Asegurar la seguridad de las líneas de transmisión requiere una detección efectiva de defectos en los aislantes. Los métodos tradicionales a menudo carecen de eficiencia y precisión, particularmente para defectos pequeños. Este documento propone un método innovador de reconocimiento de defectos en aislantes aprovechando YOLOv8s-SwinT. La combinación de Swin Transformer y Redes Neuronales Convolucionales (CNN) mejora la comprensión del modelo sobre la información semántica global a múltiples escalas a través de interacciones entre capas. La estructura mejorada de BiFPN en el cuello logra conexiones bidireccionales entre escalas y fusión de características ponderadas durante la extracción de características. Además, una nueva capa de detección de pequeños objetivos mejora la capacidad para detectar defectos diminutos. Los resultados experimentales muestran un rendimiento excepcional, con precisión, recuperación y mAP alcanzando 95.6%, 95.3% y 97.7%, respectivamente. Esto aumenta la eficiencia de detección y asegura alta precisión, proporcionando un soporte robusto para la detección en tiempo real de pequeños defectos en aislantes.