在现代生产生活中,电力已成为不可或缺的组成部分。电能从发电厂生产出来到输送至终端用户设备上需要跨越漫长的距离。输电系统在这一过程中起着重要的作用。线路缺陷检测是保障输电系统安全运行的关键环节,它的检测效果直接决定了巡检效果。但是线路缺陷的图像检测算法一直依赖于传统图像处理方法,这些方法往往需要大量的前提假设,在繁复的现实工况下缺乏普适性和有效性。本文将深度学习方法引入散断股检测算法中,为散断股的检测提供了全新的思路。本文首先介绍研究的背景和意义,随后介绍几种常用的传统散断股检测算法和Faster R-CNN的部分理论知识,然后提出两种基于深度学习的散断股检测方法,分别阐述两种算法的背景、理论和实验,它们克服了传统图像算法普适性不好的缺点,也改善了通用深度学习方法在散断股检测问题上效果不理想的问题。实验数据证明了提出的算法的可行性和有效性。本文的主要工作如下:1、受注意力机制的启发,提出一种基于四通道Faster R-CNN的散断股检测算法。算法在原残差网络三色输入通道的基础上增加一个注意力通道。注意力通道中的数据可以指导网络提高注意力区域的识别置信度,提高检出数,改善模型检测效果。实验证明,四通道方法是有效的。2、针对散断股在图片中占比过小的问题,提出一种基于滑动裁剪的Faster R-CNN散断股检测算法。滑动裁剪的大致步骤是:在图片上放置一个固定大小的裁剪窗口,每次裁剪后窗口向下滑动一个步长的距离,滑窗到底后换到下一列起始处,重复以上过程,直到全图裁剪完毕。再将裁剪得到的子图送入Faster R-CNN网络训练或检测,最后使用结果融合和本文改良的NMS算法得到最终结果。滑动裁剪可以避免网络对过大的输入图片进行下采样,最大程度保留目标信息。实验证明,在正确选取滑动裁剪算法参数的基础上,算法大幅降低了误检数,改善了网络表现。3、注意力机制可以提高检出目标的置信度,滑动裁剪可以降低误检数。提出将二者整合成一种新的散断股检测算法,让两种算法之间优势互补。实验证明,结合后的散断股检测算法效果显著。本文就散断股检测问题提出了两种基于Faster R-CNN的散断股检测算法,就实验结果的P-R曲线来看,它们的检测能力都有一定提升。在检测过程中,仍然有许多需要改进的地方,例如数据集数据量不足、线路分割不够精准等,未来可以在这些方面着手,进一步提高模型的检测能力。