摘要：
绝缘子是高压输电线路中的关键装置，主要用于支撑和固定载流导体，防止电流回地，长期裸露在室外，容易发生故障，是电力巡线中的检测对象。基于此本文以电力巡线监测中的航拍图像为研究对象，利用深度学习算法实现了航拍图像中绝缘子串分割，并对分割出的绝缘子串进行“自爆”检测。研究流程主要分为绝缘子图像分割、连通区域检测、绝缘子提取、绝缘子缺陷检测四个部分。
由于航拍图像像素过大且图片的数据集过小，故本文首先采用滑动窗口对航拍图像进行了切分，然后对切分后的子图像进行的数据增强，以扩充数据集。
针对问题1，本文提出了一种基于U-Segnet改进的神经网络模型，并利用该模型对绝缘子图片进行训练，然后利用得到的模型初步提取出绝缘子的掩膜图像；接着采用连通区域面积滤波对小连通区域进行剔除，得到过滤后绝缘子的掩膜图像 。
针对问题2，首先采集了200张绝缘子图片数据，经过人工筛选出46张符合条件的图片数据，与初始的数据集组成新的数据集。然后利用掩膜图像将原始图像中绝缘子所在区域提取出来，并对提取出来的图片进行数据增强，进一步扩充数据集。最后 将处理好的图片放入YOLO v3神经网络模型中进行训练，利用训练得到的模型进行绝缘子“自爆”检测。
结果显示，图像分割模型的DICE系数达到了0.92，目标检测模型的精度达到了92.53%，平均IOU达到了91.17%。实验证明利用深度学习网络进行绝缘子的缺陷检测具有良好的效果，可以有效的判断与识别出绝缘子的缺陷位置 ，具有较强的实用 性 。
关键词：U-Segnet；语义分割；绝缘子缺陷检测；YOLO v3；目标检测