近些年来深度学习中的神经网络技术在图像识别领域的应用取得了很好的效果。电力设备运行状态监测是输电线路运维工作的重要组成部分,电力巡检人员通常需要人工观察大量的图像中识别电力设备状态。电力巡检人员可以利用深度学习技术智能分析巡检图像从而提高工作效率。本文结合绝缘子,间隔棒,防震锤等重要输电设备的结构和纹理特点,提出一种基于卷积神经网络Faster R-CNN的输电设备图像识别算法。该算法实现了一种算法针对多种类型电力设备的识别,并在多种复杂背景下取得了较高的识别准确率。相比众多传统的图像识别方法具有明显的先进性。本文的论述分为四步进行展开。第一步,按照依次进行了图像收集、图像筛选、图像尺寸调整、图像标注、图像分类和数据集匹配完成数据构建,同时制定了图像的筛选和标注原则。第二步,采用ResNet101+Faster R-CNN、VGG16+Faster R-CNN、YOLOv2三种卷积神经网络分别对数据集进行模型训练并进行了模型训练。对测识别结果进行了对比,得出基于ResNet101的Faster R-CNN卷积神经网络对各类输电设备具有较高的识别率。第三步,针对上一步测试结果中暴露出部分类型电力设备识别率较低的问题,通过采用图像裁剪、旋转、加噪声等方式对数据集进行了扩充,进一步提高模型的识别准确率和模型的泛化能力。第四步,结合电力运维工作的实际应用场景,设计出适合运维工作人员操作的输电设备图像识别软件系统。特别是通过层次化的设计对图像进行科学管理,既方便了运维人员管理又提高了图像存储效率。最后本文还讨论了本识别系统的不足之处和下一步可进行深入研究的方向。本文对所提出的基于卷积神经网络的输电设备图像识别方法进行了大量图片进行实验测试,证明其具有较好的识别效果。本文设计的输电设备识别软件系统能够实现文中所述算法的实际运用,并为电力巡检人员的使用提供方便,具有一定的工程应用价值。