El sistema de conducto de cables subterráneos, un componente vital de la infraestructura urbana de transmisión y distribución de energía, enfrenta desafíos en mantenimiento y detección de residuos. Los métodos tradicionales de detección, como la Televisión de Circuito Cerrado (CCTV), dependen en gran medida de la experiencia y la experiencia previa de inspectores profesionales, lo que conduce a la adquisición de resultados que consumen tiempo y subjetivos. Para abordar estos problemas y automatizar la detección de defectos en conductos de cables subterráneos, este documento propone un algoritmo de reconocimiento de defectos basado en un modelo YOLOv8 mejorado. En primer lugar, reemplazamos el módulo de Pirámide Espacial de Agrupamiento (SPPF) en el modelo original con el módulo de Pirámide Espacial de Agrupamiento Atrous (ASPP) para capturar características de defectos a múltiples escalas de manera efectiva. En segundo lugar, para mejorar la representación de características y reducir la interferencia de ruido, integramos el Módulo de Atención de Bloque Convolucional (CBAM) en la cabeza de detección. Finalmente, mejoramos la red de base YOLOv8 reemplazando el módulo C2f con el módulo base de ShuffleNet V2, reduciendo el número de parámetros del modelo y optimizando la eficiencia del modelo. Los resultados experimentales demuestran la eficacia del algoritmo propuesto en el reconocimiento de desalineación de tuberías y objetos extraños residuales. La precisión y la precisión promedio (mAP) alcanzan el 96.2% y el 97.6%, respectivamente, lo que representa mejoras sobre el modelo YOLOv8 original. Este estudio mejora significativamente la capacidad de capturar y caracterizar características de defectos, mejorando así la eficiencia y precisión del mantenimiento de los sistemas de conductos de cables subterráneos.