一种机器人小样本人工智能识别方法及装置制造方法及图纸

本发明专利技术公开了一种机器人小样本人工智能识别方法，包括：输入农配网杆图像的真实样本，通过GAN网络对真实样本的类别合成新的数据，扩充训练数据；通过编码、归纳和解码器创建识别算法模型；使用目标函数对所述识别算法模型进行训练，并更新至最优参数。本发明专利技术结合塔杆与异物识别的具体业务应用，新场景训练样本数量比较少的情况下，利用本发明专利技术可以对只有少量样本的新类别进行快速学习，达到理想的图像识别效果。不仅可以节约前期对于样本数据收集的人力投入，还能缩短样本处理与标注步骤，使用更少的投入即可获得不错的识别精度。更少的投入即可获得不错的识别精度。更少的投入即可获得不错的识别精度。

【技术实现步骤摘要】
一种机器人小样本人工智能识别方法及装置


[0001]本专利技术涉及图像识别
，尤其涉及一种机器人小样本人工智能识别方法及装置。

技术介绍

[0002]机器人的人工智能识别技术可以依靠识别装置，自动化地收集、识别各类信息。并通过分析与处理，做出相应的反应，实现智能化识别。然而，人工智能识别技术应用面临着诸多瓶颈。
[0003]在人工智能识别系统的应用中，系统的成功很大程度上依赖于大量的训练数据，而在农配网杆塔设备缺陷与线路异物识别场景中，因杆塔缺陷与线路异物出现毫无规律，并且种类繁多，每一种类可能只有少量数据或少量标注数据，前期就需要投入大量人力对出现的设备缺陷与线路异物情况进行拍照收集，并且后期需要再次投入人力对大量现场图片进行标注。且通常情况下，利用人工智能算法进行学习时，先验知识的获取一般来自于三方面：数据、模型与算法。因此，在数据量有限的情况下，一般通过基于数据增强的方法、基于模型改进的方法、基于算法优化的方法来提高样本多样性，但此些方法成本以及前期花费的人力物力问题就是限制人工智能识别技术应用的难题之一。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术提供了一种机器人小样本人工智能识别方法及装置解决目前农配网杆塔设备缺陷与线路异物识别场景中，因杆塔缺陷与线路异物出现毫无规律，并且种类繁多，前后期就需要投入大量人力对出现的设备缺陷与线路异物情况进行拍照收集和标注，且无法准确识别、正确率及精度较低的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：包括：
[0008]第一方面，一种机器人小样本人工智能识别方法构建方法，包括，
[0009]输入农配网杆图像的真实样本，通过GAN网络对真实样本的类别合成新的数据，扩充训练数据；
[0010]通过编码、归纳和解码器创建识别算法模型；
[0011]使用目标函数对所述识别算法模型进行训练，并更新至最优参数。
[0012]作为本专利技术所述的机器人小样本人工智能识别方法的一种优选方案，其中：所述通过GAN网络对真实样本的类别合成新样本数据，包括，
[0013]通过GAN网络中的生成模型模块，捕捉真实样本的有效分布，生成第二样本；
[0014]将真实样本与第二样本共同输入至判别模型中；
[0015]度量成对样本的相似性，从而生成新样本集。
[0016]作为本专利技术所述的机器人小样本人工智能识别方法的一种优选方案，其中：所述通过编码器、归纳和解码器创建识别算法模型包括，
[0017]使用编码器对新样本集的图像低级局域像素值进行归类与分析，包括：
[0018]利用卷积层获取图像局域特征；
[0019]利用池化层对图像进行采样，将尺度不变特征传送至下一层，并对图像进行归一化处理。
[0020]作为本专利技术所述的机器人小样本人工智能识别方法的一种优选方案，其中：还包括，使用归纳网络通过动态路由的方式，建模样本向量到类别向量的映射过程，提取类别特征，获得特征图像。
[0021]作为本专利技术所述的机器人小样本人工智能识别方法的一种优选方案，其中：还包括，
[0022]使用解码器对缩小后的特征图像进行上采样，得到第一采样图像；
[0023]对第一采样图像进行卷积处理，补齐第一采样图像上物体的几何形状，弥补编码器的池化层将所述物体缩小造成的细节损失。
[0024]作为本专利技术所述的机器人小样本人工智能识别方法的一种优选方案，其中：所述使用目标函数对所述识别算法模型进行训练，包括，
[0025]通过平方损失函数进行训练，
[0026]设定样本集中预测值为y，真实值为Y，则损失函数L为：
[0027][0028]作为本专利技术所述的机器人小样本人工智能识别方法的一种优选方案，其中：所述更新至最优参数，包括使用梯度下降法更新参数。
[0029]第二方面，提供一种机器人小样本人工智能识别方法装置，包括，
[0030]输入合成模块，用于输入真实样本，通过GAN网络为小样本类别合成新的数据，扩充训练数据；
[0031]模型构建模块，用于通过编码、归纳和解码器创建识别算法模型；
[0032]训练更新模块，用于使用目标函数对所述识别算法模型进行训练，并更新至最优参数。
[0033]第三方面，提供一种电子设备，包括：
[0034]存储器和处理器；
[0035]所述存储器用于存储计算机可执行指令，所述处理器用于执行所述计算机可执行指令，该计算机可执行指令被处理器执行时实现所述机器人小样本人工智能识别方法的步骤。
[0036]第四方面，提供一种计算机可读存储介质，其存储有计算机可执行指令，该计算机可执行指令被处理器执行时实现所述机器人小样本人工智能识别方法的步骤。
[0037]与现有技术相比，本专利技术的有益效果：本专利技术结合塔杆与异物识别的具体业务应用，新场景训练样本数量比较少的情况下，利用本专利技术可以对只有少量样本的新类别进行快速学习，达到理想的图像识别效果。不仅可以节约前期对于样本数据收集的人力投入，还
能缩短样本处理与标注步骤，使用更少的投入即可获得不错的识别精度。
附图说明
[0038]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0039]图1为本专利技术一个实施例所述的机器人小样本人工智能识别方法的流程示意图；
[0040]图2为本专利技术一个实施例所述的机器人小样本人工智能识别方法的对比实验图。
具体实施方式
[0041]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0042]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0043]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器人小样本人工智能识别方法，其特征在于，包括：输入农配网杆图像的真实样本，通过GAN网络对真实样本的类别合成新的数据，扩充训练数据；通过编码、归纳和解码器创建识别算法模型；使用目标函数对所述识别算法模型进行训练，并更新至最优参数。2.如权利要求1所述的机器人小样本人工智能识别方法，其特征在于，所述通过GAN网络对真实样本的类别合成新样本数据，包括，通过GAN网络中的生成模型模块，捕捉真实样本的有效分布，生成第二样本；将真实样本与第二样本共同输入至判别模型中；度量成对样本的相似性，从而生成新样本集。3.如权利要求1或2所述的机器人小样本人工智能识别方法，其特征在于，所述通过编码器、归纳和解码器创建识别算法模型，包括，使用编码器对新样本集的图像低级局域像素值进行归类与分析；利用卷积层获取图像局域特征；利用池化层对图像进行采样，将尺度不变特征传送至下一层，并对图像进行归一化处理。4.如权利要求3所述的机器人小样本人工智能识别方法，其特征在于，还包括，使用归纳网络通过动态路由的方式，建模样本向量到类别向量的映射过程，提取类别特征，获得特征图像。5.如权利要求4所述的机器人小样本人工智能识别方法，其特征在于，还包括，使用解码器对缩小后的特征图像进行上采样，得到第一采样图像；...

【专利技术属性】
技术研发人员：贾承锦，陈在新，汪渊，伍青，于洋，毛义鹏，吴强，陈勇，马拥军，何明俊，胡昭，
申请(专利权)人：国网四川省电力公司南充供电公司，
类型：发明
国别省市：