目前国内外对于输电线路缺陷的检测主要使用基于深度学习的目标检测方法。首先利用深度神经网络对建立好的目标特征数据集进行学习，接着使用损失函数、梯度下降法对网络的权重进行修改，最后就可以使用网络对图像进行目标检测。在输电线路的缺陷检测中，最常用的方法有 Faster R-CNN 网络、SSD 网络、迁移学习、Yolo 网络、K-Means 算法和 R-FCN 网络等。
Zheng 等人提出通过调整 CNN 模型的卷积核大小和图像的旋转变换来扩展数据集，使用 Fsaster R-CNN 网络对无人机收集的图像进行检测，得到较快的检测速度和对均压环较高的检测精度。Fan 等人提出利用随机森林分类法对图像进行分割，实现对绝缘子的目标识别，然后采用 CNN 对绝缘子是否缺陷进行分类，最后通过 Fsaster R-CNN 网络实现对绝缘子自爆缺陷的识别。Li 等人采用基于区域的全卷积网络 R-FCN作为深度学习算法，首先对不同样本大小和方向的图像进行校正和裁剪，其次利用图像增强技术对样本数据集进行扩展，通过实验表明网络对绝缘子裂纹缺陷有较高的检测精度。Zhu 等人提出了一种基于深度学习的输电线路异物检测方法，通过一种简单而有效的尺度直方图匹配方法，将其应用于公共数据集，在预训练过程中利用有用的模式检测微小的异物，并在有限的标注样本下提高了对于异物的检测性能。Liu 等人提出了一种适合于输电线缺陷检测的基于改进视网膜网的目标检测算法，同时利用改进的 K-means++算法对锚帧的数目和大小进行了重新设计，使改进算法的锚帧得到与实际缺陷大小相匹配的最大平均 IoU 值，然后，在 RetinaNet 中，建立了基于 DenseNet 的特征金字塔网络作为主干网络，提高了模型的精度，并且通过实验表明算法的可行性。
邹捷提出一种基于 R-FCN 算法的输电线路巡检电力器件及缺陷检测方法，通过对比 Yolov3、Fsaster R-CNN 算法，R-FCN 在绝缘子、防震锤、鸟巢等缺陷检测中具有较高的检测精度。张子健等人提出基于 Hu 不变矩法的绝缘子故障检测，基于 EAST的深度学习模型，采用 ResNet-50 特征提取网络，将浅层和深层的特征图进行融合，在缺陷检测阶段，根据 Hu 不变矩进行相似度对比，从而判断绝缘子器件是否存在故障。杨剑锋提出 CGAN 图像样本扩充的方法，扩充输电线异物的样本，然后又提出了Dense-Yolov3 网络的改进方法，通过 Dense-Net 网络代替倒数第二层的网络，对异物类缺陷的特征进行复用和融合。蒋姗等人提出一种改进 Faster R-CNN 的绝缘子检测算法，把 FPN 结构网络和 Faster R-CNN 进行结合，通过改进最大池化层提升检测框的精度，利用 Soft-nms 算法解决重叠目标没有标记情况，从而更加有效的识别绝缘子这类小目标器件。洪刚提出一种针对无人机拍摄输电线路背景、光照条件不同和防震锤类型不同的情况下，首先对样本图片进行图像预处理，通过对图像的几何变换、对比度变换和加噪处理，然后利用卷积神经网络对预处理的图像进行深度学习，增大了对防震锤目标的识别精度。祁婕等人提出把 SSD 网络的前置网络 VGGNet 替换为 ResNet-101 网络，提升了对鸟窝目标特征的提取能力，并且通过使用 Focal loss 替换 Softmax loss 提高了模型的鲁棒性。周俊提出基于 DSSD 深度学习模型对鸟巢的识别，有较高的鲁棒性。冉奇提出针对拍摄距离和角度导致的目标大小差异和绝缘子在输电线路上形况变化多样的问题，在 Faster R-CNN 算法基础，采用对数据集的预处理和增加锚框的数量、种类的改进方法，提高了对输电线路绝缘子的目标识别。欧进永等人提出一种针对鸟窝识别 RetinaNet 深度学习模型，该模型利用 Res Net-50 进行特征的提取，然后利用 FPN网络进行特征加强处理，对尺度大小不同的鸟窝有较好的识别精度。冯万兴等人提出采用 RF+CNN 模型方法对绝缘子进行缺陷检测，由于 RF 对噪声有较高的包容性，所以RF 分类精度相对较高，提升了对绝缘子缺陷的识别精度。
吴涛等人提出使用 MobileNetV1 网络对 Yolov3 进行改进，提升了网络的推理速度，接着通过使用 K-means++算法，提升了锚框生成的稳定性，然后把 PASCALVOC2007数据集训练好的参数提前加载到检测网络中，提升了网络收敛速度和检测精度，最后通过 Faster R-CNN 级联网络提升了对目标的识别精度。潘哲针对单步骤检测模型对目标的检测上的局限，提出了 MFIDN 的检测网络，首先通过 K-means 算法，计算出先验框的大小，然后把深层特征与浅层特征进行融合，最后使用平滑 L1 与交叉熵函数设计损失函数，提升了对绝缘子缺陷的识别精度。张木柳提出通过 3d Max 软件对样本数据进行扩充，然后通过 CN-CNN 网络对关键部件进行识别，最后结合形态学针对绝缘子掉串情况下进行缺陷检测，结果证实了该方法在检测精度上有所提升。赵敏提出改进Yolov3 的骨架网络，首先通过 MobileNetV2 代替 Yolov3 的骨架网络，接着使用分离卷积替代普通卷积，减少网络的计算量，然后提出 ZIoU 损失函数解决 DIoU 和 CIoU 在预测框和实际框距离较远情况下无法收敛的问题，最后提出一种改进 nms 算法，去除了多余的检测框，实验证实改进后的网络提高了输电线路缺陷检测的精度。彭闯针对绝缘子串目标缺陷情况，提出一种基于 SIFT-BOW 特征的输电线路器件识别方法，首先提取图像的 SIFT 特征向量，并把特征向量转化为一个高维向量，最后通过 SVM 对目标进行识别，有效的提升了对绝缘子的识别精度。罗海保提出了使用 MS-RPN 代替 RPN 网络，接着使用 RoI Align 代替 RoI Pooling 池化操作，然后把 ResNet-4f 替换为反卷积模块，最后使用全局平均池化代替全连接，有效提升了对鸟巢这类小目标的识别精度。缪希仁等人针对输电线路上防鸟刺轮廓特征不明显、航拍图有明显重叠部分的问题，提出了利用锐化滤波器对图片进行锐化处理，然后使用多尺度训练的 Yolov3 网络框对锐化后的图片进行防鸟刺的截取，最后基于 Resnet152 特征提取网络对防鸟刺进行截取，实现对防鸟刺故障的检测，从而提高对防鸟刺缺陷的识别精度。周自强等人采用多尺度特征融合方法改进了传统的 Faster R-CNN，改进后的多尺度快速卷积神经网络 MS-Faster R-CNN 实现了对绝缘子自爆的检测，并且提高了对绝缘子缺陷的检测精度。
