输电线异物检测作为电网智能巡检系统中的重要环节,对电力系统安全可靠运行有着重要意义。目前高压架空输电线多为裸导线,通过空气绝缘。因此,风筝、气球和大棚薄膜等悬挂异物极易引发相地或相间短路,造成区域大面积停电,进而导致停运事故。本文基于深度学习算法对电力巡检图像中的异物检测方法进行研究,主要贡献如下:1.目前国际上还没有公开用于研究的输电线路巡检图像数据集,本文分析了常见的输电线异物类型及特点,构建了巡检图像数据集。为了便于算法的训练和测试,对图像数据进行标注和划分。采用翻转、亮度调整等数据增强方法对训练数据进行扩充。针对不同算法转化图像数据格式,以加快数据读取速度。最后,对巡检图像中异物特征提取以及目前相关研究的局限性等难点进行总结。2.考虑到漏检异物对电力系统的危害性,本文定义分类算法的100%查全率模式,在此基础上对InceptionV3-retrain算法在100%查全率下假阳性率较高的问题进行改进。首先,对不同数据增强方式的有效性进行研究,验证采用水平翻转的数据增强策略使算法假阳性率下降了6.3%。其次,改进训练方式,结合迁移学习与微调训练的优点,降低网络过拟合风险,使假阳性率下降了9.7%。再次,改进网络结构,针对本文任务特点优化网络结构,提高特征学习能力,使假阳性率再次下降了6%。最后,实验结果表明,本文改进的分类算法实现了对异物图像100%分类的任务要求,同时假阳性率下降了22%。3.在前文完成分类异物图像的基础上,进一步展开了对图像中异物位置标记方法的研究。首先,提出了联合图像分类和目标检测的“警告-复查”异物识别标记策略。其次,对SSD算法与Faster R-CNN算法进行了研究,设计对比实验,验证了“警告-复查”异物识别标记策略的有效性,结果表明增加分类环节使得目标检测算法的平均AP值提高了3.9%。最后,对异物图像分类与辅助标记联合算法进行研究,从异物检测查全率上对算法的指标进行评价,在基于残差网络的Faster R-CNN异物辅助标记算法上实现对84.1%的异物目标进行正确定位标记。