近年来,随着社会的发展,电网规模日益剧增,对变电站的电力设备来说,其检测复杂化日益凸显。传统的基于红外温度成像的电力设备缺陷检测方法采用的模板匹配法需固定焦距、角度和距离,因此当变电站情形发生变化时,这些条件需要重新设置。仅仅依赖该算法难以准确检测电力设备,亟待研究新的、更可靠的电力设备检测方法。给出了一种基于深度学习与部件定位相结合的电力设备红外图像检测与红外温度缺陷检测方法。首先给出一种改进的深度学习目标检测算法模型DEDID。通过改善模型高斯核函数半径的确定方法来提高目标检测算法对电力设备检测的精度。将圆形的高斯卷积核变换成有高度、宽度变化的椭圆高斯卷积核,热力图的形状可以随着待检测电力设备红外图像目标形状的不同而发生变化;针对模型在检测速度方面不理想的问题,给出利用高斯核生成高质量的训练样本的方法,产生更多的监督信号用于模型的回归,进而达到增加Batch＿size的效果;同时改进损失函数达到提高模型检测速度的效果;然后在目标检测结果的基础上设计分析结构化定位算法和模板匹配法定位算法。实现从复杂的红外图像中将不同电力设备结构部件定位检测出来。结合阈值分割法提取电力设备的表面温度并分析计算,设计制定电力设备温度缺陷判断规范,根据该规范即可判断电力设备的相关缺陷。本文使用十类电力设备红外图像数据集,共3140张图片。在Res Net-101、DLA-34和Res Net-18三种基础网络上做实验对比。实验结果显示,电流互感器、断路器、电压互感器和避雷器4类电力设备检测准确率达到了90.3%以上,所有十类电力设备平均准确率达到了88.8%以上。结果表明本文研究成果可以满足实际变电站场景下对电力设备红外检测的高要求,应用前景广泛。