在过去很长一段时间里,我国经济的飞速发展促进了我国基础设施的建设,中国电网系统就是其中一个典型代表。最近几年,中国电网系统在各个方面都获得了无比耀眼的成就,在技术上已经实现世界领先,在规模上更是普及万家。随着不断扩大的电网规模,电网系统急需面对的挑战就是安全问题。为解决此问题,传统方法是利用大量工作人员沿着电力设施拍摄大量电气设备图像,然后人工去对这些图像是否存在故障以及故障类型做出诊断和判别。如果是热红外图像则借助辅助工具获取温度信息,如果是可见光图像,则人为去观察。当下,最常用的方法是利用热成像仪拍摄的大量电气设备热红外图像或者直升机、无人机巡检时拍摄的电气设备可见光图像,结合电气设备智能分析系统,判断此张图像上某类设备是否存在某类故障,摒弃之前繁琐的人工操作,实现电气设备故障判别的自动化。电气设备检测,无论是基于热红外图像还是可见光图像,都是电气设备智能分析系统中非常重要的部分。因此对电气设备检测技术的研究具有重要的理论意义和现实价值。智能电网的概念于2009年5月份由中国国家电网公司提出,其内容和任务包括技术、管理等多个方面,其中一个任务是技术上实现自动化。本文的研究就是为了设备故障诊断与判别能够实现自动化。由于电网规模的快速扩大,那么产生的电气设备图像也会快速增多,传统人工诊断与判别的方法已经不能满足现实需求。在过去的几年里,卷积神经网络技术迎来了属于它的契机,深度学习的概念随之被提出而且在计算机视觉领域已经取得了非常优异的成绩。深度学习模型能够快速提取图像深度特征,具有很高的灵活性和鲁棒性。因此,本文就如何解决电气设备故障自动诊断这个问题,提出了一个新的视觉任务,本文将其命名为电气设备检测。为了开展此项研究,本文构建了相应的数据集并结合如今非常流行的深度学习技术开展相应工作。本文的主要工作和贡献如下所示:(1)构建了热红外图像和可见光图像电气设备数据集TEED001和VEED001。两个数据集分别包含5558张图像和3669张图像;11180个设备实例和15182个设备实例;21个设备类别和14个设备类别。在标注过程中借助专业标注工具通过画矩形边界框的形式标注并记录所有感兴趣设备的位置、大小以及类别标签。(2)提出了基于自注意力机制的热红外图像电气设备检测方法。目前先进的目标检测算法虽然已经达到了很高的检测精度,但是很多算法并没有很好地利用上下文信息,所以它们得到的特征表示没有达到最优,这导致很多算法的检测性能还有提升的潜力。本文在自注意力机制的基础上结合DANet做出改进并提出CPDANet,利用CPDANet中通道注意力模块和位置注意力模块捕获上下文信息并将局部特征与其全局相关性集成来获得更优化的特征表示,并将此特征作为Faster R-CNN的输入做后续处理以获得更优的检测性能。(3)提出了无人机可见光图像的快速多尺度电气设备检测方法。本文对大分辨率可见光图像进行预处理和后处理之后结合YOLOv3提升小目标检测性能。另外,针对YOLOv3中的多尺度融合本文结合ASFF和SE-Net算法在进行多尺度特征融合时做出相应改进并将其命名为SEFF。图像预处理是对图像进行有重叠的裁剪,将一张高分辨率图像有重叠地裁剪成多张低分辨率图像,后处理是将这些裁剪后图像与原始图像的检测结果再次通过非极大值抑制算法相结合,提升了小目标和尺度变化严重的目标的检测性能。