Los aislantes son componentes esenciales en las líneas de transmisión de alta tensión y requieren inspección regular para garantizar una entrega de energía confiable. Los métodos de inspección manual tradicionales son ineficientes y requieren mucho trabajo, lo que resalta la necesidad de soluciones inteligentes y automatizadas. En este estudio, proponemos un método de detección de aislantes faltantes que integra imágenes de Vehículos Aéreos No Tripulados (VANT) con técnicas de aprendizaje profundo. En primer lugar, se emplea una Red Neuronal Convolucional Basada en Regiones Mejorada (Faster R-CNN) para detectar y localizar aislantes en imágenes aéreas. En segundo lugar, los aislantes localizados se segmentan utilizando un U-Net mejorado para reducir la interferencia del fondo. Se adopta un enfoque de regresión de caja delimitadora para obtener los rectángulos mínimos que encierran, y los aislantes se alinean verticalmente. Luego, se aplica un umbral adaptativo para extraer imágenes binarias de los aislantes. Estas imágenes binarias se transforman en curvas de defectos, a partir de las cuales se identifican los aislantes faltantes en función de la distribución de curvas. Para abordar la disponibilidad limitada de muestras etiquetadas, se adopta una estrategia basada en aprendizaje por transferencia para mejorar la generalización del modelo. Se recopiló un conjunto de datos de aislantes de vidrio utilizando un VANT DJI M300 equipado con una cámara H20T a lo largo de una línea de transmisión aérea de 330 kV. En el conjunto de datos de aislantes de VANT recopilado, el método propuesto logró un AP@0.5 del 99.85% y un IoU promedio del 88.56% para la detección de cadenas de aislantes, mientras que el U-Net mejorado logró un mIoU del 89.73% para la segmentación de cadenas de aislantes. Experimentos de vuelo al aire libre verificaron aún más el rendimiento bajo diferentes fondos y condiciones de iluminación en nuestros escenarios de inspección con VANT.