绝缘子作为电力系统中的重要设备,其绝缘状态直接影响整个电力系统的稳定性和供电的可靠性。因此,电力巡检是保障电网安全运行不可或缺的手段,新兴的无人机巡检通过搭载的高清相机和图传设备可获取大量详实的巡检影像。这些巡视数据仅凭人工分析和处理,工作量庞大,效率低下,存在由工作人员经验和素质引起的偏差。因此需要引入智能化的识别方法。本文结合国家自然科学基金资助项目“基于深度特征表达的目标检测与故障识别方法研究”的需求,从以下几个方面展开研究:(1)本文通过使用卷积神经网络实现对绝缘子的检测,解决传统检测算法鲁棒性差,泛化能力不强,准确率不高等问题。首先通过研究卷积神经网络的特点和广泛应用,结合工程需求和硬件支持,使用VGG16作为特征提取网络和RPN作为检测方法,搭建适宜本课题网络模型。其次利用无人机在不同线路和时间采集玻璃和陶瓷绝缘子样本并进行人为拓展并结合绝缘子的3D人工图像进行样本扩充,作为训练样本。然后本文选择开源的Tensorflow作为工具,结合相关调参技术对网络结构进行改进和在训练过程中进行优化。通过自动学习绝缘子特征的本质,实现了复杂航拍背景中的绝缘子目标检测。(2)本文提出了一种改进的区域候选网络(Region Proposal Networks),用于提高航拍图像中绝缘子目标的检测准确率。在绝缘子样本不完备的情况下,通过截取、旋转、镜像以及人工合成等方法对绝缘子训练样本进行扩充和完善;对人工标注的绝缘子样本的标注框进行聚类统计,获得标注框的宽高比的分布情况,用于候选框尺寸的初始化;对特征提取网络VGG16进行逐层分析,融合其中的第二、三、五层的特征图,用于绝缘子目标识别;更改损失函数,实现动态调整正负样本的比例,从而解决训练过程中正负样本不均衡的问题。实验结果表明,与原始的区域候选网络相比,本文所提出的改进的区域候选网络能够更有效地检测出航拍图像中的绝缘子目标,改进后的区域候选网络的精度较之前提高了近5个百分点。(3)本文对绝缘子检测进行测试验证和对比试验。首先针对不同背景,不同种类,不同数量的情况进行了绝缘子检测测试,并与传统DPM和基于HoG的SVM算法进行了对比,同时通过可视化效果来分析网络的性能。然后对不同背景下的绝缘子检测算法进行了验证。经验证绝缘子检测效果达到了工程要求,有效体现了巡检数据的价值,有助于提升电力巡检的效率和智能化水平。