输电线路主要用于电能传输,是电网的重要组成环节。线路多在野外运行,受雷击、风舞、覆冰等外力影响大,时常发生部件破损、跑位等故障,严重影响电力系统运行安全。随着智能电网建设,利用无人机、机器人等设备代替人工巡检方式已成为必然趋势,现代化设备为机器视觉技术在电力领域的应用提供了广阔的平台。论文主要针对输电线路防振锤、耐张线夹和悬垂线夹的视觉识别方法进行研究,首先从传统学习算法出发,提出了基于级联分类器实现了输电线路典型金具视觉检测。提取HOG特征训练第一级分类器,输出目标疑似区域样本集;提取Haar特征训练第二级分类器,将疑似区域再次分类,并统计分类结果;分类器均采用GWO算法进行参数优化。然后对照提出了基于SSD网络的输电线路典型金具视觉检测算法,利用MobileNetV3搭建基础网络,利用倒残差结构搭建辅助网络;通过K-means++算法,获得标注框宽高比聚类中心,对网络默认框进行改进。并且,论文以此为基础,分析防振锤特点与安装规则,建立关键点检测模型,提出了基于关键点的防振锤滑移、弯折异常检测方法。针对防振锤位置滑移问题,分为两种情况制定检测方案:当档距内悬挂多防振锤时,利用两个防振锤锤体间的几何关系进行判断;当档距内悬挂单防振锤时,则基于EPnP位姿估计算法计算实际安装距离,判断其是否超过阈值。针对防振锤锤头弯折问题,依据防振锤两个锤头间的几何约束实现异常检测。最后,实验结果表明,级联分类器有效综合了各级单分类器优点,误检率降低,能在一定条件下实现目标识别定位。但与训练得到的多目标检测网络较比,传统机器学习算法精度不高,在面对复杂场景图像时仍存在适用性差,效率低下等不足。设计的防振锤滑移、弯折异常检测方法能对异常进行准确诊断,为输电线路智能化巡检提供了新思路。