知识嵌入与超网络引导的小样本变电站仪表缺陷图像生成方法

变电站仪表在监测和确保电网稳定运行中发挥着关键作用，然而对其裂纹及其他物理缺陷的检测往往因标注样本严重匮乏而受阻。为了应对这一小样本生成挑战，我们提出了一种新框架，将知识嵌入和超网络引导的条件控制集成到Stable Diffusion流程中，从而能够从有限数据中合成逼真且可控的缺陷图像。首先，我们通过使用DreamBooth风格的知识嵌入微调Stable Diffusion骨干网络，弥合了自然图像预训练模型与工业设备之间的巨大领域鸿沟。这一过程编码了变电站仪表独特的结构和纹理先验，确保生成的图像保留真实的仪表特征。其次，我们引入了一个几何裂纹建模模块，对缺陷属性（如位置、长度、曲率和分支模式）进行参数化，以生成空间约束的控制图。这些图在生成过程中提供了精确的像素级指导。第三，我们设计了一个轻量级超网络，它根据控制图和高级缺陷描述符动态调制扩散模型的去噪过程，在生成保真度和可控性之间实现了灵活的平衡。在真实世界变电站仪表数据集上的大量实验表明，我们的方法显著优于现有的增强和生成基线。它将Frechet Inception Distance（FID）降低了32.7%，增加了多样性指标，并且最重要的是，在使用增强数据训练时，将下游缺陷检测器的mAP提升了15.3%。该框架为缺陷样本稀缺的工业检测系统提供了一种实用、高质量的数据合成解决方案。