电力设备的安全监测是电力系统稳定运行的保障,而锈蚀区域检测作为电力设备故障检测中非常重要的一环,能有效的预防电气火灾的发生。电力系统的安全监测一直依赖于人工巡检,效率低下并且安全性低,日益发展的图像识别技术可以根据图像信息来判断电力设备是否存在锈蚀等故障,但是电力设备锈蚀区域一般存在着模式复杂、特征提取困难等多方面的现实问题,导致了其在实际检测的识别率往往较低。如何在提高识别率的情况下加快检测速度等问题也成为了国内外学者目前的主要研究方向。本文基于深度学习的目标检测算法,针对目前锈蚀图像分类算法中准确率一直较低,目标检测算法所需内存空间较大、所需计算能力较强,不能做到实时监测等问题,结合多尺度特征、深度可分离卷积、注意力模型等方法对锈蚀目标定位和识别算法进行了改进,达到了较高的检测准确度,主要的研究内容和成果总结如下:(1)基于多尺度特征融合方法的图像分类算法研究。针对目前利用卷积神经网络进行锈蚀图像分类效果不佳、识别率不高等问题,本文提出一种基于多尺度特征融合方法的锈蚀图像分类算法。利用深度卷积神经网络优良的特征提取能力,结合深层尺度的高语义信息和浅层尺度的细粒度信息来对特征进行增强,随后通过PCA进行特征的降维与融合,去除掉无效的特征信息,最后使用SVM代替全连接层进行分类。经实验可得,本文算法可以获得更高的检测准确率,证明了本文算法的有效性和优越性。(2)基于轻量级神经网络的目标检测算法研究。针对目前目标检测算法体量庞大、计算缓慢等问题,本文提出一种基于轻量级神经网络的锈蚀目标检测算法。利用深度可分离卷积代替标准卷积在参数量大幅下降的同时保证一定的检测准确率,其次采用了一种拼接组合和添加通道注意力的上采样策略来弥补由于参数量减少造成的准确率损失。经实验可得,本文算法可以在较少参数量和较快检测速度下依旧保持良好的检测效果。(3)基于注意力模型的目标检测算法研究。针对上述因轻量化模型造成的精度下降,本文提出一种级联双注意力模型的锈蚀区域检测算法。结合空间注意力模型和通道注意力模型,通过拼接的方式进行连接组成一个级联双注意力模型,该模型可作为一个子模块添加在任何的目标检测算法中。经实验可得,本文算法可以在保持高速检测的情况下大幅度提高检测的准确性,同时也证明了本文算法的实用性、有效性。