变电站设备的实时准确识别是实现无人值守变电站自动监视、机器人巡检等自动化、智能化生产的关键。由于变电站内设备类型、型号繁多,设备颜色近似,基于颜色空间的阈值分割法很难胜任不同设备的同时检测。另一方面,由于特征提取算子的非实时性,传统模式识别方法也很难直接应用于变电站设备的实时检测上。卷积神经网络(CNN)能够自动提取低层图像特征和高层语义特征,且在GPU计算设备上具有实时性。鉴于此,本文借鉴Faster R-CNN、YOLOv2,提出一种基于CNN的变电站设备快速识别方法,并设计了对应的识别网络模型,该模型由卷积神经网络和对输出特征图的进一步处理构成。该识别网络能够用卷积特征图直接预测变电站设备的目标边界和类型。在多种光照条件下采集了变电站设备图像和场景图像,构建了变电站设备图像数据集和场景数据集。为给识别网络筛选基础网络结构,以模型大小、特征统计可分性、分类性能和计算速度为判据,分析了几种典型分类CNN网络在变电站图像处理上的性能和适用性。受这几种典型网络各自优点的启发,设计了一种面向通道的分组卷积模块和对应分类网络CWGCNet。为进一步提高分类CNN网络图像特征提取能力,提出用样本扩增训练法训练这些网络。用经样本扩增训练的CWGCNet和筛选出的Darknet-19、Inception v2、SqueezeNet作为识别网络的基础结构,在基础结构后分别附加带dropout的面向通道的分组卷积模块和3层全卷积层作为识别网络的总体架构。基于微软CNTK计算框架,利用Python实现了所有分类网络和识别网络,并用Visual C++实现了变电站目标识别软件系统。在1台配有Tesla K40c GPU的计算机上开展了相关实验。试验结果表明,与几种典型的分类CNN网络相比,CWGCNet兼具高特征可分性和实时性;在变电站设备图像数据集上,用Caltech256对网络进行样本扩增训练,可显著提高网络的特征提取能力;相对于指数形式,Sigmoid形式的非线性缩放因子使识别网络更容易训练;与附加3层全卷积层相比,使用带dropout的CWGC模块作为识别网络CNN结构的附加卷积层能够在显著提高网络的召回率、识别速度和精度的前提下,大幅降低模型的大小;用CWGCNet后附带dropout的CWGC模块作为变电站设备识别网络的结构,该网络能识别不同类型的变电站设备,对变压器、开关、避雷器的识别精度分别达到96.52%、97.85%和82.62%,召回率分别达到77.39%、69.33%和64.23%,识别速度为62fps;与YOLOv2相比,该文识别网络召回率提高了14.03%,精度提高了2.51%。