高電圧送電線の絶縁子に生じた欠陥を自動で検出することは、無人航空機（UAV）による撮影画像における深刻なクラス不均衡、大きなスケール変動、そして欠陥インスタンスの小さな空間的範囲といった課題のため、従来は困難とされてきました。本研究は、こうした課題に対処するため、注意機構を組み込んだオートエンコーダ強化型YOLOフレームワーク「AE-YOLO」を提案しています。 このアーキテクチャの特徴は、Feature Pyramid Network-Path Aggregation Network（FPN-PAN）の機構内に軽量なボトルネックオートエンコーダを統合することにより、マルチスケール特徴融合の際に異常に敏感な情報を保持する点にあります。さらに、Convolutional Block Attention Modules（CBAM）をバックボーン全体に配置し、特徴の判別能力を向上させ、背景ノイズを抑制しています。加えて、分散最大化型のオートエンコーダ正則化戦略を導入することで、欠陥を識別する多様な潜在表現を促します。 学習段階では、焦点損失関数（focal loss）、Complete IoU損失関数、オートエンコーダ正則化を組み合わせた統一的な目的関数を用いて、前景と背景の不均衡に対処し、位置特定精度を改善しています。推論時には、YOLOv8、YOLOv10、YOLO11の予測をWeighted Boxes Fusion（WBF）で統合し、オートエンコーダに基づく信頼度向上メカニズムにより、稀な欠陥カテゴリーへの感度を高めています。 Insulator-Defect Detectionデータセットでの実験結果では、EfficientNetV2をバックボーンとしたAE-YOLOは、IoU 0.5時に95.10%のmAP、96.40%の適合率、93.80%の再現率を達成しました。これは最強のYOLOファミリーベースラインを、IoU 0.5時のmAPで5.0ポイント、再現率で6.7ポイント上回るものです。こうした結果は、本フレームワークの有効性と適応可能性を実証し、UAVによる送電線検査と欠陥監視のための実用的でスケーラブルなソリューションとなることを示唆しています。