Para mejorar aún más la precisión y la velocidad de la inspección de UAV de defectos en aisladores de líneas de transmisión, este artículo propone un algoritmo de detección de aisladores e identificación de defectos basado en YOLOv4, llamado DSMH-YOLOv4. En la red de extracción de características del modelo YOLOv4, el algoritmo mejorado mejora los bordes residuales de la estructura residual basándose en la reutilización de características y diseña la red principal D-CSPDarknet53, lo que reduce significativamente el número de parámetros y la computación del modelo. El modelo de atención SA-Net (Shuffle Attention Neural Networks) se incrusta en la red de fusión de características para fortalecer la atención de las características objetivo y mejorar el peso del objetivo. Se agrega una salida de múltiples cabezas a la capa de salida para mejorar la capacidad del modelo de reconocer el pequeño objetivo de daño en el aislador. Los resultados experimentales muestran que el número de parámetros del modelo de algoritmo mejorado es solo el 25.98% del modelo original, y el mAP (Promedio de Precisión Medio) del aislador y el defecto aumenta del 92.44% al 96.14%, lo que proporciona una forma efectiva para la implementación del despliegue de algoritmos de borde.