Los métodos de clasificación de imágenes basados en aprendizaje profundo han sido ampliamente utilizados en el estudio de la identificación de carga no intrusiva. Sin embargo, en el proceso de codificar las señales eléctricas de carga en imágenes, cómo retener completamente las características de los datos crudos y, por lo tanto, aumentar la reconocibilidad de las cargas transportadas con señales de corriente muy similares sigue siendo un desafío, y la pérdida de características de carga provocará que la precisión general de la identificación de carga disminuya. Para hacer frente a este problema, este documento propone un método de identificación de carga no intrusiva basado en el campo angular de Gram mejorado (iGAF) y ResNet18. En el método propuesto, se utiliza la transformada rápida de Fourier para calcular el espectro de amplitud y el espectro de fase para reconstruir las matrices de píxeles de los canales B, G y R de las imágenes GAF generadas para que la imagen a color fusionada por los tres canales contenga más información. Esta mejora en el método GAF permite que las imágenes generadas retengan la característica de amplitud y la característica de fase de los datos crudos que generalmente se pierden en la imagen GAF general. ResNet18 se entrena con imágenes iGAF para la identificación de carga no intrusiva. Se realizan experimentos en dos conjuntos de datos privados, ESEAD y EMCAD, y dos conjuntos de datos públicos, PLAID y WHITED. Los resultados experimentales sugieren que el método propuesto funciona bien en ambos conjuntos de datos privados y públicos, logrando precisión de identificación general del 99.545%, 99.375%, 98.964% y 100% en los cuatro conjuntos de datos, respectivamente. En particular, el método demuestra efectos significativos de identificación para cargas con formas de onda de corriente similares en conjuntos de datos privados.