Face aux petits défauts des isolateurs tels que les cassures et les contaminations sur les images de surveillance aérienne par drones, présentant des bords faibles et des interférences importantes en arrière-plan, ce qui rend les modèles de détection actuels sujets aux faux négatifs et aux faux positifs, une méthode légère de détection des défauts des isolateurs, MEAQ-YOLOv11, intégrant une amélioration des bords multi-échelles et une perception de la qualité, est proposée. Un module d'amélioration des différences de bords multi-échelles est conçu dans le réseau principal pour renforcer la réponse des bords locaux et la texture des zones défectueuses via un poolage adaptatif multi-échelles et une amplification des différences de bords haute fréquence. Un réseau d'intégration adaptatif multi-branches pour la fusion des échelles est construit dans le réseau cervical, utilisant un poids adaptatif multi-branches et une convolution profonde multi-échelles pour améliorer les interactions d'information entre les caractéristiques à différents niveaux. Enfin, une tête de détection légère partagée sensible à la qualité est conçue, réduisant les paramètres redondants tout en estimant la qualité de localisation basée sur la distribution des boîtes englobantes et en ajustant les scores de classification. Les résultats expérimentaux sur les ensembles de données publics CPMID et IDID montrent que, par rapport au YOLOv11n de référence, l'algorithme proposé améliore considérablement la précision de détection dans les deux ensembles, avec une augmentation de mAP50 de 4,54 points sur CPMID et de 1,29 point sur IDID. En même temps, le nombre de paramètres du modèle est réduit à 2,58M, la complexité des calculs est de 6,3 GFLOPs, la taille du modèle est de 5,3 MB, et le taux d'images par seconde passe de 235,0 FPS à 254,1 FPS. MEAQ-YOLOv11 améliore efficacement la précision et la fiabilité de détection des petits défauts sur des arrière-plans complexes tout en conservant la légèreté et le temps réel, offrant une référence pour la reconnaissance intelligente des défauts dans les scénarios d'inspection électrique.

YOLOv11; amélioration des bords multi-échelles; fusion adaptative des caractéristiques; détection d'objets; réseau léger