Las líneas de transmisión en entornos exteriores complejos a menudo sufren daños externos en áreas de construcción, afectando gravemente la estabilidad de los sistemas de energía. Los métodos tradicionales de detección manual tienen problemas de baja eficiencia y un rendimiento en tiempo real deficiente. En los métodos de detección basados en aprendizaje profundo, la convolución estándar tiene un gran número de parámetros y complejidad computacional, lo que dificulta su implementación en dispositivos de borde; mientras que la convolución separable en profundidad ligera ofrece un bajo costo computacional, sufre de una capacidad de extracción de características insuficiente. Esta limitación proviene de su procesamiento independiente de la información de cada canal, lo que le impide cumplir simultáneamente con los requisitos prácticos tanto de diseño ligero como de alta precisión de detección en aplicaciones de monitoreo de líneas de transmisión. Para abordar los problemas mencionados, este estudio propone LFRE-YOLO, un algoritmo ligero de detección de daños externos para líneas de transmisión basado en YOLOv10n. Primero, diseñamos una convolución ligera de reutilización y mejora de características (LFREConv) que supera las limitaciones de la convolución separable en profundidad tradicional a través de una estructura de convolución dual en cascada y mecanismos de conexión residual, expandiendo significativamente el campo receptivo efectivo con un incremento mínimo de parámetros y compensando la pérdida de información causada por el procesamiento independiente de canales en la convolución separable en profundidad mediante estrategias de reutilización de características. En segundo lugar, basado en LFREConv, proponemos un módulo eficiente de extracción de características ligeras (LFREBlock) que logra una mejora en la interacción de información entre canales y modelado de importancia de canales. Además, proponemos una cabeza de detección ligera de reutilización y mejora de características (LFRE-Head) que aplica LFREConv a la rama de regresión, logrando un diseño ligero integral de la cabeza de detección mientras se mantiene la precisión de localización espacial. Finalmente, empleamos la poda adaptativa por magnitud basada en capas (LAMP) para podar el modelo entrenado, optimizando aún más la estructura de la red a través de la poda adaptativa por capas. Los resultados experimentales demuestran mejoras significativas sobre la línea base de YOLOv10n: mAP50 aumentó del 92.0% al 94.1%, mAP50-95 mejoró del 66.2% al 70.2%, mientras que se redujeron los parámetros de 2.27 M a 0.99 M, la complejidad computacional de 6.5 G a 3.1 G, y se logró una velocidad de inferencia de 86.9 FPS, lo que lo hace adecuado para entornos de computación en el borde con recursos limitados.