Para abordar el problema de la baja precisión de detección en imágenes de aisladores causada por fondos intrincados y tamaños de defectos pequeños, así como la necesidad de detección en tiempo real en dispositivos integrados y móviles, esta investigación presenta el modelo YOLOv5s-KE. Integrando múltiples estrategias, YOLOv5s-KE tiene como objetivo aumentar significativamente la precisión de detección. Inicialmente, se propone un método de generación de anclaje mejorado utilizando el algoritmo K-means++ para generar cajas de anclaje más apropiadas para defectos de aisladores. Además, se integra un mecanismo de atención en las redes de backbone y neck para mejorar la capacidad del modelo de centrarse en las características de los defectos y resistir interferencias. Para mejorar la detección de defectos pequeños, se implementa la función de pérdida EIoU en lugar de la función de pérdida CIoU original. Para satisfacer las necesidades de detección en tiempo real en dispositivos integrados y móviles, el modelo se perfecciona aún más mediante la integración de la convolución Ghost para una extracción de características ligera y una transformación lineal para reducir la carga computacional de la convolución estándar. Se implementa una estrategia de poda de canales para optimizar la red entrenada de forma dispersa, disminuyendo la redundancia y mejorando la generalización del modelo. Además, el operador CARAFE reemplaza al operador de upsampling original para minimizar los parámetros del modelo y aumentar la velocidad de detección. Los resultados experimentales demuestran que YOLOv5s-KE logra una precisión de detección del 92.3% en el conjunto de datos chino de aisladores de líneas de transmisión, lo que representa un aumento del 5.2% sobre el YOLOv5s original. La versión simplificada de YOLOv5s-KE alcanza una velocidad de detección de 94.3 cuadros por segundo, lo que indica una mejora de 30.1 cuadros por segundo en comparación con el modelo original. Los parámetros del modelo se condensan a 9.6 M, lo que resulta en una precisión de detección del 91.1%. Este estudio destaca la precisión y eficiencia del enfoque propuesto, sugiriendo que las estrategias avanzadas exploradas introducen nuevas posibilidades para la detección de defectos en aisladores.