随着机器学习和计算机技术的发展,目标检测和识别技术已开始应用于输电线路视觉巡检系统。如今,深度学习已成为目标检测和识别的主流,然而无人机摄取的绝缘子爆片图像不仅区域面积小,目标特征少,而且观察视角变化大,这些不利因素都严重制约了Faster R-CNN、SSD等深度学习方法的应用。为此,本文提出上下文关联绝缘子爆片检测方法研究的课题,利用爆片所处的上下文背景知识,开展爆片图像标注、上下文ROI池化和绝缘子串倾斜校正方法研究。本文主要研究内容可总结为以下几个方面:首先,提出了一种基于邻域上下文背景信息的爆片缺陷图像标注方法。根据爆片及其邻域处于绝缘子区域内部,爆片左右邻域会有一个或两个绝缘子表盘的特点,将爆片及邻近的绝缘子表盘一起看做爆片区域,重新对爆片训练样本进行标注,然后再利用R-FCN方法进行模型训练和检测。实验表明,对于绝缘子爆片图像,该标注方法的检测精度提高了15.8%。其次,提出了一种上下文信息融合的ROI区域池化算法PR_CoupleNet。与RFCN检测框架不同,本文使用了三条ROI支路来提取爆片特征:第一条支路为RFCN原始的PS RoI Pooling,第二条支路使用积分池化方式对ROI区域进行处理,第三条支路使用积分池化方式对ROI邻域的两倍区域进行处理以利用爆片邻域的绝缘子串、铁塔等大目标信息。然后,将后两条支路的池化结果进行通道拼接,再进行卷积得到目标的全局特征向量,并与第一条支路生成的局部特征向量进行元素相加来融合目标的上下文信息。针对爆片数据样本较少的情况,本文使用了多种数据增强方式扩充了数据样本的表达形式。实验表明,PR_CoupleNet比改进爆片图像标注算法的检测精度提高了10.4%。最后,提出了一种旋转校正的级联检测网络R_Cascaded R-FCN。首先,针对基础卷积网络输出的卷积特征图,分别构造绝缘子串检测网络和爆片检测网络。然后,依据爆片区域与绝缘子串区域的包含关系,构建一个上下文区域关联的级联检测网络。为了克服绝缘子串姿态变化问题,在绝缘子检测回路,增加一个角度回归全卷积网络Adapt-Res101来预测出绝缘子串与水平方向的夹角,将这个夹角参数送至卷积特征图校正模块,得到绝缘子串区域水平校正的卷积特征图,再进行爆片检测。在爆片检测模型训练过程中,利用校正前后爆片目标面积相等,自动更新校正后的爆片区域GT值。网络最终实现了端对端测试,实验证明,本文提出的方法的检测精度达到了92.5%,与R-FCN相比,本文方法具有更好的鲁棒性和泛化性。