无人机在架空线路的巡线方式已被普遍推广,用人眼观察航拍图中的线路故障容易被清晰度、拍摄角度和光线等因素影响,工作量大,专业要求水平高。本文提出一种基于深度学习的架空线路图像检测模型,为巡线工作降低难度,提高效率。针对架空线路图像样本中存在样本类别不平衡的问题,现有的故障检测算法多为单类别的部件检测。YOLO_v3具有识别率可观和识别速度快的特点,Focal loss能够通过调整样本的学习权重缓解类别不平衡的影响,将二者相结合,能够缓解YOLO_v3在训练样本时所受的类别不平衡的影响。模型采用基于Focal loss改进的YOLO_v3模型,通过对架空线路航拍图像中的电杆、变压器和开关进行目标检测,与原YOLO_v3模型进行对比,结果表明所提出的模型能在检测速度相当的情况下保持更高的识别率;与二阶段目标检测算法Faster R-CNN相比较,识别率与其接近,但有着更快的检测速度。针对架空线路故障检测中,单部件的目标检测难以检测部件缺失的问题,提出了一种基于故障特征标定的检测方法。该方法将故障的发生处的整体作为样本标定框,利用深度学习的目标检测算法直接识别故障发生点。通过该方法,模型能够识别架空线路图像中的绝缘子跌落、避雷器跌落和电杆倾斜的现象。模型还识别了架空线路中的电杆、变压器和开关,其目的是利用电杆与倾斜的电杆进行对比,提高对电杆倾斜故障的识别率;将变压器和开关的目标检测能够将其与图像融合或已训练的故障分类器相结合,进行进一步的故障判断。将本文提出的模型与原模型和Faster R-CNN进行对比,实用性更强。结果表明本文提出的基于Focal loss改进的YOLO_v3模型能够更好地适应无人机的架空线路故障在线巡检。本文的研究不仅减少了架空线路故障检测样本类别不平衡的影响,还能够增加多类故障自动识别的效果,能够将其运用到无人机的架空线路故障检测中。