همواره استفاده از تصاویر نظارتی مانند تصاویر مقره ها و پایش خطوط هوایی، یکی از مهم ترین ابزارها در دسترس متخصصان جهت آشکارسازی، تحلیل و تشخیص آسیب های مختلف مقره های برق فشار قوی بوده است. تصاویر هوایی از مقره ها نقش مهمی در تشخیص، پایش و جایگزینی مقره در خطوط انتقال نیرو دارند. در سال های اخیر تلاش زیادی در جهت بهره گیری از روش ها ی یادگیری ماشین برای پردازش و تفسیر خودکار تصاویر هوایی صورت گرفته است. با استفاده از این تحلیل ها متخصصان می توانند علاوه برتشخیص بخش های آسیب دیده از نوع آسیب دیده گی مطلع شوند. این داده در پایش خطوط هوایی به متخصصان کمک شایانی می کند. برای انجام تشخیص خودکار آلودگی مقره ها نیاز به تصاویر مقره های برق فشار قوی برای آموزش شبکه یادگیری عمیق است. پس از جمع آوری تصاویر یک پیش پردازش بر روی تمامی تصاویر انجام می شود. مرحله بعد افزایش تعداد تصاویر و داده افزایی است؛ به این منظور ابتدا با ایجاد تغییر در روش تقویت داده با کمک روش برش و مقیاس اقدام به افزایش داده های ورودی به اندازه 2000 قطعه تصویر کردیم که نسبت به حجم اولیه داده 50 درصد افزایش داشته ایم. سپس بعد از برچسب گذاری تصاویر بر اساس نوع آلودگی با استفاده از الگوریتم شبکه عمیق در بستر پایتون با استفاده از کتابخانه تنسرفلو و کراس مدل سازی را انجام شد. مدل سازی ها بر اساس معماری resnet,51 و resnet,53 مورد بررسی قرار گرفت و نتایج آن بررسی شد. به کمک معماری resnet,51 در پردازش عمیق در بستر پایتون ناحیه بندی تصاویر با دقت 93 درصد انجام شد. از روش پیشنهادی این تحقیق می توان نوع آلودگی مقره بصورت خودکار در سیستم های مرتبط با پایش خطوط انتقال نیرو و نیروگاه ها بهره جست.
