Ces dernières années, les algorithmes de détection d’objets ont été largement appliqués à la détection de défauts dans les images d'inspection de lignes de transmission par drone. Cependant, les méthodes existantes montrent une capacité insuffisante à représenter des défauts irréguliers lors de l'extraction des caractéristiques, la grande différence d'échelle des cibles entraînant une atténuation facile des détails des petits défauts lors de la fusion inter-niveaux, tandis que les interférences de fond complexes peuvent facilement provoquer une confusion entre les réponses des défauts et celles du fond. Pour résoudre ces problèmes, cet article propose un algorithme de détection légère, CSF-DEIM, basé sur une perception géométrique et un mécanisme de diffusion et d'agrégation espace-fréquence. En construisant un module léger de perception géométrique pour reconstruire le réseau principal et en intégrant un échantillonnage géométrique dynamique avec une extension linéaire à faible coût, la capacité de représentation adaptative pour les défauts irréguliers est améliorée. Un réseau de diffusion et d'agrégation espace-fréquence a été conçu, basé sur un mécanisme de regroupement-diffusion, et intégré avec une transformation en ondelettes et une attention progressive multi-échelles au niveau des canaux, renforçant l'échange d'informations entre échelles et réduisant la perte de détails des petits défauts. Un réseau d'anticipation discriminatif fréquentiel a par ailleurs été introduit dans le module d'interaction des caractéristiques intra-échelle pour améliorer la capacité de distinguer les défauts dans un fond complexe en utilisant un rehaussement local spatial et un filtrage adaptatif fréquentiel. Les résultats des expériences montrent que la mAP@0,5 du modèle atteint 92,6%, soit une amélioration de 4,3 points par rapport au modèle de base, tandis que la quantité de paramètres est réduite à 3,37 M. Des expérimentations complètes sur des bases de données publiques ont confirmé l'adaptabilité et la capacité de généralisation du modèle face à différentes distributions de données, et le taux d'inférence réel atteint 42,3 FPS sur la plateforme NVIDIA Jetson Xavier NX, obtenant ainsi une détection légère, précise et en temps réel dans le contexte des inspections de lignes de transmission.

inspection des lignes de transmission; détection des défauts; DEIM; perception géométrique; coopération espace-fréquence; mécanisme de regroupement-diffusion