王 勋， 毛华敏， 李唐兵， 曾 晗， 程宏波

(1.华东交通大学 电气与自动化工程学院，江西 南昌 330013；2.国网江西省电力有限公司电力科学研究院，江西 南昌 330096)

0 引 言

利用红外热像仪采集电力设备红外图像进行设备的故障诊断是一种运用广泛且行之有效的方法[1]，利用现场获取的电力设备红外图像进行图像处理，诊断设备的故障状态、确定设备的故障区域[2]。这种方法高度依赖人工经验，效率低下，误判率高。随着检测技术的发展，可以依靠计算机对海量的电力设备红外图像进行分析，从中对电力设备进行识别和定位,为后续电力设备故障诊断提供可靠依据[3]。

研究者已提出了多种电力设备红外图像的自动识别方法。文献[4]采用Zernike不变矩来提取变电站设备红外图像的特征，利用支持向量机(support vector machine,SVM)构造分类器，对变电站设备红外图像进行分类，具有人为选择计算特征的缺陷。近年来, 图像识别[5]领域最著名的方法是深度学习方法。常见的基于深度学习的目标检测算法包括有(region-based fully convolutional networks，R-CNN)[6],YOLO[7],Fast R-CNN[8],SSD[9]等。2017年，文献[10]利用R-CNN算法对电力设备进行识别，验证了利用深度学习算法可以对高压电线路小部件进行目标检测和识别；文献[11,12]提出了一种结合CNN和随机森林的电力系统关键电力设备图像识别方法，这种方法由于CNN算法的局限性，检测图像大小必须为正方形，这极大影响到形状复杂的电力设备的定位。

本文以避雷器、断路器、电压互感器和电流互感器4种设备为例进行电力设备的自动识别研究。……