绝缘子是杆塔与导线之间的一种盘状绝缘体,对输电线路的各部件起着绝缘保护等重要作用,是维护线路稳定运行不可或缺的元件之一。若绝缘子由于其缺陷导致本身无法产生作用,将会增大输电线路的故障停运风险,严重影响供电的安全性和可靠性。因此,对绝缘子缺陷的早期判别是保障电网安全稳定运行不可或缺的手段。传统的绝缘子缺陷检测方法主要采用人工巡检,但人工巡检的存在效率低等问题。近几年来,机器学习的快速发展为绝缘子缺陷检测提供了更多可能的方案,但由于缺陷本身比较微小,现有的机器学习方法难以准确提取微小缺陷的特征,同时由于现场缺陷数据不足、算法准确率与精确度难以共同提升等因素大大限制了机器学习方法在绝缘子缺陷检测领域的应用。针对以上问题,本研究提出一种基于改进机器学习的绝缘子缺陷辨识方法,改进后的机器学习模型能够在拥有高精度的同时保持较好的实时性。首先,对于缺陷数据不足的问题,提出一种缺陷数据生成方法。对于现场采集的缺陷绝缘子图像,先通过模板匹配算法以前景框定位其中绝缘子所在位置,再由Grabcut分割算法对前景框中的绝缘子进行分割,将分割后的绝缘子与新背景融合后即为生成的新数据。其次,根据YOLOv4网络检测速度快、准确率高的特点,选取该网络作为基础的特征提取器。网络采用多阶段迁移学习作为迭代策略,训练时只需对迁移模型进行微调即可完成网络的训练。训练过程的学习率由余弦退火学习率衰减法进行调整,学习率由线性增加后再以余弦函数方式递减,能增强网络的学习能力。采用图像加灰条压缩法能防止输入图像直接压缩导致的图像失真问题。最后,采用超分辨率对抗生成网络（SR-GAN）生成高分辨率图像,该网络由生成模型与判别模型构成,生成模型根据图像的纹理特征生成高分辨率图像输后输入判别模型中判别生成图像是真实图像的概率,两种模型在不断的对抗中逐渐优化,直至生成模型即可用于高分辨率图像的生成。生成的高分辨率图像能强化图像中的细节信息,因此提高了网络对小目标的辨识能力。所提算法在Python3.6环境下进行训练并测试。实验结果表明,所提方法的能达到较高的检测准确率与较快的检测速度,其中采用高分辨率图像检测对小目标的辨识准确率提升尤为显著。为增加所提方法的实用性,本研究设计了一个绝缘子缺陷检测软件,软件通过嵌入本研究所提方法对绝缘子缺陷进行自动检测,将绝缘子缺陷检测过程的智能化程度进一步提升。