전력선 애자(insulator) 점검은 그리드(grid)의 신뢰성을 보장하고, 손상되거나 저하된 절연 부품으로 인한 고장을 방지하는 데 필수적입니다. 최근 몇 년 동안 무인 항공기(UAV)와 딥러닝(deep learning) 기반 비전 시스템의 결합은 이 과정을 자동화하기 위한 효과적인 솔루션으로 부상했습니다. 그러나 작은 결함 영역, 이질적인 결함 패턴, 복잡한 배경 및 다양한 촬영 조건으로 인해 애자 결함 탐지는 여전히 어려운 과제로 남아 있습니다. 이러한 문제를 해결하기 위해, 본 논문은 YOLO26 탐지기의 고해상도 분기(high-resolution branch)에 희소 전문가 혼합(sparse Mixture-of-Experts (MoE)) 모듈을 통합한 새로운 객체 탐지 아키텍처인 최적화된 YOLO26-MoE를 제안합니다. 제안된 수정 사항은 1단계 탐지(one-stage detection) 프레임워크의 효율성을 유지하면서도 미세하고 다양한 결함 패턴에 대한 적응형 특징 정제(adaptive feature refinement)를 가능하게 합니다. 하이퍼파라미터 최적화(Hyperparameter optimization), 최종 학습 및 평가는 도구 보강형 대규모 언어 모델(Large Language Model (LLM)) 에이전트를 통해 조정되었습니다. 제안된 모델은 0.9900 [email protected] 및 0.9515 [email protected]:0.95를 달성하여 최신 YOLO 버전들을 능가했습니다. 이러한 결과는 제안된 모델이 UAV 기반 애자 결함 탐지를 위한 효과적이고 신뢰할 수 있는 솔루션을 제공함을 입증합니다.