基于深度学习的紫外成像和声成像融合故障分类方法及系统

本发明公开了一种基于深度学习的紫外成像和声成像融合故障分类方法及系统，涉及人工智能技术领域，包括：首先获取设备紫外成像数据和声成像数据组成的成像数据组；通过双通道特征编码网络对两类数据分别提取基础特征和增强特征；以基础紫外成像特征和基础声成像特征为基准点，计算异源对齐误差值，实现跨模态特征空间对齐；结合基础特征与增强特征确定融合决策误差值，优化网络参数得到目标双通道特征编码网络；最终通过目标网络对设备监测数据进行故障判断。本发明通过多模态特征分层提取、异源特征对齐及融合决策误差约束，有效提升了故障分类的准确性和鲁棒性，适用于电力设备等复杂场景的故障检测。