La detección precisa de accesorios de energía es crucial para identificar defectos o fallas en estos componentes, lo cual es esencial para evaluar la seguridad y estabilidad del sistema de energía. Sin embargo, la precisión de la detección de accesorios se ve afectada por un fondo complejo, tamaños de objetivo pequeños y accesorios superpuestos en las imágenes. Para abordar estos desafíos, se propone un método de detección de accesorios basado en la red neuronal convolucional de gráficos dinámicos (DGCNN) y la red en forma de U (U-Net), que combina la detección tridimensional con la detección de objetos bidimensional. En primer lugar, se incorpora un mecanismo de atención de enrutamiento de dos niveles en la red U-Net ligera para mejorar la extracción de características para detectar el límite de los accesorios. En segundo lugar, se sintetizan datos de nube de puntos pseudo transformando el mapa de profundidad generado por el algoritmo Lite-Mono y su imagen correspondiente de accesorios RGB. Luego, se emplea el algoritmo DGCNN para extraer características de accesorios oscurecidos, lo que contribuye al refinamiento final de los resultados. Este proceso ayuda a aliviar el problema de las occlusiones entre objetivos y mejora aún más la precisión de la detección de accesorios. Finalmente, el método propuesto se evalúa utilizando un conjunto de datos personalizado de accesorios, y se realizan estudios comparativos. Los resultados experimentales ilustran el potencial prometedor del enfoque propuesto en mejorar características y extraer información de las imágenes de accesorios.