随着我国经济的快速发展,电力系统对电能质量和供电稳定性的要求也逐渐提高。传统的人工巡检已经无法满足电力系统对稳定性与时效性的要求。近年来的研究方向和生产实践方向是将无人机技术与航空遥感技术、人工智能图像识别技术相结合,对架空输电线路和输电杆塔进行精准的故障检测。本文研究了无人机巡检应用中最关键的人工智能图像识别技术及其系统应用,主要工作概括如下:首先,根据现场采集到的大量无人机巡检图像,按照故障特点对其进行分类,建立了算法训练数据集,为后续模型算法的优化训练和性能测试奠定基础。接着,研究了融入自注意力机制的输电线路巡检图像单阶段检测算法。同时,为了克服卷积网络局部感受野有限的缺点,以及避免全连接层参数量太大的问题,本文在模型中引入了自注意力机制,建立了改进的yolo v3算法:用K-means对锚框anchor类型进行聚类,并且在提取模块加入了自注意力机制进一步提升模型的检测效果。实验表明,本文改进的单阶段的yolo v3模型不仅在精度上几乎达到了双阶段模型的性能,在检测速度上更是远优于双阶段模型。最后,基于Django框架设计和开发了电力巡检图像管理和智能识别系统。通过系统需求分析,完成各类对象进行建模和数据库模型设计,进而完成系统各功能模块的详细设计和实现,并完成系统各项功能和性能的测试。该系统实现对巡检任务、巡检图像的对象化管理,达到图像判读的智能化、判读结果可视化,支持判读结果的统计分析和报告自动生成。