根据《国家电网有限公司2014-2018年安全生产事故（事件）分析报告》,引起输电线路跳闸的主要原因之一是挖掘机、塔吊等施工机械对导线的外力破坏,因此针对输电线路下的施工机械进行巡检对维护电网稳定运行有着重要意义。随着深度学习的高速发展,电力公司逐渐淘汰人工检查进行防控的方式,采用深度学习的方式识别施工机械目标,从而解放人力。但目前电力公司通过深度学习的方式识别出施工机械就会进行预警,没有考虑施工机械是否会对输电线路产生隐患,也可能会对正常施工并且远离导线和杆塔的机械进行预警,从而降低工作效率、浪费数据资源。针对此问题,为了进一步提高工作效率减少资源的浪费,本文提出了输电线路导线区域隐患检测算法,通过分析施工机械和导线的位置关系来判断该施工机械是否存在威胁,该算法主要分为输电线路外破隐患识别、输电线路导线识别和输电线路区域的隐患识别三个模块:（1）输电线路外破隐患识别模块,该模块主要是通过YOLOv3模型识别输电线路下的隐患位置和类别。针对输电线路下复杂环境如山坡、树木、高楼等遮挡隐患物体的问题,本文引入随机擦除（Random Erasing）的方式对数据进行增强,可以有效地提高模型对于遮挡目标的识别效果;针对YOLOv3目标框尺度不准确的问题,本文引入K-means++算法对目标框进行聚类分析,得到更符合外破隐患识别任务的目标框;针对YOLOv3算法感受野范围不足、检测精度低的问题,本文结合空洞卷积和多分支卷积层增强感受野范围,提高模型的多尺度信息。并将多层特征相互融合得到更有解释性和区分度的新特征,在保证较高的计算速度的同时细化深层特征,以提高模型的检测精度。本文提出的模型在测试集的mAP为75.6%,比基础模型67.3%上升了 8.3%,每张图片的检测时间为0.044s,满足落地应用的实时性要求。（2）输电线路导线识别模块,该模块主要是通过Canny边缘检测算子和Hough变换识别导线。针对Hough变换计算量大、占用空间多的问题,本文对Canny边缘检测算子得到的二值化图像进行简化,通过边缘图像筛选算法去除某些孤立点和较短的图像边缘,可以大量减少Hough变换的计算量;针对Hough变换误报率高的问题,本文对Hough变换进行极角约束,根据输电线路导线的特性只保留符合一定角度的直线段,从而减少模型的误报;针对Hough变换识别导线不完整、分散的问题,本文提出导线聚类算法,将相似的导线合并成完整的导线,然后去除部分不符合导线特性的线段,从而提取更加准确、完整的导线。本文提出的导线识别方法准确率由91.69%上升至97.15%,误报率由19.78%下降到0.38%,每张图片的检测时间由4.32s降低为0.52s。（3）输电线路区域的隐患识别模块,该模块主要是结合隐患检测算法和导线识别算法对隐患进行预警。为了解决目前通过深度学习识别出隐患就进行盲目预警的问题,本文首先根据导线位置确定防护区区域,再结合隐患的位置判断该隐患是否会存在威胁,最后对可能存在威胁的隐患进行预警。避免了正常施工车辆的误判和盲目预警,可以减少资源的浪费、提高工作效率。目前该算法已经在现实场景中落地应用,实际检测情况良好。