随着无人机技术的发展,以无人机拍照的方式进行输电线路巡检正在电网中得到普及和运用。面对无人机巡检获得的海量图片数据,由人工进行缺陷排查存在效率较低的问题,因此利用计算机视觉技术对航拍图像中的输电线路进行缺陷检测成为热点研究问题。本文以绝缘子自爆缺陷检测作为研究对象,将问题转化为对航拍图的图片块的细粒度分类任务。通过对绝缘子航拍图中绝缘子特征的分析,提出基于深度学习的自爆缺陷检测模型。文章的主要工作如下:1.为解决自爆绝缘子类别缺乏样本的问题,根据真实的自爆绝缘子的特征使用两种方法对自爆绝缘子类别进行数据增强。将绝缘子航拍图片裁剪为图片块,经过预处理和数据增强建立了绝缘子航拍图片数据集。2.提出了一种用于自爆缺陷检测任务的多任务学习模型。以航拍图片块按背景、正常绝缘子和自爆绝缘子分类的三分类任务为主任务;由于不同拍摄角度下的绝缘子的特征存在较大差异,将绝缘子根据拍摄角度分类的任务作为辅助任务构建基于多任务学习的分类模型,以增强网络的泛化能力。经过实验,基于多任务学习的模型的自爆类分类召回率为0.9425。3.提出了一种用于自爆缺陷检测任务的层次分类模型。本文基于航拍图片的标签树构建层次分类模型,并与多任务学习算法结合。层次分类模型通过使用专用的卷积神经网络区分自爆绝缘子和正常绝缘子以提高分类准确率。经过实验,基于层次分类的模型的自爆类分类召回率为0.9587。综上,通过对航拍绝缘子图像的特征的深刻分析,本文提出了两种基于细粒度分类的绝缘子自爆缺陷检测模型,对自爆绝缘子类别实现了较高的分类召回率。