输电线路走廊的复杂性极大地增加了人工巡检的工作难度,随着无人机飞控技术的发展,利用无人机进行电力巡检方式逐渐成为研究热点。本文针对无人机航拍图像中绝缘子部件的目标检测与故障识别问题,立足于深度学习方法,解决了传统图像处理方法中存在的耗时耗力、泛化能力差等问题,实现了高精度、高效率的检测方式。本文的主要研究内容可总结如下:1.对来自国家电网数据的绝缘子图像进行预处理操作,对航拍绝缘子图像进行增强和复原,提高图像质量;针对绝缘子图像数量匮乏问题,将处理后的图像数据集进行扩充,保证输入图像能够提供足够的特征用于网络学习,提高模型训练的可行性。2.Faster R-CNN算法利用“RPN网络+Fast R-CNN网络”框架结构将目标分类与位置定位分为两步进行,在此结构基础上,本文分别从两个方面提高算法性能:1)在网络结构上,本文对VGG16网络进行特征级联并利用恒等映射的思想添加残差单元;2)在网络训练上,本文在近似联合训练的基础上使用多尺度训练的训练方式。实验对比发现,改进后的Faster R-CNN算法有效提高了检测性能并能较好地适用多尺度绝缘子目标。3.YOLO系列算法将目标检测任务转化为一个回归问题,将目标分类和位置定位合二为一。改进后的YOLO v3算法在YOLO v1算法和YOLO v2算法的基础上做了改进:1)使用Darnet-53作为骨干网络;2)使用三个不同尺寸特征图进行目标检测;3)使用Logistic替代softmax对目标进行分类。在此基础上,本文在YOLO v3所生成的大尺寸特征图支路上添加了concat操作,实现了多层网络的特征复用与融合。实验对比发现,改进后的YOLO v3算法在不改变检测速度的基础上,实现了小物体目标的高精度检测。