电力绝缘子由于能够耐受电压和机械应力作用,因此是架空输电线路中不可缺少的控件。因为绝缘子通常由玻璃和陶瓷制造而成,所以其容易发生开裂、侵蚀和芯棒外露等故障问题,从而导致架空输电线路无法正常运行。因此,对架空输电线路中的绝缘子进行定期状态检测是维护其正常运行的必要工作,而利用无人机等设备对其航拍影像中的绝缘子进行实时识别与定位并对绝缘子进行拍照则是进行状态检测的重要前提。因此,本文针对无人机等不具备GPU的设备,研究能对其航拍影像中的绝缘子进行实时识别和定位的方法。主要研究工作如下:(1)本文在研究学习了目前主流的识别与定位方法之后,提出了基于深度学习的目标识别和定位方法来进行绝缘子实时识别与定位。本文在相同条件下对各个主流方法进行了速度和精确度的对比测试实验。由于YOLOv2算法能够兼顾速度和精确度且优于其他模型,因此本文选择YOLOv2算法作为本文研究的基础并在其框架下进行改进。(2)本文首先基于YOLO-LITE算法的基础网络结构提出了三种可以用于堆叠神经网络的轻量型全卷积块,并且为了得到更加正确的先验框使用k-means算法对训练集中的边界框进行了聚类,然后提出了提高模型精确度的多特征融合方法和加快模型速度的减少模型输入尺寸方法,最后通过各种堆叠实验得出了最优的实时目标识别定位模型。在与其他目标识别定位算法的对比实验中,本文提出的模型在PASCAL VOC2007测试集上取得了 41.83%mAP的精度,在英特尔15的7代处理器上速度达到了 25 FPS,它在速度和精确度上都优于YOLO-LITE算法,并在速度上远远优于其他的目标识别定位算法。(3)本文将1200张无人机航拍影像中的绝缘子进行标注并以2:1的比例构建训练集和测试集,然后将本文提出的目标识别定位算法和其他目标识别定位算法在上述训练集和测试集上进行训练,并从不同的角度进行了对比测试。最后发现本文提出的算法可以兼顾精确度和速度,在测试集上精确度达到了40.65%AP,且具有25 FPS的速度,优于其他对比的算法。