传统电网巡检中，电力设备的诊断往往依靠人工判别。现阶段，无人机、机器人等电力巡检手段的更新迭代，有效解决传统电力巡检效率低、实时性差、危险系数高等问题，推动电力设备检测朝智能化、自动化的方向发展。然而，现有电力设备视频监控系统仅将大量多媒体数据传输到调度端，海量的图像数据在低效筛选处理下极易积压，反倒降低了设备运维的实时性，难以适应智能化电力系统的发展。本文重点研究了基于机器学习的瓷绝缘子目标识别与状态评估，研究的主要内容如下：
　　研究了基于深度学习算法的绝缘子目标检测识别技术。通过现场拍摄采集，获取可见光通道下的绝缘子图像，构建了悬式绝缘子、支柱绝缘子和绝缘套管三种类型外绝缘设备的本体特征识别数据库。分别采用FasterR-CNN、YOLOv3算法建立绝缘子分类定位识别模型，从模型收敛速度、检测效果和mAP三方面比较了这两种算法在绝缘子分类定位识别上的性能表现。试验和测试结果表明，FasterR-CNN训练时间较长，LOSS曲线收敛速度较慢，模型构建相比YOLOv3难度更高。YOLOv3采用了多尺度检测，三类绝缘子检测的平均mAP值可达0．9307，相比于FasterR-CNN的0．7788，性能表现更优，更适用于体积差异跨度较大的绝缘子的分类定位识别。该研究实现了对电力外绝缘设备的自动定位识别，为紫外诊断和红外诊断提供了定位服务支持。
　　研究了基于机器学习的瓷质绝缘子紫外闪络评估方法。采用了FILIN-6紫外成像仪对瓷质绝缘子开展了绝缘子工频闪络试验，获取无放电、微弱电晕放电、强烈火花放电三个放电阶段下的紫外图谱，建立绝缘子紫外闪络状态数据库。分别采用M-SVM和稀疏表示(APG、OMP )两种算法建立瓷质绝缘子紫外闪络状态评估模型。从参数敏感度、检测准确率等方面，比较了三种绝缘子闪络状态评估模型的性能。试验和测试结果表明，稀疏表示算法具有准确率更高，训练时间短，参数敏感度低，模型鲁棒性好等优势。其中，OMP算法受过完备字典的健全程度影响较大，当训练样本量充足时，该算法可以快速甄别待测样本，具有较高的准确率；APG算法则选取多个较优的特征参量，依据权重综合诊断，该算法对过完备字典依赖性较低，适用于样本量较少的分类评估。该研究实现了对瓷质绝缘子紫外成像检测的高准确率智能化分类评估，为电力设备的分级预警和故障检测提供了新的方案。
　　研究了基于机器学习的瓷质绝缘子红外故障评估方法。开展输电线路劣化瓷质绝缘子在不同环境因素下运行的高压试验，获取故障绝缘子与正常绝缘子运行下的红外图像，建立瓷质绝缘子两种运行状态下的红外样本数据库。分别采用BP神经网络、稀疏表示算法、YOLOv3-tiny三种算法建立瓷质绝缘子红外故障评估模型，从诊断准确率、诊断速度、模型稳定性三方面，比较了三种算法下的瓷质绝缘子红外劣化评估模型性能。试验和测试结果表明，BP神经网络算法和稀疏表示算法速度快、效率高，具有良好的诊断效果。但预处理工作步骤繁琐，且对数据集要求较高，实现智能化产业化存在一定难度。YOLOv3-tiny算法具有深度挖掘数据的优势，速度快、诊断准确率高，更具有现场实际应用价值。该研究实现了对瓷质劣化绝缘子的红外智能检测识别，为电力绝缘子的红外运检进行了新的尝试。