在输电运维中,绝缘子自爆缺陷会导致严重的安全隐患,其缺陷检测成为保障电力系统安全运行必不可少的一环。传统的图像处理算法在伴随着巨大的计算量的情况下很难达到实时的缺陷检测。随着深度学习的兴起,利用卷积神经网络为基础的算法进行实时的缺陷绝缘子检测成为了可能。本文介绍了深度学习的基础知识并重点研究了目标检测领域有锚框的算法。进一步讨论了目标检测算法解决图像识别问题的原理和流程。由于采集到的数据集背景单一,绝缘子种类单一,缺陷绝缘子少,本文设计了两种数据增强方法,第一种为训练前的数据增强方法,包括多种缺陷绝缘子的分割、仿射变换、背景融合和色彩变换,通过增加缺陷绝缘子的数量和背景复杂度来建立新的数据集,改善了数据不足导致训练模型精度不高的问题。用数据增强后的数据集进行模型的训练,使得模型的鲁棒性更强,提升了模型的检测精度。第二种为训练时的伪标签数据增强方法,可以结合图像处理层次的数据增强方法来加快模型收敛速度和提高模型训练精度。本文在实验部分也对数据增强的效果进行了对比。之后再对模型压缩方法进行优化,在不对浅层和残差部分进行剪枝的情况下,剪枝45%时,YOLOv4-Tiny在精度略微降低的情况下参数量降低了约一半,为10.2MB。为了满足电力巡检轻量化和精度高的要求,本文针对YOLOv4-Tiny主干特征提取结构简单,特征金字塔层融合能力不足的问题提出了3种改进YOLOv4-Tiny算法。使用可扩展的K-means++算法替代原来的K-means算法生成初始的先验框可加速模型收敛,在进行模型训练的时候,将Mosaic数据增强、随机擦除数据增强和伪标签数据增强结合使得模型精度提高。为进一步提升模型的泛化性能,再利用迁移学习的方法加速模型训练,并且用多次训练的方式让模型逐渐收敛到最小值。3种改进算法分别在平均精度和模型参数量两个指标上有所优化,第二种改进算法通过增加检测头和上下文提取模块在测试集上提升了精度,第三种改进算法通过重新设计HSB的结构使得在优化性能的同时均衡了推理速度,模型大小和精度这3个指标,在测试集上表现比第二种改进算法精度更高,模型泛化性能更强。最后本文利用Flask和Postman将第三种改进算法部署到Web端并输出测试结果,使得改进算法能在工程上有所应用,以便更多的用户使用该模型对航拍绝缘子图像的缺陷部分进行检测。