伴随着国家经济发展水平和人民生活水平的提高,电网的规模也在不断扩大,如何保障电网安全可靠地运行开始被广泛关注。输电线路作为电力系统重要环节之一,在运行过程中由于长期暴露在野外,线路的导线、金具、绝缘子等部件容易出现锈蚀、破损、断股等缺陷,同时,部件安装不规范也为输电线路安全运行带来隐患。利用无人机巡检数据,通过深度学习技术高效、准确地获取输电线路本体缺陷信息对于线路缺陷巡检具有重要的实际意义。然而,输电线路所处环境复杂多变,这给目标缺陷识别带来了巨大的挑战。本文在无人机线路巡检基础上,利用无人机获取的巡检图片,从间隔棒缺陷检测和多类目标检测两方面对输电线路目标缺陷识别进行了研究。其中,重点对间隔棒、鸟巢、导地线、防震锤以及导地线线夹这五类样本的多目标缺陷识别方法进行了重点阐述,具体研究内容如下:本文首先对输电线路目标缺陷检测算法进行了充分调研,介绍了近年来用于电力目标缺陷识别的算法和其不足之处,提出利用无人机巡检拍摄图片,采用深度学习算法实现对输电线路本体缺陷的人工智能识别。针对现有目标检测算法对间隔棒识别效果不佳的情况,本文在SSD算法基础上进行改进,使用全卷积神经网络DenseNet-32代替原先的VGG-16网络,避免池化造成关键位置信息的丢弃,同时引入注意力机制,增强特征图的语义信息以提高网络特征提取能力和算法检测精度。实验结果表明,该算法对输电线路间隔棒倾斜缺陷识别效果优于其他算法,在由于加入了注意力机制网络,识别速率略逊于SSD算法7FPS的情况下,达到了 91.2%的平均准确率。在对输电线路鸟巢、防震锤、导地线等多类目标的检测上,首先针对自建数据集样本不足问题,采用图像数据增广方法进行样本的扩充。为使图像更清晰、特征更明显,使用分段线性变换、直方图均衡化和平滑去噪图像预处理方法,突出感兴趣区域的目标或灰度区间。再者,在目标检测和缺陷的识别上,提出基于注意力机制融合的输电线路多目标检测技术,改进YOLOv3算法,使用注意力融合方式融合不同尺度的特征以提高分割性能。经实验表明,本文提出的改进算法在识别准确率方面优于其他经典的目标检测算法。为进一步完善输电线路无人机巡检结合AI智能缺陷识别作业系统流程,实现了对改进YOLOv3算法的部署应用。在实际应用中,将压缩后的算法移入Jetson AGXXavier平台,利用部署后算法对无人机拍摄的输电线路部件图片进行缺陷识别。并在设计的输电线路缺陷识别平台上进行识别结果展示和数据分析应用,验证了本文多目标缺陷识别算法满足实际场景应用要求。