في عالم يعتمد بشكل متزايد على الطاقة الكهربائية، تصبح عملية التفتيش على العوازل الكهربائية أمراً حيوياً لضمان موثوقية الشبكة ومنع الأعطال الناتجة عن تضرر هذه المكونات. في السنوات الأخيرة، أظهرت الطائرات بدون طيار (Unmanned Aerial Vehicles - UAVs) المدعومة بأنظمة رؤية تعتمد على التعلم العميق فعالية كبيرة في أتمتة هذه العملية.

ومع ذلك، لا تزال عملية اكتشاف عيوب العوازل تمثل تحدياً كبيراً، بسبب مناطق العيوب الصغيرة، وتنوع أنماط العيوب، والخلفيات المعقدة، وظروف التصوير المتغيرة.

لمعالجة هذه التحديات، تقدم أحدث الدراسات تقنية **YOLO26-MoE**، وهي بنية جديدة لاكتشاف الأجسام تدمج وحدة **Mixture-of-Experts (MoE)** النادرة في فرع الدقة العالية من كاشف **YOLO26**. هذه التعديلات تتيح تحسين الميزات بشكل متكيف للأنماط الدقيقة والمتنوعة للعيوب، مع الحفاظ على كفاءة إطار الكشف من مرحلة واحدة.

ساعدت **أداة مدعومة بنموذج لغوي كبير (Large Language Model - LLM)** في تنسيق عملية تحسين المعلمات والعمليات التدريبية النهائية، مما أدى إلى تحقيق نتائج مبهرة. حيث سجل النموذج المقترح مستوى دقة يصل إلى **0.9900 mAP@0.5** و**0.9515 mAP@0.5:0.95**، متفوقاً بذلك على أحدث إصدارات YOLO الأخرى.

تظهر هذه النتائج أن النموذج المقترح يقدم حلاً فعالًا وموثوقًا لاكتشاف عيوب العوازل باستخدام الطائرات بدون طيار، ما يعزز من أهمية التقنيات المتقدمة في مجالات الطاقة والصيانة.