In den letzten Jahren wurden Zielerkennungsalgorithmen weit verbreitet zur Fehlererkennung in Drohnenbildern von Übertragungsleitungen eingesetzt. Die bestehenden Methoden weisen jedoch eine unzureichende Fähigkeit zur Darstellung unregelmäßiger Defekte während der Merkmalsextraktion auf. Unterschiede in den Zielgrößen führen zu einem schnellen Verlust von Details kleiner Defekte bei der schichtübergreifenden Integration, und komplexe Hintergrundinterferenzen verursachen häufig eine Verwechslung zwischen Defekt- und Hintergrundantworten. Um diese Probleme zu lösen, wird in dieser Arbeit ein leichtgewichtiger Erkennungsalgorithmus namens CSF-DEIM vorgeschlagen, der auf geometrischem Wahrnehmungsvermögen sowie einem Mechanismus zur kooperativen Aggregation von Raum- und Frequenzinformationen basiert. Durch den Aufbau eines leichtgewichtigen geometrischen Wahrnehmungsmoduls zur Rekonstruktion des Hauptnetzwerks, kombiniert mit dynamischem geometrischem Sampling und kostengünstiger linearer Erweiterung, wird die adaptive Darstellungskapazität für unregelmäßige Defekte verbessert. Ein auf Aggregations- und Distributionsmechanismen basierendes Netzwerk für die Raum-Frequenz-Kooperation wurde entworfen und mit Wavelet-Transformation sowie progressiver Multiskalen-Kanalaufmerksamkeit integriert. Dadurch wird der Austausch von Informationen über verschiedene Skalen hinweg verstärkt, während der Verlust von Details kleiner Defekte reduziert wird. Darüber hinaus wurde ein effizientes frequenzdiskriminierendes Feed-Forward-Netzwerk in das Feature-Interaktionsmodul innerhalb der Skala integriert, um die Defekterkennungsfähigkeit in komplexen Hintergründen durch lokale Verstärkung im Raum und adaptive Filterung im Frequenzbereich zu verbessern. Die experimentellen Ergebnisse zeigen, dass das vorgeschlagene Modell eine mAP@0,5 von 92,6 % erreicht, was eine Steigerung von 4,3 Prozentpunkten im Vergleich zum Basismodell darstellt, während die Anzahl der Parameter auf 3,37 M reduziert wurde. Zusätzliche Experimente mit öffentlichen Datensätzen bestätigten die Anwendbarkeit und Generalisierungsfähigkeit des Modells unter verschiedenen Datenverteilungen. Die tatsächliche Inferenzrate auf der NVIDIA Jetson Xavier NX-Plattform erreichte 42,3 FPS, womit eine leichtgewichtige, hochpräzise Echtzeit-Erkennung in Inspektionsszenarien von Übertragungsleitungen realisiert wurde.

Übertragungsleitungsinspektion; Fehlererkennung; DEIM; Geometrisches Wahrnehmungsvermögen; Raum-Frequenz-Kooperation; Aggregations- und Distributionsmechanismus