输电线路是输电网络的基础,输电线路的损坏常常会造成输电中断或者电压的波动,严重影响人们的生产生活,因此,输电设备的日常巡检是保证企业生产和人民生活的一项基础性工作。对于电网来说,输电线路越来越密集,传统低效的人工巡检方式越来越不能满足电网对于线路巡检的需求。当前,随着计算机技术的迅速发展,使用计算机来完成大量的线路巡检工作,已经成为线路巡检工作技术升级的趋势。目前,对于防振锤、绝缘子这些较大的金具已经存在很多智能巡检的措施,可以快速准确的识别其中的缺陷设备和缺陷类型,但对于销钉这些较小的金具,由于其存在位置众多,销钉本身体积过小,无人机无法近距离靠近杆塔等因素,导致巡检图像中销钉图像不清晰,像素占比过小等问题,现有的智能识别设备对销钉的识别仍存在很大误差,这就是本文工作的出发点。本文首先对巡检图像中销钉的类别进行了分类,人工对其进行了详细的标注,并对其进行裁剪和数据增强,最后形成了一个包含多类故障的销钉数据集合;另外,本文对人工巡检的方法以及基于深度学习的目标检测模型的方法进行了细致的分析和研究,在这些基础上针对输电线路巡检中销钉检测困难的问题,本文创新性的提出将超分辨率生成对抗网络(SRGAN)应用到数据处理的过程中,并通过改进Faster R-CNN目标检测的模型的结构,将销钉的检测精度从0.6955提升到了 0.7678;最后为了验证本文模型的鲁棒性,本文在公开的小目标数据集上进行了详细的对比实验,实验结果表明,本文模型不仅在销钉数据集上表现优异,在其他的小目标数据集上检测精度也同样优于其它模型,证明了本文模型的泛化性。(1)在数据处理方面,本文创新性地提出一种基于超分辨生成对抗网络(SRGAN)的数据处理模型。在用传统的数据增强方法对数据进行增强的同时,对数据进行了像素级的信息扩增,通过提升小目标的分辨率使得小目标的特征表示更明显,更容易被目标检测模型感知到。(2)在模型改进方面,本文基于两阶段目标检测模型Faster R-CNN,进行了自注意力(Self-Attention)机制,软化非极大值抑制(Soft-NMS)两种模型改进策略的实验,并对改进策略进行组合对比实验,针对本文的数据集,通过实验结果比较,选取了其中改进效果最好的作为了最终的模型。(3)在模型评价和模型验证方面,本文采用了目标检测模型中常用的precision(查准率)、recall(查全率)、Average Precision(AP)平均精度、Mean-AP(平均精度均值)等常见模型的评估指标对模型进行了评估和对比,并且,本文在Tsinghua-Tencent 100K数据集上进行实验和评估,验证了模型的鲁棒性。