Dado que las imágenes de inspección aérea de drones muestran defectos como daños en aisladores y flashovers por suciedad, con objetivos de pequeño tamaño, bordes débiles y fuerte interferencia de fondo, lo que hace que los modelos actuales de detección sean propensos a omisiones y errores, se propone un algoritmo ligero para la detección de defectos en aisladores MEAQ-YOLOv11, que combina la mejora de bordes multiescala con la percepción de calidad. En la red troncal, se diseña un módulo de mejora de diferencias de bordes multiescala, que mediante el agrupamiento adaptativo multiescala y el refuerzo de diferencias de bordes de alta frecuencia mejora la respuesta de bordes locales y texturas en áreas defectuosas. En la red de cuello, se construye una red de integración multiescala de múltiples ramas adaptativas que utiliza ponderaciones adaptativas y convoluciones profundas multiescala para mejorar las interacciones de información entre características de diferentes niveles. Finalmente, se diseña una cabeza de detección ligera compartida sensible a la calidad que, reduciendo los parámetros redundantes, estima la calidad de localización basada en la distribución de los cuadros límite y ajusta las puntuaciones de clasificación. Los resultados experimentales en los conjuntos de datos públicos CPMID e IDID muestran que, en comparación con YOLOv11n base, el algoritmo propuesto mejora significativamente la precisión de detección en ambos conjuntos, con un aumento de mAP50 de 4.54 puntos porcentuales en CPMID y de 1.29 puntos en IDID. Al mismo tiempo, el número de parámetros del modelo se reduce a 2.58M, la carga computacional es de 6.3 GFLOPs, el tamaño del modelo es de 5.3 MB y la tasa de cuadros por segundo aumenta de 235.0 FPS a 254.1 FPS. MEAQ-YOLOv11 mejora eficazmente la precisión de detección y fiabilidad de localización de pequeños defectos en aisladores en fondos complejos, mientras mantiene la ligereza y capacidad en tiempo real, proporcionando una referencia para el reconocimiento inteligente de defectos en escenarios de inspección eléctrica.

YOLOv11; mejora de bordes multiescala; fusión adaptativa de características; detección de objetos; red ligera