The invention discloses a structural damage identification method based on attribute category relationship and small sample element learning, which can produce good accuracy and robustness for almost all damage categories. Using the small sample element learning framework, the meta training batch can be randomly and independently sampled from the initial damage category to train a parametric model. Each metabatch sample is a different classification task composed of randomly sampled training and test subsets. The metabatch task is iterative and involves different damage categories. By training the end-to-end attribute extraction model, the common inter class knowledge of damage categories is extracted as attributes, and a series of binary semantic features are generated as description vectors. By minimizing the distance between the predicted attribute representation vector and the real attribute representation vector, the damage types in the test set are inferred and classified on the basis of transferring the existing attributes. The overall accuracy of the method is 97.61%, the recall rate is 97.58%, and the minimum detection accuracy is 92.5%.
【技术实现步骤摘要】
基于属性类别关系和少样本元学习的结构损伤识别方法
本专利技术涉及一种基于属性类别关系和少样本元学习的结构损伤识别方法。
技术介绍
常规的工程结构损伤识别方法需要通过对多类结构损伤的图像进行人工检查,然后将收集到的图像可用于基于视觉的结构损伤识别和状态评估。一方面,传统的基于图像处理的方法总是需要手工特征的优化设计,缺乏对不同应用情况的通用适应性。另一方面,常规的监督学习技术往往需要足够的样本来训练得到一个鲁棒的损伤检测模型,这就需要大量的训练样本,同时数据收集和标记过程也是费时费力的。此外,由于在实际检测中遇到的损伤类型会出现前所未有的或很少训练的类别和有限的训练样本,使得模型的泛化能力无法在实际情况下得到保证。
技术实现思路
针对当前结构损伤识别和安全评估的重大实际需求以及传统方法存在的不足,本专利技术提出了一种基于属性类别关系和少样本元学习的结构损伤识别方法,解决了传统损伤识别方法需要依赖大量样本、以及对新损伤类别预测精度差的迁移识别难题。本专利技术所采用的技术如下:一种基于属性类别关系和少样本元学习的结构损伤识别方法,步骤如下:步骤一、采用少样本元学习框架来处理训练集只包括不完备的损伤类型和训练样本有限的情况:元学习使计算机能够捕获到自主学习的能力,并通过从重新组装的各种任务池中执行迁移学习来生成参数化模型,这些任务是从可用子集中随机生成和采样的,每个任务都被命名为元处理批次;步骤二、采用基于属性的迁移学习来建立属性类别模型,提取出结构损伤图像的内部固有特征,利用类间 ...
【技术保护点】
1.一种基于属性类别关系和少样本元学习的结构损伤识别方法,其特征在于,步骤如下:/n步骤一、采用少样本元学习框架来处理训练集只包括不完备的损伤类型和训练样本有限的情况:元学习使计算机能够捕获到自主学习的能力,并通过从重新组装的各种任务池中执行迁移学习来生成参数化模型,这些任务是从可用子集中随机生成和采样的,每个任务都被命名为元处理批次;/n步骤二、采用基于属性的迁移学习来建立属性类别模型,提取出结构损伤图像的内部固有特征,利用类间属性知识进行损伤识别:属性提供了从源损伤空间和目标损伤空间之间的连接关系,属性提取机制利用嵌入在源损伤类型中的分类知识;/n步骤三、采用属性向量以相对简单的方式来表示复杂的耦合损伤:将单个损伤对应位置的二进制值由0改为1,重新获得耦合损伤的属性二进制向量;采用嵌套学习过程,由外部的少样本元学习回路和内部的属性类别学习回路组成,网络模型在内外循环中迭代更新,随着外部循环的运行,不断地提供和训练来自新类的例子,增强网络模型的泛化能力。/n
【技术特征摘要】
1.一种基于属性类别关系和少样本元学习的结构损伤识别方法,其特征在于,步骤如下:
步骤一、采用少样本元学习框架来处理训练集只包括不完备的损伤类型和训练样本有限的情况:元学习使计算机能够捕获到自主学习的能力,并通过从重新组装的各种任务池中执行迁移学习来生成参数化模型,这些任务是从可用子集中随机生成和采样的,每个任务都被命名为元处理批次;
步骤二、采用基于属性的迁移学习来建立属性类别模型,提取出结构损伤图像的内部固有特征,利用类间属性知识进行损伤识别:属性提供了从源损伤空间和目标损伤空间之间的连接关系,属性提取机制利用嵌入在源损伤类型中的分类知识;
步骤三、采用属性向量以相对简单的方式来表示复杂的耦合损伤:将单个损伤对应位置的二进制值由0改为1,重新获得耦合损伤的属性二进制向量;采用嵌套学习过程,由外部的少样本元学习回路和内部的属性类别学习回路组成,网络模型在内外循环中迭代更新,随着外部循环的运行,不断地提供和训练来自新类的例子,增强网络模型的泛化能力。
2.根据权利要求1所述的基于属性类别关系和少样本元学习的结构损伤识别方法,其特征在于,步骤一具体包括:
步骤一一、设结构损伤图像总共包含Nt个损伤类别,从Nt类中随机抽取N类,N<Nt,在N类随机抽取的损伤类别中,分别随机采样获得K个样本,构成支持集S,记为
S={(x1×1,y1×1),…,(xi×j,yi×j),…,(xN×K,yN×K)}(1)
其中S为支持集,即当前元处理批次中的训练集,xi×j为第i类中的第j个图像,yi×j为预先注释的类别标签,K和N分别为每个损伤类别中的图像数量和当前元处理批次中所考虑的损伤类别总数;
步骤一二、在由步骤一一获得当前元处理批次的支持集S后,对所选的N个损伤类型,选取不同于支持集的T个图像作为查询集,记为
其中,Q表示查询集,即当前元批中的测试集,和分别表示第i个输入图像及其带注释的损伤类别标签,T表示查询集中图像的总数量。
3.根据权利要求1所述的基于属性类别关系和少样本元学习的结构损伤识别方法,其特征在于,步骤二中对属性类别模型的建模过程具体为:
其中,Tk为外部循环中的第k个任务,由随机均匀采样获得,Ntask为不同任务的总数,L为外环中的任务损失函数,x为输入的损伤图像,a为输出的属性向量,K和N分别为每个损伤类别...
【专利技术属性】
技术研发人员:李惠,徐阳,鲍跃全,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:黑龙;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。