由吊车,挖掘机等建筑工程造成的电力设施外部损坏逐年增加,严重威胁着电力系统的安全运行,通过视频等非接触式观测手段对电力外破实施智能监测和预警,是确保电力系统安全可靠运行的重要措施。电力视频数据主要来源于直升机、无人机和输变电杆塔固定监控,具有数据量大,场景复杂,环境干扰严重等特点。传统目标检测方法往往先选定候选区域,再以人为构建的特征为依据进行判断,检测速度慢,准确率低,无法做到对视频数据的实时监控,从而无法对外力破坏作出及时准确的预警与干预。基于深度学习的目标检测方法对候选区域的选择进行了优化甚至消除,大大加快了检测速度,通过深度神经网络对目标样本的大量学习,逐步拟合出高鲁棒性的特征,使得对目标的判断更为准确。将基于深度学习的目标检测方法引入电力视频检测中存在三个关键问题:首先基于深度学习的目标检测方法计算量大,参数众多,想要在计算、存储能力有限的终端上实现就地运行,需要寻找一种切实可行的方法精简网络、减小检测过程中的运算数据量,这是实现深度神经网络的就地化与终端运行的关键;其次,对于特定的应用场景,采用不同的目标检测算法效果差别较大,电力视频存在较强的特殊性,寻找一种行之有效的目标检测方法是提升检测速度和精度的关键;最后,随着深度学习的不断发展,深度神经网络结构日新月异,且各有特点,采用何种网络结构作目标检测算法的特征提取层是研究的重点。本文构建了一种基于深度学习的电力视觉终端目标检测系统,并将基于深度学习的目标检测方法应用于电力视频目标检测中,首先对比了使用不同检测方法的检测效果,随后探究了电力应用场景下,采用不同的深度神经网络进行特征提取对检测结果的影响。最后,采用基于压缩、量化、霍夫曼编码的神经网络压缩算法对网络进行压缩处理,并将压缩后的网络移植到电力视觉终端上。试验选取了 DPM,SSD(Single Shot MultiBox Detector)、R-CNN 三种典型的目标检测算法进行对比,探究了训练过程中设置不同超参数对检测结果的影响;选取了 ZFNet,VGGNet,ResNet三种典型网络结构作为SSD算法的特征提取层,从训练过程、检测性能、泛化能力三个角度,对比了不同网络结构在电力防外破目标检测中的表现。结果表明,基于深度学习的SSD目标检测方法具有较高的检测精度和良好的实时性,可以满足电力设施防外破目标检测的需要,以VGGNet为特征提取层的SSD算法检测效果较好,更适用于电力外破检测场景,通过压缩量化的网络可以正确运行于电力视觉终端,在较小精度损失的情况下仍然能够保持较高的检测精度,能够顺利完成电力视频目标检测任务。