伴隨著(zhù)智能化電網(wǎng)的發(fā)展，電力系統自動(dòng)化程度日益提高，人們對日常運行的安全性和穩定性要求也越來(lái)越高。絕緣子是電力系統的重要組成部分，其應用范圍廣，數量大。絕緣子的工作環(huán)境往往處于山中層巒疊嶂，工作環(huán)境惡劣，絕緣子故障頻繁發(fā)生，嚴重影響了電力系統的安全和穩定。

目前，國內外對玻璃絕緣子缺陷的識別研究較多，傳統的方法是人工觀(guān)察法。這種方法具有較高的精度，但存在著(zhù)觀(guān)測工作量大、效率低等缺點(diǎn)。另外，還可以借助紅外成像、巡檢機器人等外置儀器進(jìn)行檢測。

借助于外部設備，可以有效地減少檢測過(guò)程中的安全隱患，但是外加設備通常比較昂貴。因其成本低廉、操作方便、數據采集方便、運行風(fēng)險小等特點(diǎn)，已逐步在電力巡檢工作中得到推廣應用。UAV巡檢雖然可以獲取大量的現場(chǎng)圖像信息，但是所采集的圖像仍然需要人工處理，大量的圖像數據需要大量的工作，同時(shí)由于工作人員自身專(zhuān)業(yè)水平和視覺(jué)疲勞等原因，在檢測過(guò)程中容易出現缺陷遺漏。

利用計算機自動(dòng)識別圖像是目前研究的熱點(diǎn)，常用的方法可分為基于機器視覺(jué)和基于機器學(xué)習的方法。本文提出了一種基于機器視覺(jué)的缺陷檢測方法，將被測對象和背景分割成兩部分，然后根據人為設定的特征判斷玻璃絕緣子是否存在缺陷。

以機器視覺(jué)為基礎的缺陷檢測方法實(shí)現起來(lái)比較簡(jiǎn)單，不需要復雜的訓練過(guò)程，對特定場(chǎng)景具有很高的識別率，但是在使用過(guò)程中存在著(zhù)很多局限性，如算法的準確性取決于分割算法的分割效果。在實(shí)際應用中，由于絕緣子作業(yè)環(huán)境復雜，現場(chǎng)條件惡劣，分割結果往往受到很大的影響，而人工選擇的缺陷識別特征缺乏魯棒性，在拍攝條件發(fā)生變化時(shí)，容易出現誤判。

目前，機器學(xué)習算法在圖像識別領(lǐng)域得到了廣泛的應用，利用機器學(xué)習模型對無(wú)人機航拍中的絕緣子圖像進(jìn)行識別和缺陷識別逐漸成為電力系統絕緣子識別方法的一個(gè)熱點(diǎn)。通過(guò)機器學(xué)習算法訓練得到的模型能夠自適應地挖掘來(lái)自大量航拍圖像的表面特征，從而具有較強的抗噪能力。其目的是在準確識別缺陷和實(shí)時(shí)檢測的同時(shí)，提高檢測速度和準確率是一個(gè)困難的問(wèn)題，這是一個(gè)非常困難的問(wèn)題。

與已有的方法相比，YOLOv4具有更快、更準確的特點(diǎn)。為解決檢測圖像中修正尺寸而產(chǎn)生畸變的問(wèn)題，提出了一種對加灰條進(jìn)行加灰條處理的方法，同時(shí)，在訓練過(guò)程中采用多階段遷移學(xué)習策略，模型整體性能得到明顯改善。試驗表明，該方法的缺陷檢測mAP值達到了89.54%，該方法在實(shí)際應用中能夠滿(mǎn)足玻璃絕緣子缺陷檢測的準確度要求。