Para o problema da precisão insuficiente na detecção causada pelo tamanho pequeno dos defeitos em isoladores, características fracas e fácil interferência de fundo complexo durante a inspeção do sistema elétrico, propõe-se um modelo aprimorado de detecção de objetos YOLOv11n. Este modelo integra três estratégias de otimização na rede principal e no pescoço para melhorar o desempenho da detecção de defeitos: introdução do módulo C3k2_DFF, que realiza fusão eficiente de recursos através de atenção adaptativa de canal e fusão dinâmica ponderada entre escalas; design do módulo C3k2_LS, que fortalece a percepção do contexto global utilizando um caminho de atenção com grandes núcleos convolucionais; uso do operador de upsampling ConverseUp para substituir o método tradicional, reconstruindo ativamente detalhes de alta resolução com base em deconvolução aprendível, reduzindo a perda de informação. Em um conjunto real de dados de defeitos de isoladores, o modelo aprimorado apresentou, em comparação com o modelo base YOLOv11n, um aumento da precisão média (AP) da classe de danos de 3,2%, AP da classe de sujeira de 1,1%, mAP de 1,5%, aumento da precisão de 5,7%, recall estável, mantendo alta precisão na detecção de alvos isoladores, fortalecendo efetivamente a capacidade de reconhecimento de defeitos e oferecendo suporte técnico mais confiável para a automação da inspeção elétrica.

Detecção de pequenos alvos;YOLOv11;Detecção de defeitos em isoladores;Fusão dinâmica de características;Operador de upsampling