目前基于机器视觉以网络变压器视检为对象的研究多为外观规则、背景简单、对比度高的印字和划痕等缺陷检测,而对网络变压器内部小缺陷的检测研究相对更少,因此其仍然依赖效率低下和成本高的人工检测。基于上述原因,课题以网络变压器内部缺陷检测为研究对象,针对内部缺陷占比小、有效特征难以获取带来的检测难点,对YOLO v3目标检测算法进行改进,实现对网络变压器内部缺陷高效精确的检测。具体研究工作如下:（1）收集有限的网络变压器缺陷样本,并通过人工对正常网络变压器制造缺陷从而组成缺陷样本集。同时通过旋转、镜像、增加高斯噪声扩展缺陷图像集。最后通过labelImg完成数据集标注,形成网络变压器缺陷数据集（NTDD）。（2）针对网络变压器缺陷与部分背景纹理相似导致有效特征难以提取的问题,构建一种新的注意力模块以提高网络提取缺陷特征的能力。基于SE注意力模块的理论基础,构建的通道注意力模块PAM相比于SE通道注意力模块将新增参数从Ο（c2）降至Ο（c）并保持更良好的直接相关映射关系,同时增加空间注意模块力SAM,在引入少量参数的情况下降低了空间中背景的影响并加强了对空间特征的提取能力。（3）针对网络变压器缺陷尺寸占比小的特点,对YOLO v3网络结构进行针对性改进。在输入层采用更大分辨率（608×608）的输入图像,提高对小目标的检测精度;在主干网路使用Ghost轻量级卷积模块替换主干网络中的普通卷积,获得了更大的计算空间进行更多的网络优化,同时使用注意力模块嵌入主干网络进行精度弥补;在连接层使用改进PAN结构进行更好的深浅层信息融合;在检测层增加对4×下采样融合特征的检测作为小目标检测的主要检测头,同时去掉对8×下采样层和16×下采样层的检测,降低由于对高分辨率特征图进行检测带来的计算量。同时优化损失函数,降低背景的损失权重,降低正负样本不平衡的影响。在实验中进行纵向对比,每一步改进获得了不同程度的收益。（4）为展现改进方法在不同场景表现的性能以及验证改进方法针对网络变压器缺陷检测的有效性,进行不同的实验测试。在注意力模块嵌入实验中,首先将注意力模块嵌入分类网络中在Image Net数据集上进行实验,然后将注意力模块嵌入YOLO v3在NTDD数据集上进行实验,结果显示构建的PAM与SAM模块联合使用在引入最少参数的情况下获得最好的优化效果。在目标和缺陷检测实验中,在VEDAI和NTDD数据集上进行纵向对比实验,分析每一步改进对网络的优化,同时在COCO、VEDAI和NTDD数据集上与Efficient Det-D1、YOLO v3和YOLO v4进行横向对比实验,实验结果显示改进方法在小目标数据集VEDAI和NTDD数据集上分别以27.2%和89.1%的m AP获得最好的检测精度,并且参数量在对比方法中最少。同时通过预训练策略进一步将方法精度提高到90.2%,并对网络变压器缺陷检测方法进行评估,结果显示改进方法在置信度阈值为0.5时识别总精度达到97.3%、总召回率达到98.8%、总漏检率为0.2%。最后使用PyQt5制作用户与产品的交互简单、便捷的GUI,在实现的功能中进一步验证方法对网络变压器缺陷检测的有效性。实验结果表明,改进算法根据网络变压器内部缺陷的特点在YOLO v3基础上进行的针对性优化,提高了对小目标的检测精度,同时可以快速、精确地检测出网络变压器内部缺陷。研究结果为实现网络变压器自动化视检提供了相关理论参考。