因高压传输电能和智能电网建设需求,保障电力通道的安全成为电力部门工作中的首要任务之一,违章建筑侵占电力通道的现象屡禁不止,使得电力安全传输和电网安全存在重大隐患。当前主流深度学习建筑检测算法大多针对城市遥感图像中的违章建筑检测,在动态背景下的视频序列图像表现性能不佳,本文以电力通道违章建筑检测实际需求出发,针对侵占电力通道的违章建筑,研究并应用以卷积神经网络为代表的深度学习技术,实现序列图像中建筑物的精确定位,设计违章建筑判别器,实现电力通道违章建筑检测目标。本文主要研究内容:(1)违章建筑对象数量不确定。采用先分类后检测的建筑物检测方法,对采集的电力通道视频进行预处理,标注包含建筑物,电力塔,车辆,树木的4类分类数据集,并进行数据扩充,根据输入样本尺寸,对原有Alexnet网络结构优化得到Imp-Alexnet网络,提高网络分类性能,实现建筑物区域提取和建筑物分类目标,得到建筑物区域位置信息。(2)违章建筑对象大小不同。采用先检测后分类的建筑物检测方法,将包含违章建筑的样本利用GAN进行样本扩充构建电力通道建筑检测数据集,通过调整网络参数和引入Focal Loss损失函数,优化Faster R-CNN网络性能,实现电力通道视频中的多数建筑物检测,得到更加精确的建筑物位置信息,减少了漏检和误检测现象。并利用同一线路通道相隔一年采集的视频输入网络验证算法有效性,发现网络能精确检测出电力线路通道中所有的建筑物。(3)违章建筑判别器设计。针对违章建筑判定需要,基于神经网络检测所得的建筑物位置信息,设计了基于距离的违章建筑判别器,并结合ORB算法对其进行改进,实现序列图像中建筑物的匹配,进一步提高了电力通道违章建筑检测速度和精度。