刘子全，付 慧，李玉杰，张国江，胡成博，张照辉

（1.国网江苏省电力有限公司电力科学研究院，南京211103；2.国网江苏省电力有限公司，南京210000）

引 言

保持电力设备安全稳定的运行是电力系统运维的首要任务。常年运行的设备可能出现各种故障，因此需要定位、检测和维修。红外检测方式无需直接接触设备，可在不停电的状态下发现故障类型，在系统运维的安全性、可靠性和经济性等方面具有明显优势。当前技术通常基于故障设备的温度会发生变化这个事实来实施红外成像检测，通过故障状态图像和正常状态图像的对比来实施定位和检测。

目前，红外图像中电力设备的检测主要以人工诊断的方式来实施。该方式需要操作人员手工在图像上画框进行分区，以定位电力设备及其重要部件。这种方式效率较低，对操作人员的专业知识及经验要求较高，容易出错。随着人工智能技术的快速发展，用智能算法取代人工操作成为可能，这需要首先完成红外图像中电力设备的检测任务。

考虑到变电设备种类众多，为了完成设备区域的检测，可首先运用图像分割技术自动将红外图像分区，然后采用目标特征提取和分类方法对电力设备分类和识别，最后利用各自区域的温度数据完成故障诊断［1］。

因此，本文研究利用深度学习技术对红外图像中的电力设备进行自动语义分割和目标检测，将设备的轮廓提取出来，便于后续的区域定位和识别。……