feat(localization): SHAP Partition 定位方法，并把每图框数上限默认收紧为 1

新增基于 SHAP Partition explainer 的定位，与 Grad-CAM 形成互补对照：

- engine/shap_explain.py：对目标类别求 SHAP 归因（只保留正贡献），以及方框平滑。
  遮挡用数值 masker 而非教程里的 inpaint_telea——后者依赖 opencv，而我们的图已做过
  逐图标准化，用 0（即该图均值）遮挡语义更干净
- scripts/shap_boxes.py：按类别抽样生成标签，并输出「原图 | Grad-CAM | SHAP」并排图
- shap 放入可选依赖组：uv sync --group explain

实测（225 张，每类 15）：SHAP 在小目标类别上明显更准，框面积占比
blackdot 0.019 vs 0.269（14 倍）、mosquito 0.030 vs 0.173、whitedot 0.076 vs 0.253。
原因是 Grad-CAM 受限于 8x8 特征图（每格 16x16 像素），几像素的黑点根本不可分辨。
代价是单张 0.55 秒，全量 11k 张约 1.7 小时，而 Grad-CAM 全量只要 2 分钟。

调参时发现的坑：SHAP 第一版全部出 0 框，因为沿用了给 8x8 调的
min_area_ratio=0.02（在 128x128 上等于 328 像素）。参数不能跨分辨率照搬，
SHAP 默认改为 0.002。

--max-boxes 两个脚本都默认改为 1（原为 2）：一张裁片通常只对应一处缺陷。
库函数 cam_to_boxes 的默认值同步收紧，相关测试改为显式传参而不依赖默认值。

Co-Authored-By: Claude Opus 5 <noreply@anthropic.com>

scripts/gradcam_boxes.py

@@ -105,7 +105,11 @@ def main() -> int:
     )
     parser.add_argument("--threshold", type=float, default=0.4, help="热力图阈值（相对最大值）")
     parser.add_argument("--padding", type=float, default=0.1, help="框四周外扩比例")
-    parser.add_argument("--max-boxes", type=int, default=2, help="每张图最多几个框")
+    parser.add_argument(
+        "--max-boxes", type=int, default=1,
+        help="每张图最多保留几个框（按连通域内热力总和排序取前 N 个）。"
+             "默认 1：一张裁片通常只对应一处缺陷，多出来的框多半是噪声",
+    )
     parser.add_argument(
         "--min-area-ratio", type=float, default=0.02, help="连通域面积下限（占整图比例）"
     )