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

ومع ذلك، لا تزال عملية [اكتشاف](/tag/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](/tag/تقنية) **YOLO26-MoE**، وهي بنية جديدة لاكتشاف الأجسام تدمج وحدة **Mixture-of-Experts (MoE)** النادرة في فرع [الدقة](/tag/الدقة) العالية من كاشف **YOLO26**. هذه التعديلات تتيح [تحسين](/tag/تحسين) الميزات بشكل متكيف للأنماط الدقيقة والمتنوعة للعيوب، مع الحفاظ على [كفاءة](/tag/كفاءة) إطار الكشف من مرحلة واحدة.

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

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