近几年,无人机智能巡检技术因其自身优异的性能在电力行业中得到了广泛的应用,虽然在一定程度上提高了巡检的便利性,但在巡检过程中会产生大量的可见光图像数据,并且这些图像数据仍需人工分析。人工标注耗时耗力,针对此问题,本文以电力金具上的开口销常见缺陷为研究对象,提出了一种基于深度学习算法Retina Net的开口销常见缺陷智能识别方法,使用深层卷积神经网络自动提取图像特征,通过特征金字塔网络架构构建在多尺度上有强语义的特征金字塔,最后借助分类子网络和边框回归子网络标注出开口销缺陷所在的位置,为今后的智能化巡检技术的实现提供了理论支撑。考虑到关键参数学习率和优化器对模型的性能有着重要的影响,于是对比分析了不同的学习率和优化器对识别结果的影响,实验结果表明选取合适的学习率和优化器不仅可以增强模型的泛化能力,还可以加速模型收敛。鉴于实际情况中开口销缺失数据数量远远少于正常样本数量,首先分析了缺陷数据样本不足这种情况对识别结果的影响;其次,针对此问题提出一种基于类别平衡采样方法的训练策略,对少数类数据样本进行扩充以确保各个类别数据在训练过程中有着同等的机会被选中;最后,考虑到现实情况中开口销松动类样本数量偏少,提出一种开口销辅助数据样本采集方法,参考金具连接方式,在确保主要前景物(金具)一致的前提下,构建简易实物模型以获取辅助数据,通过添加辅助数据来降低缺陷数据样本不足对识别结果带来的不利影响,并对辅助数据样本进行量化分析,根据分析结果提出了一种辅助数据样本的动态调整策略。实验结果表明缺陷数据样本不足时,会使得训练好的模型更加重视样本数据量偏多的正常类别,导致大量缺陷数据被错误识别为正常类别;基于类别平衡采样方法的训练策略确保了每个类别参与训练的机会趋于均衡,有利于模型在测试集中获得较好的识别结果;通过添加适量的辅助数据可以有效的缓解类别失衡造成的不利影响,但当辅助数据超过一定数量时,巡检现场采集而得的数据与辅助数据之间的差异会导致检测模型的泛化能力下降;针对辅助数据与目标数据之间的差异,本文提出的辅助数据调整策略能够有效的降低这种差异造成的不利影响,进一步提高少数类的识别率。考虑到小规模数据难以训练深层卷积神经网络,于是结合迁移学习策略,使用Image Net数据集对卷积神经网络进行预训练,随后借助小规模的目标数据对网络权重进行微调。实验结果表明迁移学习方式可以促使模型学习到不同领域的实用通用特征。为了提高模糊图片的识别精度低,在数据层面构建生成对抗网络来改善此类图片质量,实验结果表明生成对抗网络在某种程度上提高模糊图像清晰度的同时,还可以增强图像中待检测物的局部纹理,有利于Retina Net模型提取更加丰富的特征,从而进一步提高模糊图像的识别率。