输电线路的安全稳定运行是电网可靠供电的重要保障,然而一些元件的损坏及鸟巢等异物的存在会严重危及线路安全运行。利用计算机视觉中的目标检测算法实现无人机巡检图像的自动检测成为研究热点内容。本文以输电线路上的主要电力设备绝缘子、防震锤、均压环、屏蔽环及鸟巢为检测对象,结合各类数据增强方法,构建了PASCAL VOC2007格式的电力巡检数据集。针对电力巡检任务对目标检测算法速度和精度的要求,提出了一种改进的EfficientDet目标检测算法,该算法应用于无人机电力巡检图像的数据挖掘,对高压输电线路上的主要电力设备及鸟巢同时进行目标检测及缺陷定位,通过实验搭载至NVIDIA嵌入式系统,主要工作如下:（1）针对本研究能获取的无人机巡检图像数据有限的问题,本文利用GAN生成对抗网络生成大量与真实图像相似的生成图像,弥补图像数据集不足导致的各类原件及缺陷样本不足问题。利用Imgaug数据增强库模拟真实巡检时拍摄模糊、噪声、天气恶劣等情况,提升训练模型抗干扰的鲁棒性。结合以上两种方法,将1468张国家电网某检修公司标准化无人机巡检数据集扩充至4867张,通过LabelImg标注后得到标注框9817个,建立了用于本研究的数据集,数据集可用性验证的结果表明本文数据增强方法可优化深度学习训练。（2）针对现有的无人机电力巡检中的目标检测算法小目标识别精度低、检测速度和精度无法同时满足的问题,本文将EfficientDet目标检测算法部分结构进行改进,使得改进后的EfficientDet算法在电力巡检任务中有更好的表现:对主干特征提取网络EfficientNet的倒残差模块进行改进,引入CA注意力机制提高了主干特征提取效率;在加强特征提取网络Bi FPN特征融合时融入小一级尺度的特征层,提高了小目标的检测能力。训练验证实验结果表明改进EfficientDet在测试集上平均均值精度达到了90.2%,元件检测与缺陷定位速度分别达到23.4f/s和17.2f/s,证明了本文方法可以满足电力巡检中准确性和快速性的要求。（3）针对嵌入式部署问题,本文分析了实验所用的两块NVIDIA嵌入式开发板的性能优劣,通过将本文算法部署至嵌入式系统中对比性能,最终选用NVIDIA JETSON NANO嵌入式开发系统。对摄像头、操作系统、深度学习环境等进行了配置与调试,利用Tensor RT对训练好的改进EfficientDet模型进行压缩优化,部署至嵌入式系统后进行预测实验。实验结果表明,基于Tensor RT优化的改进EfficientDet元件检测精度达到78.7%,速度达到10.0f/s,证明了本文方法在嵌入式系统中应用可以满足速度和精度要求,具有一定的工程应用前景。该论文有图65幅,表12个,参考文献59篇。