CN113486877B - 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 - Google Patents

Abstract

本发明提供一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，包括以下步骤：通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；在深度学习平台上对该模型进行训练，并将训练好的模型保存；利用改进的人工智能模型对采集的红外图像进行目标的检测与诊断；针对诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度；实现变电站多种电气设备的红外图像的自动检测及诊断。本发明能够大幅降低运算量，从而能够部署在嵌入式设备中，实现对电气设备的有效检测，同时满足实时性检测的要求。

Description

基于轻量化人工智能模型的电力设备红外图像实时检测与诊 断方法

技术领域

本发明涉及电力设备运行状态安全监测领域，特别是一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法。

背景技术

随着电力***的快速发展，人们对电力的依赖程度越来越高，并且对电力的需求也越来越大。如今为满足人们对可持续能源日益增长的需求，电力***面临着巨大的挑战，因此需要更大、更复杂的电力***，但是这种复杂性又影响了对其的检查和维护任务。变电站作为现代电力***和未来智能电网运行中非常重要的一部分,对整个电网的安全运行不仅起到关键的作用，而且对变电站的***检查是预测事故的关键。因为当变电站发生电气问题时可能会造成不必要的能源损失，还可能导致代价较高的***停机，甚至造成技术人员受伤等情况。因此为了最大程度地减少电力设备的故障并避免因停电而造成的巨大经济损失，需要持续的检查和预防性的维护，及早发现初期故障，以防止永久性故障的发生，从而确保安全的长期运行。

红外热像技术因为比其他类型的传感器具有很多优点，因此已经成为一种广泛接受的状态监测技术。红外热像检测是以设备的热分布状态为依据对设备运行状态良好与否进行诊断的技术，该技术可以非接触性的远离被检测设备，并且测温范围宽从而可以快速的进行扫描检测。由于对电气设备红外检测会生成大量的图片数据，通过人工的方式分析红外图像对电气设备进行状态检测可能会耗费大量的时间和精力，还可能导致错误的诊断结果。并且当前经典的机器学习算法难也以有效识别输变电设备红外图像故障异常发热点。

近年来，随着计算机计算能力的提高，深度学习受到了越来越多的研究者的关注。深度学习方法在图像分类、故障诊断和目标检测等方面的应用越来越广泛。例如：B.Wang,M.Dong,M.Ren,Z.Y.Wu,C.X.Guo,T.X.Zhuang,O.Pischler and J.C.Xie.Automatic faultdiagnosis of infrared insulator images based on image instance segmentationand temperature analysis[J].IEEE Transactions on Instrumentation andMeasurement,vol.69,no.8,pp.5345-5355,Aug.2020.该文献基于Mask R-CNN提出来了一种红外绝缘子图像实例分割和温度分析的自动诊断方法。Y.P.Liu,X.X.Ji,S.T.Pei,Z.Ma,G.H.Zhang,Y.Lin and Y.F.Chen.Research on automatic location and recognitionof insulators in substation based on YOLOv3[J].High Voltage,vol.5,no.1,pp.62-68,Mar.2020.该文献提出了一种基于YOLOv3的外部电力绝缘设备自动定位识别与诊断方法，该深度学习算法用于提取绝缘子可见光通道下的图像数据特征。刘云鹏,裴少通,武建华,纪欣欣和梁利辉.基于深度学习的输变电设备异常发热点红外图片目标检测方法[J].南方电网技术,Vol.13,No.2,pp.27-33,Feb.2019.该文献提出一种基于Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。

相应专利还有CN202010905683.0-基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法和CN202010906630.0-基于人工智能的变电站绝缘子红外图像检测方法。

虽然上述方法在检测精度方面取得了良好的效果，但是并未对模型大小、检测速度和检测精度进行较好的权衡研究，也并未实现在受限的环境中实现对电气设备的运行状态进行有效的判断，因此本发明在进行权衡研究后实现一种可在受限环境下部署的实时性检测及诊断方法。

发明内容

本发明所要解决的技术问题是提供一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法,通过模型轻量化减小模型的大小，从而能够在受限环境(例如在无人机检测器或者手持摄像仪检测器等嵌入式设备)中部署有效的电气设备检测及诊断模型，能够实现对多种电气设备的有效检测，同时满足实时性检测的要求，有效利用运算资源。具有普适性和有效性，确保变电站电气设备的安全、实时的自动检测及诊断。

为解决上述技术问题，本发明所采用的技术方案是：一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，包括以下步骤：

S1通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；

构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；

在深度学习平台上对该模型进行训练，并将训练好的模型保存；

S2、利用改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型对采集的红外图像进行目标的检测与诊断；

S3、针对S2中诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度；

通过以上步骤实现变电站多种电气设备的红外图像的自动检测及诊断。

优选的方案中，在步骤S1中分为以下步骤：

S01、获取变电站电气设备的红外图像；

S02、对获取的图像通过算法进行预处理形成用于训练的数据集；

S03、对获取的正常电气设备数据集与故障电气设备数据集进行目标的标签处理；

S04、将处理完毕的数据集随机分配为训练集与测试集；

模型共训练200000步，数据输入尺寸为300×300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005；

S05、初步构建改进的轻量化FSSD的电力设备红外图像实时性检测与诊断模型；

S06、使用划分后的训练集进行该模型的参数调节与训练；

S07、使用划分后的测试集对训练完毕的检测及诊断模型进行目标的检测与诊断；

S08、对诊断为故障的图片使用结合K均值聚类算法进行故障诊断，检测出温度最高点并提取该点温度，以验证模型的有效性。

优选的方案中，在步骤S03中：

将获取的数据集，采用随机亮度、对比度、色相、饱和度、随机噪声调整等光度畸变方法和随机翻转、平移、缩放、旋转的几何畸变方法对原始红外图像进行数据扩充，或者将多种电气设备的三维形态作为模型，得到多个方向、角度的训练图集，形成应用于模型的数据集；

通过框选操作对数据集中的多种电气设备进行标注；

正常的电气设备数据集通过软件或算法标记对设备进行标注，故障电气设备数据集则对发热故障点进行标注；

优选的方案中，以电气设备的形状作为识别特征，进行训练，包括以下步骤：

S11、将电气设备的方向作为电气设备红外图像数据集的图片的方向向量，对图片进行一种或多种图像处理方式进行预处理以扩充数据集，以使图片中电气设备的方向保持一致；

S12、采用VGG16结构，以单个或多个电气设备的形状作为标签区域进行识别，按比例方式进行扩充后对电气设备所在的图形区域作为标签区域，进行智能识别并框选，制作成数据集。

优选的方案中，轻量化FSSD的主干网络结构为改进的轻量化模型SqueezeNet结构；

S21、在SqueezeNet网络基础上删除Conv10和全局最大池化层；

S22、修改的结构代替VGG16结构，作为改进的轻量化FSSD的主干网络；

同时为了弥补轻量化对检测精度的影响，首先在主干网络后增加尺度逐渐减小的多个卷积层，然后在主干网络中增加多个旁路连接。

优选的方案中，在步骤S21中：采用应用残差连接结合1×1卷积的复杂连接支路的结构以增强特征的传播并且在主干网路后增加多个卷积层，以降低模型轻量化对检测精度的影响。

优选的方案中，轻量化FSSD采用特征增强模块，以提高其提取电气设备红外图像特征的能力。该特征增强模块采用多支路提取特征聚合的方式来增加语义信息。每一条支路首先经过一个1×1的卷积核进行降维，然后采用不同尺寸的卷积核提取特征，为减少计算量将支路中5×5的卷积核替换成两个3×3的卷积级联的形式，同时采用空间分离卷积，将两个通道设置为其中一个先经过1×3卷积,再经过3×1卷积,另一个通道先经过3×1卷积再通过1×3卷积。以上操作在增加特征提取多样性的同时，减少模型的计算量。并且特征增强模块在每个卷积层顶部使用批归一化操作，以加快模型的收敛。本模块中加入一条结合注意力机制的残差连接支路以提高检测效果，从而更有效的提取特征信息。最后在每条支路的最后一个卷积核中使用不同膨胀系数的空洞卷积，这种结构的意图是使网络捕获更多的特征信息，拓宽特征的感受野，同时保持相同数量的参数。

优选的方案中，PReLU只增加了极少量的参数就可以解决神经元死亡的问题，因此本文使用PReLU替代ReLU作为激活函数，并且应用批量归一化避免梯度***的问题，提高模型的收敛性，提高模型的识别率与检测速度；本文使用k-means++聚类算法对电气设备红外图像数据集中的标签宽高比进行聚类，从而取代默认框的盲目搜索机制，实现模型默认框的自适应改变。使用该聚类方法可以选择较优的聚类中心，从而解决聚类初始化的问题，减小聚类误差。

优选的方案中，模型在不同层次特征图得到不同尺度的先验框，并计算通过匹配得到的默认框的位置损失与置信度损失，总目标损失函数采用置信度损失和位置损失的带权加和的形式，模型损失函数如下所示：

其中，x取值0或1表示先验框是否匹配到真实标签框，c表示类别置信度，l表示预测框的真实信息，g表示真实标签框的真实信息，N表示匹配的默认框数量，α表示两者的权重；置信度损失是SoftMax loss，位置损失是先验框与真实标签框参数之间的smooth-L1损失。

优选的方案中，检测出温度最高点并提取该点温度，并结合该设备的温度矩阵和环境温度信息确定目标设备的故障程度。

基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法

本发明提供的一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，通过采用轻量化人工智能模型进行处理、检测及诊断的方案，大幅降低运算量，从而能够在受限环境，例如嵌入式设备中部署有效的电气设备检测及诊断模型，能够实现对电气设备的有效检测，同时满足实时性检测的要求，提高检测识别的效率，有效利用运算资源，确保变电站电气设备的安全、实时的自动检测及诊断。通过改进SqueezeNet结构，采用一种复杂连接支路的结构以增强特征的传播并且在主干网路后增加多个卷积层，从而减小因模型轻量化对检测精度的影响。应用优化的特征增强模块，用于提高其提取电气设备红外图像特征的能力。通过利用通道注意力机制进一步优化这些功能，有助于更有效地提取特征信息。同时改进了模型的激活函数并且应用批量归一化避免了梯度***的问题，使得模型的收敛性更好，从而提高了模型的识别率与检测速度。进一步的，利用聚类分析方法统计数据集中目标的宽高比信息，实现默认框的自适应改变，从而增强模型对感兴趣目标的检测性能。通过采用模型权重随机初始化的策略，将训练集输入模型进行训练，经过详细实验，并根据训练结果进行参数的调整，从而确认最优的轻量化模型；进一步优选方案中，通过对现场获取的数据集进行不同的预处理可以提高数据的多样性，防止训练过拟合。本发明具有普适性和有效性。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1为本发明的流程示意图。

图2为本发明的部分正常电气设备的数据集图像。

图3为本发明实施例的部分故障电气设备的数据集图像。

图4为本发明实施例的改进的轻量化FSSD的电力设备红外图像实时性检测与诊断模型的结构图。

图5为本发明实施例的特征增强模块结构图。

图6为本发明实施例的数据集标签中多种电气设备的宽高比聚类结果图。

图7为本发明实施例的部分测试集电气设备红外图片的检测效果图。

图8为本发明实施例的部分故障电气设备数据集的测试效果图。

具体实施方式

实施例1：

如图1中所示，一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，其特征是包括以下步骤：

基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法S1通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；

构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；

在深度学习平台上对该模型进行训练，并将训练好的模型保存；

S2、利用改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型对采集的红外图像进行目标的检测与诊断；

S3、针对S2中诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度。

通过以上步骤实现变电站多种电气设备的红外图像的自动检测及诊断。

优选的方案中，在步骤S1中分为以下步骤：

S01、获取变电站电气设备的红外图像；如图2与图3中所示。获取的多种电气设备红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像；其中五种电气设备分别是避雷器、断路器、隔离开关、互感器与绝缘子。

S02、对获取的图像通过算法进行预处理形成用于训练的数据集；可选的方案中，将获取的数据集，其中包括正常电气设备数据集与故障电气设备数据集，采用随机亮度、对比度、色相、饱和度、随机噪声调整等光度畸变方法和随机翻转、平移、缩放、旋转等几何畸变方法对原始红外图像进行数据扩充，形成应用于模型的数据集。

通过框选操作对数据集中的多种电气设备进行标注；

正常的电气设备数据集通过软件或算法标记对设备进行标注，故障电气设备数据集则对发热故障点进行标注；最终制作成待训练与待检测的数据集。

另一可选的方案中，将多种电气设备的3d形态作为模型，得到多个方向、角度的训练图集，以多种电气设备的形状作为识别特征，进行训练，包括以下步骤：

S11、将电气设备的方向作为电气设备红外图像数据集的图片的方向向量，对图片进行一种或多种图像处理方式进行预处理以扩充数据集，以使图片中电气设备的方向大致保持一致；

S12、采用VGG16结构，以单个或多个电气设备的形状作为标签区域进行识别，具体为根据电气设备的形状制作3维模型，将单个或多个的模型以不同方向投影导出作为训练集，从而提取电气设备的形状特征，以便于在复杂的背景中快速识别电气设备。例如，圆台形的各个投影特征，以及多个连续疑似图形的投影特征，以及在线状图形中直径增加位置的投影特征。将识别的图像按比例方式进行扩充后对多种电气设备所在的图形区域作为标签区域，进行智能识别并框选，制作成待训练与待检测的数据集。通过智能识别做作的标签区域，大幅降低运算资源的消耗，提高效率。电气设备因为具有比较明显的形状特征很容易从图像中被识别出来，即便识别后存在噪音，但是因为噪音的发热几乎是可以忽略的，因此对最终的检测的运算资源的占用不大，可以忽略。经过该步骤的处理，进一步提高了检测效率。

S03、对获取的正常电气设备数据集与故障电气设备数据集进行目标的标签处理；

S04、将处理完毕的数据集随机分配为训练集与测试集；优选的，训练集数量多于测试集的数量。优选的，将数据集的80％分为训练集，20％分为测试集。

由于采用模型权重随机初始化的策略，模型共训练200000步，数据输入尺寸为300×300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005；

S05、初步构建改进的轻量化FSSD的电力设备红外图像实时性检测与诊断模型；

S06、使用划分后的训练集进行该模型的参数调节与训练；

S07、使用划分后的测试集对训练完毕的检测及诊断模型进行目标的检测与诊断；

S08、对诊断为故障的图片使用结合K均值聚类算法进行故障诊断，检测出温度最高点并提取该点温度，以验证模型的有效性。

优选的方案中，在步骤S03中：如图4中所示，轻量化FSSD的主干网络结构为改进的轻量化模型SqueezeNet结构；

S21、在SqueezeNet网络基础上删除Conv10和全局最大池化层；

S22、修改的结构代替VGG16结构，作为改进的作为改进的单发多盒检测器的主干网络，轻量化FSSD的主干网络；

为了弥补轻量化对检测精度的影响，优选的方案中，在改进模型的主干部分采用改进的轻量化模型SqueezeNet结构，并且采用一种复杂连接支路的结构以增强特征的传播并且在主干网路后增加多个卷积层，从而减小模型轻量化对检测精度的影响。

另一可选的方案中，在步骤S21中：采用应用残差连接结合1×1卷积的复杂连接支路的结构以增强特征的传播并且在主干网路后增加多个卷积层，以降低模型轻量化对检测精度的影响。

优选的方案中，轻量化FSSD采用特征增强模块，以提高其提取电气设备红外图像特征的能力。该特征增强模块采用多支路提取特征聚合的方式来增加语义信息。每一条支路首先经过一个1×1的卷积核进行降维，然后采用不同尺寸的卷积核提取特征，为减少计算量将支路中5×5的卷积核替换成两个3×3的卷积级联的形式，同时采用空间分离卷积，将两个通道设置为其中一个先经过1×3卷积,再经过3×1卷积,另一个通道先经过3×1卷积再通过1×3卷积。以上操作在增加特征提取多样性的同时，减少模型的计算量。并且特征增强模块在每个卷积层顶部使用批归一化操作，以加快模型的收敛。本模块中加入一条结合注意力机制的残差连接支路以提高检测效果，从而更有效的提取特征信息。最后在每条支路的最后一个卷积核中使用不同膨胀系数的空洞卷积，这种结构的意图是使网络捕获更多的特征信息，拓宽特征的感受野，同时保持相同数量的参数。

优选的方案中，PReLU只增加了极少量的参数就可以解决神经元死亡的问题，因此本例中使用PReLU替代ReLU作为激活函数，并且应用批量归一化避免梯度***的问题，提高模型的收敛性，提高模型的识别率与检测速度；本例中使用k-means++聚类算法对电气设备红外图像数据集中的标签宽高比进行聚类，从而取代默认框的盲目搜索机制，实现模型默认框的自适应改变。使用该聚类方法可以选择较优的聚类中心，从而解决聚类初始化的问题，减小聚类误差。

优选的方案中，模型在不同层次特征图得到不同尺度的先验框，并计算通过匹配得到的默认框的位置损失与置信度损失。总目标损失函数采用置信度损失和位置损失的带权加和的形式，模型损失函数如下所示：

其中，x取值0或1表示先验框是否匹配到真实标签框，c表示类别置信度，l表示预测框的真实信息，g表示真实标签框的真实信息，N表示匹配的默认框数量，α表示两者的权重；置信度损失是SoftMax loss，位置损失是先验框与真实标签框参数之间的smooth-L1损失。

优选的方案中，检测出温度最高点并提取该点温度，并结合该设备的温度矩阵和环境温度信息确定目标设备的故障程度。

模型测试结果如图7所示，检测取得了很好的效果。对整个测试集进行测试，五种电气设备的最终的识别平均精度分别为避雷器95.26％、断路器90.76％、隔离开关88.95％、互感器90.36％、绝缘子87.45％与整个测试集的平均精度均值90.56％,模型大小为97.1MB，检测单张图片的时间为28.470ms。实例表明，本发明的方法在实现模型轻量化的同时对多种电气设备能够准确的识别，并为电气设备检测工作状态的判断提供实时、可靠的基础。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (1)

1.一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，其特征是包括以下步骤：

S1通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；

构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；

步骤S1中分为以下步骤：

S01、获取变电站电气设备的红外图像；

S02、对获取的图像通过算法进行预处理形成用于训练的数据集；

S03、对获取的正常电气设备数据集与故障电气设备数据集进行目标的标签处理；

以电气设备的形状作为识别特征，进行训练，包括以下步骤：

S11、将电气设备的方向作为电气设备红外图像数据集的图片的方向向量，对图片进行一种或多种图像处理方式进行预处理以扩充数据集，以使图片中电气设备的方向保持一致；

将获取的数据集，采用随机亮度、对比度、色相、饱和度和随机噪声调整的光度畸变方法和随机翻转、平移、缩放、旋转的几何畸变方法对原始红外图像进行数据扩充，或者将多种电气设备的三维形态作为模型，得到多个方向、角度的训练图集，形成应用于模型的数据集；

通过框选操作对数据集中的多种电气设备进行标注；

S12、采用VGG16结构，以单个或多个电气设备的形状作为标签区域进行识别，按比例方式进行扩充后对电气设备所在的图形区域作为标签区域，进行智能识别并框选，制作成数据集；

正常的电气设备数据集通过软件或算法标记对设备进行标注，故障电气设备数据集则对发热故障点进行标注；

S04、将处理完毕的数据集随机分配为训练集与测试集；模型共训练200000步，数据输入尺寸为300×300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005；

S05、初步构建改进的轻量化FSSD的电力设备红外图像实时性检测与诊断模型；

轻量化FSSD的主干网络结构为改进的轻量化模型SqueezeNet结构；

S21、在SqueezeNet网络基础上删除Conv10和全局最大池化层；

采用应用残差连接结合1×1卷积的复杂连接支路的结构以增强特征的传播并且在主干网路后增加多个卷积层，以降低模型轻量化对检测精度的影响；

轻量化FSSD采用特征增强模块，以提高其提取电气设备红外图像特征的能力；

该特征增强模块采用多支路提取特征聚合的方式来增加语义信息；每一条支路首先经过一个1×1的卷积核进行降维，然后采用不同尺寸的卷积核提取特征，为减少计算量将支路中5×5的卷积核替换成两个3×3的卷积级联的形式，同时采用空间分离卷积，将两个通道设置为其中一个先经过1×3卷积,再经过3×1卷积；另一个通道先经过3×1卷积再通过1×3卷积；

S22、修改的结构代替VGG16结构，作为改进的轻量化FSSD的主干网络；

同时为了弥补轻量化对检测精度的影响，首先在主干网络后增加尺度逐渐减小的多个卷积层，然后在主干网络中增加多个旁路连接；

使用PReLU替代ReLU作为激活函数，并且应用批量归一化避免梯度***的问题，提高模型的收敛性，提高模型的识别率与检测速度；使用k-means++聚类算法对电气设备红外图像数据集中的标签宽高比进行聚类，从而取代默认框的盲目搜索机制，实现模型默认框的自适应改变；

模型在不同层次特征图得到不同尺度的先验框，并计算通过匹配得到的默认框的位置损失与置信度损失，总目标损失函数采用置信度损失和位置损失的带权加和的形式，模型损失函数如下所示：

其中，x取值0或1表示先验框是否匹配到真实标签框，c表示类别置信度，l表示预测框的真实信息，g表示真实标签框的真实信息，N表示匹配的默认框数量，α表示两者的权重；置信度损失是SoftMax loss，位置损失是先验框与真实标签框参数之间的smooth-L1损失；

S06、使用划分后的训练集进行该模型的参数调节与训练；

S07、使用划分后的测试集对训练完毕的检测及诊断模型进行目标的检测与诊断；

S08、对诊断为故障的图片使用结合K均值聚类算法进行故障诊断，检测出温度最高点并提取该点温度；

在深度学习平台上对该模型进行训练，并将训练好的模型保存；

S2、利用改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型对采集的红外图像进行目标的检测与诊断；

S3、针对S2中诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度；

检测出温度最高点并提取该点温度，并结合该设备的温度矩阵和环境温度信息确定目标设备的故障程度；

通过以上步骤实现变电站多种电气设备的红外图像的自动检测及诊断。