目前,我国常规采用的电能输送方式为高压(特高压)远距离高压输电技术。为了保证高压输电线路的安全,就需要充分考虑高压输电线路的运行安全与维护。高压输电线路检修工作十分危险,而且当下高压输电线路的图像数据处理还处在人工处理的层面,难以满足检修的需求。为保证电网的运转正常及检修人员的人身安全,利用计算机与无人机作为平台搭载巡检设备,对高压输电线进行有效的人工智能图像识别是具有重要的意义。针对目标识别问题,引入基于深度神经网络的高压输电线路图像识别方法。该方法与传统的高压输电线路检修方法相比,简化了高压输电线路巡线数据处理过程,提高了识别高压输电线路故障识别度,同时也保障了检修人员的人身安全,明显优于传统检修方法。因此,研究基于神经网络的高压输电线路识别方法具有较高的实用性,且具有进一步研究和推广的意义。本文在深入研究深度卷积神经网络学习理论的基础上,将深度卷积神经网络学习应用到高压输电线路图像识别中,以此来提高特定图像的识别性能。本文主要工作如下:1.本文详细地阐述了深度卷积神经网络Faster-RCNN的原理方法,深度卷积神经网络学习方法的训练过程,研究了高压输电线路识别如何选择合适的深度卷积神经网络。2.本文针对网络选择中,Faster-RCNN深度卷积神经网络的训练耗时较长的问题,引入了基于单目标窗口检测器SSD(Single Shot MultiBox Detector)网络。由于Batch Normalization批规范化优化算法能有效地提高网络学习率,加快训练速度,并对网络中信息的流动带来好处,使得网络参数的依赖相关性减弱,因此本文将SSD网络和Batch Normalization批规范化优化算法相结合,应用在高压输电线路特定目标识别问题上。在保证检测效果高精度的同时,有效的解决了类似Faster-RCNN网络训练时间较长的问题,减小了训练耗时。3.同时本文还对所使用的组合网络结构进行了调整,由于SSD网络会将所有尺寸、位置的检测窗口进行保留,出现了重复窗口以及窗口过大的问题,因此在网络分类后还应用了非极大值抑制(nonmaximal suppression,NMS)、保留外围窗口策略和增加边缘逼近策略来优化识别检测结果,提高识别的正确率。并对所使用网络的网络层数、网络学习参数、等参数进行了反复调试,得到了较好效果的参数范围。4.对数据集进行各种数据增强手段,对图片进行旋转、翻转、HSV颜色空间随机调整、自动缩放等一系列措施来扩大数据集,提高模型在训练中的抗过拟合能力,并在测试文中数据集时取得了较好的实验效果,使得网络的准确率进一步提升,得到更好分类效果的模型。5.通过对数据进行扩充和网络算法框架进行调整将深度卷积神经网络应用到高压输电线路图像特定特征的检测识别上。对高压输电线路图像分别做特定目标及候选区域标注,并通过旋转、翻转、HSV颜色空间随机调整、自动缩放等等措施进行数据集增强,从而获得实验所需图像的训练集和测试集。实验表明,使用本文的优化网络能保证准确率达到较高水平,并且有效地提高了训练速度。该方法与Faster-RCNN网络的图像识别方法相比,单次训练时间缩短了0.39s,缩减幅度达到33.91%以上,识别速度快,可以应用在高压输电线路目标识别系统中。6.将本文研究的内容应用到Web端上面,设计并实现了Web网页端对高压输电线路特定目标的识别功能。该Web端主要包括了数据读取模块、图像预处理模块、神经网络模块、训练模型调用模块以及页面的设计。实现了调用本文所训练的模型以及图形化操作的Web端页面,并对目标图片进行识别,得到识别结果。