输电通道环境状况日渐复杂,外力破坏事件发生的概率不断提高,严重威胁着电网的供电可靠性。目前巡线工作主要通过人工巡线、无人机和实时监控等方式进行。其中人工巡线效率低下且费时费力,无人机工作距离有限且巡航能力不足,难以大范围推广到电网系统之中。与人工巡线和无人机相比,通过监控设备对输电线路通道环境进行监控,能够长时间大范围监控输电通道环境,一定程度上缓解了巡视工作难度。实时监控图像需要人员进行辨识危物,但人的主观判断却无法保证效率和准确率。而且随着监控覆盖率的提升,海量图像的处理反而进一步加大了运检工作量。显然监控系统的使用未能实现真正的输电通道智能化运检,无法从根本上解决外力破坏事件处理的困难。与此同时,深度学习在机器视觉、语音识别、自然语言处理、机器翻译、数据挖掘、自动驾驶等方面取得了瞩目发展,为输电线路通道危险物体检测提供了新的思路和方法。本文主要研究替代人工辨识的图像检测方法,帮助运检人员及时发现输电通道范围内危险异物入侵,提升输电通道运检工作的效率,保证电网运行环境安全稳定。在深度学习卷积神经网络和目标检测技术的基础上,本文提出了基于深度学习的输电通道危物辨识技术,通过对图像预处理和模型改进提高检测性能,实现对输电通道危险物体快速准确辨识和定位的功能。本文主要完成以下工作。(1)介绍论文研究课题的相关背景与意义,分析了输电通道危物辨识研究的必要性,总结了深度学习的发展历程、输电通道危物辨识以及深度学习在输电通道危物辨识中应用的研究现状。(2)分析深度学习的基本原理与卷积神经网络模型结构,从卷积神经网络目标检测原理说明了深度学习在解决输电通道危物辨识问题上的可行性,并选择YOLOv3检测模型作为本文研究对象。(3)分析输电通道监控图像数据总量大、有效数据比例低和数据质量低的特点,提出采用数据增强对监控图像进行预处理,并标注形成增强训练样本集,降低样本不足和环境变化对检测模型训练和识别的影响,提高检测模型鲁棒性和泛化能力。(4)对样本集标注框尺寸进行K-means聚类,并对YOLOv3预设边界框尺寸进行修正,从而降低YOLOv3检测边界框调整难度和学习损失,提高模型定位精度和检测能力。以现场实际监拍图像为依据,验证了改进方法的有效性。(5)介绍和分析非极大值抑制算法原理和缺陷,并参考Soft-NMS算法和GIoU算法对YOLOv3检测模型边界框非极大值抑制算法进行改进,提高检测模型目标检测精确率和召回率。以现场实际监拍图像为依据,验证了改进方法的有效性。