绝缘子在连接导体的同时,起着电气绝缘作用,它是输电线路的必备器件,大量应用于电力系统中。绝缘子的运行状态影响着电力系统的可靠性和安全性,甚至影响整个电力系统的运行寿命。定期巡检,及时发现故障绝缘子,对于维护电网的正常运行具有重要意义。随着自动化技术的发展,无人机已被用于绝缘子状态的巡查,但应用场景的复杂多变性给大数据环境下绝缘子故障图像的自动识别带来了很大挑战。基于深度学习,本文对绝缘子故障图像的自动检测问题进行研究。首先对比分析了卷积神经网络(CNN)的实现模型,结合绝缘子航拍图像的特点,选取了基于掩码区域卷积神经网络(Mask R-CNN)来识别绝缘子故障图像。研究了Mask R-CNN的特征提取网络,探讨了Mask R-CNN网络训练参数对学习绝缘子样本的影响,设计了适合于学习绝缘子故障图像的网络结构与参数配置。提出了基于Mask R-CNN的绝缘子故障图像检测算法,建立了适合绝缘子故障图像检测的Mask R-CNN模型,使用Labelme搭建了绝缘子故障图像样本库,实现了绝缘子故障图像的学习与检测。在Python环境下,利用Tensor Flow和Keras开发工具对所提出的算法进行了软件实现。使用实测的航拍绝缘子自爆故障图像对所提算法进行了测试,结果为:710张图像的测试平均精确率均值(m AP)为0.986,其中单目标图像的m AP可达到1.000,多目标图像的m AP可达到0.948,由此可知该算法能够很好的检测出绝缘子自爆故障图像。通过分析所提算法的泛化能力与环境适应能力,发现该算法具有一定的泛化能力和环境适应能力,可通过补充和更新训练样本来提高故障图像的检测能力,这为绝缘子故障自动识别提供了一定的技术支撑。