输电线路设备长年运行于复杂多变的露天环境中,存在着各种影响线路安全运行的缺陷和隐患。为了保证输电线路的安全可靠运行,需要线路运维人员定期对输电线路进行的巡视,以便及早发现并消除影响线路正常运行的缺陷。然而,传统的人工巡视方法因其低效率、高风险而逐渐无法满足日前精益化管理的要求。无人机自动驾驶技术在输电线路运检中的大力推广不但极大减轻了运维人员的工作负担和压力,而且也一定程度上提高了架空输电线路巡视的效率和质量。然而高效率的巡视方式带来的是大量的图像数据,这些数据需要经过运维人员的人工查看和分析才能确认线路的运行状态和健康度,进而确定后续的管控级别和巡检计划。此外,图像的人工整理分析往往需要耗费大量的人力和时间,而且会因为运维人员评判标准的不同而产生不同的分析结果。因此,结合无人机自动巡检技术研究输电线路缺陷识别方法,克服输电专业多旋翼无人机巡视数据整理和缺陷分析任务繁重枯燥的问题,具有重要的工程意义和理论价值。针对当前机巡图像人工分析方法的不足之处,本文首先根据机巡图像的坐标信息和自动驾驶航线对其进行规范化重命名,进而实现图像功能位置的准确定位,以确保缺陷位置的准确性;然后利用飞桨深度学习框架训练出部件检测模型和缺陷检测模型,并且采用级联式的目标检测结构实现玻璃绝缘子瓷瓶自爆、复合绝缘子均压环松脱以及金具螺栓开口销缺失三种典型缺陷的检测,同时利用红外图像温度提取算法和部件检测网络相结合的方法实现了红外图像发热缺陷的检测;最后利用RPA机器人将模型输出的检测结果输入到生产系统中,从而实现了从原始机巡图像到缺陷管理系统的全过程自动处理,极大地提高机巡数据的处理效率。本文重点介绍了无人机自动驾驶巡检图像数据的后期整理分析方法,并且研发机巡照片批量自动重命名的程序和图像缺陷识别系统。在佛山地区架空输电线路巡视的应用实践中,该方法能够能够极大地减轻运维人员的工作负担并且大大提高输电线路缺陷识别的效率,证明了该方法的有效性和合理性。