? ? ?輸電線路關鍵部件的缺陷檢測對于電網安全運行至關重要，傳統方法存在效率低、準確性不高等問題。本研究探討了利用深度學習技術進行輸電線路關鍵組件的缺陷檢測，目的是提升檢測的效率與準確度。選用了YOLOv8模型作為基礎，并通過加入CA注意力機制與C2f-Fasternet模塊，同時優化了損失函數，以強化模型性能。CA注意力機制可以更全面地捕捉特征圖的通道和空間相關性；C2f-Fasternet模塊采用了更簡單的卷積方式，減少了計算冗余；損失函數的優化考慮了邊界框回歸的多個因素，提高了收斂速度和精度。在自建的輸電線路關鍵部件缺陷數據集上進行了實驗。該數據集包含絕緣子、鳥巢和防震錘三類缺陷，共3696張圖片。通過消融實驗，驗證了各改進方法的有效性，改進后的模型在mAP@0.5指標上達到98.2%，比原始YOLOv8模型提高了0.7%。與其他主流單階段目標檢測器相比，改進后的模型在精度和速度方面都有優勢，在實驗GPU設備上可達到每秒處理149幀的推理速度。本文的研究表明，改進后的YOLOv8模型在輸電線路關鍵部件缺陷檢測任務中具有優異的性能，為實現高效、準確的缺陷檢測提供了有效的解決方案。