红外检测技术可有效监测电力设备的热状态,已被广泛应用于电力设备的检测与热故障诊断中。随着智能电网的不断发展,红外图像剧增,而传统红外故障检测依靠人工排查或手工提取特征,检测效率低且对人员经验依赖大,存在对缺陷的分析判断能力参差不齐的问题。因此,基于红外图像特征分析的智能化发展将提升红外诊断技术的检测水平,实现对红外图像的高效智能化检测,保障电网的安全运行。本文通过分析电力设备红外图像的特点,使用卷积神经网络实现对电力设备的故障诊断,提出结合R-FCN和Open CV的电力设备故障检测算法模型,改进算法对红外图像中小目标电力设备的检测和识别能力,提高故障诊断的准确率,并对故障等级进行判断:首先,分析基于卷积神经网络的目标检测方法及其检测机理。通过分析和对比选择基于Res Net-50的R-FCN网络作为本文故障诊断模型的主网络部分,为后续研究提供了必要的理论基础。其次,为减少图像中的噪声,提出了结合自适应中值滤波和小波变换的图像去噪方法,以信噪比、结构相似性和图像视觉效果为评价准则,该方法与现有的图像去噪方法相比,可更好的实现电力设备红外图像滤波。另外,选用直方图均衡化的方法来实现对红外图像进行增强处理,达到了增强图像对比度和减少图像失真的目的。红外图像去噪和增强的预处理可提高电力设备红外图像的故障诊断识别准确率。然后,针对现有的图像分割方法存在分割精度低、过分割和无法保证边缘的封闭性的问题,提出改进的K-means图像分割方法,通过该方法能够自动将图像中所检测的目标和背景相分离,以使图像能够反映目标的真实状态,实现提升后续分析和目标检测的准确性的目的。最后,提出改进的R-FCN网络结合Open CV二次诊断的故障诊断模型。为实现对电力设备小目标的准确识别,对残差模块进行了优化,每个残差块融合了低层特征和高层特征。训练该特征提取网络自动提取样本故障的特征图,并在特征图上使用R-FCN检测出故障区域和故障等级。将检测结果送入Open CV中对缺陷的等级划分进行二次诊断,以进一步降低误报率。通过具体的仿真测试,改进后的RFCN网络对电力设备红外图像的故障诊断的平均精度达到了80.76%,比原R-FCN网络提升了8.43%,通过性能测试,检测平均准确率为84.6%。实现了特征提取和故障检测识别端到端的过程,避免了由于人工提取故障特征而造成特征单一,及在特定情况和场景下无法有效检测并识别故障的问题。