随着新技术的发展,采用无人机对输变电线路进行航拍巡检成为一种全新巡检方式,从航拍巡检图像中及时有效发现输变电线路中存在的问题,是当前研究的热点。目前主要的解决方式是通过大型服务器采用深度学习技术,对无人机采集到的图像进行检测,但是,这对检测设备提出了很高的要求,且图像采集与检测相分离,造成了一定的延时。因此,亟需一种算法能够搭载在无人机携带的移动端设备中,既具有优秀的检测效果,又具有实时的检测速度。本文围绕深度学习目标检测算法,对输变电线路航拍巡检图像进行相关研究。本文主要研究内容如下:(1)通过研究分析输变电线路航拍巡检图像,从中选取了绝缘子、悬垂线夹和防震锤三类部件进行研究。然后从10000张输变电线路航拍巡检图像中,选取了3822张符合要求的图像,进行三类部件的标注工作。最后,使用3822张输变电线路航拍巡检图像和3822个相应标注,构建了输变电线路航拍巡检图像数据集,为后续研究奠定了数据基础。(2)提出了一种多尺度并行融合实时检测算法。首先,该算法利用不同大小倒残差块和不同类型激活函数的组合结构,设计了一种轻量级特征提取网络。然后,为提升检测精度,设计了一种轻量级并行融合结构,并将此结构应用在轻量级特征提取网络的多个尺度进行预测。通过与现有实时检测算法对比,本文提出的多尺度并行融合实时检测算法具有较好的检测精度,同时在移动端设备上具有优秀的实时检测性能。(3)基于所提出的多尺度并行融合实时检测算法,个性化设计并实现了输变电线路航拍巡检图像识别系统。用户在基本不用编程的情况下,直接操作图形化界面即可训练出符合要求的模型。输变电线路航拍巡检图像识别系统可以将构建好的数据集生成模型训练所需要的数据结构,并对其进行管理,同时系统支持选择训练参数,实时反馈训练过程中的信息和训练进度,提供专门的页面对训练好的模型进行验证、检测和查看检测结果。本文所设计实现的系统具有良好的实操性和扩展性。