1.大模型图像样本自动生成方法，其特征在于，所述方法包括：S1、采集电网设备的差异光谱图像数据，以作为原始数据，对所述原始数据进行形态学滤波操作、数据清洗操作以及数据整合操作，以得到模型训练输入数据；其中，所述S1包括：S11、利用下述逻辑，对所述原始数据进行所述形态学滤波操作，以得到膨胀参数、腐蚀参数、开运算参数以及闭运算参数，以得到去噪增强电网图像：其中，利用下述逻辑，表达所述膨胀参数：式中， element 为结构元素， 为锚点O的位置， 和 为结构元值为1的像素相对所述锚点O的位置偏移， src 表示原图， dst 表示结果图， dst(x,y) 表示所述锚点O的结果图， src (x+x’,y+y’) 表示偏移原图，element( x’,y’ )表示偏移位置结构元素；将所述膨胀参数的公式符号记为： ；其中，利用下述逻辑，表达所述腐蚀参数： ；将所述腐蚀参数的公式符号记为： ；利用下述逻辑，根据所述膨胀参数的公式符号、所述腐蚀参数的公式符号，表达所述开运算参数的公式符号、所述闭运算参数的公式符号：其中，利用下述逻辑，表达所述开运算参数： ；利用下述逻辑，所述闭运算参数： ；式中， f 表示输入图像， s 表示结构元素， 表示异或运算， 表示减法运算， 表示开运算， 表示闭运算；S12、利用K-近邻算法KNN，对所述去噪增强电网图像进行所述数据清洗操作、所述数据整合操作，以得到所述模型训练输入数据；S2、生成并利用对抗网络GAN进行对抗操作，对所述模型训练输入图像数据进行训练，以进行样本生成以及样本评估操作，获取稀缺样本；S3、将所述稀缺样本与实时采集图像混合，利用支持向量机，对所述稀缺样本、所述实时采集图像进行标注处理，以构造适用泛化能力新数据集；其中，所述S3包括：S31、将所述稀缺样本预处理转化为灰度图像；S32、对所述灰度图像进行滤波、降噪、二值化、膨胀、腐蚀操作，以得到适用尺寸灰度图；S34、根据所述适用尺寸灰度图，处理得到图像轮廓特征；S35、筛选所述图像轮廓特征，以得到目标最小外接矩；S36、根据所述目标最小外接矩，提取ROI参数，利用支持向量机SVM处理所述ROI参数，以得到并标注所述稀缺样本；S4、利用迁移学习技术，在所述适用泛化能力新数据集上，对预训练ResNet模型进行训练、验证操作，以得到适用电网图像大模型；S41、构建迁移学习基本框架；S42、根据所述迁移学习基本框架，对所述预训练ResNet模型进行增量学习，以得到增量学习模型；其中，所述S42还包括：S421、初始化所述预训练ResNet模型的参数；S422、接收所述适用泛化能力新数据集中的新样本：S423、对所述新样本进行聚类分析，以利用下述逻辑，求取新样本隶属度：式中， 表示第 个所述新样本属于第 个簇中心的隶属度， 表示第 个所述新样本所属的第 个所述簇中心的距离， 表示第 个所述新样本所属的第 个所述簇中心的距离；S424、利用下述逻辑，更新聚类的所述簇中心：式中， 为原始数据集的样本数量， 为所述适用泛化能力新数据集的样本数量， b i 为所述新样本 的特征向量， 为所述新样本 隶属于第 个所述簇中心 c j 的隶属度， 表示采样 m 个样本时，所述新样本 隶属于第 个所述簇中心 c j 的隶属度， 表示对所述原始数据集的隶属度与所述新样本 的特征向量的积的求和操作， 表示对所述适用泛化能力新数据集的隶属度与所述新样本 的特征向量的积的求和操作， 表示对所述原始数据集的隶属度的求和操作， 表示对所述适用泛化能力新数据集的隶属度的求和操作；S425、更新所有所述新样本隶属度；S426、循环执行所述步骤S424至所述步骤S425，直至满足预置停止条件。
2.根据权利要求1所述的大模型图像样本自动生成方法，其特征在于，所述S2包括：S21、设置所述对抗网络GAN的目标函数、生成器以及判别器，以生成所述对抗网络GAN，利用所述生成器、所述判别器进行对抗，得到对抗样本；S22、利用所述对抗网络GAN处理所述对抗样本，获取IS指标，根据所述IS指标评估所述对抗样本，以获取所述稀缺样本。
3.根据权利要求2所述的大模型图像样本自动生成方法，其特征在于，所述S21中，利用下述逻辑，设置所述目标函数：式中， D 表示判别器， G 表示生成器， 表示所述生成器的优化目标， 表示所述判别器的优化目标， V(D,G) 表示所述目标函数， 表示采样真实图片， 表示采样真实图片 对应概率， p data 表示采样数据概率， data 表示采样数据， p 表示概率， 表示所述采样真实图片 对应的概率分布， 表示所述采样真实图片 对应的概率分布的对数， 表示采样真实图片序列， 表示真实数据数学期望， z 表示随机噪声， p z 表示所述随机噪声对应的概率， z~p z (z) 表示随机噪声序列， G(z) 表示所述随机噪声的生成操作， D(G(z)) 表示把假的样本分类成真的概率分布， 表示噪声数据数学期望。
4.根据权利要求2所述的大模型图像样本自动生成方法，其特征在于，所述S21包括：S211、利用下述逻辑，设置所述判别器 D ： ；S212、利用下述逻辑，设置所述生成器 G ： 。
5.根据权利要求2所述的大模型图像样本自动生成方法，其特征在于，所述S21还包括：S211’、利用所述目标函数，将模型训练输入数据分为真样本、假样本，初始化得到 ， ，其中， 为所述判别器 D 的参数， 为所述生成器 G 的参数；S212’、根据所述判别器 D 的参数，利用下述逻辑进行循环训练，更新所述判别器 D 的参数 ，获取最大化判别器：式中， 表示所述最大化判别器， 表示采样个数， 表示采样真实图片 对应的第 i 个概率分布， 表示所述采样真实图片 的生成数据， 为表示所述采样真实图片 的所述生成数据对应的第 i 个概率分布， η 表示偏回归系数， 表示梯度算子；S213’、根据所述生成器 G 的参数 ，利用下述逻辑训练所述生成器 ，以更新所述生成器 的参数 ，获取最小化生成器：式中， 表示第 i 个所述采样真实图片 的生成操作， 表示第 i 个所述采样真实图片 的所述生成数据的生成操作。
6.根据权利要求1所述的大模型图像样本自动生成方法，其特征在于，所述S4中，S43、利用下述逻辑求取得分指标，以对当前的所述增量学习模型的输出结果进行验证，以得到验证信息，根据所述验证信息确定所述适用电网图像大模型：式中， 表示查准率， 表示召回率， F 1 表示所述得分指标。
7.大模型图像样本自动生成系统，用于执行所述权利要求1至6任一项所述的大模型图像样本自动生成方法，其特征在于，所述系统包括：输入数据预处理模块，用以采集电网设备的差异光谱图像数据，以作为原始数据，对所述原始数据进行形态学滤波操作、数据清洗操作以及数据整合操作，以得到模型训练输入数据；稀缺样本获取模块，用以生成并利用对抗网络GAN进行对抗操作，对所述模型训练输入图像数据进行训练，以进行样本生成以及样本评估操作，获取稀缺样本，所述稀缺样本获取模块与所述输入数据预处理模块连接；新数据集构造模块，用以将所述稀缺样本与实时采集图像混合，利用支持向量机，对所述稀缺样本、所述实时采集图像进行标注处理，以构造适用泛化能力新数据集，所述新数据集构造模块与所述稀缺样本获取模块连接；适用模型获取模块，用以利用迁移学习技术，在所述适用泛化能力新数据集上，对预训练ResNet模型进行训练、验证操作，以得到适用电网图像大模型，所述适用模型获取模块与所述新数据集构造模块连接。
