Este artículo propone una novedosa tecnología de detección de fallas en pararrayos de óxido metálico (MOA) basada en una pequeña muestra de imagen infrarroja. La investigación se lleva a cabo desde el proceso de detección y mejora de datos. Se diseña un algoritmo ligero de identificación y localización de MOA en el borde, que no solo puede reducir la cantidad de datos cargados, sino también disminuir el espacio de búsqueda del algoritmo en la nube. Con el fin de mejorar la precisión y capacidad de generalización del modelo de detección de defectos en condiciones de muestras pequeñas, se propone un algoritmo de fusión de múltiples modelos. Se extraen diferentes características de la imagen mediante múltiples redes neuronales convolucionales, y luego se entrenan múltiples clasificadores. Finalmente, se utiliza una estrategia de votación ponderada para el diagnóstico de fallas. Además, se construye un modelo extendido de muestras de fallas mediante aprendizaje por transferencia y redes generativas antagónicas convolucionales profundas (DCGAN) para resolver el problema de conjuntos de datos de entrenamiento desequilibrados. Los resultados experimentales muestran que el método propuesto puede lograr la ubicación precisa del pararrayos en condiciones de muestras pequeñas, y después de la expansión de datos, la tasa de reconocimiento de anomalías en el pararrayos puede mejorar del 83% al 85%, mostrando alta efectividad y confiabilidad.