电网系统中，危险性高、可靠性低以及维护费用高是传统人工巡线方式的弊端。自2015年以来，国家的电网公司开始推广以无人机为主要协助工具的自动化巡线模式。在这种模式下，巡线人员通过使用无人机来完成对输电线路的检测，在起到节省人力物力的同时还能保证电网的稳定运行。
　　绝缘子作为输电线路重要的组成部件，其功能完整性对电网的安全运行至关重要。但绝缘子所处的户外环境极易导致其存在异物搭挂，有必要监控绝缘子的运行状态。现有的机载检测需要人工对图像采集数据进行故障识别，耗时耗力且时效差。针对这些问题，提出一种基于改进型YOLOv3的绝缘子异物检测算法，该算法有效提高了对绝缘子异物检测的实时性以及精确性。本文重点研究了对航拍绝缘子图像的预处理方法、绝缘子图像分割方法以及针对绝缘子异物搭挂的检测算法。具体工作内容如下：
　　1.对航拍的绝缘子图像使用中值滤波算法，有效消除了图像采集过程中所产生的噪声；此外，针对航拍图像故障数据集不够充足的情况，采用U-Net网络对航拍图像进行分割，使得图像中的绝缘子从背景中分离开来，并将其与不同的背景相结合，达到扩充训练集的目的；
　　2.针对绝缘子图像的串型结构特征以及无人机巡检实时性要求高的特点，通过比较目前流行的深度学习网络架构，采用了YOLOv3作为主框架，并且在其网络架构中增加了一个密集连接层，实现了对绝缘子图像特征复用的目的；
　　3.完成改进型YOLOv3与其余主流的深度学习网络结构进行实验对比，结果表明本文提出的算法有效地提升了对绝缘子异物识别的准确度。