En los últimos años, los algoritmos de detección de objetivos se han aplicado ampliamente en la detección de defectos en imágenes de inspección de líneas de transmisión mediante drones. Sin embargo, los métodos actuales tienen una capacidad insuficiente para representar defectos irregulares durante el proceso de extracción de características. Las diferencias desproporcionadas en la escala de los objetivos provocan una rápida atenuación de los detalles de pequeños defectos en la fusión entre capas, y las interferencias de fondos complejos confunden fácilmente las respuestas de los defectos con las del fondo. Para resolver estos problemas, este estudio propone un algoritmo de detección ligero, CSF-DEIM, basado en una percepción geométrica y un mecanismo de agregación y distribución cooperativa en el dominio espacio-frecuencia. Mediante la construcción de un módulo de percepción geométrica ligero que reconstruye la red principal, en combinación con un muestreo geométrico dinámico y una expansión lineal de bajo costo, se mejora la capacidad de representación adaptativa para defectos irregulares. El diseño de una red de distribución cooperativa espacio-frecuencia basada en un mecanismo de agrupación y difusión, junto con la integración de transformadas wavelet y atención progresiva multiescala a nivel de canal, refuerza el intercambio de información entre escalas y reduce la pérdida de detalles de pequeños defectos. Además, se introdujo una red eficiente de alimentación anticipada discriminativa en el módulo de interacción de características dentro de la escala, mejorando la capacidad de discriminación de defectos en entornos de fondos complejos a través de un realce local en el dominio espacial y un filtrado adaptativo en el dominio frecuencial. Los resultados experimentales muestran que el modelo logra un mAP@0.5 de 92,6%, una mejora de 4,3 puntos porcentuales respecto al modelo base, mientras que el número de parámetros se reduce a 3,37 M. Los experimentos adicionales en conjuntos de datos públicos verificaron la aplicabilidad y capacidad de generalización del modelo frente a diferentes distribuciones de datos, mientras que en la plataforma NVIDIA Jetson Xavier NX, el marco de inferencia alcanza los 42,3 FPS, realizando una detección ligera, precisa y en tiempo real en inspecciones de líneas de transmisión.

inspección de líneas de transmisión; detección de defectos; DEIM; percepción geométrica; cooperación espacio-frecuencia; mecanismo de agrupación-distribución