电力系统的正常运行对保障国民经济发展、人民安居乐业以及社会的和谐稳定起到重要作用。变电设备在运行过程中,由于外部自然环境以及绝缘子长期使用老化等原因,变电设备绝缘子容易产生绝缘外套裂纹缺陷。上述缺陷如不能被及时发现并处理,将可能导致变电设备损坏、爆炸、保护跳闸,进而引发供电区域大面积停电、系统解列等严重事故。因此,对变电设备绝缘子进行定期巡视及时发现并消除绝缘子裂纹缺陷对变电设备安全稳定运行起到非常重要的意义。随着近些年来深度学习算法的不断发展,使用图像识别方法对绝缘子裂纹缺陷特征进行检测已成为可能。本文主要基于图像识别方法,研究可以在嵌入式设备中离线使用的变电设备绝缘子裂纹缺陷检测算法以及基于嵌入式单元的手持式终端实现。围绕该课题,本论文的主要研究内容如下:首先,针对变电站中变电设备绝缘子裂纹缺陷图像数据集不足的问题,结合绝缘子形状特征以及变电站巡检拍摄环境,使用图像增强算法对绝缘子裂纹缺陷原始数据集进行扩充,提高绝缘子样本数据集的多样性。其次,针对Mask R-CNN目标分割算法进行网络输入头部骨架的优化,并阐述基于Mask R-CNN的绝缘子裂纹缺陷检测算法以及Soft-NMS检测框去重算法。随后通过对比两个骨架网络对实际绝缘子数据的裂纹缺陷检测结果,证明了所提出算法对绝缘子裂纹缺陷检测的准确性并凸显出基于Mobile-Net骨架下的Mask R-CNN网络的性能优势。然后,针对变电站中变电设备过高、变电设备围栏过远且在变电站内使用无人机存在撞线风险而导致无法对变电设备绝缘子进行巡检的问题,对变电站巡检所用嵌入式单元、手持式终端以及绝缘杆进行设计。在此基础之上,针对嵌入式计算资源匮乏问题,对绝缘子裂纹缺陷检测算法进行优化并实现算法在嵌入式单元中的移植。最后,使用算法移植后的手持式终端软件在向光与背光、直立与倾斜以及横向与纵向多个使用场景下拍摄并检测绝缘子裂纹。实验表明,所提出的基于Mask R-CNN裂纹缺陷检测算法及嵌入式实现能够实现对绝缘子裂纹缺陷的检测,并且能够达到变电站对绝缘子裂纹缺陷检测的精度和性能要求。同时,本文的方法也为无人值守变电站以及机器人智能巡检提供新思路。