[發(fā)明專利]一種基于圖神經(jīng)網(wǎng)絡(luò)的小樣本分類學(xué)習(xí)方法

在審

• 申請?zhí)枺?/td>: 202210479820.8
• 申請日: 2022-05-05
• 公開（公告）號: CN115063624A
• 公開（公告）日: 2022-09-16
• 發(fā)明（設(shè)計）人: 王忠立;王穎博;蔡伯根
• 申請（專利權(quán)）人: 北京交通大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06N3/04;G06N3/08
• 代理公司: 北京市誠輝律師事務(wù)所 11430
• 代理人: 楊帥峰;岳東升

基于4C圖像的接觸網(wǎng)缺陷檢測對確保鐵路運輸安全和列車穩(wěn)定運行具有重要作用，基于深度學(xué)習(xí)的方法存在零部件及缺陷種類多，而缺陷樣本數(shù)量少的問題。本申請?zhí)峁┝艘环N基于圖神經(jīng)網(wǎng)絡(luò)的小樣本分類學(xué)習(xí)方法，包括：1)采集真實場景高鐵接觸網(wǎng)圖片，對其零部件進行定位分類處理并構(gòu)建4C樣本庫；2)將相應(yīng)類別的圖片輸入小樣本分類網(wǎng)絡(luò)中進行訓(xùn)練，得到模型訓(xùn)練結(jié)果；3)單張未標(biāo)記的測試圖片通過訓(xùn)練好的模型可得到對應(yīng)的類別名稱；4)批量輸入的有標(biāo)記測試圖片通過預(yù)測值與真值對比可得到具體的分類精度。本方法能提高小樣本學(xué)習(xí)方法的分類精度，構(gòu)建了較為豐富完整的4C樣本庫，在小樣本開源數(shù)據(jù)集和4C樣本庫上都取得了較好的分類效果。

技術(shù)領(lǐng)域

本申請屬于機器學(xué)習(xí)領(lǐng)域，特別是涉及一種基于圖神經(jīng)網(wǎng)絡(luò)的小樣本分類學(xué)習(xí)方法。

背景技術(shù)

接觸網(wǎng)作為高速鐵路牽引供電系統(tǒng)的關(guān)鍵設(shè)備，直接影響高鐵運輸?shù)陌踩院涂煽啃浴Ｆ渲校佑|網(wǎng)懸掛系統(tǒng)由許多不同的零部件組成，受列車長期運行引發(fā)的物理/機械沖擊和振動的影響，其零部件容易產(chǎn)生松動、斷裂，甚至脫落、缺失等問題，這會導(dǎo)致高速鐵路運營安全出現(xiàn)隱患。為了確保牽引供電系統(tǒng)的可靠運行，接觸網(wǎng)懸掛狀態(tài)檢測監(jiān)測(簡稱4C檢測，它由檢測車車頂?shù)臄z像頭沿線路記錄接觸網(wǎng)的圖像，基于這些圖像進行分析分析的過程)，主要以周期性巡視檢查接觸網(wǎng)懸掛部件狀態(tài)的方式來指導(dǎo)接觸網(wǎng)運行維修，這是目前高速鐵路牽引供電系統(tǒng)的關(guān)鍵技術(shù)，也是鐵路運輸安全可靠的重要保障。

目前的4C檢測系統(tǒng)由安裝在檢測車上的數(shù)十套高速、高清工業(yè)相機及后臺運行控制系統(tǒng)對接觸網(wǎng)的幾何參數(shù)、重要零部件實施自動抓拍成像，進行定期的監(jiān)測和檢查，再由人工對抓拍圖像進行目視檢查和缺陷識別。隨著圖像處理技術(shù)的發(fā)展，將先進的基于視覺的接觸網(wǎng)部件缺陷檢測方法應(yīng)用到4C圖像智能分析中以實現(xiàn)自動檢測是當(dāng)前的發(fā)展趨勢。自動圖像識別是其中的關(guān)鍵技術(shù)，這類方法一般包括兩個步驟：先對接觸網(wǎng)支撐懸掛裝置的零部件進行定位，然后對其可能存在的缺陷進行識別分類。零部件的定位方法主要分為基于手工特征和基于深度學(xué)習(xí)兩類，且基于深度學(xué)習(xí)的目標(biāo)檢測方法在零部件定位方面的應(yīng)用已經(jīng)取得了良好的效果。除了零部件定位，基于深度學(xué)習(xí)的方法也被用于缺陷識別分類問題中，盡管基于深度學(xué)習(xí)的方法在準(zhǔn)確性、可擴展性和魯棒性方面取得了突破，但這類方法往往需要大量的標(biāo)記數(shù)據(jù)。然而，在實際應(yīng)用中，接觸網(wǎng)懸掛系統(tǒng)存在桿的種類多、每種桿的零部件多、每種零部件的缺陷種類多，而缺陷樣本的數(shù)量非常少的問題，不足以訓(xùn)練魯棒分類器，這使得深度學(xué)習(xí)方法在接觸網(wǎng)缺陷識別分類方面仍具有一定難度。機器學(xué)習(xí)領(lǐng)域最近提出的小樣本學(xué)習(xí)方法Few-shot learning(FSL)具有從少量樣本中學(xué)習(xí)和概括的能力，不依賴于大規(guī)模的訓(xùn)練樣本，從而避免了在一些應(yīng)用中準(zhǔn)備大量數(shù)據(jù)的高昂成本。小樣本學(xué)習(xí)的目標(biāo)是在已知類別的基礎(chǔ)上訓(xùn)練一個分類模型，使它能夠在只有少量數(shù)據(jù)的未知類別上具有很好的泛化性能。

基于模型微調(diào)的方法是較為傳統(tǒng)的小樣本學(xué)習(xí)方法，該方法的使用前提是目標(biāo)樣本數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集分布類似，但在目標(biāo)樣本數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)集分布并不類似的情況下，模型在目標(biāo)樣本數(shù)據(jù)集上會存在過擬合的問題；基于數(shù)據(jù)增強的方法不需要對模型進行調(diào)整，只需要借助輔助數(shù)據(jù)或信息，對原始的目標(biāo)樣本數(shù)據(jù)集進行數(shù)據(jù)擴充或增強特征，但有可能會引入噪聲數(shù)據(jù)或特征，對分類效果產(chǎn)生負面影響；基于遷移學(xué)習(xí)的方法以舊知識學(xué)習(xí)新知識的方式將已經(jīng)學(xué)會的知識很快地遷移并應(yīng)用到新的領(lǐng)域中，包括度量學(xué)習(xí)，元學(xué)習(xí)，圖神經(jīng)網(wǎng)絡(luò)(GNN)等。基于度量學(xué)習(xí)的方法便于公式化，但在樣本數(shù)量較少的情況下，簡單通過距離衡量相似度容易導(dǎo)致準(zhǔn)確率降低。最近的研究表明，圖神經(jīng)網(wǎng)絡(luò)具有可解釋性好、數(shù)據(jù)表達能力強的優(yōu)勢，但在樣本總數(shù)變大時，圖神經(jīng)網(wǎng)絡(luò)中邊的數(shù)量會迅速變多，導(dǎo)致計算復(fù)雜度快速增加，且以往的GNN方法和其他元學(xué)習(xí)方法只是顯式或隱式地考慮了樣本之間的關(guān)系，而忽略了樣本分布之間的關(guān)系。

發(fā)明內(nèi)容

1.要解決的技術(shù)問題