绝缘子作为输电线路中电气绝缘和机械支撑的重要装置，常年裸露在复杂的自然环境下，极容易发生故障，严重的话将会影响输电线路的安全稳定运行。因此，在电力巡检时要重点监测电气绝缘子的状态。本文为了提高电力巡检的效率，实现无人机航拍图像中绝缘子的智能化检测，引入了深度学习的方法，基于卷积神经网络实现绝缘子的目标定位检测与自爆缺陷检测工作。
　　首先针对航拍绝缘子图像背景复杂、尺度不一的特点对Faster R-CNN进行改进，选用ResNet-101作为特征提取网络增强网络的表征能力，并利用Sotf-NMS对样本进行处理，提高对相邻重叠绝缘子的检测精度，实现了对目标绝缘子的精确检测；然后针对绝缘子串中单片绝缘子目标较小，发生自爆对绝缘子整体特征影响不大的特点，从提高网络模型对于小目标物体检测能力的角度对Faster R-CNN进行改进，选用对提取特征信息利用率更高的DenseNet进行特征提取，将具有强语义信息的高层特征与低层高分辨率特征进行融合，并逐层输入到RPN网络生成不同尺寸大小的候选框以供进一步的分类与回归，同时利用ROI Align来统一ROI特征区域的大小，避免特征映射过程中候选框偏移造成的误差，实现了对绝缘子自爆缺陷的精确检测；最后将绝缘子目标定位网络与绝缘子缺陷检测网络进行联合检测，实现了绝缘子定位与缺陷检测的端对端输出。
　　由于目前国内外还没有专业的航拍绝缘子数据集，本文将搜集到的相关绝缘子数据通过数据增强来进行样本扩充，并利用开源工具LabelImg对数据进行手工标注，建立了本文研究所用的绝缘子数据集，用于对改进前后网络模型的训练与检测。实验结果表明，绝缘子目标定位网络改进后平均精度达到92.1%，相比于改进前提升了11.9%，绝缘子缺陷检测网络改进后平均精度提升了28.5%达到93.2%，将两个网络模型进行联合检测，最终检测的准确率达到了98.6%，并且通过对检测候选框的调节最终检测时间达到338ms，满足了基本的检测需求，验证了本文改进后网络模型的可行性，有效性及鲁棒性。