绝缘子作为在电力输送线路中大量使用的基础元件,发挥着重要的作用,但其故障是引起电力线路发生故障的首要原因,因此,为提升电力输送的安全性,需要对绝缘子进行定期巡检排查故障。传统人工巡检方法耗费时力,具有图像采集功能的无人机巡检方式更加快捷,但是,对于采集到的图像需要高效的目标检测算法对故障进行甄别,并对故障点进行准确定位。Faster R-CNN深度学习算法一般应用于数据集较大的目标检测中,而绝缘子缺陷图像数据较少;同时,深度学习算法的网络结构也是提高检测精确度的瓶颈。本文针对以上问题,进行了以下工作:(1)针对绝缘子数据匮乏,不能直接利用深度学习算法训练的问题,本文提出了2种创新的数据扩充方式:首先,在传统扩充方式基础上,利用了掩膜扩充法去除背景干扰,精确了网络学习特征的范围,然后,利用改进的对抗生成网络(DCGAN)进行数据扩充,获取多样性数据样本用以丰富数据集。最后,对比实验表明,传统扩充法获得的算法平均精确度(mAP)为69.6%,掩膜方式扩充法获得mAP为87.5%,DCGAN扩充法得到mAP为90.6%,提升了30.2%的检测性能。验证了所提出的扩充方式使深度学习算法应用于小规模数据集中,并有效提升了检测故障的精确度。(2)为进一步提高检测性能,达到最优检测效果,对Faster R-CNN算法从调整池化方式、添加反卷积层、调整维度三个角度进行优化,最终确定最优网络结构。其中,调整最大池化与平均池化的权重,增加网络训练时全局特征的比重,添加反卷积层可以对特征图进行放大再采集,调整卷积维度能调整提取特征的数量,结合数据扩充方式训练网络结构,最终确定最优改进方案,将mAP提升了2.7%。改进后的模型提升了针对小规模图像检测分类定位的深度学习算法准确度,验证了提出方法的有效性。(3)设计并开发了基于Faster R-CNN算法的检测绝缘子掉串故障的软件界面,能够通过交互式界面便捷地对绝缘子故障进行检测。