В связи с тем, что дефекты, такие как повреждения изоляторов и загрязнение, выявляемые на аэрофотоснимках с дронов, имеют малый масштаб, слабую текстуру на границах и значительные фоновые помехи, что приводит к пропускам и ложным срабатываниям в существующих моделях, предложен облегчённый алгоритм обнаружения дефектов изоляторов MEAQ-YOLOv11, который сочетает в себе мульти-масштабное усиление границ и восприятие качества. В базовой сети разработан модуль усиления различий границ на разных масштабах, который через адаптивное мульти-масштабное объединение и усиление высокочастотных различий улучшает отклик локальных границ и текстуры дефектных областей. В шейной сети построена адаптивная мультиветвистая сеть слияния масштабов, способствующая обмену информацией между характеристиками разных уровней через адаптивное взвешивание множества ветвей и глубокую сверточную обработку. Наконец, разработана облегчённая общая детекторная голова с учётом качества, которая снижает избыточные параметры, одновременно оценивая качество локализации через распределение границ и корректируя оценки классификации. Эксперименты на двух публичных наборах данных CPMID и IDID показали, что по сравнению с базовой YOLOv11n, предложенный алгоритм значительно улучшает точность обнаружения, увеличив mAP50 на 4.54% для CPMID и на 1.29% для IDID. При этом количество параметров модели снизилось до 2.58M, вычислительная сложность составила 6.3 GFLOPs, размер модели — 5.3 MB, а скорость обработки кадров выросла с 235.0 FPS до 254.1 FPS. Данный метод MEAQ-YOLOv11 обеспечивает высокую точность и надёжность обнаружения мелких дефектов изоляторов на сложных фонах, сохраняя лёгкость модели и ускоряя вывод, что может служить ориентиром для интеллектуального распознавания дефектов в энергетических осмотрах.

YOLOv11; мульти-масштабное усиление границ; адаптивное слияние характеристик; обнаружение объектов; облегчённая сеть