保障电力系统稳定安全运行是国家各电网公司的一项重要工作内容,电网公司成立了专门的电力巡检部门进行输电线路部件故障排查,并及时对故障部件进行替换。目前,无人机巡检协助人工巡检已成为电力线路巡检的趋势,从无人机航拍输电线路图像中自动识别出部件故障是一项前沿交叉课题。本文针对航拍图像中的五种主要容易发生故障的元件(绝缘子、防振锤、间隔棒、均压环、铁塔)的检测进行了研究,为后期无人机巡线设备的进一步自动化提供了理论基础。本文首先对现有输电线路部件目标检测研究现状进行了介绍,并对主流的基于深度学习的目标检测算法进行了分析。之后,针对目前主流的深度学习算法对于占画幅比例较小的小尺度目标容易产生漏检、误检的问题,本文提出了一种新的样本预处理流程来改善该问题。在该流程中本文采用了双线性插值算法对图片进行压缩,提出了自裁剪算法对训练样本图片进行自动裁剪,保留更多关于小尺度目标的像素信息。预处理及自剪裁算法是从训练样本库上进行优化,从而提升深度学习模型的训练效果。然后,分析比较了现有的各种目标检测深度学习算法之后,本文选用了SSD算法作为基础的目标检测算法。针对SSD算法中神经网络底层卷积特征的信息使用不足的缺点,本文采用了基于FPN-SSD的新的框架结构,同时将原始SSD网络中的特征提取网络进行了替换,最终达到了非常好的检测效果。该模型在保证了较快的检测速度的同时对目标识别的精度也有所提高,最终在13000张测试样本集中检测精度达到89.3%。