目标检测是自动化进程的重要环节,广泛应用于制造业、计算机行业等领域。目前,得益于GPU的快速发展,计算机算力每年成倍增长,有效减少了网络训练和算法运行的时间,提高了目标检测的实时性。同时,随着深度学习算法和图像处理技术的研究不断深入,准确性也在逐步提高。然而当目标检测算法应用于类似输电线路这种复杂工况中时,检测系统还不能完全适应。本文针对输电线路设备中的绝缘子雷击痕迹、金具铁锈和杆塔鸟窝的检测进行了系统改进。基于输电线路设备检测时背景干扰复杂、绝缘子雷击痕迹小、铁锈和鸟窝边缘特征难以描述的特点,本文对传统目标识别算法进行了改进。针对目标特点改进了网络结构,并加入了尺度转换算法,同时融合了基于分数阶的暗通道除雾和低照度增强算法。该算法可以嵌入无人机或巡线机器人的图像采集功能,在输电线路下进行设备外表图像采集并检测,目标包括大面积锈蚀的金具、雷击后的绝缘子和杆塔上鸟窝。巡线机器人快速准确识别后,辅助定位,以达到及时处理相关设备,防止损坏进一步加剧的目的。本文首先简单介绍了分数阶微积分在图像中的应用和卷积神经网络的组成,对比分析了主流神经网络目标检测算法工作原理和适用场所,重点介绍了YOLOV3在目标检测上的检测精度和检测速度。之后利用图像处理技术,改进了基于分数阶的图像处理算子。该算子可以更好的增强目标轮廓信息和纹理信息,在融合暗通道图像处理技术后,在极端气候条件下依然能保证优秀的目标识别能力。随后提出一种基于YOLOV3的改进算法,针对目标面积小的问题,前馈网络优化为Darknet19,并设计加入尺度转换优化,利用浅层特征融合深层特征的模式,可以有效防止小目标在深层网络的特征丢失。最后利用自己制作的数据集进行训练,实验结果表明,该算法可以适用输电线路的相关方面检测。综上所述,本文改进了深度学习网络和传统图像处理技术,并将其进行融合,增强对复杂工况下输电线路损坏设备的检测。在输电线路领域检测进行了探索,最终实现了满足高精度、高实时性要求的低成本自动目标识别系统。该研究为低成本输电线路无人机巡查管理提供了一套算法支持。