CN115439721B - 电力设备异常少样本缺陷分类模型训练方法、装置 - Google Patents
电力设备异常少样本缺陷分类模型训练方法、装置 Download PDFInfo
- Publication number
- CN115439721B CN115439721B CN202211388920.6A CN202211388920A CN115439721B CN 115439721 B CN115439721 B CN 115439721B CN 202211388920 A CN202211388920 A CN 202211388920A CN 115439721 B CN115439721 B CN 115439721B
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- sample image
- abnormal
- equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本申请涉及一种电力设备异常少样本缺陷分类模型训练方法。所述方法包括:获取目标电力设备的设备样本图像;将设备样本图像输入至待训练的上述分类模型,通过上述分类模型获取设备样本图像对应的样本图像特征,并基于样本图像特征,得到样本图像特征对应的重建图像以及重建图像对应的重建图像特征;当设备样本图像为异常样本图像时,基于样本图像特征以及重建图像特征,得到第一损失值;当设备样本图像为正常样本图像时,基于设备样本图像、样本图像特征、重建图像以及重建图像特征,得到第二损失值;利用第一损失值与第二损失值,对上述进行训练,得到训练完成的上述分类模型。采用本方法能够使得上述分类模型的分类结果更加准确。
Description
技术领域
本申请涉及电力设备分类技术领域,特别是涉及一种电力设备异常少样本缺陷分类模型训练方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力设备巡检技术的发展,出现了电力设备无人机巡检技术,该技术通过无人机上搭载的电力设备分类装置,来实现电力设备无人机智能巡检。
在上述技术方案中,电力设备分类装置中携带有电力设备分类模型,该模型需要大量的电力设备正常图像样本和异常图像样本来进行训练,然而针对某些电力设备,例如防震锤,异常图像样本数量较少,会导致训练出的电力设备分类模型的分类结果不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种异常图像样本数量较少时,能够使得电力设备分类模型的分类结果更加准确的电力设备异常少样本缺陷分类模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电力设备异常少样本缺陷分类模型训练方法。所述方法包括:
获取目标电力设备的设备样本图像;所述设备样本图像包括:所述目标电力设备的正常样本图像,以及所述目标电力设备的异常样本图像;
将所述设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征;
当所述设备样本图像为所述异常样本图像时,基于所述样本图像特征以及所述重建图像特征,得到第一损失值;
当所述设备样本图像为所述正常样本图像时,基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值;
利用所述第一损失值与所述第二损失值,对所述电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
在其中一个实施例中,所述基于所述样本图像特征以及所述重建图像特征,得到第一损失值,包括:根据所述样本图像特征以及所述重建图像特征,获取所述样本图像特征以及所述重建图像特征之间的第一差异程度;在所述第一差异程度小于预设阈值的情况下,将所述预设阈值与所述差异程度的差值作为所述第一损失值;在所述第一差异程度大于或等于所述预设阈值的情况下,将所述第一损失值设置为零。
在其中一个实施例中,所述基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值,包括:将所述设备样本图像以及所述重建图像输入至所述电力设备异常少样本缺陷分类模型中的鉴别器网络;基于所述设备样本图像以及所述重建图像,通过所述鉴别器网络,得到所述设备样本图像与所述重建图像之间的相似程度;根据所述设备样本图像以及所述重建图像,获取所述设备样本图像以及所述重建图像之间的第二差异程度;基于所述相似程度、所述第一差异程度以及所述第二差异程度,得到所述第二损失值。
在其中一个实施例中,所述通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征,包括:通过所述电力设备异常少样本缺陷分类模型中的第一编码器网络,获取所述样本图像特征;基于所述样本图像特征,通过所述电力设备异常少样本缺陷分类模型中的解码器网络,得到所述重建图像;基于所述重建图像,通过所述电力设备异常少样本缺陷分类模型中的第二编码器网络,获取所述重建图像特征。
在其中一个实施例中,所述得到训练完成的电力设备异常少样本缺陷分类模型之后,还包括:获取所述目标电力设备的设备图像,并将所述设备图像输入至所述训练完成的电力设备异常少样本缺陷分类模型;通过所述训练完成的电力设备异常少样本缺陷分类模型获取所述设备图像对应的设备图像特征以及重建设备图像特征之间的第三差异程度;基于所述第三差异程度对所述电力设备进行分类。
在其中一个实施例中,所述基于所述第三差异程度对所述电力设备进行分类,包括:若所述第三差异程度小于或等于预设值,则所述电力设备分类结果为正常;若所述第三差异程度大于预设值,则所述电力设备分类结果为异常。
第二方面,本申请还提供了一种电力设备异常少样本缺陷分类模型训练装置。所述装置包括:
样本图像获取模块,用于获取目标电力设备的设备样本图像;所述设备样本图像包括:所述目标电力设备的正常样本图像,以及所述目标电力设备的异常样本图像;
重建图像获取模块,用于将所述设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征;
第一损失值获取模块,用于当所述设备样本图像为所述异常样本图像时,基于所述样本图像特征以及所述重建图像特征,得到第一损失值;
第二损失值获取模块,用于当所述设备样本图像为所述正常样本图像时,基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值;
模型训练模块,用于利用所述第一损失值与所述第二损失值,对所述电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标电力设备的设备样本图像;所述设备样本图像包括:所述目标电力设备的正常样本图像,以及所述目标电力设备的异常样本图像;
将所述设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征;
当所述设备样本图像为所述异常样本图像时,基于所述样本图像特征以及所述重建图像特征,得到第一损失值;
当所述设备样本图像为所述正常样本图像时,基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值;
利用所述第一损失值与所述第二损失值,对所述电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取目标电力设备的设备样本图像;所述设备样本图像包括:所述目标电力设备的正常样本图像,以及所述目标电力设备的异常样本图像;
将所述设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征;
当所述设备样本图像为所述异常样本图像时,基于所述样本图像特征以及所述重建图像特征,得到第一损失值;
当所述设备样本图像为所述正常样本图像时,基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值;
利用所述第一损失值与所述第二损失值,对所述电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标电力设备的设备样本图像;所述设备样本图像包括:所述目标电力设备的正常样本图像,以及所述目标电力设备的异常样本图像;
将所述设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征;
当所述设备样本图像为所述异常样本图像时,基于所述样本图像特征以及所述重建图像特征,得到第一损失值;
当所述设备样本图像为所述正常样本图像时,基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值;
利用所述第一损失值与所述第二损失值,对所述电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
上述电力设备异常少样本缺陷分类模型训练方法、装置、计算机设备、存储介质和计算机程序产品,通过获取目标电力设备的设备样本图像;设备样本图像包括:目标电力设备的正常样本图像,以及目标电力设备的异常样本图像;将设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过电力设备异常少样本缺陷分类模型获取设备样本图像对应的样本图像特征,并基于样本图像特征,得到样本图像特征对应的重建图像以及重建图像对应的重建图像特征;当设备样本图像为异常样本图像时,基于样本图像特征以及重建图像特征,得到第一损失值;当设备样本图像为正常样本图像时,基于设备样本图像、样本图像特征、重建图像以及重建图像特征,得到第二损失值;利用第一损失值与第二损失值,对电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。异常图像样本数量较少的情况下,本申请通过在电力设备异常少样本缺陷分类模型训练时,正常样本和异常样本分别基于不同的损失函数进行训练,能够使得电力设备异常少样本缺陷分类模型的分类结果更加准确。
附图说明
图1为一个实施例中电力设备异常少样本缺陷分类模型训练方法的流程示意图;
图2为一个实施例中电力设备异常少样本缺陷分类模型的结构示意图;
图3为一个实施例中获取第一损失值的流程示意图;
图4为一个实施例中获取第二损失值的流程示意图;
图5为一个实施例中获取重建图像和重建图像特征的流程示意图;
图6为一个实施例中电力设备异常少样本缺陷分类模型训练装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在一个实施例中,如图1所示,提供了一种电力设备异常少样本缺陷分类模型训练方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S101,获取目标电力设备的设备样本图像;设备样本图像包括:目标电力设备的正常样本图像,以及目标电力设备的异常样本图像。
其中,目标电力设备为电网高压架空线路上异样样本非常少的电力设备,例如,该目标电力设备可以为防震锤,该防震锤一般在高压架空线路上,靠近绝缘子两侧的导线上常挂一个小锤,是为了减少导线因风力扯起振动而设的。而设备样本图像为上述电力设备的历史样本图像,该设备样本图像用于训练电力设备异常少样本缺陷分类模型,至于正常样本图像,指的是正常电力设备对应的样本图像,而异常样本图像指的是异常电力设备对应的样本图像。
具体地,从电力设备图像数据库中,获取目标电力设备的历史图像,作为目标电力设备的正常样本图像以及异常样本图像。
步骤S102,将设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过电力设备异常少样本缺陷分类模型获取设备样本图像对应的样本图像特征,并基于样本图像特征,得到样本图像特征对应的重建图像以及重建图像对应的重建图像特征。
其中,如图2所示,电力设备异常少样本缺陷分类模型为分类上述目标电力设备是否异常的对抗学习网络,该对抗学习网络由三个子网络组成,第一个子网络为生成器网络,该生成器网络又包括第一编码器网络和解码器网络;第二个子网络为第二编码器网络;第三个子网络是鉴别器网络,该鉴别器网络的作用是判断设备样本图像和重建图像的真假,最终使得样本图像和重建图像尽可能一样。而样本图像特征为通过第一编码器网络提取设备样本图像的图像特征,至于重建图像为解码器网络基于样本图像特征重建的图像,而重建图像特征为第二编码器网络基于重建图像得到的图像特征。
具体地,将设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过电力设备异常少样本缺陷分类模型中的第一编码器网络获取设备样本图像对应的样本图像特征,并基于样本图像特征,通过解码器网络,得到样本图像特征对应的重建图像,最后通过第二编码器网络对重建网络进行特征提取,得到重建图像的重建图像特征。
步骤S103,当设备样本图像为异常样本图像时,基于样本图像特征以及重建图像特征,得到第一损失值。
其中,第一损失值为异常样本图像对应的损失函数的取值。
具体地,当设备样本图像为异常样本图像时,基于样本图像特征以及重建图像特征,得到第一损失函数。
步骤S104,当设备样本图像为正常样本图像时,基于设备样本图像、样本图像特征、重建图像以及重建图像特征,得到第二损失值。
其中,第二损失值为正常样本图像对应的损失函数的取值。
具体地,当设备样本图像为正常样本图像时,基于设备样本图像、样本图像特征、重建图像以及重建图像特征,得到第二损失函数。
步骤S105,利用第一损失值与第二损失值,对电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
其中,训练完成的电力设备异常少样本缺陷分类模型为基于样本图像训练完的电力设备异常少样本缺陷分类模型。
具体地,当设备样本图像为异常样本图像时,基于第一损失值得到第一训练条件,当设备样本图像为正常样本图像时,基于第二损失值得到第二训练条件,基于第一训练条件,以及第二训练条件,对电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
上述电力设备异常少样本缺陷分类模型训练方法中,通过获取目标电力设备的设备样本图像;设备样本图像包括:目标电力设备的正常样本图像,以及目标电力设备的异常样本图像;将设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过电力设备异常少样本缺陷分类模型获取设备样本图像对应的样本图像特征,并基于样本图像特征,得到样本图像特征对应的重建图像以及重建图像对应的重建图像特征;当设备样本图像为异常样本图像时,基于样本图像特征以及重建图像特征,得到第一损失值;当设备样本图像为正常样本图像时,基于设备样本图像、样本图像特征、重建图像以及重建图像特征,得到第二损失值;利用第一损失值与第二损失值,对电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。异常图像样本数量较少的情况下,本申请通过在电力设备异常少样本缺陷分类模型训练时,正常样本和异常样本分别基于不同的损失函数进行训练,能够使得电力设备异常少样本缺陷分类模型的分类结果更加准确。
在一个实施例中,如图3所示,基于样本图像特征以及重建图像特征,得到第一损失值,包括以下步骤:
步骤S301,根据样本图像特征以及重建图像特征,获取样本图像特征以及重建图像特征之间的第一差异程度。
其中,第一差异程度为样本图像特征以及重建图像特征之间的差值的绝对值,当该绝对值为零时,表示样本图像特征以及重建图像特征之间没有差异程度。
具体地,如下式所示:
;
其中,Lenc为第一差异程度,为样本图像特征,为重建图像特征,样本图像特征以及重建图像特征之间的差值的绝对值为第一差异程度。
步骤S302,在第一差异程度小于预设阈值的情况下,将预设阈值与差异程度的差值作为第一损失值。
其中,预设阈值与差异程度的差值为一个预设值与差异程度的差值,例如,该预设阈值可为M,M可取1,则预设阈值与差异程度的差值可以为M-Lenc。
步骤S303,在第一差异程度大于或等于预设阈值的情况下,将第一损失值设置为零。
具体地,如下式所示:
;
其中,M表示预设阈值,值为1,输入正常样本图像时,y等于0,对于异常样本样本,y为1。在训练阶段,当输入异常样本时,y为1,此时L’为max(0,M-Lenc),y*max(0,M-Lenc)表示第一损失值,在第一差异程度小于M的情况下,将预设阈值与差异程度的差值M-Lenc作为第一损失值,在第一差异程度大于或等于预设阈值的情况下,第一损失值为零。
本实施例中,在不同情况,第一损失值有不同的表达方式,能够准确的得到第一损失值。
在一个实施例中,如图4所示,基于设备样本图像、样本图像特征、重建图像以及重建图像特征,得到第二损失值,包括以下步骤:
步骤S401,将设备样本图像以及重建图像输入至电力设备异常少样本缺陷分类模型中的鉴别器网络;基于设备样本图像以及重建图像,通过鉴别器网络,得到设备样本图像与重建图像之间的相似程度。
其中,鉴别器网络为判断设备样本图像和重建图像真假的学习网络,对抗学习网络包括上述鉴别器网络和生成器网络。而相似程度即无法判断设备样本图像和重建图像真假的程度,当相似程度为零时,鉴别器网络无法判断设备样本图像和重建图像真假。
具体地,如下图所述:
;
其中,x为设备样本图像,G(x)为重建图像,Ladv为样本图像与重建图像之间的相似程度,设备样本图像x对应的函数值和重建图像G(x)对应的函数值之间差值的绝对值即为相似程度。
步骤S402,根据设备样本图像以及重建图像,获取设备样本图像以及重建图像之间的第二差异程度。
其中,第二差异程度为样本图像以及重建图像之间的差值的绝对值,当该绝对值为零时,表示样本图像以及重建图像之间没有差异程度。
具体地,如下所述:
;
其中,x为设备样本图像,G(x)为重建图像,Lcon为样本图像与重建图像之间的第二差异程度,设备样本图像x和重建图像G(x)之间差值的绝对值即为第二差异程度。
步骤S403,基于相似程度、第一差异程度以及第二差异程度,得到第二损失值。
具体地,如下所示:
;
其中,wcon、wenc和wadv分别是第一差异程度、第二差异程度和相似程度对应权重,L为第二损失值,对第一差异程度、第二差异程度和相似程度分别赋予不同的权重,以建立整体第二损失值L。
如下所示:
;
其中,输入正常样本时,y等于0,对于异常样本,y为1。在训练阶段,当输入正常样本时,y为0,此时L’等于第二损失值L。
本实施例中,通过对第一差异程度、第二差异程度和相似程度分别赋予不同的权重,能够准确得到整体第二损失值L。
在一个实施例中,如图5所示,通过电力设备异常少样本缺陷分类模型获取设备样本图像对应的样本图像特征,并基于样本图像特征,得到样本图像特征对应的重建图像以及重建图像对应的重建图像特征,包括以下步骤:
步骤S501,通过电力设备异常少样本缺陷分类模型中的第一编码器网络,获取样本图像特征。
其中,第一编码器网络为对抗学习网络中生成器网络的编码器网络,该第一编码器网络用于提取设备样本图像的特征。
具体地,通过电力设备异常少样本缺陷分类模型中的第一编码器网络,对设备样本图像进行特征提取,获取样本图像特征。
步骤S502,基于样本图像特征,通过电力设备异常少样本缺陷分类模型中的解码器网络,得到重建图像。
其中,解码器网络对抗学习网络中生成器网络的解码器网络,该解码器网络用于基于样本图像特征重建图像。
具体地,基于样本图像特征,通过电力设备异常少样本缺陷分类模型中的解码器网络,对样本图像特征进行图像生成,得到重建图像。
步骤S503,基于重建图像,通过电力设备异常少样本缺陷分类模型中的第二编码器网络,获取重建图像特征。
其中,第二编码器网络为独立于上述生成器网络的编码器网络。
具体地,基于重建图像,通过电力设备异常少样本缺陷分类模型中的第二编码器网络,对重建图像进行特征提取,获取重建图像特征。
本实施例中,通过第一编码器网络、解码器网络和第二编码器网络,能够准确得到样本图像特征、重建图像以及重建图像特征。
在一个实施例中,得到训练完成的电力设备异常少样本缺陷分类模型之后,还包括以下步骤:获取目标电力设备的设备图像,并将设备图像输入至训练完成的电力设备异常少样本缺陷分类模型;通过训练完成的电力设备异常少样本缺陷分类模型获取设备图像对应的设备图像特征以及重建设备图像特征之间的第三差异程度;基于第三差异程度对电力设备进行分类。
其中,设备图像为电力设备分类终端实时获取的电力设备图像,而设备图像特征为上述训练完成的电力设备异常少样本缺陷分类模型的生成器网络基于电力设备图像生成的图像特征,至于重建设备图像特征为上述训练完成的电力设备异常少样本缺陷分类模型的编码器网络基于设备图像对应的重建设备图像生成的图像特征。
具体地,获取目标电力设备的设备图像,并将设备图像输入至训练完成的电力设备异常少样本缺陷分类模型;通过上述训练完成的电力设备异常少样本缺陷分类模型的生成器网络基于电力设备图像生成设备图像特征,再通过上述训练完成的电力设备异常少样本缺陷分类模型的编码器网络基于设备图像对应的重建设备图像生成的重建设备图像特征,最后获取设备图像特征以及重建设备图像特征之间的第三差异程度,基于第三差异程度以及异常判定规则对电力设备进行分类。
本实施例中,通过获得设备图像特征以及重建设备图像特征之间的第三差异程度,能够准确地对电力设备进行分类。
在一个实施例中,基于第三差异程度对电力设备进行分类,包括以下步骤:若第三差异程度小于或等于预设值,则电力设备分类结果为正常;若第三差异程度大于预设值,则电力设备分类结果为异常。
其中,预设值为预先设定的阈值,分类结果为电力设备异常少样本缺陷分类模型得出的结果。例如,该预设值可以为u,当训练阶段只有正常样本学习时,网络训练收敛后,计算所有正常样本中样本图像特征与重建图像特征之间的第一差异程度值,并选择最大值作为预设值u;当训练阶段同时存在正常和异常样本时,计算所有正常样本中第一差异程度的最大值和所有异常样本中第一差异程度的最小值,计算最大值和最小值的平均值作为预设值u。
具体地,如下所示:
;
其中,Lenc’为第三差异程度,当第三差异程度小于或等于预设值u时,则电力设备分类结果为0,即为正常;若第三差异程度大于预设值u时,则电力设备分类结果为1,即为异常。
本实施例中,通过预设值,能够准确得到电力设备分类结果。
在一个应用实施例中,提供了一种电力设备异常少样本缺陷分类模型损失函数的改进方法。首先,上述电力设备异常少样本缺陷分类模型包含有对抗学习网络,该对抗学习网络由三个子网络组成。
第一个子网络使用自动编码器网络作为特征提取网络,为上述模型发挥生成器作用,该生成器网络提取输入图像的特征,并分别使用这种编码器和解码器网络重建输入数据。具体来说,生成器网络包含一个编码器网络和一个解码器网络,首先获取样本图像x,其中x∈Rw×h×c,并将样本图像馈送到编码器网络GE,同时,编码器网络通过将其压缩到特征向量z来缩小样本图像x,其中z∈Rd.z的变量具有丰富的特征维数,以实现样本图像x的最佳表示。最后,解码器网络GD根据特征向量z重建图像xˆ。
第二个子网络是编码器网络E,它将重建图像xˆ压缩为类似于特征向量z的特征向量zˆ,使用具有不同参数化的相同GE网络。
第三个子网络是鉴别器网络D,其目标是判断样本图像x和重建图像xˆ为真或假。基于上述对抗性网络学习过程,它们可以简单地表示为xˆ=GD(z),其中z=GE(x),其中zˆ=E(x)。对抗性学习网络的最终目标是最小化三个损失函数,包括上下文损失函数、编码器损失函数和对抗性损失函数,标记为Lcon、Lenc和Ladv。
样本图像损失函数,如下所示,主要负责使生成器学习图像表示并尽可能重建图像。
样本图像特征损失函数,如下所示,主要的任务是最小化输入的样本图像特征和重建图像特征之间的距离。
对抗损失函数,其目标是使生成器生成接近真实的图像,并使鉴别器无法判断输入图像是否真实。
最后,对这三个损失函数分别赋予不同的权重,分别表示为wcon、wenc和wadv,以建立整体损失函数L,如下所示:
但是上述的损失函数无法对异常样本学习,因此本发明提出改进对抗学习损失函数表达式如下公式:
;
其中,M表示边距,值为1,输入正常样本时,y等于0,对于异常样本,y为1。在训练阶段,当输入正常样本时,y为0,此时L’等于L,属于正常样本训练阶段。当输入异常样本时,y为1,此时L’为max(0,M-Lenc),训练阶段将使Lenc尽可能大于等于1。此外,Lenc可以使整个训练过程更加稳定。与纯样本学习方法相比,当遇到异常样本时,网络被迫学习另一个远离正样本分布的分布。这种改进的方法可以提高异常样本的分类准确率。
电力设备异常少样本缺陷分类模型训练完成后,输入电力设备图像,将其馈送到学习网络中,以计算其Lenc值,如果Lenc值小于或等于判别阈值u,则判断为0标记的电力设备正常,如果Lenc值大于u,则判断为1标记的电力设备异常。
当训练阶段只有正常样本学习时,网络训练收敛后,计算所有正常样本中的Lenc值,并选择最大值作为判别阈值u;当训练阶段同时存在正常和异常样本时,计算所有正常样本中Lenc的最大值和所有异常样本中Lenc的最小值,计算最大值和最小值的平均值作为判断阈值u。
异常图像样本数量较少的情况下,本实施例通过在电力设备异常少样本缺陷分类模型训练时,正常样本和异常样本分别基于不同的损失函数进行训练,能够使得电力设备异常少样本缺陷分类模型的分类结果更加准确。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电力设备异常少样本缺陷分类模型训练方法的电力设备异常少样本缺陷分类模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电力设备异常少样本缺陷分类模型训练装置实施例中的具体限定可以参见上文中对于电力设备异常少样本缺陷分类模型训练方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种电力设备异常少样本缺陷分类模型训练装置,包括:样本图像获取模块601、重建图像获取模块602、第一损失值获取模块603、第二损失值获取模块604和模型训练模块605,其中:
样本图像获取模块601,用于获取目标电力设备的设备样本图像;设备样本图像包括:目标电力设备的正常样本图像,以及目标电力设备的异常样本图像;
重建图像获取模块602,用于将设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过电力设备异常少样本缺陷分类模型获取设备样本图像对应的样本图像特征,并基于样本图像特征,得到样本图像特征对应的重建图像以及重建图像对应的重建图像特征;
第一损失值获取模块603,用于当设备样本图像为异常样本图像时,基于样本图像特征以及重建图像特征,得到第一损失值;
第二损失值获取模块604,用于当设备样本图像为正常样本图像时,基于设备样本图像、样本图像特征、重建图像以及重建图像特征,得到第二损失值;
模型训练模块605,用于利用第一损失值与第二损失值,对电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
在其中一个实施例中,第一损失值获取模块603,进一步用于根据样本图像特征以及重建图像特征,获取样本图像特征以及重建图像特征之间的第一差异程度;在第一差异程度小于预设阈值的情况下,将预设阈值与差异程度的差值作为第一损失值;在第一差异程度大于或等于预设阈值的情况下,将第一损失值设置为零。
在其中一个实施例中,第二损失值获取模块604,进一步用于将设备样本图像以及重建图像输入至电力设备异常少样本缺陷分类模型中的鉴别器网络;基于设备样本图像以及重建图像,通过鉴别器网络,得到设备样本图像与重建图像之间的相似程度;根据设备样本图像以及重建图像,获取设备样本图像以及重建图像之间的第二差异程度;基于相似程度、第一差异程度以及第二差异程度,得到第二损失值。
在其中一个实施例中,重建图像获取模块602,进一步用于通过电力设备异常少样本缺陷分类模型中的第一编码器网络,获取样本图像特征;基于样本图像特征,通过电力设备异常少样本缺陷分类模型中的解码器网络,得到重建图像;基于重建图像,通过电力设备异常少样本缺陷分类模型中的第二编码器网络,获取重建图像特征。
在其中一个实施例中,模型训练模块605,进一步用于获取目标电力设备的设备图像,并将设备图像输入至训练完成的电力设备异常少样本缺陷分类模型;通过训练完成的电力设备异常少样本缺陷分类模型获取设备图像对应的设备图像特征以及重建设备图像特征之间的第三差异程度;基于第三差异程度对电力设备进行分类。
在其中一个实施例中,模型训练模块605,进一步用于若第三差异程度小于或等于预设值,则电力设备分类结果为正常;若第三差异程度大于预设值,则电力设备分类结果为异常。
上述电力设备异常少样本缺陷分类模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电力设备异常少样本缺陷分类模型训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电力设备异常少样本缺陷分类模型训练方法,其特征在于,所述方法包括:
获取目标电力设备的设备样本图像;所述设备样本图像包括:所述目标电力设备的正常样本图像,以及所述目标电力设备的异常样本图像;
将所述设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征;
当所述设备样本图像为所述异常样本图像时,基于所述样本图像特征以及所述重建图像特征,得到第一损失值;包括:根据所述样本图像特征以及所述重建图像特征,获取所述样本图像特征以及所述重建图像特征之间的第一差异程度;在所述第一差异程度小于预设阈值的情况下,将所述预设阈值与所述差异程度的差值作为所述第一损失值;在所述第一差异程度大于或等于所述预设阈值的情况下,将所述第一损失值设置为零;
当所述设备样本图像为所述正常样本图像时,基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值;
利用所述第一损失值与所述第二损失值,对所述电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
2.根据权利要求1所述的方法,其特征在于,所述基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值,包括:
将所述设备样本图像以及所述重建图像输入至所述电力设备异常少样本缺陷分类模型中的鉴别器网络;基于所述设备样本图像以及所述重建图像,通过所述鉴别器网络,得到所述设备样本图像与所述重建图像之间的相似程度;
根据所述设备样本图像以及所述重建图像,获取所述设备样本图像以及所述重建图像之间的第二差异程度;
基于所述相似程度、所述第一差异程度以及所述第二差异程度,得到所述第二损失值。
3.根据权利要求2所述的方法,其特征在于,所述通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征,包括:
通过所述电力设备异常少样本缺陷分类模型中的第一编码器网络,获取所述样本图像特征;
基于所述样本图像特征,通过所述电力设备异常少样本缺陷分类模型中的解码器网络,得到所述重建图像;
基于所述重建图像,通过所述电力设备异常少样本缺陷分类模型中的第二编码器网络,获取所述重建图像特征。
4.根据权利要求1所述的方法,其特征在于,所述得到训练完成的电力设备异常少样本缺陷分类模型之后,还包括:
获取所述目标电力设备的设备图像,并将所述设备图像输入至所述训练完成的电力设备异常少样本缺陷分类模型;
通过所述训练完成的电力设备异常少样本缺陷分类模型获取所述设备图像对应的设备图像特征以及重建设备图像特征之间的第三差异程度;
基于所述第三差异程度对所述电力设备进行分类。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第三差异程度对所述电力设备进行分类,包括:
若所述第三差异程度小于或等于预设值,则所述电力设备分类结果为正常;
若所述第三差异程度大于预设值,则所述电力设备分类结果为异常。
6.一种电力设备异常少样本缺陷分类模型训练装置,其特征在于,所述装置包括:
样本图像获取模块,用于获取目标电力设备的设备样本图像;所述设备样本图像包括:所述目标电力设备的正常样本图像,以及所述目标电力设备的异常样本图像;
重建图像获取模块,用于将所述设备样本图像输入至待训练的电力设备异常少样本缺陷分类模型,通过所述电力设备异常少样本缺陷分类模型获取所述设备样本图像对应的样本图像特征,并基于所述样本图像特征,得到所述样本图像特征对应的重建图像以及所述重建图像对应的重建图像特征;
第一损失值获取模块,用于当所述设备样本图像为所述异常样本图像时,基于所述样本图像特征以及所述重建图像特征,得到第一损失值;进一步用于根据所述样本图像特征以及所述重建图像特征,获取所述样本图像特征以及所述重建图像特征之间的第一差异程度;在所述第一差异程度小于预设阈值的情况下,将所述预设阈值与所述差异程度的差值作为所述第一损失值;在所述第一差异程度大于或等于所述预设阈值的情况下,将所述第一损失值设置为零;
第二损失值获取模块,用于当所述设备样本图像为所述正常样本图像时,基于所述设备样本图像、所述样本图像特征、所述重建图像以及所述重建图像特征,得到第二损失值;
模型训练模块,用于利用所述第一损失值与所述第二损失值,对所述电力设备异常少样本缺陷分类模型进行训练,得到训练完成的电力设备异常少样本缺陷分类模型。
7.根据权利要求6所述的装置,其特征在于,所述第二损失值获取模块进一步用于将所述设备样本图像以及所述重建图像输入至所述电力设备异常少样本缺陷分类模型中的鉴别器网络;基于所述设备样本图像以及所述重建图像,通过所述鉴别器网络,得到所述设备样本图像与所述重建图像之间的相似程度;根据所述设备样本图像以及所述重建图像,获取所述设备样本图像以及所述重建图像之间的第二差异程度;基于所述相似程度、所述第一差异程度以及所述第二差异程度,得到所述第二损失值。
8.根据权利要求6所述的装置,其特征在于,所述重建图像获取模块进一步用于通过所述电力设备异常少样本缺陷分类模型中的第一编码器网络,获取所述样本图像特征;基于所述样本图像特征,通过所述电力设备异常少样本缺陷分类模型中的解码器网络,得到所述重建图像;基于所述重建图像,通过所述电力设备异常少样本缺陷分类模型中的第二编码器网络,获取所述重建图像特征。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388920.6A CN115439721B (zh) | 2022-11-08 | 2022-11-08 | 电力设备异常少样本缺陷分类模型训练方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388920.6A CN115439721B (zh) | 2022-11-08 | 2022-11-08 | 电力设备异常少样本缺陷分类模型训练方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115439721A CN115439721A (zh) | 2022-12-06 |
CN115439721B true CN115439721B (zh) | 2023-04-18 |
Family
ID=84253007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211388920.6A Active CN115439721B (zh) | 2022-11-08 | 2022-11-08 | 电力设备异常少样本缺陷分类模型训练方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115439721B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3916635B1 (en) * | 2020-05-26 | 2023-05-10 | Fujitsu Limited | Defect detection method and apparatus |
CN111833306B (zh) * | 2020-06-12 | 2024-02-13 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
CN114764765A (zh) * | 2020-12-30 | 2022-07-19 | 富泰华工业(深圳)有限公司 | 图像瑕疵检测方法、装置、电子设备及存储介质 |
CN112837295A (zh) * | 2021-02-01 | 2021-05-25 | 北京工业大学 | 一种基于生成对抗网络的橡胶手套缺陷检测方法 |
CN114862838A (zh) * | 2022-06-02 | 2022-08-05 | 深圳市华汉伟业科技有限公司 | 基于无监督学习的缺陷检测方法及设备 |
CN115240023A (zh) * | 2022-06-13 | 2022-10-25 | 浙江大华技术股份有限公司 | 一种缺陷检测网络的训练方法、缺陷检测方法及相关设备 |
-
2022
- 2022-11-08 CN CN202211388920.6A patent/CN115439721B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115439721A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
Wilson et al. | Deep learning-aided cyber-attack detection in power transmission systems | |
US11693924B2 (en) | System and method for maintenance recommendation in industrial networks | |
CN110728295B (zh) | 半监督式的地貌分类模型训练和地貌图构建方法 | |
Lee et al. | A convolutional neural network model for SOH estimation of Li-ion batteries with physical interpretability | |
CN116560895B (zh) | 用于机械装备的故障诊断方法 | |
Oliinyk et al. | The decision tree construction based on a stochastic search for the neuro-fuzzy network synthesis | |
CN111898247A (zh) | 滑坡位移预测方法、设备及存储介质 | |
CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
CN111522736A (zh) | 一种软件缺陷预测方法、装置、电子设备及计算机存储介质 | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
US20190310618A1 (en) | System and software for unifying model-based and data-driven fault detection and isolation | |
CN112419243B (zh) | 一种基于红外图像分析的配电房设备故障识别方法 | |
CN113688857A (zh) | 一种基于生成对抗网络的电力巡检图像中异物检测方法 | |
CN115439721B (zh) | 电力设备异常少样本缺陷分类模型训练方法、装置 | |
CN115659408B (zh) | 一种电力系统敏感数据共享方法、系统及存储介质 | |
CN116757062A (zh) | 电力负荷频率特性分析方法、装置、设备和存储介质 | |
CN112529025A (zh) | 一种数据处理方法及装置 | |
CN114549849A (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN117318052B (zh) | 发电机组进相试验无功功率预测方法、装置和计算机设备 | |
CN115987689B (zh) | 一种网络入侵检测方法及装置 | |
CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 | |
CN117132847A (zh) | 基于域泛化的电力表记破损图像自标注模型训练方法 | |
CN117372801A (zh) | 变电站缺陷异常检测方法、装置和计算机设备 | |
CN117631682A (zh) | 电网无人机巡检路线确定方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |