保障电力系统稳定安全运行是国家各电网公司的一项重要工作内容,电网公司成立了专门的电力巡检部门进行输电线路部件故障排查,并及时对故障部件进行替换。目前,无人机巡线作为电气工程领域重点研究项目具有很好的前景。本文针对航拍图像中的容易发生故障的绝缘子和铁塔鸟窝的检测进行了研究,为输电线路缺陷识别提供了理论基础。深度学习往往是样本集越丰富检测效果越佳,但是实际中没有过多的隐患样本,实验数据是Github上公开的国家电网数据,针对实际中没有过多的隐患样本,故研究了一种样本扩充的生成算法。利用泊松融合对前景和背景进行处理生成缺陷图像,并将生成的图像进行开、闭运算后再进行模拟真实环境的图像处理,构建了输电线路检测数据库,提升训练模型的泛化性能。在对主流的基于深度学习的目标检测算法进行了分析,为解决目前主流的深度学习算法在物体识别中存在的小目标和重叠目标识别精度低等问题,本文提出了一种新型特征金字塔结构,充分利用特征映射图的信息,缩短较低层特征与顶部特征之间的融合路径,增强底层特征在整个特征层次中的作用。算法中依次选择Res Net50、Res Net101和本文提出的Res Net101+FPN残缺网络进行特征提取,同时结合Faster R-CNN和Cascade R-CNN为算法框架进行无人机图像的数据挖掘,对输电线路上的三类不同绝缘子、相间棒、防震锤、鸟窝和两类不同绝缘子缺陷共八类不同目标进行识别任务。通过大量的对比实验,该方法能够在复杂背景下对小目标、各类缺陷都有良好的准确性,最终在2000张测试样本中的m AP达到93.5%。该论文有图35幅,表9个,参考文献45篇。