为了实现输电线路巡检时绝缘子串及伞盘脱落缺陷的精准定位和识别效果，提出了一种基于改进YOLOv5混合样本训练的绝缘子缺陷检测模型。首先，针对绝缘子缺陷图像稀少问题，提出了一种混合样本数据生成方法，其通过将GrabCut算法与图像融合技术相结合实现数据集的扩充。然后，针对绝缘子及缺陷的外形特点，利用长边定义法和CSL(Circular Smooth Label，环形平滑标签)重新定义模型特征提取区域的坐标参数。通过增加角度信息，实现更加精确化的特征提取。最后，通过将Backbone(主干网络)中部分特征层与PAN(Path Aggregation Network，路径聚合网络)提取的特征相融合对CSPDarkNet主干网络进行优化。改进后的YOLOv5 CSPDarkNet模型相较于改进前绝缘子缺陷检测精度提升了2.8%，检测速率为20.5 FPS。实验结果表明，改进的绝缘子缺陷识别方法基本满足实际应用需求。
