Con el desarrollo de UAV navegación automática a lo largo de líneas de transmisión de energía, la detección inteligente de defectos en imágenes aéreas se ha vuelto cada vez más importante. En el proceso de detección de objetivos para la fotografía aérea de líneas de transmisión, los defectos en los aisladores a menudo plantean desafíos debido a los fondos complejos, lo que resulta en imágenes ruidosas y problemas como la velocidad lenta de detección, pérdida y la identificación errónea de objetivos de tamaño pequeño. Para abordar estos desafíos, este documento propone un algoritmo de detección de defectos en aisladores llamado DFCG_YOLOv5, que se centra en mejorar tanto la precisión como la velocidad mediante la mejora de la estructura de red y la optimización de la función de pérdida. En primer lugar, se optimiza la parte de entrada, y se introduce un algoritmo de filtrado mediano adaptativo de alta velocidad (HSMF) para preprocesar las imágenes capturadas por el sistema UAV, reduciendo efectivamente la interferencia de ruido en la detección de objetivos. En segundo lugar, se optimiza aún más la estructura original del esqueleto Ghost, y se incorpora el mecanismo de atención DFC para lograr un equilibrio entre la precisión y la velocidad de detección de objetivos. Además, la función de pérdida original CIOU se reemplaza por la Pérdida Poli, que aborda el problema de muestras positivas y negativas desequilibradas para objetivos pequeños. Ajustando los parámetros para diferentes conjuntos de datos, esta modificación suprime efectivamente las muestras positivas de fondo y mejora la precisión de detección. Para alinearse con aplicaciones de ingeniería del mundo real, el conjunto de datos utilizado en este estudio consiste en imágenes de patrulla de máquinas de sistemas de aeronaves no tripuladas de la Compañía de Suministro de Energía de Yunnan. Los resultados experimentales muestran una mejora del 9,2% en la precisión del algoritmo y un aumento del 26,2% en la velocidad de inferencia en comparación con YOLOv5s. Estos hallazgos tienen implicaciones significativas para la implementación práctica de la detección de objetivos en escenarios de ingeniería.