电力系统中安装有各种电力设备,日常运行中,设备运行状况直接关系到系统的安全性和稳定性。研究表明,超过半数的电力设备故障,都和电力部件发热相关,各种变电设备接头是承载负荷电流的重要部位,也是可能存在过热缺陷隐患的关键位置。为此提出一种基于Mask R-CNN和支持向量机的变电设备图像接头发热缺陷识别方法,可对变电站机器人拍摄的变电设备图像中的导电接头部位进行自动定位和发热缺陷判定,提高变电设备接头发热识别的准确率和效率。首先,介绍了Mask R-CNN模型和支持向量机模型理论,分析Mask R-CNN模型两个预测阶段所包含网络的结构、特点和算法等,研究支持向量机模型的算法原理和特点,选择了支持向量机模型的核函数。针对变电设备接头识别特点,设计Mask R-CNN和支持向量机模型。Mask R-CNN模型设计包括网络结构改进、训练图像预处理和训练方法构建,支持向量机模型设计包括模型作用分析、输入向量构建和输出标签构建。同时,根据变电设备导电接头识别的精度要求等,设置了Mask R-CNN和支持向量机的超参数。最后,提出了基于Mask R-CNN和支持向量机的变电设备接头发热识别算法。在建立变电设备接头发热识别算法流程基础上,提出基于Mask R-CNN的接头位置预测算法、基于支持向量机的接头位置判定算法及变电设备接头发热判定算法,并采用变电站机器人实际拍摄的1000组变电设备图像,对变电设备接头发热识别算法进行实验研究。实验结果表明,所提变电设备图像接头发热缺陷识别模型识别正确率可达98.8%,有比较明显的正确率优势,可有效提高变电设备接头发热缺陷识别的准确性。