在实际生产过程中,由于受自然环境及客观因素的影响,绝缘子自爆等造成缺失的现象时有发生,因此需要有计划的巡检来保证电力系统的安全。随着电网智能化不断深入,无人机在电力系统中的应用也愈发广泛,尤其是在巡检方面。但是以往工作中会通过人工筛查的方式进行分析和检测无人机采集到的图像,这需要大量的人力与时间的投入,而且筛查人员的工作经验很可能会影响到最终结果。因此需要一种快速准确的图像识别方法,达到对巡检图像的智能识别和缺陷检测,这对保障电网可靠性有重要的意义。本研究选用基于图像特征识别的模板匹配法和基于YOLOv3的学习模型识别法来检测绝缘子缺失。以下是本研究所做的主要工作和得到的实验结果:(1)根据辽阳供电公司实际巡检线路上进行无人机巡检作业,获取了共1051张自然环境下的绝缘子图像,并利用图像标记软件Label Img在原有尺寸的图像上进行绝缘子目标位置人工标记。通过镜像、缩放、旋转、裁剪、平移5种方法的随机组合将样本增加到10962张。(2)分析人工神经网络原理及特点,介绍卷积神经网络以及YOLOv3网络的工作原理,根据绝缘子图像特征信息对YOLOv3网络边界框置信度进行设定,详细介绍YOLOv3三层网络结构,并对适用于本研究绝缘子图像训练的参数进行设置。(3)通过采用基于YOLOv3的学习模型识别法,解决传统检测算法鲁棒性不足,泛化能力弱的问题。首先对YOLOv3网络结构做详细分析,利用k-means聚类算法解决YOLO网络对小目标不敏感的问题,其次就YOLOv3存在的样本不均衡问题,用Focal Loss函数来改善原来的损失函数,最后用Mish激活函数替换原有的Leaky Re LU激活函数,进一步提升网络的准确率和稳定性。(4)通过对比改进前后的YOLOv3算法的测试结果可知,改进后的算法准确率提高了3.4%,平均精度均值(m AP)提高了3.7%,检测速度降低1帧/秒,说明YOLOv3算法的改进达到对绝缘子缺失智能和快速识别的目的。