随着无人机技术的提高与成本的降低,利用无人机巡检电力塔杆可大大提高效率。灾后评估工作需要分析无人机采集的现场图片,采取卷积神经网络的相关技术代替人工排查能提高效率,并结合电力塔杆图片的特点和提高算法的效率,对于卷积神经网络进行改进。具体研究内容如下:首先,将常用于人体姿态估计关键点模型应用到电力塔杆的关键点检测,训练检测单个电力塔杆关键点的模型。为了提升电力塔杆关键点模型的检测精度,采用通道注意力机制与空间注意力机制,利用膨胀卷积代替大卷积核提升模型的感受野。在获得带有电力塔杆形态标注信息的图片后,用残差卷积神经网络电力塔杆形态类别进行分类。为了更加方便的处理任意分辨率的图片,采用全局池化的方法代替全连接层。实验表明,在训练与模型推理时关键点模型赋予单电力塔杆的图片的形态信息,能够提升卷积神经网络的分类准确率。然后,针对电力塔杆常见的倾斜损坏形态。为了能更加有效率的计算塔杆的倾斜度,利用多人姿态估计中的关键点检测模型与关键点的归属方法,将图中多个电力塔杆关键点检测出来,并在关键点分组的过程中,计算同属一个电力塔杆的顶端关键点坐标与低端关键点坐标的几何关系,得到电力塔杆相对于地面的倾斜度。由于电力塔杆的关键点数量与人体关节点数量的差别,对于选用的多人姿态估计模型的最终输出通道数做出调整。实验表明增加深度对于多塔杆的关键点检测精度的提升效果。最后,为了优化参数量与模型的计算量,提升模型推理速度。利用基于经典的轻量化卷积方法,设计出一种组合的轻量化卷积逆残差结构,将其应用到第四章设计的模型中。并采用剪枝的方法进行对比。实验表明,组合轻量化卷积的结构与经典的轻量化模型结构相比,在准确率基本相同的情况下,模型的参数量与计算量更小,并且模型的精度没有较大的损失。