随着智能电网的发展,电网结构越来越复杂,继电保护硬压板的数量日益增多,人工巡检的工作负担与误操作风险随之加大。如何提高巡检效率,保障电力系统的稳定,成为了目前亟需解决的问题。为改善现状,本文将深度学习技术与Android开发技术应用到继电保护巡检任务中,在移动端完成了对保护硬压板的巡检校核,具体包括以下工作:首先,研究了一种轻量级目标检测算法,在YOLO算法的基础上,将Shuffle Net V2网络作为新的主干部分,并去除了Shuffle Net V2网络中通道数为1024的卷积操作以及池化核为的池化操作;然后将加强特征提取部分的普通卷积替换为Mobile Net中的深度可分离卷积结构,并且减少了C3结构以及高通道C3结构的使用;最后对整个网络进行了适当的通道剪枝操作,进一步调整和优化网络结构。通过实验结果表明,该算法在保证继电保护巡检工作能够正常开展的前提下,拥有更少的模型参数量、更快的推理速度。其次,研究了一种基于ncnn前向推理框架的目标检测模型的移动端移植算法,实现了对本文算法模型的8bit数据格式量化,完成了移动端的动态尺寸推理,并且针对继电保护巡检工作的需求,对ncnn前向推理框架原始的模型调用方式进行了优化。通过实验结果表明,本文算法的权重文件仅为1.6MB,在红米Note10 Pro设备上的平均推理速度达到14.78ms。最后,设计开发了一款移动端的智能巡检应用程序,其可以通过使用目标检测模型完成继电保护硬压板的状态识别,并同时通过解析本文设计的巡检基准文件完成现场压板与基准的校核。为解决保护硬压板的漏检与误检问题,在应用程序中实现了对漏检压板的自动补全,以及对误检压板的便捷更正;本文应用程序支持增量更新,在变电站等网络质量差的场景中,可以减少用户更新应用程序的等待时间;为了进一步优化应用程序的用户体验,本文对应用程序的用户界面与项目架构进行了重新设计。经变电站现场测试,本文算法可以有效解决反光、遮挡等环境因素对目标检测的影响,显著提升巡检工作的效率。