随着电力系统智能化的快速发展,计算机视觉技术已经被广泛应用于电网的电力设备在线监测和巡检中。绝缘子是整个电力系统及电网中的重要输电线路元件,由于其长期在野外暴露,致使诸如异物搭挂、裂纹、破损以及自爆等所导致的故障频发,对电网输电线路可靠、安全及正常工作造成了严重影响。因此,对电网绝缘子进行定位、状态监测及故障检测识别,有助于提升输电线路巡检有效性、安全性及自动化水平。本文结合当前国内外相关研究现状及技术进展,基于图像识别理论及电网绝缘子识别关键技术,采用搭载摄像机的无人机获取用于机器学习的绝缘子图像数据集,并通过对采集到的电网绝缘子图像进行预处理,从中提取机器学习的电网绝缘子特征。在电网绝缘子识别过程中,本文分别将YOLOv3和绝缘子3D模型及骨架提取与AdaBoost有效结合,提出两套识别方法,即基于YOLOv3的AdaBoost算法和基于3D模型及骨架提取的AdaBoost算法。对电网绝缘子整个识别过程进行分析,由此得到不同识别原理、方法及同一识别目标下,基于机器学习的电网绝缘子的两种识别实验结果。其中,基于YOLOv3的AdaBoost算法是通过目标候选区域选取、目标候选区域有效聚合、分类器识别分步对图像中绝缘子进行定位,而基于3D模型及骨架提取的AdaBoost算法是通过电网绝缘子3D建模、骨架提取以及分类器识别,实现对电网绝缘子进行精确、有效定位。实验结果表明,两套方案有效的提升了识别绝缘子的效果。相对于基于YOLOv3的AdaBoost算法检测定位识别实验效果而言,采用3D模型及骨架提取的AdaBoost算法进行电网绝缘子识别实验效果更佳,该识别方法具有较好的识别效果,其识别检测率衡量参数F₁高达95%,具有较高的实用价值,可为电力系统与智能电网自动化巡检、故障诊断以及识别处理提供依据。