绝缘子是由陶瓷或者玻璃制成的一种电力器件,可以在输电线路中起到绝缘、支撑的作用。我国国土面积广阔、高压输电网络规模大,覆盖面积广。绝缘子长期处在野外环境中,易受到复杂气候环境的影响,一旦绝缘子发生故障,将会造成电能质量不稳定,严重时会造成整条线路的短路故障。在电网高速发展的背景下,传统人工巡检的方式效率低、成本高,已经无法满足当今时代的要求。随着科技的进步,尤其是物联网技术和计算机视觉技术的发展,无人机已经被应用于线路巡检。近年来,深度学习的迅速发展为无人机航拍巡检图像的分析提供了新的解决思路。本文围绕深度学习算法,对航拍图像中的绝缘子进行定位识别与状态检测研究。并基于改进YOLO-V3算法和多分辨率小波并行分类算法,设计了无人机巡线系统。本文的主要研究内容和研究成果总结如下:(1)介绍了神经网络理论,并分析了常见激活函数的优缺点。针对单一航拍图像中绝缘子串较多的问题,提出了一种自适应剪裁算法。结合深度学习输入样本的要求,设计了一种图像预处理算法,并制作了样本集。(2)提出了一种基于改进YOLO-V3算法的绝缘子定位方法。选用Darknet-53作为特征框架,仅选用前52层作为特征提取层,并引入残差层。针对绝缘子串目标较小影响识别率的问题,将三次目标检测Feature Map的通道数改为21。基于Tensorflow框架对YOLO-V3绝缘子检测网络进行了训练和前向预测,通过实验绘制出本文绝缘子样本图像的中间层特征图,验证改进YOLO-V3算法的有效性。(3)提出基于尺度金字塔的绝缘子分类算法。利用小波变换提取不同尺度下的绝缘子特征作为输出量。针对本课题研究的缺损故障,提出一种多分辨率小波并行状态分类算法。并搭建网络模型对样本进行分类判别。定义了分类的性能指标,并通过对比实验,验证该分类算法的有效性。(4)介绍了无人机智能巡线系统的硬件平台。在Open CV4.2和Visual Studio2017平台上将上文的算法进行移植,实现了软件的编写。并导入测试视频集验证了算法的有效性。实验结果表明:可以在软件中实现绝缘子的定位与状态检测,同时软件可以输出绝缘子所在杆塔的编号,方便电网工作人员进行绝缘子更换。