大规模电能从生产到使用要经过发电、输电、配电和用电四个环节,这四个环节组成了电力系统。其中输电环节是重要组成部分,输电系统是由分布在辽阔地域的高压输电线路、变电站等组成的大型互联系统,也是最大的人造能量传送系统。输电系统规模巨大,结构复杂,容易受到各种影响的扰动,野外的高压输电线路极容易被悬挂异物,这些异物容易引起高压输电线的相间放电,造成大规模的停电事故;在变电站中,存在多种仪表和开关需要人工读取数值或者确定状态,人工读数的做法非常低效,当仪表的异常数值出现时,工作人员很难及时发现及时处理,进而引发供电事故。为了及时检测和发现这些隐患,人们在高压输电线和变电站安装了摄像头。本文的主要研究内容包括两部分,第一部分是高压输电线异物检测,第二部分是变电站指针式仪表的自动识别。(1)高压输电线异物检测在高压输电线异物检测部分,首先采用传统的数字图像处理技术,提出了一种基于Bresenham的高压输电线定位算法,用于准确定位高压输电线的位置,对高压输电线巡线搜索,通过垂直输电线的法线方向投影直方图找出高压输电线上的异常区域。这种方式找出的异常区域不一定是异物,通常还可能是输电线线夹,所以需要进行分类筛查。异物种类通常多种多样,而异物样本的收集却是非常困难的,因为异物悬挂的发生往往是偶然事件,因此本文提出了一种基于生成式对抗神经网络(Generative Adversarial Networks,GANs)的特征增强算法Feature GANs,使用GANs直接学习由卷积神经网络(Convolutional Neural Network,CNN)抽取的特征而不是原始数据,即使在样本很少非常有限的情况下也能有效的提高对异物的分类准确率。另外本文还使用了基于深度学习的目标检测算法SSD(Single Shot MultiBox Detector)用于异物检测,因为SSD是一种全局搜索算法,这会导致没有悬挂在输电线上与异物形态类似的目标被检测到,如云彩、天际线边缘的高楼等,因此需要使用本文提出的高压输电线定位算法进行筛选,删除误报。(2)变电站仪表的自动识别在变电站仪表自动识别部分,本文提出了一种基于深度学习的通用的仪表自动识别模型。在图像中自动读取指针式仪表是非常困难的,原因主要有两个,若想要获取准确的读数,输入的图像必须是正视图,并且不能倾斜,但是通过巡检机器人或者固定摄像头获取的图像往往是不稳定的,难以满足以上要求。其次,传统的算法只能识别特定类型的仪表,即一种算法对应一种仪表,但是变电站中往往有多种仪表,为所有类型的仪表分别设计算法非常费力,并且难以保证其准确性。本文提出了一种基于卷积神经网络的指针式仪表检测模型,该模型获取仪表上的特征点,并计算单应性矩阵以建立从其他视图到正视图的映射,同时结合图像的语义信息推断出指针的位置和角度。因此,在通过目标检测算法获得仪表的位置和类型后,该模型可以同时执行视图校正和读数获取。此模型是一个通用模型,可以读取所有类型的指针式仪表,和旋钮式开关课题组与山东某公司合作,将本文所提出的方法均集成到系统中,并且已经落地应用。目前,本文中提出的部分算法已在山东17地市、江苏、辽宁等多个省市推广,有效降低工作人员98%的工作量,保障了电力供应的安全和稳定。