1.一种面向复杂背景下的绝缘子缺陷检测方法，其特征在于，具体包括以下步骤：步骤1：建立绝缘子缺陷图像数据集，形成第一数据集；所述第一数据集中，绝缘子缺陷图像可通过无人机搭载高清相机拍摄获取；

步骤2：为所述第一数据集中的图像添加标注信息，形成第二数据集，并将所述第二数据集按照7:3:1的比例划分成训练集、验证集和测试集；

步骤3：构建一种面向复杂背景下的绝缘子缺陷检测模型，所述检测模型包括主干网络，特征融合网络和头部网络，所述一种面向复杂背景下的绝缘子缺陷检测模型的构建，进一步包括步骤3.1至步骤3.4：步骤3.1：所述主干网络由依次连接的Conv模块1、Conv模块2、SAConv模块1、Conv模块

3、SAConv模块2、Conv模块4、SAConv模块3、Conv模块5、SAConv模块4、SPPF模块、C2PSA模块组成；

将所述第二数据集中的训练集和验证集作为所述主干网络的输入；

所述主干网络通过SAConv模块2、SAConv模块3和C2PSA模块分别输出3种不同尺度的特征信息；

步骤3.2：所述特征融合网络，在YOLOv11n颈部网络的基础之上，增加了新设计的StripFormer模块1、StripFormer模块2；

所述C2PSA模块的输出作为Upsample模块1和Concat模块4的输入；

所述Concat模块1接收来自SAConv模块3和Upsample模块1的输出作为输入，再依次经过，C3k2模块1和Upsample模块2；

所述Concat模块2接收来自SAConv模块2和Upsample模块2的输出作为输入，再依次经过C3k2模块2、StripFormer模块1和Conv模块6；

所述Concat模块3接收来自Conv模块6和C3k2模块1的输出作为输入，再依次经过C3k2模块3、StripFormer模块2和Conv模块7；

所述Concat模块4接收来自Conv模块7和C2PSA模块的输出作为输入，再依次经过C3k2模块4；

所述StripFormer模块1、StripFormer模块2，二者结构相同；

所述StripFormer模块有1个输入，输入特征图X，分别通过MSFI模块、DSPM模块，得到特征图X1和X2；特征图X1依次经过ReLU激活函数和Conv模块8；特征图X2依次经过ReLU激活函数和Conv模块9；通过Concat模块将Conv模块8与Conv模块9的输出进行拼接得到特征图X3，特征图X3经过Conv模块10处理后与原始特征图X一同经过ReLU激活函数得到特征图Y；

所述StripFormer模块中的MSFI模块，有1个输入，输入特征图X，经过Conv模块11处理后，分别通过Conv模块12，AVGPooling模块1和AVGPooling模块2，分别得到特征图X4、X5和X6；特征图X5依次经过Conv模块13和Upsample模块3；特征图X6依次经过Conv模块14和Upsample模块4；将特征图X4、Upsample模块3的输出和Upsample模块4的输出进行合并得到特征图X1；

所述StripFormer模块中的DSPM模块，有1个输入，输入特征图X，经过Conv模块15处理后，分别通过自适应水平条状池化模块和自适应垂直条状池化模块，分别得到特征图X7和特征图X8，自适应水平条状池化模块，对特征图X进行自适应水平池化操作具体操作可表示为：;

其中， 表示输入特征图，具有H行，W列； 为输出向量，其第i个分量 即第i行的自适应水平条带池化结果；xi,j表示第i行、第j列上的激活值，其中 0≤i

自适应垂直条状池化模块，对特征图X进行自适应垂直池化操作具体操作可表示为：;

同样， 为输出向量，其第j个分量 表示第j列的自适应条带池化结果，vi是长度为H的非负可学习权重向量；

特征图X7依次经过Conv模块16和Upsample模块5；特征图X8依次经过Conv模块17和Upsample模块6；将Upsample模块5和Upsample模块6的输出合并后得到特征图X2；

步骤3.3：将所述步骤3.2中融合后的特征输入到所述头部网络中，进行绝缘子缺陷检测结果的预测和筛选，得到最终的绝缘子缺陷检测的预测结果，实现绝缘子缺陷检测；

所述头部网络，包括3个检测头；

检测头1接收C3k2模块2输出的特征图；检测头2接收C3k2模块3输出的特征图；检测头3接收C3k2模块4输出的特征图；

步骤3.4：采用新的损失函数SSIoU，公式为：;

shape shape

其中，η为形状约束权重系数，Ω 为形状不匹配损失，distance 为形状感知的中gt心偏移惩罚，IoU为预测框B和真实框B 交集面积与并集面积之比；

shape

公式（1）中，形状不匹配损失Ω 的计算公式为：;

其中，θ为形状敏感调节因子，ωw是水平方向上的目标形态差异因子，ωh是垂直方向上的目标形态差异因子；

shape

公式（1）中，形状感知的中心偏移惩罚distance 的计算公式为：;

其中， xc，yc为预测框的中心坐标；c为预测框和真实框共同的最小包围框的对角线长度；

公式（1）中，IoU的计算公式为：

;

公式（2）中，ωw，ωh的公式为：

;

gt gt

其中，w,h分别是预测框水平长度和垂直长度，w ,h 分别是真实框水平长度和垂直长度，β为自适应惩罚系数，ww和hh分别是预测框水平方向和垂直方向的权重系数；

公式（5）中，预测框水平方向和垂直方向的权重系数ww和hh的计算公式为：;

;

其中，scale是缩放因子；

公式（5）中，自适应惩罚系数β的计算公式为：;

gt

其中，α为自适应形状惩罚因子，σ为自适应阈值；r为预测框形状偏移量，r 为标准框形状偏移量；

gt

公式（8）中，r，r 的计算公式为：

;

;

步骤4：采用所述训练集和验证集对步骤3所述的一种面向复杂背景下的绝缘子缺陷检测模型进行训练，并保存最优模型，所述步骤4，进一步包括步骤4.1至步骤4.4：步骤4.1：设置所述检测模型的训练参数，包括：迭代轮数、批次大小、优化器、学习率、动量、权重衰减和线程数；

步骤4.2：将所述训练集和验证集图像以及对应标签输入到所述检测模型中，使用反向传播算法计算损失函数对模型参数的梯度，根据梯度更新模型的参数，使损失函数逐渐减小；

步骤4.3：监控训练过程中的损失函数值和性能指标，训练集和验证集的损失函数不再下降，同时准确率P、召回率R、平均精确率均值mAP评价指标也不再提高时结束训练；

步骤4.4：在训练完成后，保存最优模型；

步骤5：采用所述测试集对所述步骤4.4中的最优模型进行精度测试，满足精度要求，即获得最终的一种面向复杂背景下的绝缘子缺陷检测模型。

2.根据权利要求1所述的一种面向复杂背景下的绝缘子缺陷检测方法，其特征在于，所述步骤5，进一步包括步骤5.1至步骤5.3：步骤5.1：将所述测试集输入到所述步骤4的最优模型中进行测试；

步骤5.2：计算模型性能指标：准确率P、召回率R、平均精度均值mAP，具体计算公式如下：;

;

;

;

其中， AP为平均精确率，m为类别数，TP表示正样本被正确识别为正样本的个数，FP表示负样本被错误识别为正样本的个数，FN表示正样本被错误识别为负样本的个数；

步骤5.3：评估测试集的性能指标，若测试集的精度与训练集相近，说明模型满足精度要求，获得最终的一种面向复杂背景下的绝缘子缺陷检测模型。