电气设备运行时,由于电流的热效应,不可避免的会导致温度升高。电气设备的温度与环境温度之差,即温升,是由设备本身发热造成的。如果温升超过了一定值,说明设备可能出现了异常,若不及时处理排除故障,发热将会加速设备绝缘老化,甚至损坏设备。因此,测温是电力巡检工人检查电气设备缺陷的主要手段。目前测温主要还是依靠红外检测技术,但该技术在实际应用中存在检测设备价格昂贵、分辨率低、对检测人员技术水平要求较高等问题。本课题提出了一种基于可见光图像建立机器学习智能识别模型的方法来测量设备温度。本文利用机器学习温度识别模型,面向该方法的实际应用,设计并实现了一套用于移动端的电气设备温度监测软件系统。首先,本文在充分分析用户对此系统功能需求和人工智能温度检测系统特定要求的前提下,确定了总体设计方案。系统将机器学习模型部署在服务器上,使用Android手机通过网络连接服务器实现设备温度识别。然后,使用Node.js技术搭建服务器后台环境,使机器学习模型能在服务器上进行温度识别,并连接数据库实现用户信息和温度识别记录的存储。接着,开发了Android手机APP,使用户成功登录后可以实现电气设备图片拍照获取、裁剪处理和上传至服务器并接收返回结果完成温度识别功能,且在本地保存了上传记录以供查看。最后,开发了网页前端的温度监测管理应用软件,用户可以在此访问数据库实现设备温度数据的查看分析,并可以更改和删除数据,使用新数据重新进行机器学习训练,建立新的识别模型以达到更好的识别效果。本论文工作已经成功实现设计功能,并在手机、网络上实际运行,实现了温度的智能监测。