Um das Problem unzureichender Erkennungsgenauigkeit aufgrund der kleinen Größe von Isolatorfehlern, schwacher Merkmale und der leichten Störung durch komplexe Hintergründe bei der Inspektion von Stromversorgungssystemen zu lösen, wird ein verbessertes YOLOv11n-Objekterkennungsmodell vorgeschlagen. Das Modell integriert drei Optimierungsstrategien im Backbone- und Halsnetzwerk zur Verbesserung der Fehlererkennung: Einführung des C3k2_DFF-Moduls, das durch adaptive Kanalaufmerksamkeit und dynamische gewichtete Fusion über Skalen eine effiziente Merkmalsfusion erreicht; Gestaltung des C3k2_LS-Moduls, das durch einen großen Faltungskern-Aufmerksamkeitspfad das globale Kontextbewusstsein verstärkt; Verwendung des ConverseUp-Upsampling-Operators anstelle der traditionellen Methode, der auf lernbarer Transponierter Faltung basiert und hochauflösende Details aktiv rekonstruiert, um Informationsverlust zu reduzieren. Auf einem realen Isolator-Fehlerdatensatz erzielte das verbesserte Modell im Vergleich zum YOLOv11n-Basis-Modell eine Steigerung der durchschnittlichen Präzision (AP) der Bruchklasse um 3,2 %, der AP der Verschmutzungsklasse um 1,1 %, eine Steigerung des mAP um 1,5 %, eine Erhöhung der Genauigkeit um 5,7 % sowie eine stabile Rückrufrate, bei gleichzeitig hoher Erkennungsgenauigkeit der Isolatorziele, wodurch die Fehlererkennungsfähigkeit effektiv verbessert und eine zuverlässigere technische Unterstützung für die Automatisierung der Strominspektion geboten wird.

Erkennung kleiner Objekte;YOLOv11;Erkennung von Isolatorfehlern;Dynamische Merkmalsfusion;Upsampling-Operator