【技术实现步骤摘要】
本专利技术涉及机器学习与计算机视觉，特别是涉及一种基于条件生成对抗网络的电力图像分类方法及系统。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、随着智能电网和自动化技术的快速发展，电力图像的分析在电力系统的监控与管理中扮演着越来越重要的角色，这些图像通常用于检测设备故障、监控运行状态以及优化维护策略。然而，在输电业务场景中，电力图像常常面临标签不均衡、噪声和模糊等问题，导致在对电力图像进行分类时，模型难以准确识别不同类别，容易出现过拟合、关键特征提取困难等问题。
3、且电力图像数据标注成本高昂且耗时，导致可用训练样本数量有限，使得传统的深度学习模型在面对电力图像分析时，会出现过拟合问题，影响模型的泛化能力和实际应用效果。
4、目前，虽然数据增强技术被广泛应用于提升模型性能，但在实际操作中，现有的增强方法在生成新样本的过程中可能引入偏差。这不仅可能导致模型学习到不准确的特征，还可能降低其在真实场景中表现。因此，单纯依赖数据增强技术来解决样本稀缺的问题并不可靠。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种基于条件生成对抗网络的电力图像分类方法、系统、电子设备、计算机可读存储介质及计算机程序产品，能够提高模型的准确性和鲁棒性，能够在数据不足的情况下，充分利用已有的知识，快速适应电力图像分类任务。
2、第一方面，本专利技术提供了一种基于条件生成对抗网络的电力图像分类方法；p>
3、一种基于条件生成对抗网络的电力图像分类方法，包括：
4、获取待处理电力图像；
5、将待处理电力图像输入训练好的分类模型，获取电力图像分类结果；
6、其中，训练所述分类模型时，以条件标签和随机噪声为输入，通过条件生成对抗网络对真实电力图像进行处理，结合残差连接和自适应实例归一化，获取合成电力图像以扩充用于预训练的训练集。
7、在一些实施方式中，所述条件生成对抗网络包括依次连接的嵌入层、合并层、生成器和判别器；
8、所述生成器包括依次连接的多层转置卷积网络，每层转置卷积网络后添加有残差连接和自适应实例归一化；所述判别器包括依次连接的多层卷积层、全连接层和输出层。
9、在一些实施方式中，所述条件生成对抗网络的损失函数为对抗性损失与结构相似性损失的结合。
10、在一些实施方式中，基于预设的动态解冻条件，采用动态解冻策略对所述分类模型进行训练。
11、在一些实施方式中，基于预设的耐心值和训练评估结果，采用早停策略对所述分类模型进行训练。
12、在一些实施方式中，所述分类模型为改进resnet50模型。
13、第二方面，本专利技术提供了一种基于条件生成对抗网络的电力图像分类系统；
14、一种基于条件生成对抗网络的电力图像分类系统，包括：
15、获取模块，被配置为：获取待处理电力图像；
16、电力图像分类模块，被配置为：将待处理电力图像输入训练好的分类模型，获取电力图像分类结果；
17、其中，训练所述分类模型时，以条件标签和随机噪声为输入，通过条件生成对抗网络对真实电力图像进行处理，结合残差连接和自适应实例归一化，获取生成电力图像以扩充用于预训练的训练集。
18、第三方面，本专利技术提供了一种电子设备；
19、一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述基于条件生成对抗网络的电力图像分类方法的步骤。
20、第四方面，本专利技术提供了一种计算机可读存储介质；
21、一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于条件生成对抗网络的电力图像分类方法的步骤。
22、第五方面，本专利技术提供了一种计算机程序产品；
23、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述基于条件生成对抗网络的电力图像分类方法的步骤。
24、与现有技术相比，本专利技术的有益效果是：
25、1、本专利技术提供的技术方案，充分考虑了电力图像的特殊性及目标任务的需求，利用条件生成对抗网络(cgan)，根据特定的条件标签(如设备类型和运行状态)生成高质量的电力图像，以扩充训练集进一步对resnet网络进行训练，提高模型的泛化能力和实际应用效果。
26、2、本专利技术提供的技术方案，设计结合对抗性损失和结构相似性损失(ssim)的复合损失函数，确保生成图像在质量和结构上与真实图像高度一致。
27、3、本专利技术提供的技术方案，生成的图像和原始的图像作为模型微调的输入，通过对预训练模型进行微调，使其能够适应小样本数据的特征，从而有效地减少因数据增强引入的偏差。不仅能够提高模型的准确性和鲁棒性，还能够在数据不足的情况下，充分利用已有的知识，快速适应新的电力图像分析任务。
本文档来自技高网...【技术保护点】
1.基于条件生成对抗网络的电力图像分类方法，其特征在于，包括：
2.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，所述条件生成对抗网络包括依次连接的嵌入层、合并层、生成器和判别器；
3.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，所述条件生成对抗网络的损失函数为对抗性损失与结构相似性损失的结合。
4.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，基于预设的动态解冻条件，采用动态解冻策略对所述分类模型进行训练。
5.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，基于预设的耐心值和训练评估结果，采用早停策略对所述分类模型进行训练。
6.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，所述分类模型为改进ResNet50模型。
7.基于条件生成对抗网络的电力图像分类系统，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计
9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6任一项所述基于条件生成对抗网络的电力图像分类方法的步骤。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6任一项所述基于条件生成对抗网络的电力图像分类方法的步骤。
...【技术特征摘要】
1.基于条件生成对抗网络的电力图像分类方法，其特征在于，包括：
2.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，所述条件生成对抗网络包括依次连接的嵌入层、合并层、生成器和判别器；
3.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，所述条件生成对抗网络的损失函数为对抗性损失与结构相似性损失的结合。
4.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，基于预设的动态解冻条件，采用动态解冻策略对所述分类模型进行训练。
5.如权利要求1所述的基于条件生成对抗网络的电力图像分类方法，其特征在于，基于预设的耐心值和训练评估结果，采用早停策略对所述分类模型进行训练。
6.如权利要求1所述的基于条件生...
【专利技术属性】
技术研发人员：崔豪驿，邓华，李可心，杨涛，李荣生，武彬，程伟，车星辉，王振利，李阳，李岩，李建祥，袁弘，刘晗，徐康，
申请(专利权)人：国网山东省电力公司烟台供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。