配网带电作业是提高供电可靠性、减少停电损失和保证电网安全的一种重要作业方式。目前，我国的带电作业仍以人工带电作业为主，容易引发人身伤亡事故，研制带电作业机器人取代人工作业成为必然趋势。“所见即所得”的机器人视觉引导系统能确保机械臂，安全高效的完成搭接引流线作业，因此带电搭接引流线作业中操作目标视觉的准确检测问题亟待解决。
　　带电搭接引流线过程中视觉检测的难点是对剥线和接线过程中操作目标位置的准确检测，剥线过程中需要检测预定剥线位置，接线过程中需要检测已剥开的架空线缆裸露区域。(1)剥线位置检测。深度学习网络具有较强的特征提取能力，是目前最常用的目标检测方法，但剥线位置无明显特征和位置的不确定性使其难以发挥优势，无法直接对其进行检测。针对此问题本文利用Faster R-CNN(Faster Region-based Convolutional Neural Networks)结合MTCNN(Multi-task Cascaded Convolutional Networks)对间接目标进行检测后结合空间位置换算从而检测预定剥线位置。(2)裸露区域检测。裸露区域存在规则纹理，可利用此特征对其进行检测，但传统的纹理滤波需要先验的纹理参数，而接线过程中作业背景复杂多变和目标姿态不确定因此难以先验得到纹理参数，针对此问题利用谱聚类结合Gabor滤波器在无先验纹理参数的情况下对复杂背景下不同姿态的裸露区域进行检测。本文的主要工作和贡献如下：
　　①设计并实现了带电作业机器人视觉引导实验中视觉模块与主线线架部分。为采集实验数据和验证本文提出方法的可行性及效果，本文根据作业规范，采用模块化设计方法，设计并实现了视觉模块与主线线架部分。
　　②提出了基于改进的深度学习网络和空间坐标换算的剥线位置检测方法。针对MTCNN网络中P-Net(Proposal Network)和R-Net(Refinement Network)特征提取能力不足的问题，利用Faster R-CNN网络进行替换，并针对Faster R-CNN中的RPN网络提取候选框不准确的问题，利用K均值(K-means)算法对候选框进行聚类，网络检测精度提升了4.3%。针对MTCNN网络的O-Net(Output Network)检测效果不佳的问题，本文从训练优化器和模型融合两个方面进行改进，提升了网络的检测精度，并结合空间位置换算，最终检测得到预定剥线位置，剥线位置L1误差为8.96mm，L2误差为6.26mm，均小于项目要求的2cm定位误差。
　　③提出了基于Gabor滤波器的架空线缆裸露区域检测方法。针对传统纹理检测需要先验纹理信息的问题，提出利用谱聚类结合Gabor滤波器的架空电缆裸露区域检测方法，能够准确提取不同背景和不同姿态下裸露区域位置，且定位精度高于对比的Mask R-CNN(Mask Region-based Convolutional Neural Networks)算法。
　　综上所述，本文设计了机器人带电搭接引流线作业过程中的视觉目标检测方法。通过设计的带电作业机器人视觉引导实验，并对两种算法分别进行了测试与验证。实验结果表明，两种算法均能有效地检测作业目标，验证了机器人带电搭接引流线作业视觉目标检测方法的有效性，并支撑项目的相关课题进入预验收阶段。