一种变电设备红外热成像异常实时检测方法

摘要

本申请公开了一种变电设备红外热成像异常实时检测方法，包括：步骤1，根据样本区域采集到的红外图像，进行目标框标注以及图像增强，生成样本数据集；步骤2，调节神经网络模型与单阶段实时检测模型之间的通道数，生成初始检测模型；步骤3，根据样本数据集，对初始检测模型进行训练、优化，将优化后的初始检测模型记作红外热成像异常检测模型；步骤4，获取待检测区域的红外图像，利用红外热成像异常检测模型对待检测区域的红外图像进行异常检测，并输出待检测区域的红外图像中异常区域的预测框以及最高温度值。通过本申请中的技术方案，采用轻量级深度学习模型，实现电力设备红外图像异常实时检测以及智能实时巡检。

说明书

技术领域

本申请涉及电力设备异常检测的技术领域，具体而言，涉及一种变电设备红外热成像异常实时检测方法。

背景技术

变电站是电网中负责转换电压与分配电能的重要枢纽，其安全稳定运行至关重要，直接关系到电力系统的安全性及供电的稳定性。电力设备的长期运行或环境因素会造成关键部位接触不良、过负荷等问题，从而引起设备部分区域发热。据相关资料统计，超过一半的故障电力设备会出现异常的发热现象。

电力设备红外热成像是通过探测电力设备发出的红外辐射能量，将热信号转化为电信号，再经过电信号处理后获得电力设备热图像。电力红外检测具有不停电、非接触、技术成熟等特点，能够发现电力设备潜在的隐患和故障，已在电力设备热异常检测领域取得广泛应用。

而现有技术中，红外图像异常检测的研究大都基于传统机器学习算法，存在算法复杂、模型运算量和参数量大、准确率低、泛化能力差、模型僵化、在小型设备难以开展实时的异常检测等问题。

此外，在异常检测中，红外图像的预处理直接影响到检测精度，而目前的红外图像处理主流方法主要采用小波变换、Contourlet变换等对图像进行分解，并结合一定算法(如一般的直方图均衡化算法、滤波算法)对高频子带与低频子带的进行处理后进行重构的方法，虽然提升了图像处理的效果，但是这些算法中仍存在需人工调参、难以优化等问题。

发明内容

本申请的目的在于：采用轻量级深度学习模型，将此网络模型嵌入到在上位机系统中，实现电力设备红外图像异常实时检测与分析，做到真正智能巡检。

结合变电设备红外图像以及设备、发热区域的特点，采用有效的红外图像增强方法对数据集进行预处理，提高了异常检测的精度，采用单阶段的实时检测模型YOLOv3基本思想，并将其主干提取网络替换成EffcientNet，从而构建轻量级的移动端电力设备热故障实时深度学习检测模型。部署在移动端能够迅速准确地获得电力设备异常发热点位置以及其发热严重程度，实现了电力设备热故障的智能实时巡检。

本申请的技术方案是：提供了一种变电设备红外热成像异常实时检测方法，该方法包括：步骤1，根据样本区域采集到的红外图像，进行目标框标注以及图像增强，生成样本数据集，其中，所述目标框中包括电力设备类别、位置；步骤2，调节神经网络模型与单阶段实时检测模型之间的通道数，生成初始检测模型，其中，所述神经网络模型的模型参数由预设约束条件确定；步骤3，根据所述样本数据集，对所述初始检测模型进行训练、优化，将优化后的初始检测模型记作红外热成像异常检测模型；步骤4，获取待检测区域的红外图像，利用所述红外热成像异常检测模型对所述待检测区域的红外图像进行异常检测，并输出所述待检测区域的红外图像中异常区域的预测框以及最高温度值。

上述任一项技术方案中，进一步地，所述步骤2中，生成初始检测模型，具体包括：步骤21，将训练数据集中的红外图像输入至EfficientNet网络中一个3×3卷积层，进行输入维度调整；步骤22，对维度调整后的红外图像进行步进为2的卷积操作，并按照预设阶段进行移动翻转瓶颈卷积，提取EfficientNet网络中指定通道的特征图；步骤23，对YOLOv3模型的通道数进行压缩和自适应调整，将压缩、调整后的YOLOv3模型与所述指定通道的特征图进行张量拼接，生成所述初始检测模型。

上述任一项技术方案中，进一步地，所述初始检测模型中设置有预测模块，所述预测模块用于根据先验框输出所述预测框，所述先验框的调整过程包括：步骤201，根据预设K值，随机选取所述样本数据集中K个点作为聚类中心，并计算聚类误差，将所述聚类误差二阶导数最大值点所对应的K值记作初始聚类数；步骤202，根据所述初始聚类数，确定对应的聚类中心点，并依次计算所述样本数据集中每个红外图像的目标框与所述聚类中心点的距离；步骤203，将所述目标框分配给距离最小值对应的聚类中心点，并进行分裂、合并处理，更新聚类中心，调整聚类数；步骤204，采用迭代运算，重新执行步骤202和步骤203，当判定调整后的聚类数收敛时，根据收敛的聚类数确定所述先验框。

上述任一项技术方案中，进一步地，所述聚类误差SSE的计算公式为：

式中，C

上述任一项技术方案中，进一步地，所述预测框包括位置信息，所述位置信息包括预测框坐标以及高度、宽度，所述位置信息由预测损失函数L

式中，ρ为欧式距离，c为预测框和目标框的最小外接矩形的对角线距离，b、b

上述任一项技术方案中，进一步地，所述预测框包括故障类型信息，所述故障类型信息由当前预测框中最大分类置信度对应的预测框确定，所述分类置信度的计算公式为：

式中，ρ为欧式距离，c为预测框和目标框的最小外接矩形的对角线距离，m、b

上述任一项技术方案中，进一步地，步骤4中，所述最高温度值的计算方法包括：步骤41，提取所述待检测区域的红外图像中的最高温度与最低温度，并确定所述待检测区域的红外图像中各个像素点的RGB亮度值；步骤42，根据所述各个像素点的RGB亮度值，将所述待检测区域的红外图像转换为灰度图像，并分别确定最高温度、最低温度对应的第一灰度值、第二灰度值；步骤43，根据所述最高温度、所述最低温度、所述第一灰度值、所述第二灰度值，计算所述灰度图像中异常区域内各个像素点的温度计算值，将所述温度计算值进行排序，选取所述温度计算值中的最大值作为所述待检测区域的红外图像中异常区域的最高温度值。

上述任一项技术方案中，进一步地，所述步骤1中对采集到的红外图像进行图像增强，具体包括：对所述红外图像进行NSCT变换，得到多尺度多方向的高频子带系数和低频子带系数；通过自适应直方图均衡化方法，对所述低频子带系数进行对比度增强处理；对所述高通子带进行模糊增强，以增强目标与背景的对比度，其中，所述模糊增强的模糊参数由自适应遗传算法确定；采用NSCT逆变换，对增强后的高频子带系数和低频子带系数进行图像的重构，以实现图像增强。

上述任一项技术方案中，进一步地，所述方法还包括：根据所述待检测区域的红外图像中异常区域的最高温度值、以及预设等级阈值，生成预警等级，进行电力设备故障等级预警。

本申请的有益效果是：

本申请中的技术方案，采用轻量级神经网络模型Efficientnet进行端到端的实时分类定位与发热严重程度评估，此方法在检测精度、推理速度达到实用化的要求，实现了在前端人工智能嵌入式设备上的应用。

本申请采用轻量级神经网络模型Efficientnet作为骨干网络，不仅大幅度减少模型参数量、计算量，而且可通过综合优化网络宽度、加深网络和分辨率达到指标提升的目的，其识别精度超越其他卷积网络模型。并且能够部署在前端实时完成检测任务，提高了异常检测的效率。

本申请还根据电力设备类型以及发热点区域特征，运用多尺度检测算法YOLOv3，能够实时精准检测到不同大小面积的发热位置。

在本申请的一个优选实现方式中能够对发热点的严重程度进行分析和评估，方便巡检人员及时了解发热严重程度，及时排查故障。特别地，当检测到的异常区域的温度没有超过设定的阈值时，提醒需要人工进行勘察，根据参考标准进行精准检查是否有故障，排除隐患。

附图说明

本申请的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本申请的一个实施例的变电设备红外热成像异常实时检测方法的示意流程图；

图2是根据本申请的一个实施例的电力设备红外图像的示意图；

图3是根据本申请的一个实施例的红外图像增强流程的示意图；

图4是根据本申请的一个实施例的Efficientnet网络结构的示意图；

图5是根据本申请的一个实施例的红外热成像异常检测模型部分框架的示意图；

图6是根据本申请的一个实施例的红外图像异常检测流程的示意图。

具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。

在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。

目前的红外图像增强处理主要采用小波变换、Contourlet(轮廓波)变换等对图像进行分解，并结合一定算法实现对高频子带与低频子带的分别处理，特别是模糊增强的运用提升了效果，然而模糊集参数需人工随机输入并未优化处理，本实施例运用多尺度多方向NSCT(Nonsubsampled Contourlet，非下采样轮廓波变换)变换对图像进行分解，并针对图像保留信息差异，结合了自适应直方图均衡化以及自适应遗传算法优化的模糊增强方法分别对高频图像与低频图像进行处理，解决了模糊集参数需人工随机输入并未优化的问题，且适用性强，能够针对不同电力设备红外图像进行图像增强处理，并取得更好的效果。

如图1所示，本实施例提供了一种变电设备红外热成像异常实时检测方法，该方法包括：

步骤1，根据样本区域采集到的红外图像，进行目标框标注以及图像增强，生成样本数据集，其中，所述目标框中包括电力设备类别、位置；

本实施例通过无人机、巡检机器人等携带红外热像仪采集多张电力设备的红外图像，如2100张，其中，电力设备类型包括：断路器、隔离开关、变压器、套管、电流互感器、避雷器等，对应的红外图像如图2所示。然后对采集到的红外图像进行样本筛选，将正常图像和异常图像进行区分，设定异常图像为680张。

如图3所示，本实施例采用非下采样轮廓波变换(NSCT)变换、限制对比度的自适应直方图均衡化(CLHE)、自适应遗传算法、模糊算法，依次对采集到的红外图像进行图像增强。

首先，对红外图像进行NSCT变换，得到多尺度多方向的高频子带系数和低频子带系数，有利于更好的保持图像的边缘信息和轮廓结构，增强图像的平移不变性。

其次，由于低频子带系数包含了大量的图像信息，通过自适应直方图均衡化方法对低频子带系数进行对比度增强处理，避免出现过度放大噪声的情况。

再次，由于高频子带系数包含图像的细节和边缘信息，因此，对高通子带进行模糊增强，模糊增强算法可以有效的拉伸图像灰度范围，增强目标与背景的对比度，对红外目标区与背景区分解，并且，在模糊增强过程中，通过自适应遗传算法优化模糊增强参数。

最后，采用NSCT逆变换，进行图像的重构，得到红外图像的增强图像，实现了对红外图像的增强。

采用裁剪、等比例缩放或零值填充等图像处理方式，对增强后的红外图像进行图像处理，将红外图像的大小统一为416×416px。输入至常规的图像处理软件进行目标框标注，即对图像中发热异常区域与电力设备类别、位置标注不同的标签，形成对应红外图像的目标框。

将上述处理后的红外图像作为样本数据集，对后续构建出的检测模型进行训练、优化。

本实施例设定样本数据集包括训练、验证、测试数据集三种，三者间的比例为3：1：1。

步骤2，调节神经网络模型与单阶段实时检测模型之间的通道数，生成初始检测模型，其中，所述神经网络模型的模型参数由预设约束条件确定；

本实施例中采用YOLOv3模型作为单阶段实时检测模型，采用超轻量级的EfficientNet作为神经网络模型。

在原有YOLOv3算法中采用DarkNet-53作为主干特征提取网络。DarkNet-53在减少网络成本的同时提高了检测速度，解决了深层次网络的梯度问题，但缺点是网络层数太深导致网络参数过多，计算量太大。

为了实现在移动端进行实时异常检测，使网络轻量化，本实施例中引入超轻量级的EfficientNet网络，该网络运用复合扩展方法，同时对卷积网络的三种维度depth,width,resolution进行扩展，不会像传统的方法那样任意缩放网络的维度，有效提升现有网络在大规模计算资源上的训练结果，网络参数更少，推理速度更快，精度更高。

为了对EfficientNet网络中的模型参数进行优化，本实施例中设定了以下预设约束条件：

s.t.α·β

α≥1,β≥1,γ≥1

式中，α、β、γ为EfficientNet网络中的模型参数，分别衡量着depth,width和resolution的比重，

在计算模型参数α、β、γ时，首先设定调节参数

之后，固定上述最优的模型参数α、β、γ，使用不同的

可结合需求，选择适合大小和参数量的网络，以获得较好的处理效果，提升模型对不同场景的适用性。

本实施例中，为了追求轻量级网络模型以便运用到嵌入式设备中，因此，可采用EfficientNet-B0、EfficientNet-B1、EfficientNet-B2模型，优选为EfficientNet-B0模型。

如图4所示，由于EfficientNet网络与YOLOv3模型的网络通道数相差较大，无法直接将EfficientNet网络的输出直接引入YOLOv3模型，因此，需要对两者之间的通道数进行调节。

本实施例示出一种根据EfficientNet网络与YOLOv3模型生成初始检测模型的方法，该方法具体包括：

步骤21，将训练数据集中的红外图像输入至EfficientNet网络中一个3×3卷积层，进行输入维度调整，其中，训练数据集由随机选取的部分(3/5)样本数据集构成。

步骤22，对维度调整后的红外图像进行步进为2的卷积操作，并按照预设阶段进行移动翻转瓶颈卷积，提取EfficientNet网络中指定通道的特征图。

本实施例中，为了减少信息丢失，在特征图feature map的提取过程中，将大小为416×416px的红外图像输入EfficientNet主干网络，首先经过一个conv3×3卷积层转化为移动翻转瓶颈卷积MBConv需要的输入维度。

并且，在最开始降采样过程中没有采用常规的最大池化max pooling，而是对红外图像进行步进为2的卷积操作，然后按照预设阶段进行1次、2次、2次、3次、3次的移动翻转瓶颈卷积(MBConv)，以提取出不同尺度特征图，依次记作P1、P2、P3、P4、P5。

通过大量的数据运算和验证，对不同组合、排列的特征图进行测试，测试过程中发现，当选取大小分别为52，26，13的P3、P4、P5作为下一阶段的输入时，所得到的红外热成像异常检测模型对电力设备红外图像异常实时检测的效果最好。

因此，设定EfficientNet网络中的特征图P3、P4、P5为指定输入，输入至YOLOv3模型。

步骤23，对YOLOv3模型的通道数进行压缩和自适应调整，将压缩、调整后的YOLOv3模型与提取出的、指定通道的特征图进行张量拼接contact，生成初始检测模型。

具体的，如图5所示，与一般的网络结构不同，在进行张量拼接contact时，考虑到主干网络EfficientNet网络的输出与YOLOV3网络通道数相差较大，两者的通道数分别为40、112、320与256、512、1024，容易发生过拟合，因此将YOLOV3网络原通道数C压缩为C/4，并以此为中心，设定左右阈值，在此区间自适应调整通道数，以实现EfficientNet网络中指定通道的特征图与YOLOv3模型的连接。

在张量拼接contact的过程中，首先将特征图P5依次经过YOLOblock模块(进行5次1x1卷积)、3x3卷积层conv、1x1卷积层conv，得到特征图Feature map1。

将特征图P5经过YOLOblock模块后的特征图进行上采样upsample操作，然后与特征图P4进行张量拼接，得到特征图P6，将特征图P6依次经过YOLOblock模块、3x3卷积层conv、1x1卷积层conv，得到特征图Feature map2。

再将特征图P6经过YOLOblock模块后的特征图进行上采样upsample操作，与特征图P3进行张量拼接，依次经过YOLOblock模块、3x3卷积层conv、1x1卷积层conv，得到特征图Feature map3。

将特征图Feature map1、特征图Feature map2、特征图Feature map3作为输入，输入至预测模块，即可完成构建初始检测模型。

需要说明的是，预测模块进行异常预测过程中所需的先验框可采用现有YOLOV3网络中的先验框实现，现有YOLOV3网络采用K-means聚类算法得到先验框的尺寸，即从已标注的数据中通过聚类统计到的最有可能的物体形状，最后聚类出9种先验框，为每种下采样尺度设定3种先验框。

在确定先验框的过程中，K-means聚类算法存在两个问题：第一，最开始随机选取数据集中K个点作为聚类中心，K的值需要预先人为地确定，第二：一旦确定了聚类数K值，它在整个算法过程中无法更改。

在本实施例中，为了提高预测模块对红外热成像异常预测的准确性，对预测模块中先验框的设定进行调整，具体过程如下：

步骤201，根据预设K值，随机选取样本数据集中K个点作为聚类中心，并计算聚类误差，将所述聚类误差二阶导数最大值点所对应的K值记作初始聚类数，其中，聚类误差的计算公式为：

式中，C

具体的，聚类误差SSE为每个K值对应簇内的点到中心点的距离误差平方和。数据测试发现，随着聚类数K值的增大，样本分类会更精准，每个簇的聚合程度会慢慢提高，聚类误差SSE会随之变小。此外，当K值小于真实聚类数时，K值的增大会大幅增加簇的聚合程度，故聚类误差SSE的下降幅度会很大，而当K值到达真实聚类数时，再增加K值所得到的聚合程度会迅速变小，所以聚类误差SSE的下降变很平缓，此时，选取聚类误差SSE二阶导数最大的点所对应的K值，记作初始聚类数。

步骤202，根据初始聚类数，确定对应的聚类中心点，并依次计算样本数据集中每个红外图像(聚类样本)的目标框与聚类中心点的距离；

步骤203，将目标框分配给距离最小值对应的聚类中心点，并进行分裂、合并处理，更新聚类中心，调整聚类数。

本实施例中，在得到初始聚类数的前提下采用迭代自组织数据分析法(ISODATA)算法代替K-means算法。ISODATA算法在训练过程中能够根据各个类别的真实情况进行分裂、合并两种处理操作来调整聚类数K。

合并处理的过程为当聚类结果某一类中样本数太少，或两个类间的距离太近时，将这两个类别合并成一个类别。分裂处理的过程为当聚类结果中某一类的类内方差太大，将该类进行分裂，分裂成两个类别。

步骤204，采用迭代运算，重新执行步骤202和步骤203，当判定调整后的聚类数收敛时，根据收敛的聚类数确定先验框。

具体的，根据电力设备以及发热点区域的特点，最终聚类出的先验框大小排序，分配给三种不同尺度特征图。

分配规则：大尺度特征图使用较小先验框检测小物体，小尺度特征图使用较小先验框检测大物体。当最终聚类数K是3的倍数时，平均分配先验框。当K不是3的倍数时，13×13、26×26两种尺度分别得到

步骤3，根据所述样本数据集，对所述初始检测模型进行训练、优化，将优化后的初始检测模型记作红外热成像异常检测模型。

本实施例中，生成初始检测模型后，首先将样本数据集中的训练数据集作为输入，输入至初始检测模型，对初始检测模型进行训练，为了达到更快的收敛和更好的性能，训练过程中采用Adam优化器，并采用dropout方法防止模型过拟合。

之后，将样本数据集中的验证、测试数据集依次输入至训练好的初始检测模型，对其进行优化，将优化后的模型记作红外热成像异常检测模型，输出电力设备红外图像对应的预测框，以实现对电力设备红外图像异常实时检测。

步骤4，获取待检测区域的红外图像，利用红外热成像异常检测模型对待检测区域的红外图像进行异常检测，并输出待检测区域的红外图像中异常区域的预测框以及最高温度值。

本实施例中预测框包括位置信息和故障类型信息，其中，位置信息包括预测框坐标以及高度、宽度，故障类型信息用于判断待检测区域的故障类型。

需要说明的是，对于同一个图像的预测，会得到很多个预测框，每一个预测框中均包括位置信息和故障类型信息，通过对预测框的筛选，保留一个最优的预测框，作为输出的预测框。

在确定预测框的位置信息时，现有技术中通常使用交并比IoU来判断两个框的重叠程度，原算法Yolo v3中的预测框预测函数采用IoU loss，即以交并比IoU作为回归预测框的损失函数，该方法无法区分两个对象之间不同的对齐方式；而且如果两个目标没有重叠，则交并比IoU将会为0，此时，预测框和目标框的距离无论远近，都无法用交并比IoU体现。

并且，如果交并比IoU用作于损失函数，导致优化损失函数时，损失函数梯度为0，即损失函数不可导，所以无法对该损失函数进行优化。因此，原算法存在很大的弊端。

本实施例中，同时考虑了预测框与目标框三个几何特性包括：重叠区域、中心点距离、纵横比，利用预测损失函数计算预测框的预测框坐标以及高度、宽度，其中，预测框的预测损失函数L

式中，ρ为欧式距离，c为预测框和目标框的最小外接矩形的对角线距离，b、b

在确定预测框的故障类型信息时，引入分类置信度函数，由于常规算法为采用的传统的NMS(非极大抑制)方法，IoU用作指标抑制多余的检测框，即将检测框按得分排序，然后保留得分最高的框，同时删除与该框重叠面积大于一定比例的其它框。但由于仅考虑了重叠区域，经常会造成错误的抑制。

在本实施例中，不仅考虑重叠区域，还考虑了预测框与目标框之间的中心点位置的信息，对分类置信度函数进行调整，调整后的分类置信度函数为：

式中，ρ为欧式距离，c为预测框和目标框的最小外接矩形的对角线距离，m、b

即当DIoU(M,B

进一步的，步骤4还包括：根据待检测区域的红外图像中异常区域的最高温度值、以及预设等级阈值，进行电力设备故障预警。

具体的，将待检测区域的红外图像输入至红外热成像异常检测模型中，由该模型对待检测区域的红外图像中的电力设备进行异常检测，在检测过程中，不仅可以实时检测出异常发热点区域，还可以根据温度数据及时分析设备发热严重程度。

当红外热成像异常检测模型对异常发热点进行预测时，利用预测框对待检测区域的红外图像进行框选，通过温度与灰度值间的对应一次拟合函数，计算异常发热点处的最高温度，该过程具体包括：

步骤41，提取待检测区域的红外图像中的最高温度与最低温度，并确定待检测区域的红外图像中各个像素点的RGB亮度值；

步骤42，根据各个像素点的RGB亮度值，将待检测区域的红外图像转换为灰度图像，并分别确定最高温度、最低温度对应的第一灰度值、第二灰度值，其中，红外图像转换为灰度图像的计算公式为：

Gray(i,j)＝0.11*R(i,j)+0.59*G(i,j)+0.3*B(i,j)

式中，(i,j)为像素点位置坐标，Gray(i,j)为坐标(i,j)处的像素灰度值，R(·)为像素点RGB亮度值中的红色分量，G(·)为像素点RGB亮度值中的绿色分量，B(·)为像素点RGB亮度值中的蓝色分量；

步骤43，根据最高温度、最低温度、第一灰度值、第二灰度值，计算灰度图像中异常区域内各个像素点的温度计算值，将温度计算值进行排序，选取温度计算值中的最大值作为待检测区域的红外图像中异常区域的最高温度值，其中，温度计算值的计算公式为：

T＝(t1-t2)/(x1-x2)X+(t1-(t1-t2)/(x1-x2)x1)

式中，T为温度计算值，t1为最高温度，t2为最低温度，x1为第一灰度值，x2为第二灰度值，X为灰度图像中异常区域内各个像素点的灰度值。

为了提高红外热成像异常实时检测的准确性，本实施例还设定了三个温度预警等级，对应的温度依次为55℃、80℃、110℃，异常区域最高温度与严重等级对应关系如表1所示。

表1

如图6所示，当检测到电力设备存在异常发热点时，根据预测出的预警等级，进行不同等级的应急维护措施，以保证电力设备正常运行。

特别的，若以判定电力设备存在异常发热垫，但当其温度不超过55℃时，需要人工根据检测出的电力设备类型，分析红外图像数据或进行现场勘察，参照《DL/T 64-2016带电设备检测红外诊断应用规范》标准，及时进行排查故障，消除隐患。

以上结合附图详细说明了本申请的技术方案，本申请提出了一种变电设备红外热成像异常实时检测方法，包括：步骤1，根据样本区域采集到的红外图像，进行目标框标注以及图像增强，生成样本数据集；步骤2，调节神经网络模型与单阶段实时检测模型之间的通道数，生成初始检测模型；步骤3，根据样本数据集，对初始检测模型进行训练、优化，将优化后的初始检测模型记作红外热成像异常检测模型；步骤4，获取待检测区域的红外图像，利用红外热成像异常检测模型对待检测区域的红外图像进行异常检测，并输出待检测区域的红外图像中异常区域的预测框以及最高温度值。通过本申请中的技术方案，采用轻量级深度学习模型，实现电力设备红外图像异常实时检测以及智能实时巡检。

本申请中的步骤可根据实际需求进行顺序调整、合并和删减。

本申请装置中的单元可根据实际需求进行合并、划分和删减。

尽管参考附图详地公开了本申请，但应理解的是，这些描述仅仅是示例性的，并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定，并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。