绝缘子是高压输电线路中常用的关键电力元件,用来实现架空线与杆塔以及大地之间的绝缘。其常年裸露在复杂的自然环境和电磁环境中,极易发生破损,进而影响输电线路的安全稳定运行。传统的绝缘子破损检测采用人工巡线方式,耗费大量的人力,效率低下且效果不佳。近年来,基于无人机的智能巡检方式成为绝缘子破损检测的发展趋势。然而,无人机航拍图像存在背景复杂、目标小且重叠的特点,为后续绝缘子及其破损的智能分析造成了困难。为此本文有针对性地提出一种基于改进YOLOv5（You Only Look Once）的绝缘子及其破损检测算法,同时兼顾检测精度和速度,为无人机智能巡检提供了新的思路。首先,针对航拍图像背景复杂多样的特点,本文在YOLOv5骨干特征提取层的算法中引入注意力机制模块ECA-Net（Efficient Channel Attention-Neural Networks）网络。该算法既实现了对特征通道中所包含的不同信息量进行加权处理,同时又考虑到邻近特征通道之间的相互依赖程度,采用k个邻近通道进行信息交互并传递到下一层网络,最终达到增强目标特征比重降低背景特征比重的作用,以此来区分背景和目标,同时该模块也不会增加模型的计算复杂度。其次,针对小目标的特点,本文在YOLOv5的加强特征提取层部分结合了双向特征金字塔网络Bi-FPN（Bi-directional Feature Pyramid Networks）。该算法既融合了不同尺度的特征,又结合了同一尺度下更加浅层的特征,并以一个Bi-FPN为循环单元进行重复堆叠,以此来有效弥补小特征图中目标的丢失以及大特征图中目标位置信息的丢失,从而提高小目标的检测能力。同时该算法也剔除对于特征融合层作用较小的网络层,减少了模型计算量。最后,针对绝缘子目标重叠的特点,本文在YOLOv5模型中结合新的候选框选择算法Soft-NMS（Soft Non-Maximum Suppression）。该算法既考虑候选框的置信度得分,同时结合了候选框与真实框的重合度得分,其主要实现过程是将重合度得分取高斯指数后与置信度得分进行加权,再对加权后的得分进行基于阈值的剔除。该过程降低了重叠度较高的候选框被剔除的概率,提高了模型在候选区域的选择能力,最终达到提高相邻重叠绝缘子的检测精度。本文通过设计直方图均衡、仿射变换以及噪声增强的数字图像处理模型构建了含有陶瓷绝缘子和玻璃绝缘子的数据集,数据集中绝缘子目标有1059张,破损绝缘子有808张。最后通过设计基于深度学习的目标检测算法对比实验,得出改进后的YOLOv5模型对绝缘子定位准确率由93.30%提升至94.68%,绝缘子破损定位准确率由90.63%提升至95.04%。实时帧数达到53.4 FPS,验证了本文所提方法的有效性。