1.一种电力设备红外图像故障定位、识别与预测方法，其特征在于，包括以下步骤：

步骤1，采用手持式热像仪或以红外热像仪搭载无人机进行自主巡逻，收集电力设备红外热图像数据；

步骤2，对步骤1中获取的包含已知电力设备的红外图像进行分类，制作标签，包括有缺陷和无缺陷两类，构成数据集；

步骤3，构建卷积神经网络模型，将包含有缺陷和无缺陷两类标签的数据集输入卷积神经网络模型进行训练；

步骤4，采用步骤3得到的训练后的电力设备红外图像故障检测网络对待测的电力设备进行检测，分类出有故障的电力设备；

步骤5，针对步骤4得到的有故障的电力设备，一方面采用固定热像仪进行实时监测，纵向收集温度数据；

步骤6，针对步骤4得到的有故障的电力设备，另一方面对故障部位进行定位，采用SLIC超像素分割算法，对电力设备红外图像进行分割，准确提取故障区域；

步骤7，对步骤6定位的故障区域进行诊断，分析电力设备的故障等级，提取温度信息，采用相对温差判据，通过计算故障区域的温度值及温升变化，判断故障等级；

步骤8，针对步骤7获取的电力设备的故障等级，引入时间序列概念，对步骤5中获取的纵向温度数据，拟合函数曲线，计算温度梯度，以预测设备状态趋势，进行性能分析，合理安排维护，有助于健康管理；

步骤9，显示界面，将上述步骤1、6、7、8中获取的原始图像、分割后图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示；

步骤10，针对步骤7获取的电力设备的故障等级，依照《带电设备红外诊断技术应用规范》的要求，按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行存储；

步骤11，对步骤10中的四类电力设备红外图像制作数据集，对每一张红外图像制作标签，生成包含该图像标签以及位置信息的xml文件；

步骤12，构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络，将输入的数据集稍作格式转换之后，利用已构建的故障检测的神经网络对其进行训练；

步骤13，采用步骤12得到的训练后的网络对待测的电力设备红外图像进行目标检测，获取该电力设备的故障部位及故障等级；

步骤14，针对步骤13得到的故障的电力设备，采用固定热像仪进行实时监测，纵向收集温度数据；

步骤15，引入时间序列概念，对步骤14中获取的纵向温度数据，拟合函数曲线，计算温度梯度，以预测设备状态趋势，进行性能分析，合理安排维护，有助于健康管理；

步骤16，显示界面，将原始图像、故障定位图像、温度趋势曲线、设备故障等级、维护建议等信息统一输出显示。

2.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法，其特征在于，步骤2中，因为步骤1中收集的电力设备红外热图像数据数量有限，所以首先利用MATLAB对原始图像进行镜像和旋转变换，以达到扩充样本的目的；然后将采集到的大小不一的原始数据转换成网络训练需要的shape，利用resize()函数；再制作Tfrecords，读取Tfrecords数据，获得image和label，并保存相应的数据，作为后续训练的inputdata。

3.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法，其特征在于，步骤3中，构建的卷积神经网络模型(CNN)是一个六层神经网络，其中：输入层，输入数据为256*256*3的原始数据；

第一层：第一卷积层：卷积核为3*3*64，步长为1，padding＝‘SAME’，激活函数为Relu，通过这一层得到的输出为：256*256*64的图像数据；卷积过程如公式(1)所示：其中：n*n为卷积核大小，w为权值，b为偏置，x为对应位置上的像素值，y为输出值，i、j分别表示第i行、第j列，再将该输出值y输入激活函数Relu中，如公式(2)所示：其中：f(x)为特征图像对应的像素点的值；

第二层：第一池化层：卷积核为2*2，步长为2，通过这一层得到的输出为:128*128*64的图像数据；池化之后，执行lrn()操作，局部响应归一化，有利于提高训练过程中的准确度；

第三层：第二卷积层：卷积核为3*3*16，步长为1，padding＝‘SAME’，激活函数为Relu，通过这一层得到的输出为：128*128*16的图像数据；

第四层：第二池化层：卷积核为2*2，步长为2，通过这一层得到的输出为:64*64*16的图像数据；池化之后，执行lrn()操作，局部响应归一化，有利于提高训练过程中的准确度；

第五层：第一全连接层，128个神经元，将上一层中的输出reshape为一行，激活函数为Relu。完成之后，执行drought操作，即在深度学习神经网络训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃，是防止过拟合，提高效果的一种手段；

第六层：第二全连接层，将上一层得到的1*1*128的列向量转换成2个类别打分，此处使用TensorFlow提供的tf.softmax_cross_entropy_with_logits函数，可以直接对Logit定义交叉熵损失；交叉熵刻画的是实际输出与期望输出的距离，即交叉熵的值越小，两个概率分布越接近，如公式(3)所示：H(p,q)＝‑Σxp(x)logq(x)    (3)

其中，p为期望的输出，q为实际的输出，H(p，q)为交叉熵；

反向传播阶段使用自适应矩估计进行优化，Adam是一种自适应学习率算法，对每一个参数都计算自适应的学习率；Adam相比较于其它自适应算法，在实际中的表现更具优势。

4.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法，其特征在于，步骤6中，由于一般在电力设备中，仅是个别部位会发生故障，所以需要对特定部位进行识别和定位，采用SLIC超像素分割算法，基于K‑means聚类算法，但是降低了复杂度，是一种实现方便、更加简单的算法；算法原理是将输入的彩色图像转化为CIELAB颜色空间和XY坐标下的5维特征向量，再对这5维特征向量构造距离度量标准，对图像像素进行局部聚类的过程；聚类过程中，需要调整邻域种子点，方法为利用差分方式计算该邻域内所有像素点的梯度值，具体计算公式如公式(4)所示：式中，Gradient(x,y)为在点(x，y)处的梯度值

以(0,0)为原点，水平向右为x轴正方向，竖直向下为y轴正方向，建立二维图像坐标系，(x,y)为每个像素块中心点的坐标；

调整完种子点之后进行像素点聚类，通过变换的欧式距离公式进行度量，具体计算公式如公式(5)所示：式中：dc表示颜色距离，l、a、b分别为CIELAB颜色空间下的三个通道；ds表示空间距离，x、y分别为XY空间坐标下的两个分量；m为LAB空间的距离可能最大值，随图像、聚类的不同而不同，取值范围建议取[1,40],一般取m＝10；M*N为图像大小，参数K为预生成的超像素数量；D'为距离度量；

分割完成后，通过比较每个超像素块区域的温度平均值，从而提取疑似故障区域。

5.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法，其特征在于，步骤7中，相对温差判据的计算公式具体如公式(6)所示：δt＝(τ1‑τ2)×100％/τ1＝(T1‑T2)×100％/(T1‑T0)    (6)式中，δt表示相对温差指两个对应测点之间的温差与其中较热点的温升的百分比，τ1、τ2分别代表发热点、正常点的温升，T0、T1、T2分别代表环境温度参照体、发热点、正常点的温度；

采用八邻域法对盲元问题进行补偿，盲元点的温度为Tp，与之相邻的八个像素点的温度值依次为T1、T2…T8，以区域内温度的平均值代替盲元点的温度，即Tp＝(T1+T2+T3+T4+T5+T6+T7+T8)/8代替该盲元点的温度，该步骤中所采用的相对温差判据如下：

6.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法，其特征在于，步骤9中的显示界面，其中，保存按钮可以将图像信息按设备正常、一般缺陷、严重缺陷、紧急缺陷四类进行分类保存，完成对电力设备红外图像数据的预处理；之后需要构建基于Mobilenet_ssd目标检测框架的电力设备红外图像故障检测的神经网络，对待测图像进行直接检测；利用已构建的Mobilenet_ssd目标检测网络对输入数据进行训练、检测，获取电力设备的故障部位及故障等级，再采用固定热像仪进行实时监测，纵向收集温度数据，对该纵向温度数据，拟合函数曲线，计算温度梯度，以预测设备状态趋势，进行性能分析，合理安排维护，最后进行显示。

7.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法，其特征在于，步骤11中，将步骤10中存储的四类电力设备红外图像数据，利用labelImg软件对每一张图片制作标签，生成包含该图像标签以及位置信息的xml文件，作为数据集。

8.根据权利要求1所述的一种电力设备红外图像故障定位、识别与预测方法，其特征在于，步骤12中所述的格式转换为先将所有的xml文件整合为csv文件，再转化为Tensorflow目标检测API需要的TFRcords Format格式，即将csv文件转化为record文件。