随着中国社会对用电量的需求稳定增加,电网的设备规模持续扩张,电力系统复杂度不断提升,中国电网亟需升级与建设发展。绝缘子作为输电线路中不可或缺的的组成元件,在输电线路中起到撑持电线和防止电流回地的紧要作用,但由于长期承受着高机械应力、强磁场、大温差和风雨的侵蚀,易出现爆片等故障,严重威胁着电力系统的安稳运转。因此,绝缘子检测是电力系统巡检的重要工作内容,是保障输电线路安全运行和电网智能化管理的首要任务。随着无人机航拍技术的成熟与计算机视觉技术、数字图像处理技术的快速发展,绝缘子检测正在从人工巡检转变为无人机巡检。但目前主流的方法大都局限于理论研究,在实际的工程应用中难以应对外界环境造成影响,难以满足工程中对检测性能的需求。本文旨在针对无人机电力巡检图像的绝缘子检测任务的三个难点:目标尺寸差异大、背景复杂多样、绝缘子重叠遮挡,对Faster R-CNN模型进行针对性调整,设计一种低漏检率、低误检率的高精度检测模型。为解决目标尺寸差异大的问题,本文引入Res2Net多尺度特征融合模块,替换Faster R-CNN原骨架网络中的Bottleneck,Res2Net通过对输入特征进行分组并在分组间进行类残差连接,使网络具有更细粒度的多尺度特征表示能力。为解决背景复杂多样的问题,本文引入CBAM混合注意力机制模块,从通道维度让模型聚焦于重要通道,从空间维度让模型聚焦于与目标越相关的区域,从而抑制无关背景,让模型聚焦于感兴趣的局部信息。为解决绝缘子重叠遮挡造成的漏检,本文在模型后处理阶段采用高斯Soft-NMS算法代替原始的NMS算法,以拟合高斯函数的方式连续、平滑地降低该边界框的置信度,从而有效减少了绝缘子遮挡情况下的漏检率。为验证本文方法的有效性及各模块对整体模型的贡献,本文在“Insulator”数据集上进行了详尽的对比实验和消融实验。实验表明了本文改进的Faster R-CNN模型相较于目前效果最好的传统Faster R-CNN在mAP指标上提高了 9.6%,此外Res2Net、CBAM、高斯Soft-NMS在降低模型漏检、误检方面具有明显贡献。