输电线路是国家电网系统的重要基建,其安全稳定的运行是电能传输的重要保证。国家必须每年花费大量的人力物力用于对输电线路的巡检工作,才能有效地排除安全隐患。但随着电力工业的不断发展,供电地区和线路总长度也不断增长,传统的人工巡线已经不能满足实际要求,需要采用新的巡线技术来智能识别输电线路上的待检测目标并判断是否存在缺陷。图像处理和深度学习技术的快速发展,为缺陷的智能识别提供了实现的可行性。FPGA等芯片的进一步升级,为数字图像处理和卷积神经网络硬件加速的实现提供了硬件平台。本文将以输电线路的可见光图像为数据源,以FPGA开发板为硬件平台,依次完成对输电线路上元器件的识别、目标图像的分割以及最后的缺陷检测。首先,采用硬件加速实现卷积神经网络,用于识别输电线路图像中的待检测目标,为缺陷的分类检测提供依据。先在PC端完成了对网络模型的搭建和训练,确定该网络能够识别目标元器件。再卷积神经网络的并行性运算加以改进,并成功将其移植到FPGA上,实现了对卷积神经网络的硬件加速。最后通过实验验证了卷积神经网络在是硬件平台上识别目标的可行性。其次,采用了一种由直方图均衡化、阈值分割、形态学滤波和Sobel边缘检测融合的图像分割方法,成功将图像中的目标与背景分离,获得便于缺陷检测的目标轮廓图像。利用直方图的均衡化完成对图像的预处理,解决图像的曝光问题,增强图像中待检测目标和背景的对比度;采用改进的局部自适应阈值分割算法,解决了光照不均匀情况下图像分割不理想的问题,成功将待检测目标从图像中分割出来;利用形态学滤波消除图像背景噪声和小物体的干扰,扩张待检测目标的高亮区域,增强图像效果;利用Sobel边缘检测提取目标的外侧轮廓,为缺陷检测提供依据。在FPGA端采用自上而下的模块化设计,完成了对上述算法的移植,成功在硬件平台上实现了图像分割,并在实验中获得了良好的图像分割效果。最后,针对绝缘子缺陷提出了一种基于绝缘子轮廓信息的缺陷检测算法,并成功在FPGA上实现,达到了缺陷检测的目的。先从目标的轮廓图像中提取出了绝缘子的上边缘和下边缘曲线图,再利用局部加权回归算法(LOWESS)平滑曲线以便于获得绝缘子片的波峰值,最后利用相邻波峰之间的距离关系确定是否存在绝缘子掉片缺陷,完成了对绝缘子的检测。