企业官网建设流程全解析

简介：《基于深度学习的配电网线路设备缺陷智能检测》是一篇围绕配电网无人机巡检场景的深度学习应用论文，面向电力线路运维、无人机智能巡检及目标检测算法研究人员，直接针对人工识别流程复杂、工作量大、视频分析效率低等实际问题提供技术方案。资源包共1个PDF文件，大小约1.27MB，为2021年《浙江电力》第40卷第3期论文全文。目前已有179人浏览学习。文中基于236GB多场景巡检视频数据，介绍了从图片截取、协同标注到数据增广的完整预处理流程，并构建基于ResNet101的残差双尺度检测器，实现对电杆、瓷瓶等不同尺寸目标的快速检测，较传统双阶段目标检测方案运行速度更快、更适配终端资源受限设备；缺陷识别涵盖瓷瓶缺失、破损、扎线不规范及电杆爬藤等类型，算法准确率达95%，同时讨论了边缘计算、智能制造等应用前景，适合作为配电网智能巡检、深度学习目标检测方向课题研究与方案设计的参考文献。

1. 配电网线路设备缺陷智能检测：先看清要检测什么再谈模型

基于深度学习的配电网线路设备缺陷智能检测，做起来比大多数视觉项目都尴尬：目标种类看着不多，但每一个都小，一张 4K 无人机巡检图里绝缘子也许只占几十个像素；场景看起来单一，但阴天、逆光、反光、雨雾一变，模型立刻“翻脸”。很多人拿公开数据集跑通 YOLO 后直接上巡线图，结果绝缘子自爆漏检一半，误检倒是一大堆。问题通常不在模型，而在缺陷定义、数据构成和部署约束。这篇文章按实战顺序把链路拆开梳理：从缺陷种类怎么定、标注规范怎么做、训练参数怎么设，到现场部署最常踩的坑，再到怎么把检测框变成可复核的缺陷记录。适合正在做配网巡检算法选型、毕业设计或者平台预研的工程师，也适合那些刚把深度学习环境配好、准备跑第一个缺陷检测模型的人。

2. 模型选型逻辑：目标检测、实例分割还是无监督，配网场景怎么选

2.1 配网设备缺陷长什么样：缺陷种类与拍摄场景决定模型输入

配电网线路设备主要是 10kV 及以下架空线路的杆塔、绝缘子、导线和金具。最常见的可见光缺陷包括：绝缘子自爆、绝缘子污秽、防震锤滑移或缺失、线夹锈蚀、螺栓松动、鸟巢和异物悬挂。红外热像仪还能拍到线夹发热、接点过热这类温度异常缺陷。这些缺陷的技术特征差别很大，不能只用一个“异常”标签全包。

从成像角度看，无人机巡检照片通常是对着杆塔拍的广角画面，一张图里设备多、背景杂，缺陷区域占比经常不足 1%。以绝缘子自爆为例，最严重的情况就是一小块伞裙崩裂，周围是颜色相近的瓷瓶表面，模型很容易把它当正常纹理忽略。而防震锤滑移的特征是夹头离开了原来的安装位置，属于“位置关系异常”，比纯粹的纹理破损更难定义。因此做配网缺陷智能检测，第一步不是选模型，而是把要检测的缺陷一个个写成可标注、可判断的标准，否则后续训练集和验证集都会是乱账。

输入分辨率也受缺陷尺寸影响。常用的深度学习检测网络默认支持 640×640 输入，但对于 20×20 像素的绝缘子破损，640 分辨率下可能被下采样到 5×5，特征几乎丢光。所以配网项目里普遍要拉高到 1280 甚至更高输入，配合切片推理来保证小目标可检。这也是为什么不能直接套用公开数据集训练出来的权重，公开数据里的物体占画面比例通常太大，迁移到配网图上会产生严重的尺度不匹配。

2.2 目标检测、实例分割还是图像分类：按缺陷粒度选模型家族

先明确一个观点：配网缺陷检测的主流任务是目标检测，而不是图像分类。图像分类适合做“这基杆塔有没有异常”的粗筛，但巡检工单需要知道缺陷具体在哪个设备上，所以必须给出位置框。实例分割则适用于缺陷轮廓不规则的场景，比如锈蚀、污秽蔓延，它们没有清晰的矩形边界，用框标注会混入大量背景，用像素掩码更干净。

具体选择时，我一般这样判断：如果只需要定位“绝缘子破了”“防震锤滑了”，目标检测足够；如果缺陷区域边缘复杂，或标注框内背景比例过高导致误检，就换实例分割；如果缺陷类别根本没法预定义，才考虑无监督异常检测。后一种思路这两年很热，比如将 DINOv1/v2 的特征用于 2D 缺陷检测，DINOMALY 这类方法就是只学正常样本，靠特征距离找出异常区域。方向很好，但在配网场景里比较难落地，因为“正常”本身变化太大：不同型号绝缘子、不同角度、不同光照下的正常纹理都不同，无监督模型容易把新拍摄风格当成异常。

目标检测模型家族里，YOLOv8 是目前风险最低的起点，训练工具链完整，小目标经过 imgsz 拉高后也有不错表现。如果是后端批量分析，不追求实时帧率，RT-DETR 也可以考虑，它端到端不掉 anchor，某些小目标场景下稳定性更好。相比之下，只追求极致速度的轻量模型在小目标上往往先牺牲召回率。下表可以作为一个粗略选型参考：

2.3 从模型主干到端侧部署：轻量化牺牲的是小目标还是召回率

配网缺陷检测大部分最终要跑到边缘设备上，常见的是 Jetson Orin Nano、工控机加推理卡，或者巡检无人机搭载的机载视觉模块。边缘端算力有限，模型通常得压缩到 YOLOv8n、YOLOv8s 这个级别，再用 TensorRT 转成 FP16 或 INT8。量化之后，大目标几乎不受影响，小目标漏检率会明显上升，这是配网场景里最容易翻车的地方。

一个常见的缓解办法是训练时用 1280 分辨率，部署时也切成 1280 分辨率的小图，用切片推理处理，而不是把整张 4K 图直接缩到 640。直接缩放等于把小目标进一步压缩掉。切片推理的原理是把大图切成 640×640 或 960×960 的 patch，每个 patch 独立推理，再按坐标映射回原图，最后做 NMS 合并。这样即使部署模型很轻，也能在小目标上保住召回率，但会牺牲一些帧率。

另外要克制的是在部署端再加一堆预处理。很多人习惯用 OpenCV 做直方图均衡、去雾、锐化之后再进模型，这在单一测试集上可能带来提升，但本质上改变了模型训练时的输入分布。配网巡检图光照差异大，我建议只做最简单的 resize 和归一化，把光照适应交给训练阶段的数据增强。真要在预处理里加东西，一定要把同样的预处理流程加入到训练管线里，否则模型看到的就是另一个世界。还有个小习惯：NMS 的 IoU 阈值配网场景我一般设在 0.45 左右。缺陷之间容易产生互相重叠的候选框，阈值太高会合并掉相邻缺陷，阈值太低又会让同一个小缺陷输出多个框。

提示：选型不要一次拍死。先拿少量数据跑 YOLOv8n 和 YOLOv8s 做 baseline，分别看漏检形态，再决定要不要上分割或 DETR，这比看论文推导靠谱得多。

3. 把无人机巡检图做成训练集：标注规范、格式转换与数据增强的落地做法

3.1 标注粒度怎么定：绝缘子自爆、防震锤滑移、线夹发热的框选边界

标注是配网缺陷检测里最耗时间、也最影响上限的一步。这个方向没有公开的大规模专门数据集，缺陷样本基本要靠项目方自己标。标注粒度如果不统一，后面所有指标都会失真。

我采用的规范大致是：

• 绝缘子自爆：只框住破损或崩裂的伞裙区域，不要框整串绝缘子。如果缺陷非常小，就框破损本体外扩 2～3 个像素，宁缺毋滥。
• 防震锤滑移：框夹头与绞线相交的移位位置，不要框整根防震锤。滑移缺陷的本质是“位置关系错了”，框大了会把正确的防震锤本体也包进去，给模型传递错误信息。
• 线夹发热：在红外热像图上框线夹接触面的高温点。注意同一张图里要有对比，否则无法判断是否“发热”，标注时要参考同类温度。
• 螺栓缺失：这是最小也最难标的目标。建议单独设一个类，不要和锈蚀、松动混在一起，否则模型会倾向学“较大的异常区域”而忽略小螺栓。
• 鸟巢和异物：按完整障碍物外接框标，不需要太精细。

至于要不要标正常绝缘子作为独立类，要看你最终怎么用。如果目标是“找出缺陷”，只标缺陷类、让正常设备当背景，模型也能学会。但如果正常样本形态特别多，比如玻璃绝缘子、复合绝缘子、陶瓷绝缘子外观差异很大，单靠背景很难压制误检，那就需要给每一类正常设备也建类，或者单独加一个 negative 类别。注意加负类会增加标注工作量，但能显著降低现场误报率。

3.2 用 LabelMe 标注后转成 YOLO 格式：转换脚本与参数说明

配网缺陷图通常用 LabelMe 或 labelImg 标注。LabelMe 导出的是 JSON，YOLO 系训练需要的是 txt 格式，坐标被归一化到 0～1。最常见的转换路径是把 JSON 里的矩形框或者多边形包围盒转成 YOLO 坐标。下面是一个能直接改用的脚本，保留了对 polygon 和多类别映射的处理：

import json import os def labelme_to_yolo(json_path, save_dir, class_map): with open(json_path, "r", encoding="utf-8") as f: data = json.load(f) img_w = data["imageWidth"] img_h = data["imageHeight"] yolo_lines = [] for shape in data["shapes"]: label = shape["label"] if label not in class_map: continue pts = shape["points"] # LabelMe 的 rectangle 是两点，polygon 可能是多点多边形 if shape["shape_type"] == "rectangle": x1, y1 = pts[0] x2, y2 = pts[1] else: xs = [p[0] for p in pts] ys = [p[1] for p in pts] x1, y1 = min(xs), min(ys) x2, y2 = max(xs), max(ys) # 越界裁到图像边界，避免训练时读取负坐标报错 x1 = max(0, min(x1, img_w - 1)) x2 = max(0, min(x2, img_w - 1)) y1 = max(0, min(y1, img_h - 1)) y2 = max(0, min(y2, img_h - 1)) x_center = ((x1 + x2) / 2) / img_w y_center = ((y1 + y2) / 2) / img_h w = abs(x2 - x1) / img_w h = abs(y2 - y1) / img_h yolo_lines.append( f"{class_map[label]} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}" ) base_name = os.path.splitext(os.path.basename(json_path))[0] txt_path = os.path.join(save_dir, base_name + ".txt") with open(txt_path, "w", encoding="utf-8") as f: f.write("\n".join(yolo_lines)) # 使用示例 class_map = { "insulator_break": 0, "damper_slip": 1, "fitting_heat": 2, "bolt_missing": 3, } labelme_to_yolo("data/IMG_001.json", "data/labels", class_map)

脚本里的 class_map 必须与后续 data.yaml 中的 names 顺序保持一致，索引错位会让模型学到完全错误的映射。另一个容易踩的坑是图片尺寸字段：LabelMe 的 imageWidth/imageHeight 来自标注时加载的图片，如果后期对图片做过缩放、裁剪或旋转而没有更新 JSON，归一化坐标就会整体偏移。我的习惯是转换脚本里强制读一次图片实际尺寸来覆盖 JSON 里的值，而不是直接信任标注文件。

3.3 数据增强组合：亮度、运动模糊、多尺度，别乱上 mosaic

配网巡检数据的有效样本量通常不大，缺陷类可能只有几百个实例，数据增强是必要的。但增强不是越多越好，尤其不要盲目开全量增强。基于 Albumentations 的这套组合是我在配网项目里常用的保留项：

import albumentations as A transform = A.Compose([ # 模拟早晚顺光、逆光造成的亮度差异 A.RandomBrightnessContrast( brightness_limit=(-0.2, 0.2), contrast_limit=0.2, p=0.3 ), # 模拟无人机旋翼抖动和快门模糊 A.MotionBlur(blur_limit=5, p=0.2), # 模拟飞行高度不同带来的尺度变化 A.RandomScale(scale_limit=(0.5, 1.5), p=0.5), # 轻微旋转，角度别太大，配网设备有竖直语义 A.Rotate(limit=10, border_mode=0, p=0.3), # 马赛克增强：把多张小图拼成一张 A.Mosaic(p=0.3), ])

每个增强都有目的：亮度变化解决早晚光线差异；MotionBlur 解决无人机低快门下的动态模糊；RandomScale 是提升小目标泛化最有效的一项，但 scale_limit 过大容易让缺陷变成几个像素，等于白增强；Rotate 控制在 ±10 度以内，因为绝缘子串和防震锤在图像里通常有固定的方向，旋转 45 度反而会制造不真实的样子。

Mosaic 是双刃剑。它把 4 张图拼成一张，能显著提高单张图里的实例数，对小目标训练很有帮助，但拼图时缺陷实例被缩放得更小，并且会在拼接边缘产生不自然的接线。我的建议是训练初期开低概率，比如 p=0.3，到后期 fine-tune 时关掉 mosaic，只保留亮度、模糊和微尺度变化，让模型回到原始图像分布上收敛。增强后的样本一定要抽出来人工看一遍，尤其是小目标框是否还落在可见区域。如果框被裁到只剩一两像素，YOLO 在预处理时会直接丢弃，这类样本等于没参与训练。

4. 训练配网缺陷检测模型：最小命令、loss 曲线与不平衡样本调优

4.1 一个能跑通的最小训练命令与参数含义

训练配网缺陷检测模型，主流做法是直接使用 Ultralytics 的 YOLOv8 工具链。它把数据加载、增强、训练、验证串好了，把注意力留给调参和数据分析。下面是最小可跑通的一条命令：

yolo detect train \ data=/home/user/lv_defect/data.yaml \ model=yolov8n.pt \ imgsz=640 \ epochs=200 \ batch=16 \ lr0=0.01 \ optimizer=AdamW \ patience=50 \ device=0 \ project=./runs \ name=lv_defect_v1

data.yaml 是配网项目的配置文件，内容不大：

path: /home/user/lv_defect train: images/train val: images/val nc: 4 names: ['insulator_break', 'damper_slip', 'fitting_heat', 'bolt_missing']

命令里的参数含义要说明白：imgsz 决定输入分辨率，起步设 640 没错，但如果你已经确认缺陷实例有很多小于 30×30 像素，建议直接设 1280，并同步把 batch 减半，让显存顶住。patience=50 表示如果 50 个 epoch 内验证集 mAP 没有提升就自动停止，配网数据量小，早停能省下大量时间。lr0 对 AdamW 来说 0.01 偏大，实际我常用 0.001～0.005，学习率太大会出现 loss 剧烈震荡，训练日志里看着像过山车。

很多新手会把 model 参数填成 yolov8x.pt，以为模型越大越准。配网这种小目标场景，大模型带来的收益常常被更高的过拟合风险抵消。我建议先用 n 或 s 跑通 pipeline，确认数据没问题后再换大模型对比，不要第一轮就上 x。

4.2 从 loss 曲线到漏检：怎么读训练日志和 mAP 曲线

训练完成或训练过程中，Ultralytics 会在项目目录下生成 results.csv 和图表。配网项目里最有用的几个监控点是 box_loss、cls_loss 以及验证集 mAP50、mAP50-95。

• 如果 box_loss 和 cls_loss 持续下降，但 val/box_loss 在某个 epoch 后开始抬升，基本就是过拟合。配网数据量小，这种现象很常见，解决方法是增强数据多样性、关掉 mosaic、降低模型规模或加大 dropout。
• 如果 val loss 一直在震荡，幅度超过 20%，先看学习率和 batch size。配网图像尺寸大，如果 batch 设 4 甚至 2，BN 统计不稳定会让 loss 像心电图一样乱跳。小 batch 下优先把 imgsz 降到 640，或者用 accumulate 梯度累积等效加大 batch。
• mAP50 高但 mAP50-95 不高，说明框“打中了”但是定位不准。常见原因是标注框太松，模型学到了大致区域但边界漂移，回去收紧标注比换模型更有效。
• 漏检多先别急着调模型，去看训练集里小目标实例的像素分布。如果大部分缺陷在 640 分辨率下小于 15×15 像素，YOLO 很难学。要么拉高 imgsz，要么用切片推理把原图切成小图后喂给模型。

调优路径应该按这个顺序：先提高输入分辨率和切片策略解决“看不见”，再加负样本和硬样例挖掘解决“误检”，最后才去换躯干网络或者调损失函数。反过来操作的团队，往往浪费大量时间在无关紧要的超参数上。

4.3 样本不平衡：缺陷类只有几十张怎么办

配网项目里，绝缘子自爆可能收集到 500 张，螺栓缺失却只有 50 张。这不是算法能单独救回来的，数据策略要跟上。最常用的做法是复制粘贴增强：把缺陷实例从原图中抠出来，贴到其他正常巡检图上。注意贴的位置要符合物理约束，螺栓不能贴在天空，绝缘子破损不能悬空在背景上。实现时可以用标注掩码作为粘贴模板，只复制缺陷前景，并用高斯模糊处理边缘，减少贴图痕迹。离线把每类低频缺陷复制 10 倍左右，让训练集类别分布不至于一边倒。

另一个办法是在 loss 上做文章，给稀有类更高的分类权重。YOLOv8 默认没有直接暴露类别权重参数，需要改 loss 代码或重复采样。简单一点的做法是在 dataloader 里对少数类图片加权采样，让每个 epoch 中稀有类出现的次数更多，而不是简单拼图。但注意不能把同一张图片同时放进训练集和验证集，否则验证 mAP 虚高，现场必翻车。复制粘贴增强产生的合成样本也最好只放在训练集，不要污染验证集。

如果缺陷样本实在少到只有几十张，更推荐的做法是分阶段训练：先用所有缺陷类跑预训练模型，锁住 backbone 前几层，只微调检测头；模型对常见缺陷稳定后，再把稀有类单独拿出来做一轮 hard negative fine-tune，用大量无缺陷背景图作为负样本。这样至少能保住召回率，哪怕精确率暂时低一些，也总比模型完全不认识这个缺陷好。

提示：配网缺陷标注成本极高，不要等所有类别都标注齐全才开始训练。先挑两三个高频缺陷，比如绝缘子自爆、防震锤滑移，跑通基线，再逐步加入低频率类，这样项目迭代节奏更健康。

5. 配电网缺陷检测避坑指南：5 条一线踩坑记录

5.1 小目标漏检：mAP 很高，实际巡检图里一个框都没有

现象：验证集 mAP50 超过 0.85，看起来一切正常，但把模型放到整张 4K 巡检图上推理时，绝缘子自爆几乎全部漏检，只有少数大目标的框被输出。

原因：验证集里的小图已经过裁剪或缩放，缺陷占比很大；而实际巡检图是整根杆塔，缺陷只占不到 1% 像素。模型在训练时没见过这种尺度分布，自然识别不了。另一个原因是在 mAP 计算时，由于样本量少，漏掉几个小目标对分数影响不大，指标产生了虚假的满足感。

解决：将验证集改成“整图推理”模式，直接用原始分辨率测一轮，统计小目标召回率，而不是只在裁剪图上算 mAP。同时把训练输入分辨率从 640 提到 1280，或者引入 SAHI 切片推理，推理阶段先把大图切成 640×640 的 patch，检测完成后再合并结果。切片重叠率我一般设 20%，太高浪费时间，太低会让跨边界的目标被切断。

5.2 夜间和逆光图片全变成黑噪点：预处理造成的二次伤害

现象：白天巡检图片检测效果正常，加入傍晚、夜间红外或逆光图后，模型输出大量小方框，把亮斑、噪点、灯箱全当成了缺陷，真正缺陷反而没框出来。

原因：巡检数据在进入模型前如果先被 OpenCV 做了自动对比度拉伸或 CLAHE，夜图像被过度增强，噪声被放大成纹理特征。模型训练时没有见过类似噪声分布，把高亮区域错误关联为缺陷特征。这本质上是训练分布与预测输入分布不一致。

解决：统一预处理逻辑，训练时用到的归一化方式必须写成代码固化下来，部署时原样调用。夜间图建议单独分一个验证集，不要混进白天集里算总 mAP。如果你确实需要提升夜间效果，可以在训练集里加入亮度下降、高斯噪声和低光对比度增强，让模型在训练阶段就见习惯黑暗环境，而不是靠部署时的预处理硬撑。

5.3 标注框过松导致的“假收敛”

现象：训练 loss 下降得很快，mAP 也不错，但部署时缺陷框位置漂移严重。比如绝缘子自爆，模型总把整串绝缘子都框进去，虽然“命中”了，但没法用于缺陷定位。

原因：标注框过大，把大量正常背景也包进了目标框。模型学到的特征是“整串绝缘子像缺陷”，而不是“破损伞裙是缺陷”。更糟糕的是，框松会让学习任务变得简单，模型提前收敛，掩盖了真实分辨能力。

解决：严格收紧标注框，只保留缺陷本体。对边缘不规则的缺陷，矩形框确实很难标，直接改成实例分割标注，用多边形来描述轮廓，然后用 YOLOv8-seg 训练。如果已经训练完发现框偏大，不要犹豫，回去重新拉一批标注样本做校正，这个返工没有捷径。可以在代码里检查每个训练标签的宽高比和框面积，过大的框占比通常是标注质量问题。

5.4 视频流检测掉帧：推理和后处理没有分离

现象：算法在图片上跑没问题，一接入实时视频或多路推流就掉到 3 FPS，GPU 利用率不高，但 CPU 满负荷，检测结果延迟越来越大。

原因：推理帧的读取、缩放、推理、NMS、画框全部挤在一个线程里做，预处理和后处理占用了大量 CPU 时间。模型本身可能不慢，但 Python 里的逐帧 numpy 操作和绘图拖垮了整条流水线。

解决：用队列把采集和推理解耦：采集线程只负责取帧和压缩缩放，推理线程读取队列里的预处理后张量，输出结果后由后处理线程绘制存图。后处理里的 NMS 尽量用模型自带的 C++ 实现，不要自己写 Python NMS。部署端用 TensorRT 转换后，开一个固定 batch 的动态输入，多路视频凑 batch 再推理，能明显提升吞吐量。

5.5 模型在晴天测试正常，阴天全乱：验证集没有按场景切分

现象：模型在一个阳光充足的评测集上 mAP 很高，但换到阴天、有薄雾或下雨后拍摄的巡检图上，误检立刻翻倍，召回率下降。

原因：配网巡检图像的数据偏差不只是“站点差异”，更主要是天气和拍摄风格差异。晴天图对比度高、阴影锐利，模型学到的是高对比边缘特征；阴天图对比度低、边缘柔和，模型推理时找不到熟悉的特征，就会拿近似的背景纹理来凑。

解决：从项目启动第一天就把训练集和验证集按场景而不是按文件名随机划分。保证每个天气类型、每个巡检站点都同时出现在训练集和验证集中，但同一站点同一时段的相似帧不能跨集合。更严格一点是训练集和验证集按“站点”分组，验证集里的站点完全不出现在训练集，这样才能测试模型的跨域泛化能力。配网项目里颜色和光照的域差异是最大的数据问题，模型结构反而不是最关键的。

6. 从检测框到缺陷闭环：结构化输出与现场复核技巧

6.1 把检测结果导出成 CSV/JSON，并设定复核阈值

模型训练完成后，真正产生业务价值的不是可视化图，而是结构化的缺陷记录。巡检图片来自多个架次，可能一次飞行拍摄几百 G 数据，检测结果如果没有统一导出，后期追查缺陷就非常乱。我习惯把每张图的检测结果写入 CSV，并记录原图路径、类别、置信度、坐标框：

from ultralytics import YOLO import pandas as pd model = YOLO("runs/lv_defect_v1/weights/best.pt") img_paths = ["site1/IMG_001.jpg", "site1/IMG_002.jpg"] rows = [] for img_path in img_paths: result = model.predict( img_path, conf=0.25, # 现场复核阈值，宁低勿高 imgsz=1280, verbose=False )[0] for box in result.boxes: x1, y1, x2, y2 = [float(v) for v in box.xyxy[0].cpu().numpy()] cls_id = int(box.cls[0]) conf = float(box.conf[0]) rows.append({ "image": img_path, "class_id": cls_id, "class_name": model.names[cls_id], "confidence": round(conf, 4), "x1": round(x1, 2), "y1": round(y1, 2), "x2": round(x2, 2), "y2": round(y2, 2), }) pd.DataFrame(rows).to_csv("defect_result.csv", index=False, encoding="utf-8-sig")

conf 参数在配网场景里要分开用。现场人工复核需要高召回，我设 0.25，把疑似缺陷全部带出来；而自动生成缺陷工单时用 0.5 或更高，保证推送下去的缺陷足够准确。中间低置信度的结果单独放到“待复核”列表，不要直接进工单系统，这样既减少漏检，又不会让运维人员被大量误报淹没。

另一个值得养成的习惯是维护一份“错题集”：把每次人工复核时发现的漏检框和误检框截图保存下来，按场景和缺陷类型归档，每月把它们增量补充到训练集里重新训练。配网缺陷检测的长期效果，靠的不是某个高精度模型，而是这样一轮一轮闭环迭代。我经历过几个项目，发现真正拉开差距的往往是这个循环跑得快不快，而不是基准测试高那么一两个点。希望这些方法能帮你在配网缺陷检测上少走弯路。

本文还有配套的精品资源，点击获取