Face au problème de précision insuffisante de détection causée par la petite taille des défauts d'isolateur, des caractéristiques faibles et l'influence d'un contexte complexe lors de l'inspection des systèmes électriques, un modèle amélioré de détection d'objets YOLOv11n est proposé. Ce modèle intègre trois stratégies d'optimisation dans le réseau principal et le cou pour améliorer la performance de détection des défauts : introduction du module C3k2_DFF, réalisant une fusion efficace des caractéristiques via une attention adaptative aux canaux et une fusion pondérée dynamique multi-échelle ; conception du module C3k2_LS, renforçant la perception du contexte global grâce à un chemin d'attention avec de grands noyaux convolutifs ; utilisation de l'opérateur de suréchantillonnage ConverseUp remplaçant la méthode traditionnelle, qui reconstruit activement les détails haute résolution par déconvolution apprenable, réduisant la perte d'information. Sur un ensemble de données réelles de défauts d'isolateur, le modèle amélioré obtient, comparé au modèle de référence YOLOv11n, une augmentation de la précision moyenne (AP) de 3,2% pour les défauts de rupture, de 1,1% pour les défauts de salissure, une augmentation du mAP de 1,5%, une précision accrue de 5,7%, un rappel stable, tout en maintenant une haute précision de détection des isolateurs, renforçant efficacement la capacité de reconnaissance des défauts et offrant un support technique plus fiable pour l'automatisation de l'inspection électrique.

Détection de petites cibles;YOLOv11;Détection des défauts d'isolateur;Fusion dynamique des caractéristiques;Opérateur de suréchantillonnage