Para el problema de la insuficiente precisión de detección causada por el tamaño diminuto de los defectos de aisladores, las características débiles y la fácil interferencia del fondo complejo durante la inspección del sistema eléctrico, se propone un modelo mejorado de detección de objetos YOLOv11n. Este modelo incorpora tres estrategias de optimización en la red principal y el cuello para mejorar el rendimiento de detección de defectos: introducción del módulo C3k2_DFF, que realiza una fusión eficiente de características mediante atención adaptativa de canales y fusión dinámica ponderada a través de escalas; diseño del módulo C3k2_LS, que refuerza la percepción del contexto global utilizando un camino de atención de núcleo convolucional grande; uso del operador de re-muestreo ConverseUp para reemplazar el método tradicional, reconstruyendo activamente detalles de alta resolución basándose en una deconvolución aprendible y reduciendo la pérdida de información. En un conjunto de datos real de defectos de aisladores, el modelo mejorado comparado con el modelo base YOLOv11n aumentó la precisión promedio (AP) de la clase de daño en un 3,2%, la AP de la clase de suciedad en un 1,1%, el mAP en un 1,5%, la precisión en un 5,7%, con un recall estable, manteniendo al mismo tiempo alta precisión en la detección de objetivos aisladores, mejorando eficazmente la capacidad de reconocimiento de defectos y proporcionando un soporte técnico más confiable para la automatización de inspección eléctrica.

Detección de pequeños objetivos;YOLOv11;Detección de defectos de aisladores;Fusión dinámica de características;Operador de re-muestreo