输电线路上存在着数量庞大的金具及螺栓,由于常年暴露在野外,极易出现破损、倾斜与螺栓部件的缺失问题,同时人工巡检的方式也无法完成日益增长的巡检任务。利用深度学习技术可以迅速而准确的检测出原始航拍输电线路图像上的金具目标,再将金具检测结果从原始图像中剪裁出来,最后进行金具上螺栓的缺陷检测。针对现有金具检测方法只注重于单一区域,从未考虑过金具之间存在的联系性问题。从实际经验来看,各类金具在构建一个完整的、完好的输电线路时其存在着一定规则性知识。本文以此为依据提出了一种知识引导的航拍输电线路金具检测模型,该模型包含两个模块分别学习金具的空间布局与成对关系。第一个模块为隐式模块,从金具在图像上的空间布局出发,以候选区域的相对几何特征为输入建模金具在图像上的空间位置知识;模块二为显式模块,引入以共现模式表达的金具先验知识,将候选区域作为节点,先验知识作为节点之间的边,构建先验知识图,并利用门控图神经网络在先验知识图上进行信息传播,将金具先验知识与候选区域的特征结合。在航拍输电线路典型金具数据集进行验证,实验结果证明与Faster R-CNN相比在Io U={0.5:0.95}下模型AP值提升了4.4%,在Io U=0.5情况下模型AP值提升了3.9%。针对航拍输电线路图像中螺栓目标小、不同螺栓缺陷间差异小使得精细特征难以提取以及螺栓区域的检测效果不佳的问题,本文提出了一种嵌入双注意力机制的Faster R-CNN航拍输电线路螺栓缺陷检测模型。该模型使用注意力机制分别对不同尺度和不同位置的视觉特征进行分析增强。首先对于不同尺度特征,网络提取每一层的特征图,并计算出相应的注意力图,然后将相邻层的注意力图差异性作为正则化项加入网络中,增强螺栓区域的精细特征。其次对于不同位置的特征,利用视觉特征计算出图像的空间注意力图,注意力图中每个元素表示两个空间位置的相似程度,然后将其作为加权系数将每个位置的特征与全局特征融合,从全局视野上增强相似位置的视觉特征,增大螺栓与背景的特征差异程度。在航拍输电线路典型螺栓数据集上进行测试,与Faster R-CNN相比本文方法的m AP值提高了2.21%,其中正常螺栓、缺销螺栓和螺母缺失螺栓m AP值分别提升了0.29%、5.23%和1.1%。