输电线路是国家电力网络传输中的主要组成部分,为保证供电的连续性、安全性和可靠性,定期对输电线路巡检十分重要。传统的输电线路巡检以人工为主,存在效率低、危险性高的问题。近年来随着技术发展,无人机巡检成为主流。将图像处理技术与无人机巡检结合运用到输电线路运行状态的检测中,不仅极大地提升了输电线路巡检的自动化水平,而且降低了投入成本。本文对输电线路巡检中器件识别及定位方法进行研究,利用卷积神经网络对无人机航拍图像进行训练,实现对输电线路器件的识别定位。论文的主要工作如下:(1)输电线路数据集的建立。目前没有标准数据集,通过将热红外成像仪拍摄的视频转换为图片,选择清晰的图片作为原始数据集,针对图像数据集较小的问题,利用图像翻转、旋转、移位、加噪等数据增强方式实现了数据扩充。使用Lableimg软件对数据集进行手工标注,标注出输电线路数据集中的输电线、杆塔、绝缘子串三类目标,生成对应的.xml文件,制作成V0C2007数据集格式。(2)设计并实现了基于卷积神经网络的输电线路器件识别算法。通过对比目前深度学习目标算法优缺点,选择Faster RCNN算法和YOLOv3算法对输电线路数据集进行训练。在Faster RCNN算法训练过程中,使用VGG16、ResNet101、MobileNet三种特征提取网络对图像进行特征提取,并针对部分目标在图像中较小问题,在区域建议网络候选框选取过程中,增加一组小尺度,提高了目标检测准确率,最终平均精确度均值(mAP)可达0.9054。实验证明该方法在实现输电线路目标识别中有较好效果。(3)实现对绝缘子串数据集的识别定位。从GitHub中获取的可视化绝缘子串数据集,选取数据集中正常绝缘子串数据集,通过翻转、旋转、移位、加噪等方法进行数据扩充,将数据集扩充为2400张。通过Faster RCNN算法和YOLOv3算法训练,将实验结果与参考文献结果对比,经过改进的Faster RCNN算法训练的实验效果比较好,绝缘子串平均精度(AP)值可达0.9911,能够准确识别定位绝缘子串,证明了该改进算法的有效性。