基于少样本学习和知识迁移的继电保护压板状态识别

针对变电站中保护压板开关状态自动识别问题，本文提出了一种基于少样本学习和知识迁移的压板开关状态识别模型，使用残差网络提取图像特征，基于度量方法计算查询图像与支持图像之间的相似度，在此基础上使用KNN实现压板开关状态的分类识别。本文将残差网络在公用数据集上预训练的模型直接迁移到基于少样本学习的压板开关状态的识别任务，并研究了KNN算法中不同的最近邻个数对压板开关状态分类结果的影响。本文方法可在图像样本少的情况下实现压板开关状态的识别。实验结果表明，在支持图像的样本数为30时，图像识别精度达到99.49%。相比于其他大样本的分类方法，本文提出的利用少量样本的分类方法能够实现令人满意的分类效果，提高了图像分类的效率。