En los sistemas de energía modernos, los drones se están utilizando cada vez más para monitorear el estado de equipos eléctricos críticos. Sin embargo, la capacidad de computación limitada es un factor clave que limita la aplicación de drones. Para optimizar la carga computacional en los drones, este documento propone una estrategia de inteligencia colaborativa en la nube y en el borde que se aplicará a la identificación de aisladores y escenarios de detección de defectos. En primer lugar, se propone un método de baja computación desplegado en el borde para determinar si hay cadenas de aisladores presentes en las imágenes capturadas. En segundo lugar, se propone un método eficiente de reconocimiento de aisladores y detección de defectos, I-YOLO (Insulator-YOLO), para el despliegue en la nube. En la red de cuello, integramos un mecanismo I-ECA (Insulator-Enhanced Channel Attention) basado en las características de los aisladores para fusionar características de manera más completa. Además, incorporamos la red de fusión cruzada de características de aisladores (I-FCFN) para mejorar la detección de defectos de aisladores de pequeño tamaño. Los resultados experimentales demuestran que la estrategia de inteligencia colaborativa en la nube y en el borde funciona excepcionalmente bien en tareas relacionadas con aisladores. El algoritmo de borde logró una precisión del 97.9% con solo 0.7 G FLOPs, cumpliendo con los requisitos de inspección de los drones. Mientras tanto, el modelo en la nube logró un mAP50 del 96.2%, detectando con precisión los aisladores y sus defectos.