输电线路是国民经济的大动脉,线路安全是经济平稳运行的保障。目前主流的巡检方式是无人机或监控摄像头拍照再传至后台由人工专家审核或由计算机进行自动化故障检测。大多数计算机自动故障检测方法是基于图像处理和机器学习的。然而,线路中需监测的故障类型和部件种类较多,传统方法针对不同目标需要设计不同的特征提取器,很少有通用算法能够同时处理多种目标,且对复杂背景的处理能力弱。深度学习的高速发展使得同时检测多种目标的算法实现成为可能。本文基于深度学习技术背景,实现了一种基于多目标检测的电力部件故障检测方法,能够识别和判定多种故障并对故障部件进行准确定位。论文首先详细阐述了本项目的应用场景和研究目标,以及目标检测的基本原理,制备了包含4种故障、6类目标的数据集,并分析了通用目标检测算法进行输电线路故障检测存在的主要问题。然后基于Faster RCNN算法,提出了适用于双峰灰度直方图分布图像的自适应亮度与对比度调整算法,增强对低质量图像的处理能力;依据绝缘子和防震锤的外观特点,提出了基于面积的非极大值抑制算法,解决了单目标多标注的问题。同时采用了剪切检测集成方法将原始图像切分为多张子图分别进行检测,并设计了目标框融合算法综合各检测结果,提升小目标检测能力;提出了二分类器集成方法,使同一目标经过两个分类器进行判别,并设计了融合算法进行加权投票,提升了检测器的分类性能。综合算法的最优检测方案可达95.23%的召回率以及93.86%的精确率。最后基于Python语言和PyQt库开发了简洁的交互式应用软件,该软件能够实现对保存在本地的巡检图像进行专家级智能故障部件识别,同时兼具生成检测报告、更新检测模型等功能。该软件在GTX 1070显卡下实现检测速度4帧每秒,满足本项目应用要求。