Las líneas eléctricas son componentes de infraestructura crítica en los sistemas de red eléctrica. La rotura de hilos es un tipo de defecto grave en las líneas eléctricas que puede afectar directamente la fiabilidad y seguridad del suministro eléctrico. Debido a la morfología delgada de las líneas eléctricas y la dificultad para obtener suficientes datos de muestra, la detección de roturas de hilos sigue siendo una tarea desafiante. Además, las corporaciones de la red eléctrica prefieren detectar estos defectos in situ durante la inspección de líneas eléctricas utilizando vehículos aéreos no tripulados (UAV), en lugar de transmitir todos los datos de inspección al servidor central para su procesamiento fuera de línea, lo que causa una respuesta lenta y una gran carga de comunicación. De acuerdo con los desafíos y requisitos mencionados, este documento propone un método novedoso para detectar hilos rotos en líneas eléctricas en imágenes capturadas por UAV. El método presenta una tubería ligera de múltiples etapas que incluye segmentación de líneas eléctricas, recorte de parches de imagen locales de líneas eléctricas y clasificación de parches. Se diseña una red de segmentación de líneas eléctricas para segmentar las líneas eléctricas del fondo; así, se pueden recortar parches de imagen locales a lo largo de las líneas eléctricas que preservan las características detalladas de las líneas eléctricas. Posteriormente, la red de clasificación de parches reconoce los hilos rotos en los parches de imagen. Tanto la red de segmentación de líneas eléctricas como la red de clasificación de parches están diseñadas para ser ligeras, lo que permite un procesamiento en línea eficiente. Dado que la red de segmentación de líneas eléctricas se puede entrenar con imágenes de líneas eléctricas normales que son fáciles de obtener y la red de clasificación de parches compacta se puede entrenar con relativamente pocas muestras positivas utilizando una estrategia de aprendizaje multitarea, el método propuesto es relativamente eficiente en datos. Los resultados experimentales muestran que, entrenado con datos de muestra limitados, el método propuesto puede alcanzar un F1-score de 0.8, que es superior a los detectores de objetos de última generación actuales. La velocidad media de inferencia en una computadora embebida es de aproximadamente 11.5 imágenes por segundo. Por lo tanto, el método propuesto ofrece una solución prometedora para llevar a cabo la detección de defectos en líneas eléctricas en tiempo real en el lugar, con recursos computacionales llevados por UAV.