En el proceso de inspeccionar los defectos de autodestrucción de los aisladores de líneas eléctricas, los algoritmos tradicionales sufren de varios problemas como largos tiempos de detección, precisión insuficiente y dificultades en la detección efectiva bajo entornos complejos. Para abordar estos problemas, presentamos un algoritmo avanzado de detección de objetos de una sola etapa llamado YOLOv5s, que ofrece un entrenamiento rápido y un excelente rendimiento de detección. En este documento, aplicamos el algoritmo YOLOv5s para mejorar la precisión de detección y la exactitud de clasificación de las autodestrucciones de los aisladores. Para mejorar aún más el algoritmo YOLOv5s, introdujimos un módulo BiFPN (Red de Pirámide de Características Bidireccional) para la fusión de características. Este módulo mejoró el proceso de fusión de características al aprender los pesos de importancia de diferentes características de entrada, considerando sus contribuciones. Para abordar el desafío de detectar objetos pequeños en el conjunto de datos del aislador en autodestrucción, incorporamos un módulo SPD (convolución espacial a profundidad) que se centra en capturar características en regiones pequeñas y utiliza capas de convolución de un paso para evitar perder información detallada. Para abordar el problema de la alta similitud entre las regiones de aisladores en autodestrucción y las regiones de aisladores intactos, introdujimos un mecanismo de atención que concentra la atención en las regiones de aisladores defectuosos para recopilar más información sobre los defectos del aislador. Los resultados experimentales validan que los tres métodos de mejora mejoran significativamente la precisión de detección. El modelo final logra mejoras del 2.0% en precisión, 0.9% en recuperación y 1.5% en precisión promedio de detección. A través de la detección de objetivos del conjunto de datos de prueba, los aisladores con casos de autodestrucción pueden ser detectados de manera efectiva.