(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211388920.6 (22)申请日 2022.11.08 (71)申请人 南方电网数字电网研究院有限公司 地址 510700 广东省广州市黄埔区中新广 州知识城 亿创街1号 406房之86 (72)发明人 黄文琦　曾群生　吴洋　蔡卓骏　 赵必美　钟连宏　樊灵孟　刘高　 李雄刚　 (74)专利代理 机构 华进联合专利商标代理有限 公司 44224 专利代理师 姚姝娅 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06T 7/00(2017.01) G06N 3/08(2006.01) (54)发明名称 电力设备异常少样本缺陷分类模型训练方 法、 装置 (57)摘要 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。 权利要求书2页 说明书12页 附图4页 CN 115439721 A 2022.12.06 CN 115439721 A 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； 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。 3.根据权利要求2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。 4.根据权利要求3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。 5.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权　利　要　求　书 1/2 页 2 CN 115439721 A 2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。 6.根据权利要求5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。 7.一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； 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。 8.根据权利要求7所述的装置， 其特征在于， 所述第 一损失值获取模块进一步用于根据 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。 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 6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 6中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 115439721 A 3