电力供应是人民生活和国家运行不可或缺的要素,这就要求输电系统在任何条件下都能可靠地工作。除冰机器人作为一种用于解决输电线路覆冰问题的前沿解决方案,输电线路上安装的悬垂线夹、间隔器、绝缘子等附件会成为其除冰作业的障碍。为了让除冰机器人能够稳定和有效的进行作业,准确地识别出输电线上障碍物的位置,并对其进行分类成为了首要解决的问题。本文调研并分析了输电线路的环境特点、除冰作业要求以及障碍物类型,对常见输电线路器件的安装方式与结构特征进行了分析,总结了输电线障碍物识别问题的难点,针对传统神经网络方法训练效率低下,分类准确度不高,过拟合严重等问题,设计了一套基于Modified-ELM算法的输电线路除冰机器人障碍物识别方案。该方案主要由图像预处理和基于神经网络的障碍物目标定位分类两个部分组成。图像预处理包括了降噪和边缘检测,首先使用BM3D算法对除冰机器人成像系统捕获的原始图像进行降噪,之后以自适应阈值的小波变换算法为基础,得到图像中的物体边缘信息;目标定位分类则通过神经网络和神经网络训练(深度学习)算法完成,构建了一个具有卷积及全连接部分的神经网络结构,在其中引入了Dropout层,结合输电线路障碍物识别问题的要求,定制了各层神经元的个数和连接关系。在图像预处理的问题上,本文讨论了BM3D算法中相似度阈值与DCT变换域中截断阈值对图像降噪效果的影响,并分析了小波边缘检测算法中不同小波函数在不同阈值下的性能;在障碍物目标定位分类问题上,使用遗传算法对神经网络的卷积核进行训练,分析了Hinton的极限学习机算法(ELM),改进了其数学模型,提出了Modified-ELM算法以训练网络中的全连接部分,提高了整个训练过程的收敛速度;最后在模拟的输电线路照片数据集上进行了实验,结果表明本文方案能很好地解决输电线路上的障碍物识别问题,可以取得比几种前沿方法更准确,更稳定的结果,并满足了机器人除冰作业的实时性要求。