红外热成像技术具有非接触式测温的特点,在电力设备热故障检测得到了广泛应用。目前对红外图像的分析多依赖人工完成。随着电力建设规模不断扩大,电力设备数量迅速增加,有限的人工方式不能满足日益增长的检测需要,亟待使用自动化方式代替。近年来基于人工智能的深度学习算法迅速发展,已广泛应用于电力行业的多个领域中,本文从红外图像识别角度出发,研究基于深度学习的电力设备检测技术。本文包含以下具体工作:针对目前在电力设备监测方面对红外热图处理研究的不足,结合电力设备智能监测的发展趋势,提出设备红外图像的多目标检测和分割任务;通过对比传统和深度学习图像处理技术各自的特点,选取适用于多目标检测、复杂背景分割任务的深度学习方法,选择Mask R-CNN模型展开研究;针对Mask R-CNN框架在图像分割部分的不足,提出改进方案。在原有模型的基础上,强化融合低层次特征信息,并将特征金字塔的每一层特征融合作为RoI的特征值,最后在Mask分支融合全卷积网络和全连接层的特征信息;对原始和改进后的Mask R-CNN模型进行对比实验。首先对实验数据集进行预处理和标注,按8:2的比例划分为训练集和验证集,然后将训练集输入模型训练并使用验证集进行验证,最后根据COCO官方评价指标对比模型性能。实验结果证明,改进后的Mask R-CNN模型提高了分割能力,在本文的电力设备红外图像处理任务中表现最佳。