电力工程是关乎我国经济发展的基础行业,基于输电线路的绝缘子检测是电力系统运行维护的重要任务。在实际应用中,通过无人机航拍等方式采集的绝缘子图像会存在背景复杂、目标不完整和被遮挡等情况,为后续的检测带来困难。本文以电力巡检领域对绝缘子等元器件的识别需求为切入点,结合项目实际,进行基于深度学习的绝缘子目标检测的研究。通过对比常见深度学习算法的网络原理和模型特点,研究适用于工程项目的算法模型。分别提出基于YOLOv3和CornerNet-Lite的绝缘子检测算法,并针对损失函数提出改进算法。本文的主要工作如下:本文针对目标检测的技术发展,按照深度学习算法中的双阶段和单阶段的分类,进行网络模型的结构可视化分析和步骤流程的复现,结合工程实际项目的应用需求,对比算法的性能效果,选取了适用算法YOLOv3和CornerNet-Lite。针对现有深度学习算法的性能效果以及绝缘子目标检测的研究情况,研究了一种基于YOLOv3的绝缘子目标检测算法。立足项目中对航拍图像的数据处理需求,将YOLOv3算法应用在电力巡检领域的绝缘子目标检测上,提升了输电线路安监工作的效率和安全性,解决了用机器替代人工的识别技术问题。通过使用自建绝缘子数据库训练模型,可见算法能够达到工程实际中的实时性和准确性要求。针对绝缘子检测中目标普遍存在的漏检、错检等问题,研究了一种基于CornerNet-Lite的绝缘子目标检测算法,结合YOLOv3算法模型的实验结果中存在的串框现象,构建基于CornerNet-Lite的角点分类模型,并针对算法模型的实验结果进行分析,提出扩大不同类型角点间矢量距离的改进损失函数算法,通过对比改进前后的检测效果,可见提升了CornerNet-Lite模型的检测能力。实验结果表明,单阶段算法在保证精确度的前提下能够满足实际应用中对检测实时性的要求。对比网络模型在自建绝缘子数据集和COCO数据集上的检测结果,基于YOLOv3和基于CornerNet-Lite的绝缘子目标检测算法适用于工程实际项目,基于改进损失函数的CornerNet-Lite算法能够有效提升对目标所在区域的识别准确度,改善目标识别错误等问题的同时,解决了因绝缘子串重叠度较高而产生的相同目标类别间串框识别的现象。