提出了一种基于YOLOv4目标检测方法的绝缘子爆裂故障智能识别模型，以某供电局一年内正常绝缘子及爆裂绝缘子图像为样本，对故障识别模型进行训练，得出识别模型的权重。采用该模型对绝缘子及其爆裂故障进行识别测试，结果表明，该模型识别绝缘子的平均精度（AP）为92.6%，识别绝缘子爆裂故障的平均精度（AP）为91.78%，模型每秒处理帧数（FPS）为46 frame/s，与Faster R-CNN、SSD模型比较可得，提出的绝缘子爆裂故障识别模型能够准确、快速地对绝缘及其爆裂故障进行识别。

为了实现对高压输电线存在的故障隐患进行自动检测, 本文提出了一种自适应特征引流管故障隐患智能识别算法。首先,分析了故障引流子的红外热图像特征, 把故障分为两类: 明显发热和微弱发热;其次, 针对引流管所引起的明显发热, 采用改进的Otsu阈值分割法对红外图像进行分割, 运用改进的Sobel算子提取轮廓; 第三, 用种子填充算法分离连通域, 通过Thread特征判断是否为故障引流管; 最后, 进入引流管所引起的微弱小区域发热识别, 运用高压输电线平行特征寻找主干线区域, 在主干线区域检测Harris角点, 通过STWN特征判断是否为故障引流子。实验结果表明, 发热隐患的识别率为94.6%, 漏检率为2.2%, 误识别率为5.5%。

跳线联板是输电网中重要设备, 其是否存在故障对输电网正常运行具有很大的影响。但由于现有的算法是对输电网中所有的故障用统一的方法进行识别, 没有对各类故障输电设备进行专门的研究, 导致故障跳线联板识别率低。为了高效识别红外视频图像中故障跳线联板, 首先针对输电线的红外图像特征, 采用改进的OTSU阈值分割图像对红外图像进行分割; 其次, 采用漫水法滤波分离各个连通域, 运用形态学滤去小区域, 填充大区域内的孔洞; 最后, 提取连通域的骨架, 并从骨架图像中提取出USFPF特征, 通过该特征识别的故障跳线联板。实验结果表明, 识别故障跳线联板准确率为85.71%, 漏检率为14.28%, 误识别率为2.8%。该方法能够较好地识别故障跳线联板,具有较好的鲁棒性。