传统的输电线路故障巡检方法大多是人工目测,耗费大量的人力物力资源,且受到检修地点的环境影响,效率较低,无法实现实时检测。随着电网智能化和图像处理技术的发展,使用先进的图像分类算法进行输电线路的故障图像检测是智能电网发展和故障诊断中重要的措施之一,因此,开展了使用无人机搭配图像处理进行输电线路智能巡检的研究。将无人机巡检和输电线路故障图像检测任务结合起来,就能够实现故障图像以及故障类型的分类处理,从而实现电网的智能化巡检,大大提高故障检测的效率。本文通过无人机巡检对某矿业集团内部所属高压输电线路故障图像进行采集,得到输电线路的图片与视频资料,对输电线路上常见的故障种类与故障发生后的机理特征进行分析,筛选出所需的实验图像。对筛选出的故障图像进行裁剪和预处理等操作,通过数据增强扩大数据集,对图像库种的图像文件进行故障种类的标注,构建一个可供本文的分类模型训练使用的输电线路故障图像的数据集。针对输电线路故障诊断任务的特殊性,结合目前较为广泛使用的卷积神经网络图像分类算法和模型压缩技术,本文设计了一种结合批归一化的轻量化CNN输电线路故障图像识别分类算法BN-Mobile Net,在keras平台上进行仿真实验,首先在标准数据集上进行实验证明,本文设计的模型通过改变卷积层的网络结构,降低了网络的复杂度,模型参数量降为了原来的六分之一,训练的时间也有着一定的减少,且模型的准确率在各个数据集上都比原始模型提高了3%以上。在故障图像数据集上进行实验并开发了测试软件,最终的实验结果表明,本文提出的模型在准确率以及训练速度上大大优于以往使用人工目测和原始的神经网络分类算法,开发出的测试软件能够实现单张图片以及多张图片的故障分类,且具有较强的泛化能力,为电网智能化巡检提供了一定的实验基础。图[39]表[6]参[80]