均压环作为输电线路的重要组成部件,对其进行定期巡检是保障电力系统安全运行的重要举措。目前我国的均压环巡检以人工方式为主,无人机航拍图像分析为辅。采用传统的数字图像处理进行均压环边缘检测和局部形状轮廓匹配,需要人工设计特征,针对环境设定算法参数,导致检测准确率低、算法适用性不强且无法实现对均压环的定位。随着深度学习理论的日益成熟,卷积神经网络具有较强的特征学习能力和复杂场景处理能力,在目标检测领域得到了广泛应用。因此本文开展基于深度学习的均压环检测技术研究,实现航拍图像中的均压环识别与定位。特征提取是实现目标检测的重要环节。首先,本文通过对均压环进行方向梯度直方图(Histogram of Oriented Gradient,HOG)特征提取,针对人工设计浅层特征表达能力不足的问题,提出了基于卷积神经网络实现均压环特征提取的方案。对比多种网络,依据航拍图像中均压环大小、形状各异的特点,选用InceptionV2为本文的特征提取网络并进行特征图可视化实验,通过不同卷积层特征图对比发现随着网络层数的增加,可以学习到均压环抽象的深层特征,验证了方案的合理性。其次,通过对比深度学习框架和R-CNN系列算法,用实际航拍图像制作数据集,分析并实现了基于TensorFlow框架的Faster R-CNN均压环检测模型的训练,利用Tensorboard可视化输出,分析了训练过程的Loss曲线、权重参数分布以及评估程序测试结果,验证了训练模型的准确性。最后,进行基于深度学习的均压环检测模型的实际测试,平均准确率为87.8%;通过对比不同迭代次数检测模型对实际测试结果准确率的影响,确定了均压环检测模型迭代次数和实际测试准确率的关系;设计了光照强度和运动模糊实验,验证了均压环检测模型的鲁棒性;实现了特定条件下均压环倾斜故障检测。实验结果表明,本文均压环检测模型具有一定的准确性和实用价值。