La computación en el borde puede evitar la transmisión a larga distancia de grandes volúmenes de datos y los problemas con el procesamiento centralizado a gran escala. Por lo tanto, la identificación de defectos en aislantes con modelos de detección de objetos basados en aprendizaje profundo está cambiando gradualmente de servidores en la nube a dispositivos de computación en el borde. Por ello, proponemos un modelo de detección para aislantes y defectos diseñado para ser implementado en dispositivos de computación en el borde. El modelo propuesto se mejora sobre la base de YOLOv4-tiny, que es adecuado para dispositivos de computación en el borde, y la precisión de detección del modelo se mejora con la premisa de mantener una alta velocidad de detección. Primero, en la red de cuello, se introduce el módulo residual invertido para realizar la fusión de características y mejorar la capacidad de posicionamiento de los aislantes. Luego, se añade una cabeza de salida de detección de alta resolución al modelo original para mejorar su capacidad de detectar defectos. Finalmente, las cajas de predicción se procesan posteriormente para incorporar cajas de objetos divididos para aislantes a gran escala. En una evaluación experimental, el modelo propuesto logró un mAP del 96.22% con una velocidad de detección de 10.398 fotogramas por segundo (FPS) en un dispositivo de computación en el borde, lo que cumple básicamente con los requisitos de los escenarios de detección de aislantes y defectos en dispositivos de computación en el borde.