Angesichts kleiner Defektziele wie beschädigte und verschmutzte Isolatoren in Drohnen-Luftbildern, die schwache Kantenstrukturen und starke Hintergrundstörungen aufweisen, was dazu führt, dass bestehende Detektionsmodelle leicht Fehler machen und Schwierigkeiten haben, Präzision und Echtzeit zu gewährleisten, wird ein leichter Algorithmus zur Defekterkennung von Isolatoren (MEAQ-YOLOv11) vorgeschlagen, der Multiskalen-Kantenverstärkung und Qualitätsbewusstsein integriert. Im Backbone-Netzwerk wird ein multiskaliger Kantenverstärkungsmodul entworfen, das mittels multiskaliger adaptiver Pooling-Technik und Hochfrequenz-Kantenverstärkung die Reaktion lokaler Kanten und Texturen in Defektbereichen verbessert. Im Neck-Netzwerk wird ein adaptives Multibranch-Multiskalen-Fusionnetzwerk erstellt, welches durch adaptive Gewichtung und tiefes Multiskalen-Convolution die Informationsinteraktion zwischen Merkmalen verschiedener Ebenen verstärkt. Schließlich wird eine qualitativ sensibilisierte, leichte, gemeinsame Detektionskopfstruktur entworfen, die, während sie redundante Parameter reduziert, mittels Verteilungsinformationen der Begrenzungsrahmen die Lokalisierungsgenauigkeit schätzt und die Klassifizierungsbewertung korrigiert. Die experimentellen Ergebnisse auf den öffentlichen Datensätzen CPMID und IDID zeigen, dass der vorgeschlagene Algorithmus im Vergleich zur Basisline YOLOv11n die Detektionsgenauigkeit auf beiden Datensätzen erheblich verbessert, wobei mAP50 auf CPMID um 4,54 Prozentpunkte und auf IDID um 1,29 Prozentpunkte gesteigert wird. Gleichzeitig verringert sich die Parameteranzahl des Modells auf 2,58M, der Rechenaufwand beträgt 6,3 GFLOPs, die Modellgröße 5,3 MB und die Bildwiederholrate erhöht sich von 235,0 FPS auf 254,1 FPS. MEAQ-YOLOv11 verbessert die Detektionsgenauigkeit und Lokalisierungszuverlässigkeit kleiner Defekte in komplexen Hintergründen effektiv, während es gleichzeitig Leichtigkeit und Echtzeit beibehält, und bietet einen wertvollen Ansatz für die intelligente Fehlererkennung in elektrischen Inspektionsszenarien.

YOLOv11; Multiskalen-Kantenverstärkung; adaptive Merkmalfusion; Objekterkennung; leichtes Netzwerk