输电线路是电力输送的大动脉，其稳定运行关系到国民经济发展和社会秩序稳定，但由于雷电雨雪天气、异物悬挂等因素的影响极易引发相地或相间短路，从而导致大面积停电。因此，必须对输电线路进行巡检以保障供电安全。目前，利用直升机或者无人机搭载传感设备成为一种新的巡检方式。但拍摄的大量图片和海量视频仍需人工进行诊断和判别，耗费了大量人力的同时还容易出现人为错误，巡检图像的自动化、智能化处理成为当前电力巡检的迫切需求。由于绝大部分线路故障均发生在高压杆塔上，且杆塔是输电线路的承重点和图像中的锚点，因此其准确高效标注和识别对于实现线路典型目标及缺陷的定位与识别、提高故障判别效率具有重要意义。

  本文以输电线路自动化巡检为研究背景，开展复杂环境背景下高压杆塔的自动检测与分类方法研究。通过数据采集平台和图像预处理构建了高压杆塔样本库，提出了一种基于空洞空间金字塔池化的MobileNet高压杆塔分类算法，并建立基于注意力机制改进的Faster R-CNN和YOLO检测模型实现了架空输电线路中高压杆塔的自动识别和检测。本文的主要内容如下：

  第一，本文针对输电线路巡检图像中高压杆塔的检测与分类方法进行了综述，首先分析了现有传统方法在复杂背景下对杆塔存在的分类不准确、检测效率低等问题。然后对基于深度学习的检测和分类方法进行了阐述，并分析了基于深度学习方法对高压杆塔检测和分类的适用性。

  第二，针对输电线路巡检图像采集难度大、样本稀缺的问题，本文通过无人机搭载云台相机组成了图像采集平台，采用抵近飞行、环绕飞行、定点飞行的方式多角度、全方位的进行高压杆塔数据样本的采集，并利用旋转变换、镜像变换、亮度增强等图像预处理方法丰富和扩充样本，构建了巡检图像高压杆塔样本库，解决了图像数据缺少的问题。结合样本库，利用基准Faster R-CNN目标检测模型进行了实验，虽然能在图像中对杆塔进行定位，但是准确度受背景、光照等因素影响较大，需要合适的特征提取网络提取杆塔的有效特征，增强对局部信息的关注，提高准确率。

  第三，针对复杂背景下的高压杆塔图像分类问题，本文提出了一种基于空洞空间金字塔池化的MobileNet高压杆塔分类模型。该方法将空洞空间金字塔池化融合到MobileNet分类网络中，采用串联和并联相结合的空洞卷积形式来捕捉特征空间的上下文信息，并保证特征在网络传递过程中的一致性，解决基准MobileNet分类网络对特征提取不完善的问题。通过与典型的分类网络进行对比实验，表明基于空洞空间金字塔池化的MobileNet模型具有最佳的分类效果，提升了高压杆塔分类的准确率，并能够作为目标检测模型的特征提取网络进行特征提取。

  第四，为了进一步提高复杂环境中高压杆塔的识别精度和速度，本文提出了基于注意力机制改进的Faster R-CNN和YOLO目标检测模型。将MobileNet分类网络作为Faster R-CNN的特征提取网络，并进行注意力特征融合，增加对高压杆塔局部重点特征的关注，在Faster R-CNN模型的候选区域提取中使用Soft-NMS代替NMS，提升检测的准确性。结合高压杆塔样本库，通过消融实验得出，基于注意力特征融合的Faster R-CNN模型具有更好的检测准确率和较高的检测速度；将ECA注意力机制融合到YOLO-V5m模型中，使用最大值池化方法优化了YOLO模型的检测层，通过对比实验得出，基于ECA注意力机制改进的YOLO-V5m模型在检测效率和准确率上得到了提升。

  最后，对本文的研究工作进行了总结，并指出了下一步需要开展的工作。