随着无人机在电力系统中的应用,输电线路的日常巡视也通过无人机来采集绝缘子图像数据,这种巡视方法会产生大量的图像数据,需要在这些图像数据中,找出存在缺陷的绝缘子。目前,依靠现场维护人员通过人工从大量无人机拍摄的绝缘子图片中进行查找的方法效率低、耗费高;所以需要一个将无人机采集到的图像数据快速识别分类的系统,筛选出存在缺陷的绝缘子图片,快速定位绝缘子缺陷位置,更快的对存在缺陷的绝缘子维修和更换,确保电网安全稳定运行。为了研究如何实现绝缘子缺陷图像的识别分类,本论文介绍了图像识别技术的发展状况,并对国内外图像识别技术应用实例和电力系统中的应用现状进行分析;还阐述了目前在输电线路中主要使用的绝缘子类型,以及每种类型的绝缘子会出现的缺陷及这些缺陷的表现形式;同时还介绍了用无人机拍摄绝缘子时,使用的拍摄方法及得到的图像数据的格式及特点。本论文提出了一套绝缘子缺陷图像识别的具体流程,首先建立绝缘子缺陷图像的样本库作为比对对象,再对待识别绝缘子图像进行处理,主要进行灰度化处理和图像分割,然后对图像中绝缘子轮廓和灰度值特征元素进行提取,最后,将提取到的绝缘子图像特征元素与样本库中绝缘子图像数据进行匹配,实现绝缘子巡视图像的识别和分类。本论文通过Javaweb的MVC设计模式,采用Java语言结合open CV视觉库和服务器、数据库等工具设计实现了绝缘子缺陷图像识别分类系统,本系统主要有绝缘子缺陷图像样本的管理模块、待检测绝缘子图像的管理模块和绝缘子图像识别结果管理模块;其中主要实现了绝缘子缺陷样本图片的导入和编辑和待检测绝缘子图像的导入和缺陷识别;还有缺陷识别结果的导出。同时通过导入收集的样本图片和特定的待检测图片,对此系统缺陷识别结果进行分析,验证本系统能对样本库中存在的缺陷进行绝缘子图像识别。随着无人机自动驾驶的推广和巡视数据量的增多,数据分析和处理也需要进一步发展,本课题的研究成果就是对输电线路巡视的图像数据进行分析,不仅适应了未来数字化电网的发展,还能在一定程度上降低人力投入,提高电力日常生产和巡视效率。