【技术实现步骤摘要】
本专利技术涉及电力设备缺陷数据标注，尤其涉及基于跨模态主动学习的电力设备缺陷数据标注方法及系统。
技术介绍
1、电力设备在电力传输、分配、控制和保护方面起着至关重要的作用，然而，电力设备在使用中可能发生异常或存在隐患，这些隐患可能会引发供电系统产生故障。电气设备长期运行引起的绝缘老化、外力破坏以及不可抗的自然灾害可能造成设备缺陷，不仅会对设备本身和使用者造成安全伤害，这些缺陷也会影响设备的使用寿命和电路的安全运行，所以当电力设备发生故障时应该立即处理，否则会造成设备损坏和重大事故。
2、电力设备缺陷数据种类繁多且类型复杂，以往的监督学习方法需要依赖大量人工进行标注，耗时耗力，标注效率低，整体标注成本高昂，并且由于专家经验不足易产生标注结果不一致的问题。此外，大多数电力设备缺陷识别模型都被训练来预测一组固定的对象类别，无法预测测试集中新的物体类别。
3、主动学习是一种新颖的半监督学习方法，其能够在减少标注数据的成本和工作量的同时提高模型的学习效率和泛化能力，如公开号为cn115690833a的中国专利技术专利申请《...
【技术保护点】
1.基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：所述步骤一包括：
3.根据权利要求2所述的基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：所述对比损失函数的计算公式如下：
4.根据权利要求1所述的基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：所述步骤三中将多模态数据中未标注样本输入到多模态分类模型，输出预测标签的过程包括：
5.根据权利要求2所述的基于跨模态主动学习的电力设备缺陷数据标注方...
【技术特征摘要】
1.基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：所述步骤一包括：
3.根据权利要求2所述的基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：所述对比损失函数的计算公式如下：
4.根据权利要求1所述的基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：所述步骤三中将多模态数据中未标注样本输入到多模态分类模型，输出预测标签的过程包括：
5.根据权利要求2所述的基于跨模态主动学习的电力设备缺陷数据标注方法，其特征在于：所述步骤四包括：
6...
【专利技术属性】
技术研发人员：孙伟，郝雨，丁国成，陈凡，黄杰，范明豪，张晨晨，赵龙，仇茹嘉，丁津津，邹知炜，高彪，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
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。