电力设备是电力系统的基石,由于红外检测技术具有非接触式检测等优势,电网公司常利用红外检测技术对电力设备定期进行人工巡检。然而目前人工巡检效率低下,且易受巡检人员的主观经验和工作时间影响,从而出现对电力设备状态误判的情况,这将难以满足未来大量电力设备红外数据实时处理的需求。另外,电力设备红外图像检测和识别过程中仍存在较多的问题,如红外图像对比度低、电力设备相互遮挡和图像中正负样本不平衡等。本文基于以上难点展开了基于深度卷积神经网络的电力设备红外图像检测的研究。本文首先介绍了常见的电力设备检测算法,详细分析了经典目标检测算法的优缺点,总结了电力设备红外图像的检测难点。其次,本文采用随机裁剪、随机仿射、随机擦除和马赛克数据扩增作为电力设备红外图像的在线数据扩增;选取噪声、伪彩色变换、填充多边形遮挡物作为离线扩增。接着,使用快速超分辨率卷积神经网络对数据扩增后的数据集进行超分辨率重建以实现图像增强。本文采用在线和离线的多种数据增强方法对电力设备红外图像进行数据扩增,构建电力设备红外图像的数据集,提高网络模型的泛化能力和鲁棒性,解决电力设备红外图像分辨率低、对比度低和数据集少等问题。最后本文提出改进的YOLOv4检测模型。由于两阶段目标检测算法中的R-CNN系列算法检测速度低,一阶段目标检测算法的YOLO系列算法精度较低且难以部署在实际的工程设备中,因此首先引入轻量化网络Mobilenetv3作为YOLOv4网络的特征提取结构,来提取输入端电力设备图像的特征信息,这大幅度减小参数量和运算量,加快特征提取的过程;然后依据K-means++算法设计合适尺寸的锚框;接着将传统的NMS算法改进为双阈值的软NMS算法,抑制了电力设备的冗余框并且避免目标漏检,解决了电力设备相互遮挡而导致漏检的问题;最后在损失函数中引入焦点损失算法,降低简单、易分类的负样本在网络训练中所占的权重,同时增加困难样本的权重,解决了电力设备红外图像正负样本不平衡的问题。本文搭建了基于Pytorch深度学习框架下的YOLOv4算法的电力设备红外图像检测网络,通过对所提算法模型的验证与效果测试,结果表明本文改进YOLOv4检测算法实现了实时检测并达到了较高的检测精度。这为实现电力设备红外图像的自动智能检测与识别打下了基础,为后续的电力设备状态诊断做了铺垫。