전력 시스템 점검에서 절연체 결함의 크기가 작고 특징이 약하며 복잡한 배경에 의해 쉽게 영향을 받아 검출 정확도가 부족한 문제를 해결하기 위해 개선된 YOLOv11n 객체 검출 모델을 제안하였다. 이 모델은 백본 및 넥 네트워크에 3가지 최적화 전략을 도입하여 결함 검출 성능을 향상시켰다: 적응형 채널 어텐션과 교차 스케일 동적 가중 융합을 통해 효율적인 특징 융합을 구현하는 C3k2_DFF 모듈 도입; 대형 컨볼루션 커널 어텐션 경로를 활용하여 전역 문맥 인식을 강화하는 C3k2_LS 모듈 설계; 기존 방식 대신 학습 가능한 역컨볼루션을 기반으로 고해상도 디테일을 능동적으로 재구성하여 정보 손실을 줄이는 ConverseUp 업샘플링 연산자 적용. 실제 절연체 결함 데이터셋에서 개선된 모델은 YOLOv11n 기본 모델 대비 파손 클래스 평균 정밀도(AP)를 3.2% 향상시켰고, 플래시 오염 클래스 AP는 1.1% 향상, mAP는 1.5% 향상, 정밀도는 5.7% 증가했으며, 재현율은 안정적으로 유지되었다. 절연체 목표에 대한 높은 검출 정확도를 유지하면서 결함 인식 능력을 효과적으로 강화하여 전력 점검 자동화에 더 신뢰할 수 있는 기술적 지원을 제공한다.

소형 객체 검출;YOLOv11;절연체 결함 검출;동적 특징 융합;업샘플링 연산자