El desarrollo inteligente de vehículos aéreos no tripulados (VANT) hará que el trabajo de inspección de energía sea más conveniente. Sin embargo, desafíos como la dependencia de coordenadas precisas de torres y la baja precisión en el reconocimiento de pequeños objetivos limitan su desarrollo posterior. En este sentido, este estudio propone un método de inspección autónoma basado en la detección de objetivos, que abarca tanto la planificación de rutas de vuelo como la detección de defectos. Para la planificación de rutas, el modelo YOLOv8 se modifica ligeramente al incorporar el módulo VanillaBlock, el módulo GSConv y técnicas de poda estructurada para permitir la detección de torres en tiempo real. Basado en los resultados de detección y los estados del VANT, se desarrolla una estrategia de planificación de rutas adaptativa, mitigando efectivamente la dependencia de coordenadas de torres predefinidas. Para la detección de defectos, el modelo YOLOv8 se mejora aún más al introducir el módulo SPD-Conv, el CBAM y la red de fusión de características multiescala BiFPN para mejorar el rendimiento de detección de pequeños objetivos. En comparación con múltiples modelos de referencia, el costo computacional del modelo ligero mejorado se reduce en un 23.5%, mientras que la precisión de detección aumenta en un 4.5%. Los experimentos de vuelo validan aún más la efectividad del enfoque de planificación de rutas propuesto. El método de inspección totalmente autónomo propuesto proporciona valiosas ideas para mejorar la autonomía e inteligencia de los sistemas de inspección de energía basados en VANT.