绝缘子是输电线路中的重要设施。由于其工作环境暴露室外,因而容易遭受众多不利的环境因素的干扰,从而产生各类故障。而由于材质的差异,瓷绝缘子相较于其他类型的绝缘子更易发生污闪,断裂等故障,因此对于瓷绝缘子的故障诊断是电力线巡检中的重要环节。随着无人机技术的日趋成熟,采用无人机巡检电力线的方式越来越受到人们欢迎。本文以无人机电力线巡检为背景,以瓷绝缘子表面的裂纹为研究对象,研究基于电力巡检无人机的瓷绝缘子裂纹检测的相关技术。这些技术总体上分为两个模块,首先是从无人机拍摄的图像中寻找到瓷绝缘子目标,即目标检测技术;其二是从无人机拍摄到的近距离图像中分析并提取裂纹信息,即裂纹检测技术。目标检测技术的实现是通过构建以区域推荐为基础的卷积神经网络模型。本文提出了针对具体的任务需求而改进的Faster R-CNN模型。通过对图片集的多种预处理以及对网络结构和参数的调整,继而采用以TensorFlow为基础的深度学习架构训练模型,实现了对无人机拍摄的图像中绝缘子目标的识别和定位。而对于瓷绝缘子的裂纹检测,本文提出了两种实现的方案。两种方案的共同点是都以边缘检测作为裂纹检测的基本思路。第一种方案是基于多种传统的图像处理算法。首先对原始图像采取多种预处理;然后使用边缘检测算子计算图像中的边缘梯度;之后将边缘检测算子滤波后的图像转换为梯度图像;最终通过阈值处理的方式筛选出裂纹所在的像素。第二种方案基于更为智能的蚁群算法。首先介绍了传统蚁群算法的基本原理和存在的不足,其次通过构建模型将蚁群算法应用于图像边缘检测。其中对于蚂蚁的觅食规则,信息素施放规则以及一些相应的参数作出了改进,最终实现了对瓷绝缘子裂纹特征的提取。