1.一种基于轻量型深度学习的电气设备红外图像实时性检测及诊断方法，其特征是包括以下步骤：

S1、通过红外热成像仪获取变电站电气设备的红外图像；

S2、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；

S3、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；

S4、将处理完毕的数据集随机分配为训练集与测试集；

S5、构建改进的轻量型单发多盒检测器的红外图像实时性检测及诊断模型；

S6、使用划分后的训练集进行该模型的参数调节与训练；

S7、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及诊断，以证明其有效性；

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。

2.根据权利要求1所述的一种基于轻量型深度学习的电气设备红外图像实时性检测及诊断方法，其特征是：

将获取的数据集，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。

3.根据权利要求1所述的一种基于轻量型深度学习的电气设备红外图像实时性检测及诊断方法，其特征是：步骤S3与S4中，通过框选操作对数据集中的多种电气设备进行标注；

其中操作步骤如下：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，而故障电气设备数据集则是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。

4.根据权利要求1所述的一种基于轻量型深度学习的电气设备红外图像实时性检测及诊断方法，其特征是：步骤S2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，以电气设备的形状作为识别特征，进行训练，包括以下步骤：S21、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；

S22、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，制作成待训练与待检测的数据集。

5.根据权利要求3～4任一项所述的一种基于轻量型深度学习的电气设备红外图像实时性检测及诊断方法，其特征是：将数据集分为训练集和测试集，训练集数量多于测试集的数量。

6.根据权利要求1所述的一种改进的轻量型单发多盒检测器的变电站多种电气设备红外图像实时性检测及诊断方法，其特征是：改进的单发多盒检测器的主干网络结构为改进的轻量化模型SqueezeNet结构，首先在SqueezeNet网络基础上删除Conv10和全局最大池化层；然后修改的结构代替VGG16结构，作为改进的单发多盒检测器的主干网络；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。

7.根据权利要求6所述的一种改进的轻量型单发多盒检测器的变电站多种电气设备红外图像实时性检测及诊断方法，其特征是：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，从而减小模型轻量化对检测精度的影响。

8.根据权利要求6所述的一种改进的轻量型单发多盒检测器的变电站多种电气设备红外图像实时性检测及诊断方法，其特征是：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；在模型训练完毕后，再采用测试集进行模型测试。

9.根据权利要求6所述的一种改进的轻量型单发多盒检测器的变电站多种电气设备红外图像实时性检测及诊断方法，其特征是：该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。