Apuntando a la dificultad en detectar defectos de equipos clave de líneas de transmisión en muestras pequeñas y entornos complejos, y los problemas de baja precisión e inconfiabilidad en la detección de una sola vez utilizando métodos tradicionales basados en aprendizaje profundo, se propone un esquema de detección de imágenes que combina redes neuronales convolucionales profundas optimizadas y filtrado de Kalman. La arquitectura de la red neuronal convolucional se basa en Faster Region-based Convolutional Neural Networks (R-CNNs). Primero, la red de base del modelo se construye con MobileNet, lo que reduce efectivamente el costo computacional. En segundo lugar, se integra un algoritmo de supresión suave de no máximo para resolver el problema de oclusión de partes objetivo, y la capa de agrupación ROI consciente del contexto reemplaza a la capa de agrupación original, manteniendo la estructura original de componentes de tamaño pequeño. Finalmente, los resultados de detección se corrigen dos veces mediante filtrado de Kalman para mejorar aún más la precisión y confiabilidad de la detección. Los resultados experimentales muestran que este método puede lograr la detección precisa de componentes en equipos de líneas de transmisión complejos, la Precisión Promedio del Promedio (mAP) alcanza el 91.10%, que es un 11.05% más alto que el modelo original, y el tiempo de detección de cada imagen es solo de 0.05 s. En comparación con otros algoritmos de detección en las mismas condiciones, el rendimiento integral del método propuesto puede mejorarse en un 20%.