随着深度学习和无人机技术的空前发展,在输变电线路电路巡检中,新的巡检方式应运而生。具体方法为,前端利用无人机搭载摄像机对线路进行巡检拍摄作业,后端使用目标检测技术对拍摄内容进行缺陷识别。但是,目前识别率还有待提高。科研人员主要从算法和数据集两个方面进行研究。本文立足数据集角度,研究发现在已公开的数据集中,仅中国电力线路绝缘子数据集与巡检内容相关,但该数据集只包含绝缘子及自爆缺陷图像。缺乏数据集这一问题,给该领域的研究带来了极大的困难。因此,本文构建并管理了一套基于深度学习的输变电线路关键部件及缺陷数据集,主要进行了如下工作:(1)构建了一套输变电线路关键部件及缺陷数据集。图像方面,通过整理数据,发现部件缺陷图像数量少、缺陷在图像中占比小的问题。为此,引入非极大值抑制(Non-Maximum Suppression,NMS)算法,提出并使用了基于改进NMS算法的缺陷数据扩增法。标签方面,制定并采用标注规范,完成了标注工作。(2)提出了针对本文数据集的管理规范和方法。在数据集结构方面,为了更高效的利用数据集训练目标检测模型,设计了原始数据集结构、实验数据集结构及相关管理规范。在管理模式方面,提出了“数据-模型-数据”和“数据-模型-优化模型”的两种闭环管理模式,以实现数据和模型间的相互管理。(3)设计并实现了图像数据库管理系统。系统包括管理数据集和管理模型两个部分,分为创建数据集、管理数据集、模型训练、模型验证、模型检测和检测结果六个功能模块。数据库为My SQL数据库。该系统以图形化界面的方式,简化了数据集管理及模型训练的工作,进一步完成对数据集的管理工作。