赖红外热成像技术,在红外图像的基础上设计了两种基于深度学习的电力设备故障检测与分析方法,具体如下:提出一种基于卷积神经网络的电力设备红外图像故障分析方法。首先,对于电力设备红外图像采用图像预处理进行滤波平滑,减少干扰,为后续进行图像分割、故障定位奠定基础。本文针对图像噪声特点,采用一种均值滤波与中值滤波相结合的方法,能够有效抑制高斯噪声和椒盐噪声的影响。其次,设计电力设备红外图像故障分类卷积神经网络模型,实验证明该网络具有极高的识别能力,适合实际生产工作。最后,针对故障电力设备进行故障分析并开展健康管理研究,故障分析包括故障定位和故障等级判断,故障区域定位依赖于图像分割技术,本文提出基于像素聚类的SLIC(simple linear iterative clustering)与全局阈值相结合的算法,结果表明此方法不仅分割效果良好,而且更具标签功能,从而实现真正意义上的区域定位,以方便后续温度提取操作,然后再结合具有一定适用性的相对温差判据实现故障等级判断;围绕健康管理的思想,引入红外图像序列的时空特性,采用拟合的方式,预测设备状态趋势曲线,并设计显示界面,完成对故障电力设备的集中显示、分类存储、统一管理,为日后的研究奠定基础,从而可以提高电力设备红外图像方面的诊断效率与准确率。提出基于SSD_Mobilenet网络的电力设备红外图像故障分析方法,该方法是在计算机视觉与深度学习以及目标检测技术飞速发展的历程下,对电力设备红外图像故障目标检测的尝试。本文基于现有有限数据,仅进行可行性实验,同时给出了整个分析流程:基于方法一中分类存储的基础,获取足够样本数据集后,采用SSD_Mobilenet目标检测网络进行处理,便可直接获得电力设备的故障部位及缺陷等级,最终再进行包括趋势预测、集中显示等健康管理,以实现更高程度的自动化检测,进一步简化检测步骤,提高生产工作中的检测效率。