[发明专利]热力管网状况诊断方法、装置、终端设备和存储介质

权利要求书

1.一种热力管网状况诊断模型训练方法，其特征在于，包括以下步骤：

将含热力管网状况类别标签的随机噪声数据输入ACGAN生成器，得到含状况类别标签的伪样本，将已获得的热力管网图像真样本和ACGAN生成器新生成的含状况类别标签的伪样本输入ACGAN判别器进行判别真假训练和分类训练，并输入SVM模型进行分类训练，将ACGAN判别器和SVM模型的分类损失函数整合为统一损失函数，根据ACGAN判别真假的情况，更新所述ACGAN生成器参数，根据所述统一损失函数，更新所述ACGAN判别器参数，根据所述SVM模型分类损失函数，更新所述SVM模型参数；

迭代以上步骤多次后，每迭代一定次数，就降低一次SVM损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述SVM损失函数影响；

在所述统一损失函数不受所述SVM损失函数影响后，使用ACGAN独立进行分类训练，根据训练好的ACGAN判别器，得到热力管网状况诊断模型。

2.如权利要求1所述的方法，其特征在于，所述将含热力管网状况类别标签的随机噪声数据输入ACGAN生成器之前，包括以下步骤：

获得热力管网图像真样本；

根据所述热力管网图像真样本的状况类别，设置状况类别标签；

生成含所述状况类别标签的随机噪声数据；

根据所述状况类别，构建SVM模型；

构建ACGAN模型。

3.如权利要求2所述的方法，其特征在于，所述获得热力管网图像真样本，包括以下步骤：

分别采集不同状况类别下的热力管网图像样本若干个，所述状况类别包括：正常、管壁泄露、管道弯曲变形、管道保温层破损；

对所采集的不同状况类别下的热力管网图像样本做数据增强处理中的至少一项，得到数据增强处理后的热力管网图像样本，所述数据增强处理包括图像旋转、裁剪、同类拼接、仿射变换、增加校验噪声、增加光照与阴影、调节对比度和调节饱和度；

将数据增强处理后的热力管网图像样本进行同类样本的随机组合，得到随机组合后的热力管网图像样本；

将所采集的不同状况类别下的热力管网图像样本、所述数据增强处理后的热力管网图像样本和所述随机组合后的热力管网图像样本，标记为热力管网图像真样本。

4.如权利要求2所述的方法，其特征在于，所述根据所述状况类别，构建SVM模型，包括以下步骤：

根据所述状况类别数量N，构建N-1个SVM子模型，其中，N为正整数。

5.如权利要求2所述的方法，其特征在于，所述构建ACGAN模型，包括以下步骤：

使用反卷积神经网络建立ACGAN生成器；

使用卷积神经网络建立ACGAN判别器。

6.如权利要求2所述的方法，其特征在于，所述生成含所述状况类别标签的随机噪声数据，包括以下步骤：

采集多个随机噪声数据，每个随机噪声数据添加一个所述状况类别标签，每个所述状况类别标签都添加到所述多个随机噪声数据上。

7.如权利要求1所述的方法，其特征在于，所述将ACGAN判别器和SVM模型的分类损失函数整合为统一损失函数，包括以下步骤：

确定所述ACGAN判别器的分类损失函数L_C；

确定所述SVM模型的分类损失函数L_SVM；

根据分类损失函数L_C和L_SVM，确定统一损失函数Loss的表达式为：

Loss＝(1-λ)L_SVM+λL_C

式中，λ为所述ACGAN判别器的分类结果置信占比，将大于0且小于1的任意数设置为λ的初值。

8.如权利要求7所述的方法，其特征在于，所述每迭代一定次数，就降低一次SVM损失函数对所述统一损失函数的影响，直到所述统一损失函数不受所述SVM损失函数影响，包括以下步骤：

每迭代一定次数，就以一定的增量增大所述统一损失函数Loss表达式中的λ，直到λ增大到1。