电力图像数据处理方法、装置、设备、介质和程序产品与流程

本技术涉及电力图像数据处理，特别是涉及一种电力图像数据处理方法、装置、设备、介质和程序产品。

背景技术：

1、电力设备状态的识别和检测有助于保障电力系统安全稳定，但由于状态检测设备通常计算资源有限，对于电力设备的识别效率较低，检测速度较慢。对电力图像数据进行处理以提取关键信息，通过提取的信息来判断电力设备的状态逐渐成为电力设备状态的重要手段之一。由于电力数据包括电网的运行数据、设备的监测数据以及环境数据等多种数据，数据量较大且数据之间的关系较为复杂，通常基于深度学习技术对图像数据进行处理。

2、现有技术中通常采用基于深度学习的神经网络模型来对交直流设备的图像数据进行处理，以对电力设备进行状态监测。然而，当前的深度学习模型通常采用大规模、深层次的网络结构，网络参数庞大、结构复杂，难以部署在嵌入式和移动设备上，且数据处理的效率较低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高数据处理效率的电力图像数据处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种电力图像数据处理方法，所述方法包括：

3、获取电力设备图像，并提取电力设备图像的原始特征数据；

4、获取预训练的目标图像分类模型；目标图像分类模型包括多个特征提取分支或多个输出层；特征提取分支或输出层均分别对应不同的分类任务；

5、通过目标图像分类模型对原始特征数据进行特征提取，得到与各分类任务对应的特征向量，组合各特征向量，得到目标特征向量，根据目标特征向量确定电力设备图像的分类结果，分类结果用于确定电力设备图像中电力设备的类别。

6、在其中一个实施例中，组合各特征向量，得到目标特征向量，包括：

7、对各特征向量进行归一化处理，得到多个归一化特征向量；

8、分别获取各归一化特征向量对应的权重值；

9、根据各权重值计算各归一化特征向量的加权和，得到目标特征向量。

10、在其中一个实施例中，在通过目标图像分类模型对原始特征数据进行特征提取之前，方法还包括：

11、对电力设备图像进行卷积运算，得到电力设备图像的初始卷积特征图；

12、对初始卷积特征图进行批量归一化处理，得到归一化卷积特征图；

13、对归一化卷积特征图进行最大池化处理，得到池化特征图，以池化特征图作为电力设备图像的原始特征数据。

14、在其中一个实施例中，所述方法还包括：

15、获取训练图像，并在训练图像中标注电力设备，得到电力设备的真实标签；

16、获取初始图像分类模型，将训练图像输入初始图像分类模型中，得到分类预测结果和与分类预测结果对应的类别概率，根据类别概率和对应的真实标签计算预设的损失函数的函数值；

17、使用预设的超参数调整算法调整初始图像分类模型的超参数，得到更新后的超参数，当损失函数值小于预设损失阈值时，以更新后的超参数作为目标图像分类模型的超参数。

18、在其中一个实施例中，在目标图像分类模型包括多个特征提取分支的情况下，使用预设超参数调整算法调整模型的超参数，得到更新后的超参数，包括：

19、将训练图像输入初始图像分类模型中，通过多个特征提取分支得到对应于训练图像的多个分类结果；

20、根据多个分类结果通过前向传播算法计算损失函数的值，根据损失函数的值计算输出层的梯度；

21、根据梯度通过反向传播算法更新初始图像分类模型的超参数。

22、在其中一个实施例中，在目标图像分类模型包括多个输出层的情况下，使用预设超参数调整算法调整模型的超参数，得到更新后的超参数，包括：

23、将训练图像输入初始图像分类模型中，通过多个输出层得到多个预测结果和对应于多个预测结果的损失函数值；

24、根据预设的损失函数权重计算多个损失函数值的加权和，以加权和的值为模型的总损失值；

25、以总损失值最小化为优化目标调整初始图像分类模型的超参数。

26、第二方面，本技术还提供了一种电力图像数据处理装置，所述装置包括：

27、数据获取模块，用于获取电力设备图像，并提取电力设备图像的原始特征数据；

28、模型获取模块，用于获取预训练的图像分类模型；目标图像分类模型包括多个特征提取分支或多个输出层；多个特征提取分支中的每个特征提取分支分别对应于不同的分类任务，多个输出层中的每个输出层分别对应于不同的分类任务；

29、数据处理模块，用于通过图像分类模型对原始特征数据进行特征提取，得到与多个分类任务分别对应的多个特征向量，组合各特征向量，得到目标特征向量，根据目标特征向量确定电力设备图像的分类结果，分类结果用于确定电力设备图像中电力设备的类别。

30、第三方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

31、获取电力设备图像，并提取电力设备图像的原始特征数据；

32、获取预训练的目标图像分类模型；目标图像分类模型包括多个特征提取分支或多个输出层；特征提取分支或输出层均分别对应不同的分类任务；

33、通过目标图像分类模型对原始特征数据进行特征提取，得到与各分类任务对应的特征向量，组合各特征向量，得到目标特征向量，根据目标特征向量确定电力设备图像的分类结果，分类结果用于确定电力设备图像中电力设备的类别。

34、第四方面，本技术还提供了一种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：

35、获取电力设备图像，并提取电力设备图像的原始特征数据；

36、获取预训练的目标图像分类模型；目标图像分类模型包括多个特征提取分支或多个输出层；特征提取分支或输出层均分别对应不同的分类任务；

37、通过目标图像分类模型对原始特征数据进行特征提取，得到与各分类任务对应的特征向量，组合各特征向量，得到目标特征向量，根据目标特征向量确定电力设备图像的分类结果，分类结果用于确定电力设备图像中电力设备的类别。

38、第五方面，本技术还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以下步骤：

39、获取电力设备图像，并提取电力设备图像的原始特征数据；

40、获取预训练的目标图像分类模型；目标图像分类模型包括多个特征提取分支或多个输出层；特征提取分支或输出层均分别对应不同的分类任务；

41、通过目标图像分类模型对原始特征数据进行特征提取，得到与各分类任务对应的特征向量，组合各特征向量，得到目标特征向量，根据目标特征向量确定电力设备图像的分类结果，分类结果用于确定电力设备图像中电力设备的类别。

42、上述电力图像数据处理方法、装置、计算机设备、存储介质和计算机程序产品，获取电力设备图像，并提取电力设备图像的原始特征数据；可以捕获图像中的基本信息，例如纹理、颜色、形状，为后续的分类任务提供输入，可以减少数据的维度，提高计算效率；获取预训练的目标图像分类模型；目标图像分类模型包括多个特征提取分支或多个输出层；特征提取分支或输出层均分别对应不同的分类任务；获取经过数据训练的模型可以提升分类的效率；通过目标图像分类模型对原始特征数据进行特征提取，得到与各分类任务对应的特征向量，组合各特征向量，得到目标特征向量，根据目标特征向量确定电力设备图像的分类结果，分类结果用于确定电力设备图像中电力设备的类别，可以通过每个分支或输出层获取特定任务的特征表示，将各个分类任务的特征向量组合成一个目标特征向量有助于整合不同任务的信息，提高分类性能，使分类结果更为全面和准确，可以提高电力设备图像分类的准确率和效率。