Las imágenes de alta resolución capturadas por drones pueden detectar componentes críticos en torres de transmisión de alta tensión, proporcionando al personal de inspección información esencial para el mantenimiento y mejorando la eficiencia de las inspecciones de líneas eléctricas. Las imágenes de alta resolución son particularmente efectivas para mejorar la detección de detalles finos como tornillos. El algoritmo QYOLO, una mejora de YOLOv8, incorpora consultas de contexto en la pirámide de características, capturando efectivamente dependencias de largo alcance y mejorando la capacidad de la red para detectar objetos. Para abordar la mayor profundidad de la red y la carga computacional introducida por la extracción de consultas, se emplea la Convolución Separada Fantasma (GSConv), reduciendo el gasto computacional a la mitad y mejorando aún más el rendimiento de detección para objetos pequeños como tornillos. La validación experimental utilizando el Conjunto de Datos de Accesorios de Líneas de Transmisión (TLAD) desarrollado para este proyecto demuestra que las mejoras propuestas aumentan la precisión promedio (AP) para objetos pequeños en un 5.5% y el F1-score en un 3.5%. El método también mejora el rendimiento de detección para objetivos en general, confirmando su eficacia en aplicaciones prácticas.