少样本条件下基于元学习的质量通病检测方法与流程

本发明涉及图像识别计算机视觉，具体为少样本条件下基于元学习的质量通病检测方法。

背景技术：

1、电力工程设备建设中，输电线路基础及杆塔存在杆塔基础混凝土施工不规范，地脚螺栓露高不正确，铁塔向受力方向倾斜等问题，如耐张钢管杆架线后，钢管杆向受力方向倾斜，钢管杆底部法兰盘与基础面有较大缝隙，地脚螺栓露出高度比设计值低等。

2、随着电网规模的不断扩大，电网工程设备的安装越来越多，这给相应的监督运维工作以及电网的安全稳定运行带来了一系列挑战；传统的电网工程设备的安装检验工作由经受过培训的工作人员，结合安装蓝图和工程要求诊断；这样的方法劳动强度大，且诊断经验需要通过长期大量工作积累，难以推广；在设备状态评估中，若孤立地根据各个类型的数据(图文记录、测量数据)进行判断，就难以充分考虑到各个数据类型之间存在的联系。

3、计算机视觉领域中，在大规模图像分类问题上预训练的模型可以找到能够根据少量样本高效地进行微调的表征，进而可以学习一系列分类问题找到能够根据少量样本高效地进行微调的表征，模型的初始化表征适用于许多任务，通过微调模型参数实现少样本的识别检测。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述存在的问题，提出了本发明。

3、本发明实施例的第一方面，提供少样本条件下基于元学习的质量通病检测方法，包括：根据质量通病检测任务构建元学习数据集，基于所述元学习数据集设置基准网络模型；通过随机初始化所述基准网络模型的参数，确定基学习器的学习率和外部训练结束条件，经过一次梯度迭代获得适应具体检测任务的最优参数；基于所述最优参数采用不同检测任务的测试误差之和作为元学习过程的优化目标，通过梯度下降法更新学习器的参数，并对所述基准网络模型进行迭代训练，直到模型收敛。

4、作为本发明所述的少样本条件下基于元学习的质量通病检测方法的一种优选方案，其中：所述元学习数据集的构建包括，

5、所述质量通病检测任务由训练集和测试集构成，按照匹配网络中的定义，所述训练集又包括支持集和目标集；

6、在元训练过程中，学习器在每个任务上通过所述支持集进行距离度量学习所述目标集，且在每个任务上通过所述测试集来更新学习器参数；

7、根据n-way k-shot少样本学习原则，从所述训练集中随机选择n类，每个类别中选取k个样本作为支持集其中表示第n个类别第i个样本的训练数据，表示第n个类别第i个样本的训练标签，共计ms＝k×n个；

8、每个类别中选取b1个样本作为目标集共计mt＝b1×n个，从n类的每类剩下的样本中选取b2个作为测试集共计mtest＝b2×n个。

9、作为本发明所述的少样本条件下基于元学习的质量通病检测方法的一种优选方案，其中：所述基准网络模型的设置包括，

10、构建一个层数为16的深度神经网络用于对所述元学习数据集进行特征提取；

11、所述深度神经网络包括13层卷积层和3层全连接层，前15层均采用relu函数作为激活函数，卷积核的尺寸为3×3，移动步长为2，池化层采用最大值池化策略，尺寸为2×2，移动步长为2。

12、作为本发明所述的少样本条件下基于元学习的质量通病检测方法的一种优选方案，其中：所述基学习器的学习率和外部训练结束条件的确定包括，

13、所述元训练过程中的元优化目标的计算包括，

14、

15、

16、其中，ti表示具体的质量通病检测任务，p(t)表示元学习任务的概率分布，表示具体任务上的损失，ds表示支持集，dtest表示测试集，f(θ)表示学习器，θ表示参数，表示损失梯度，α表示学习器的学习率。

17、作为本发明所述的少样本条件下基于元学习的质量通病检测方法的一种优选方案，其中：所述梯度迭代的计算包括，

18、

19、其中，gθ表示梯度迭代，dtrain表示训练集。

20、作为本发明所述的少样本条件下基于元学习的质量通病检测方法的一种优选方案，其中：所述最优参数的获取包括，

21、从所述元学习任务的概率分布中随机抽取批量的任务t1～ti，在t1上抽取样本，经过一次梯度迭代得到适应具体任务的新参数θ1'；

22、继续在t1上抽取新样本进行测试，从而得到相应任务t1上的损失lt1f(θ)，再从p(t)抽样新任务t2，得到相应任务上的损失，直至得到新任务tn的损失。

23、作为本发明所述的少样本条件下基于元学习的质量通病检测方法的一种优选方案，其中：还包括，

24、采用不同任务上的测试误差之和作为元学习过程的优化目标，通过梯度下降法来更新学习器的参数，并求解出一组初始化表征；

25、基于所述初始化表征，在新任务ti的少量数据上，经过一次梯度下降迭代就能让学习器收敛到最优参数。

26、本发明实施例的第二方面，提供少样本条件下基于元学习的质量通病检测系统，包括：

27、模型构建模块，用于根据质量通病检测任务构建元学习数据集，基于所述元学习数据集设置基准网络模型；

28、参数获取模块，通过随机初始化所述基准网络模型的参数，确定基学习器的学习率和外部训练结束条件，经过一次梯度迭代获得适应具体检测任务的最优参数；

29、迭代训练模块，用于基于所述最优参数采用不同检测任务的测试误差之和作为元学习过程的优化目标，通过梯度下降法更新学习器的参数，并对所述基准网络模型进行迭代训练，直到模型收敛。

30、本发明实施例的第三方面，提供一种设备，所述设备包括，

31、处理器；

32、用于存储处理器可执行指令的存储器；

33、所述处理器被配置为调用所述存储器存储的指令，以执行本发明任一实施例所述的方法。

34、本发明实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，包括：

35、所述计算机程序指令被处理器执行时实现如本发明任一实施例所述的方法。

36、本发明的有益效果：本发明提供少样本条件下基于元学习的质量通病检测方法，针对每种问题可用的数据集样本较少，传统的深度学习算法由于训练数据不足，无法真实反映数据的分布情况而造成过拟合的问题；少样本学习旨在从单个或少数训练样本中学习关于对象类别的信息，这种学习方式对基于大量数据的深度学习方法至关重要；元学习利用之前的经验快速地学习新任务，达到学习如何学习的能力，从而能够很好的解决少样本学习所面临的“类别或概念因任务而异”的难题；在训练过程中采用该方法进行学习寻找模型最优参数，而在元验证和元测试过程中取消内层梯度迭代，直接进行测试；本发明使学习得到的度量方式具有更强的泛化能力，适用于任何基于梯度优化的模型结构，且具有双层优化结构，有效提升了模型精度和泛化能力，有效避免了过拟合。