一种面向输电线路绝缘子缺陷的检测方法及系统

本发明属于缺陷检测领域，具体来说，特别涉及一种面向输电线路绝缘子缺陷的检测方法及系统。

背景技术：

1、绝缘子是输电线路的关键部件，其缺陷（如污秽闪络、破损）可能引发线路跳闸乃至大范围停电风险。传统巡检依赖人工或规则算法，往往在复杂背景、视角变化、光照退化与尺度变化下鲁棒性不足。随着无人机/机器人巡检与视觉感知技术发展，基于深度学习的目标检测方法已成为绝缘子与缺陷自动识别的重要方向。

2、从检测模式看，两阶段检测器（如fasterr-cnn）具备较强定位精度但推理开销较大，不利于边缘端实时部署；单阶段检测器（如ssd、yolo系列、fcos等）在速度与精度之间取得更优折中，因此更适用于工程巡检场景。

3、然而，绝缘子缺陷检测仍面临共性挑战：首先是微小缺陷与强背景干扰，缺陷框尺度远小于整幅图像，且常与导线、塔材等纹理相似结构共存，导致误检高，且类别与场景分布不均衡：缺陷样本稀缺、环境退化多样（雾霾、过曝、噪声和遮挡等），训练易过拟合；另外，是层级结构信息未被充分利用：在大量绝缘子缺陷标注中，缺陷目标几乎必然位于“绝缘子串”区域内；若忽略这种“part-of”关系，样本分配与训练目标会产生不一致，造成串外误报或串内漏检。

技术实现思路

1、针对相关技术中的问题，本发明提出一种面向输电线路绝缘子缺陷的检测方法及系统，以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明为一种面向输电线路绝缘子缺陷的检测方法，包括：

4、获取数据集并对数据集进行具有显式层级关系的五元组形式的标注，得到标注后数据集；

5、采用由多类环境退化算子组成的若干种增强策略组合对所述标注后数据集进行数据增强，得到增强后数据集；

6、标注后数据集与增强后数据集共同构成训练集；

7、构建引入关键机制的神经网络；

8、所述关键机制包括支撑模块、层级约束任务对齐标签分配、层级包含一致性正则损失以及层级感知软权重评分后处理；

9、所述支撑模块包括

p2检测头、软边界区域先验分支以及小目标友好nwd回归损失；

10、采用训练集对神经网络进行训练以及测试，再通过训练以及测试后的神经网络进行输电线路绝缘子缺陷检测。

11、通过对具有显式层级关系的标注后数据集采用多类环境退化算子组合进行增强，并利用包含支撑模块、层级约束任务对齐标签分配、层级包含一致性正则损失及层级感知软权重评分后处理的神经网络进行训练和检测，能够提高模型对复杂成像条件及小尺度缺陷的适应能力，利用层级关系约束缺陷候选与预测结果，减少复杂背景导致的误检，并提高缺陷定位稳定性及检测召回能力。

12、其中，支撑模块、层级约束任务对齐标签分配、层级包含一致性正则损失以及层级感知软权重评分后处理四者围绕同一“缺陷应位于父级绝缘子串区域内”的层级先验逐阶段协同：支撑模块先通过p2、软边界先验和so-nwd提高小缺陷候选的可见性、区域聚焦性和回归稳定性；hc-tal在标签分配阶段用父框过滤候选，减少串外伪正样本；hcr-loss在训练阶段继续惩罚缺陷框的几何越界；hsr在推理阶段对串外预测进行软降分。由此形成“候选生成—样本分配—训练正则—推理校正”的闭环；

13、p2检测头、软边界区域先验分支以及小目标友好nwd回归损失三者依次解决小缺陷检测的不同环节：p2检测头以高分辨率特征提供更密集的候选位置；软边界区域先验分支利用父级绝缘子串框增强有效区域响应、抑制背景激活；so-nwd对缺陷类正样本提供对小框位移更稳定的回归度量。p2提高“看得见”，先验分支提高“看得准区域”，so-nwd提高“框得稳”，三者共同为后续层级约束提供高质量候选。

14、优选地，所述数据集中包括输电线路绝缘子及缺陷目标的图像；对所述数据集中的数据进行标注，得到标注后数据集；

15、所述标注采用yolo格式，并对每个目标以五元组形式表示，所述五元组形式如下：

16、；

17、其中，为类别编号，

c=0表示闪络，

c=1表示破损，

c=2表示绝缘子串；为边界框中心点归一化坐标，为归一化宽高；yolo格式是一种逐目标文本标注格式：每幅图像对应一个标签文件，每一行描述一个目标，通常写为，、、、、通常均位于[0,1]；其中为类别编号，、为边界框中心点相对于图像宽、高的归一化坐标，、为边界框宽、高相对于图像宽、高的归一化值，通常均位于[0,1]。

18、所述五元组形式具有显式层级关系：任一缺陷子类目标在空间上通常位于某个绝缘子串目标框内部或其邻域内。

19、优选地，拷贝所述标注后数据集，得到拷贝后数据集；对所述拷贝后数据集进行数据增强，得到增强后数据集；

20、所述增强后数据集与标注后数据集共同构成训练集；

21、所述数据增强的策略包括：

22、按照稀缺缺陷优先级将所述拷贝后数据集划分为3个层级，并设置不同的扩增倍率与增强强度；

23、采用albumentations库实现数据增强，并设计六类环境退化算子以覆盖实际巡检中的复杂成像条件；

24、所述六类环境退化算子分别如下：

25、第一类、雪地反光导致的过曝模拟；

26、第二类、雾霾及图像传输退化；

27、第三类、阴影及逆光干扰；

28、第四类、传感器噪声；

29、第五类、强遮挡；

30、第六类、幅度受控的几何变换；

31、其中，雪地反光导致的过曝模拟通过非线性色调曲线、降低饱和度及gamma变换形成高亮或泛白区域，并可采用clahe补偿局部对比度；雾霾及图像传输退化通过灰度化、降低对比度、jpeg压缩伪影及高斯模糊模拟雾霾和图传质量下降；阴影及逆光干扰通过随机阴影和光斑模拟形成局部暗区或强光干扰，并可叠加clahe；传感器噪声通过叠加高斯噪声模拟成像器件及传输噪声；强遮挡采用随机矩形块遮挡构造局部信息缺失和困难负样本；幅度受控的几何变换采用水平翻转及小范围平移、缩放、旋转，并同步更新边界框，以模拟姿态和视角变化且避免破坏缺陷纹理。

32、基于所述六类环境退化算子构建三种增强策略组合；分别如下：

33、各增强算子、参数范围及不同 tier 的模板/随机组合，具体如下：

34、tier 1：采用5条确定性模板，依次为snow glare+水平翻转、haze+平移缩放旋转、shadow sunflare+clahe、sensor noise以及snow glare+haze，不引入强遮挡以保护破损纹理；

35、tier 2：采用4条确定性模板，分别为snow glare含clahe、haze+clahe、shadowsunflare+clahe以及sensor noise，同样避免强遮挡；

36、tier 3：每次随机抽取若干类环境退化算子进行顺序拼接，并以0.9概率叠加coarse dropout强遮挡；

37、其中，tier 1、tier 2、tier 3分别表示第1、2、3种增强策略组合；snow glare表示雪地反光导致的过曝模拟，对应第一类环境退化算子；haze表示雾霾及图像传输退化，对应第二类环境退化算子；shadow sunflare表示阴影及逆光干扰，对应第三类环境退化算子；clahe表示限制对比度自适应直方图均衡化，是用于局部对比度补偿的辅助处理，不单独构成六类中的一类；sensor noise表示传感器噪声，对应第四类环境退化算子；snow glare+haze表示第一类与第二类算子按顺序组合；snow glare含clahe表示先模拟雪地反光造成的高亮或过曝，再采用clahe进行局部对比度限制性补偿；coarse dropout表示粗粒度随机块遮挡，对应第五类环境退化算子；水平翻转、haze+平移缩放旋转对应第六类环境退化算子。

38、优选地，给定输入图像，，目标检测任务预测一组边界框与类别标签的公式如下：

39、；

40、其中，、分别表示输入图像的像素高度和像素宽度；中的3表示三通道图像；表示候选数；，、分别表示第i个预测边界框的归一化中心点的横坐标与纵坐标，、分别表示第i个预测边界框的归一化宽度和归一化高度；表示类别，，0表示闪络，1表示破损，2表示绝缘子串；表示置信度，；

41、构建真值集合如下：

42、；

43、当时，定义该缺陷真值框对应的父目标为，若存在多个父目标，则按包含关系与面积准则选择；若不存在匹配父目标，则将该缺陷样本退化为常规分配策略以保持召回；

44、其中，表示第j个真值边界框，表示该真值框的类别编号，表示缺陷类别集合，本方案中，分别对应闪络和破损；表示当前图像中真值目标的总数量；

45、定义该缺陷真值框对应的父目标为的具体步骤包括：

46、从真值集合中筛选类别c=2的绝缘子串框，形成父目标候选集合；

47、对当前缺陷真值框计算中心点；

48、筛选包含该中心点的父框；

49、若仅有一个则直接匹配，若有多个则按面积最小原则选择；

50、若没有匹配父框，则不施加层级过滤，采用默认任务对齐分配策略。

51、按包含关系与面积准则选择的具体步骤包括：

52、先判断缺陷框中心点是否位于候选父框内部；仅保留满足包含关系的父框；当满足条件的父框多于一个时，计算各父框面积，选择面积最小者作为，以避免将缺陷错误归属到覆盖范围过大的结构框。

53、常规分配策略是指yolov8原有的任务对齐标签分配：在不使用父目标层级约束的情况下，从落入缺陷真值框的候选点中，根据计算任务对齐评分；选取评分最高的top-k候选作为正样本，其中k为预设的正样本数量，表示第

i个候选点与第

j个真值目标之间的任务对齐评分，表示第

i个候选点属于第

j个真值目标类别的预测概率，表示第

i个候选点回归得到的预测框，表示预测框与真值框的交并比，、分别表示分类项与定位项的权重指数，

i表示候选点索引，

j表示真值目标索引。

54、具体的，预测集合描述神经网络对输入图像产生的n个候选框、类别及置信度；真值集合描述该图像人工标注的m个目标框及类别。训练时，以真值集合为监督，通过标签分配将预测候选与真值目标对应，并计算分类、回归及层级损失；推理时输出的是预测集合，不再使用真值集合；

55、优选地，所述神经网络以yolov8为基线并引入关键机制，所述关键机制包括支撑模块、层级约束任务对齐标签分配以及层级包含一致性正则损失与层级感知软权重评分后处理；

56、所述支撑模块包括

p2检测头、软边界区域先验分支以及小目标友好nwd回归损失；

57、上述设计形成一条逐层递进的闭环：

p2与sbp-branch提高“可见性”，hc-tal提高“可学习性”，so-nwd提高“可回归性”，hcr-loss强化“结构一致性”，hsr在部署侧控制“串外风险”；另外，yolov8的多尺度检测头通常所在{

p3，

p4，

p5}特征层上预测目标。对于绝缘子缺陷这类像素尺度很小的目标，连续下采样会导致目标响应在深层特征中被稀释。为提升小目标的空间分辨率，本发明在特征金字塔中引入更高分辨率的

p2层，结构对比见图5，使检测头覆盖{

p2，

p3，

p4，

p5}，从而为缺陷提供更密集的候选位置与更细粒度的定位梯度；需要强调的是，

p2检测层属于小目标检测的常用增强，其作用是为后续层级约束（hc-tal、hcr-loss/hsr）提供更可靠的候选基础，当特征分辨率不足时，候选质量偏低会削弱结构先验的稳定发挥。

58、其中，p4、p5是特征金字塔中的不同尺度特征层：p4通常为相对输入图像下采样16倍的特征层，侧重中等尺度目标；p5通常为下采样32倍的特征层，侧重大尺度目标。

59、优选地，所述软边界区域先验分支包括：

60、在由p2、p3、p4、p5构成的多尺度检测头旁增加轻量先验分支，以父目标真值框生成的软掩膜

g为监督，输出单通道先验图

p；

61、所述检测头是指由p2、p3、p4、p5构成的多尺度检测头及其共享特征侧，软边界区域先验分支设置在检测头旁、由颈部/检测特征引出，作为辅助监督分支。

62、并采用软边界设计，所述软边界设计包括：在父目标框内部，距边界不小于缓冲带宽度的中心区域，软掩膜监督值设为1；在距边界小于的缓冲区域内，监督值按照像素点到父目标框边界的归一化距离由0线性增加至1；父目标框外部的监督值设为0。

63、所述先验分支的损失为bce与dice的加权和，损失公式如下：

64、；

65、其中：；

66、；

67、式中，、均为先验图尺寸，表示先验分支的损失，为dice权重；为防止分母为0的平滑常数；sbp-branch仅提供辅助监督，不改变主检测分支输出；表示预测单通道先验图p与监督软掩膜g之间的二元交叉熵损失，表示p与g之间的dice重叠损失，表示软掩膜g在第u行、第v列像素处的监督值、表示先验分支输出p在同一像素位置处的预测概率；

68、所述小目标友好nwd回归损失包括：

69、仅对缺陷类正样本引入归一化wasserstein距离回归项，根据所述距离回归项构建预测框与真值框的二阶wasserstein距离的公式如下：

70、；

71、其中：

72、；

73、式中，表示预测框与真值框对应高斯分布之间的二阶wasserstein距离平方，、分别表示预测框和真值框的均值向量（即框中心），表示向量的欧氏范数平方，表示矩阵的frobenius范数平方，、分别表示预测框和真值框协方差矩阵的半正定平方根，，、分别表示真值缺陷框中心点的横坐标和纵坐标；、分别表示真值缺陷框的宽以及高；表示均值，；表示协方差，、分别表示真值框对应二维高斯分布在横向和纵向的标准差，本方案，；

74、将所述二阶wasserstein距离公式距离进行归一化并转为损失形式，如下：

75、；

76、其中，表示归一化wasserstein距离对应的回归损失值，，表示预测框与真值框二阶wasserstein距离平方的算术平方根，为尺度超参；本发明实现中so-nwd仅作用于缺陷类（class_id=0/1），并采用控制其总体权重，表示so-nwd损失的总体权重系数，用于控制该附加回归项在总回归损失中的贡献。

77、考虑到更小缺陷更难回归，本发明对缺陷样本引入面积反比权重，如下：

78、；

79、其中，表示面积反比权重，表示截断函数，用于将限制在区间内，表示加入面积分母中的微小正数，用于防止a=0或面积过小时产生除零及数值不稳定；为真值缺陷框面积，为归一化常数（可取批内均值），为面积反比权重的上界；

80、最终so-nwd损失如下：

81、；

82、其中，so-nwd表示小目标友好nwd回归损失，表示最终so-nwd损失；对缺陷类正样本求均值。本发明实现中被截断到以避免极端小框带来不稳定梯度。

83、虽然高分辨率检测层有助于捕捉小目标，但模型仍易在绝缘子区域外的复杂背景上产生误检，为此，本发明利用父级绝缘子串的标注框构建先验监督，引导神经网络聚焦于绝缘子区域的特征学习；另外，完成结构约束的标签分配后，仍需解决小缺陷框回归不稳定的问题，而iou类损失在小框场景中对边界微小偏移高度敏感，易产生梯度抖动，为提升小缺陷定位稳定性，本发明仅对缺陷类正样本引入归一化 wasserstein 距离回归项。

84、优选地，所述层级约束任务对齐标签分配用于抑制因错误样本分配导致的串外误检；

85、所述层级约束任务对齐标签分配包括父目标匹配（parent matching）、容错外扩、候选点过滤（candidate filtering）以及任务对齐评分与正样本选择；

86、所述父目标匹配用于过滤候选集，将正样本选择限定在绝缘子串区域内，从源头减少串外伪正样本与训练噪声；针对每个满足的真值框，其中为缺陷类别集合，在父目标真值集合中选择其父框，当存在多个父目标时，优先选择包含缺陷中心点且面积最小的父框，以避免将缺陷错误归属到更大范围的结构框；若无法找到匹配父框，则该缺陷样本保持默认分配策略；

87、所述容错外扩用于对缺陷框与父框均进行小幅外扩，包括：

88、定义外扩算子，表达式如下：

89、；

90、其中：

91、；；

92、式中，表示框，，、分别表示框左上角的横、纵坐标、、分别表示框右下角的横、纵坐标；表示外比例，表示最小像素外扩，，，、分别表示框的宽以及高；

93、本发明在父框外扩中采用预设外扩比例，并在

p2层设置最小外扩像素以避免小框外扩退化；

94、所述候选点过滤的过程中仅保留同时落入外扩缺陷框与外扩父框区域的候选点集合，表达式如下：

95、；

96、式中，表示过滤后的候选集，表示候选点，表示逻辑与，即候选点须同时满足落入外扩缺陷框和外扩父框两个条件；表示第个缺陷真值框所匹配的父级绝缘子串真值框；

97、所述默认分配策略即yolov8原有的任务对齐标签分配：不施加父目标层级约束，从落入缺陷真值框的候选点中计算任务对齐评分，并选取评分最高的top-k候选作为正样本。

98、再引入基于父框纵向投影的几何约束，以进一步剔除父框下方的背景点，抑制背景区域对缺陷学习的干扰；

99、具体包括：

100、设外扩父框为，将其在纵向上的允许区间定义为；对候选点，在完成缺陷框与父框交集过滤后，再判断是否超过父框下边界，若，则删除该候选点，否则保留，其中为允许的像素容差，可取0或与最小外扩像素一致；

101、所述任务对齐评分与正样本选择包括：

102、在过滤后的候选集内，仍采用任务对齐评分选择top-k正样本，公式如下：

103、；

104、其中，为候选点对类别的预测概率；为候选点回归得到的预测框；、分别为平衡分类与定位贡献的超参数；top-k表示取评分最高的前个候选作为正样本，表示候选点与第个真值框的任务对齐评分，表示预测框与真值框的交并比，表示第个真值边界框。

105、优选地，尽管hc-tal已在标签分配阶段减少了串外伪正样本，但在训练早期或复杂背景下，模型仍可能产生越界预测。为显式强化“缺陷框应被父目标框包含”的结构先验，本发明引入层级包含一致性正则（hierarchical containment regularization loss，简称hcr-loss），仅对“缺陷类且存在父框匹配”的正样本生效。

106、所述层级包含一致性正则损失包括：

107、设缺陷预测框为，父目标真值外扩框，根据所述缺陷预测框以及父目标真值外扩框定义四个越界量：

108、；；；；

109、其中，、、、分别表示缺陷预测框左、上、右、下边界坐标，、、、分别表示缺陷预测框左、上、右、下边界坐标，、、、分别表示缺陷预测框相对于父框左边界、上边界、右边界和下边界的越界量；

110、当完全位于内部时，所述越界量应为非正（或接近0）；当发生越界时对应项为正；采用softplus函数对越界量进行平滑惩罚，得到单样本包含损失；所述对越界量进行平滑惩罚的作用为获得平滑梯度并避免硬截断带来的训练不稳定；

111、其中，softplus函数可视为max(0,z)或relu的平滑近似：当z为负时输出接近0，当z为较大正数时近似线性增长，且处处可导，因此既能对正越界量施加惩罚，又能避免硬截断造成梯度不连续。

112、所述softplus函数以及单样本包含损失分别如下：

113、；；

114、在hcr-loss引入质量门控系数，根据标签分配阶段输出的目标质量分数（如target score）对正则强度进行衰减，衰减表达式如下：

115、；

116、式中，表示单个正样本的层级包含一致性正则损失；hcr-loss的中文全称为“层级包含一致性正则损失”，英文全称为hierarchical containment regularizationloss；其用于惩罚缺陷预测框越出所匹配父级绝缘子串框的情况；

117、所述对正则强度进行衰减的作用为避免错配父框对训练产生负迁移，且所述hcr-loss的权重采用随训练轮次渐增的二次ramp，以避免早期预测噪声过大导致训练不稳定，包括：

118、设总轮次为，

ramp起止轮次为、，最大权重为，则：

119、；

120、其中，为当前轮次，表示hcr-loss权重开始增长的训练轮次，表示权重增长结束并达到最大值的训练轮次，表示hcr-loss的最大权重；为hcr-loss的epoch自适应权重，ramp可译为“渐增权重调度”或“斜坡式渐增函数”。这里表示hcr-loss的权重不是从训练开始即取最大值，而是在至轮之间按二次函数逐步增大，以减少训练早期噪声对模型的干扰；本发明实现中采用二次ramp且。

121、优选地，所述层级感知软权重评分后处理包括：

122、对每个缺陷框检查其中心点是否落入任意预测父目标框的外扩区域，若不满足则进行置信度缩放而非删除；

123、所述检查其中心点是否落入任意预测父目标框的外扩区域包括：

124、设预测父目标集合如下：

125、；

126、其中，为父目标置信度阈值，表示第个预测父目标（绝缘子串）边界框，表示第个预测框的类别编号、表示第个预测框的置信度；满足=2且≥的预测框被纳入父目标集合；

127、对每个缺陷预测，取其中心点，若，则执行；

128、其中，，、分别表示第

i个缺陷预测框中心点的横坐标和纵坐标，为像素级外扩边界（用于容错），为降分系数；本发明实现取、像素、。当某张图未预测到父目标框时，hsr不执行任何处理以保护召回；

129、在巡检中，“串外高置信缺陷”通常意味着误报；但若直接删除串外缺陷框，则在父目标漏检时可能误杀真实缺陷。为兼顾误报抑制与召回保护，本发明在非极大值抑制（non-maximum suppression，nms）后引入层级感知软权重评分后处理（hsr）。

130、优选地，根据所述支撑模块、层级约束任务对齐标签分配以及层级包含一致性正则损失构建所述神经网络在训练阶段的总损失函数；层级感知软权重评分后处理hsr仅在推理阶段、nms之后执行，不参与训练损失计算。所述训练阶段总损失函数如下：

131、；

132、其中，表示总损失函数，为yolov8的检测损失（含分类与回归/分布项），、均为超参数；为hcr-loss的epoch自适应权重，推理阶段hsr不改变训练结构，仅作用于nms后的置信度修正，以实现部署侧的结构一致性风险控制。

133、本发明还公开了一种面向输电线路绝缘子缺陷的检测系统，包括数据标注模块、数据增强模块、神经网络训练模块、绝缘子缺陷检测模块；

134、数据标注模块，用于获取数据集并对数据集进行具有显式层级关系的五元组形式的标注；

135、数据增强模块，用于采用由多类环境退化算子组成的若干种增强策略组合对所述标注后数据集进行数据增强；

136、神经网络训练模块，构建引入关键机制的神经网络并采用训练集对神经网络进行训练以及测试；

137、绝缘子缺陷检测模块，用于通过训练以及测试后的神经网络进行输电线路绝缘子缺陷检测。

138、本发明具有以下有益效果：

139、1.本发明通过对具有显式层级关系的标注后数据集采用多类环境退化算子组合进行增强，并利用包含支撑模块、层级约束任务对齐标签分配、层级包含一致性正则损失及层级感知软权重评分后处理的神经网络进行训练和检测，能够提高模型对复杂成像条件及小尺度缺陷的适应能力，利用层级关系约束缺陷候选与预测结果，减少复杂背景导致的误检，并提高缺陷定位稳定性及检测召回能力。

140、2.本发明中通过以面向输电线路巡检场景，对六类退化算子进行场景化选择、强度控制和分层调用的组合机制作为技术方案，该设计能够覆盖过曝、雾霾、逆光、噪声、遮挡和小幅几何扰动等高频退化模式，提高模型对实际巡检域偏移的鲁棒性。

141、3.本发明中通过引入父类绝缘子串目标，为缺陷候选提供有效搜索区域，降低导线、塔材和复杂背景引起的误检；为后续hc-tal、hcr-loss和hsr提供统一的几何约束基础，使训练和推理阶段能够围绕同一结构先验协同工作；另外，还能提高闪络、破损等小缺陷的定位稳定性和召回能力。

142、4.本发明中通过采用“绝缘子串父类+闪络/破损缺陷子类”的层级标注，其原因在于缺陷目标并非孤立存在，而是天然依附于绝缘子串区域；引入父类框后，可在训练阶段为样本分配和区域先验提供空间约束，在推理阶段为串外误报抑制提供依据，从而降低复杂背景下的伪正样本数量，并提高小缺陷定位稳定性。

143、5.本发明中通过按“稀缺缺陷优先级”进行层级划分，而不是按图像来源、天气类型或统一随机比例划分，其优点在于能够将增强资源优先配置给样本更稀缺、纹理更脆弱、误检更敏感的缺陷类别，从而同时缓解类别不均衡和缺陷纹理被过度扰动的问题。若采用统一增强原则，正常样本会进一步扩张，模型更容易学习到背景和父类目标，而对真正稀缺的小缺陷关注不足。

144、6.本发明中通过形成“高分辨率候选生成—父类区域先验—层级约束分配—小目标友好回归—几何包含正则—部署侧软降分”的闭环机制，能够提高微小缺陷的检出能力，降低串外高置信误报，增强定位稳定性，并在较小参数规模下维持轻量化部署能力。

145、7.本发明中通过利用父级绝缘子串标注框构建先验监督的原因在于：缺陷目标的有效搜索空间明显小于整幅图像，若不引入区域先验，模型容易将导线、塔材、阴影等背景纹理误识别为缺陷。通过由父框生成软掩膜并采用软边界缓冲，可以在不硬性裁剪候选空间的情况下增强绝缘子区域响应，同时容忍标注偏差和实例形变。由此可提高父串邻域内的候选质量，并减少绝缘子区域外的误激活。

146、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。