数字技术在电缆运检专业的推广应用导致数据不断累积,进而对数据的处理效率提出了更高要求,特别是巡检图片所包含的敏感物体信息对防止外力破坏有着至关重要的作用。目前对巡检图片的处理多依赖人工,不仅处理效率不高,且由于人员素质和责任心的问题,漏检现象时有发生。基于卷积神经网络的目标检测技术由于可以有效减少图片数据处理的工作量,为巡检图片智能服务的开发提供了一种有效解决方案。本文主要完成以下工作:(1)调研了智能电缆巡检、计算机视觉、目标检测等领域的发展现状,以Faster R-CNN、SSD和YOLOv3为对象,特别是YOLOv3,分析了目标检测模型的运行机理和基本结构,得出数据增强预处理、调整预设的锚点框参数等方式可以提高检测速度和准确率。(2)提出了本文需要解决特定数据集上的目标检测、目标检测主机与监控平台融合等问题,建立了基于YOLOv3的电缆巡检图片目标检测模型YOLOv3 PCIP(YOLOv3 for power cable inspection picture),检测效果与各原模型有不同程度提高,符合工程应用要求。(3)利用Python与Java混合编程、Spring框架开发部署、内嵌web容器和定时任务等技术,实现目标检测独立主机与监控平台服务器的融合,投入工业生产应用。本文在电缆巡检图片处理领域引入了以深度学习卷积神经网络为代表的人工智能手段,丰富了电缆巡检数据的处理方式,大幅提高工作效率。所提出的目标检测模型YOLOv3 PCIP应用于南京电缆智能监控平台,解决了人工图片检查的低效率和高出错率的问题,在实际工作中验证了目标检测模型的有效性。