[发明专利]一种基于零样本学习的绝缘子缺陷检测方法及系统

权利要求书

1.一种基于零样本学习的绝缘子缺陷检测方法，其特征在于，包括：

获取绝缘子每种缺陷类别对应的文本数据；

根据每种缺陷类别对应的文本数据，获取每种缺陷类别的语义特征向量；

获取待检测绝缘子的图像；

根据所述待检测绝缘子的图像，采用卷积神经网络提取所述待检测绝缘子的图像特征向量；

确定所述图像特征向量与每种缺陷类别的语义特征向量之间的距离；

基于所述图像特征向量与每种缺陷类别的语义特征向量之间的距离，采用最近邻分类器确定所述待检测绝缘子的缺陷类别；所述待检测绝缘子的缺陷类别为与所述图像特征向量距离最短的语义特征向量对应的缺陷类别。

2.根据权利要求1所述的基于零样本学习的绝缘子缺陷检测方法，其特征在于，所述绝缘子的缺陷类别包括：表面侵蚀缺陷、粗糙龟裂缺陷、破损断裂缺陷、掉串缺陷和闪络烧伤缺陷。

3.根据权利要求1所述的基于零样本学习的绝缘子缺陷检测方法，其特征在于，所述获取绝缘子每种缺陷类别对应的文本数据，具体包括：

从维基百科语料库中获取每种缺陷类别对应的数据；

从每种缺陷类别对应的数据中抽取正文，并通过正则表达式进行初步过滤，得到初步数据；

对所述初步数据依次经过繁简转化、语料清洗和分词操作，得到每种缺陷类别对应的文本数据。

4.根据权利要求1所述的基于零样本学习的绝缘子缺陷检测方法，其特征在于，所述根据每种缺陷类别对应的文本数据，获取每种缺陷类别的语义特征向量，具体包括：

根据每种缺陷类别对应的文本数据，采用Skip-Gram模型提取每种缺陷类别的词向量；所述词向量为对应缺陷类别的语义描述信息；

采用解析字典学习方法去除每种缺陷类别的词向量的冗余信息，得到每种缺陷类别的语义特征向量。

5.根据权利要求1所述的基于零样本学习的绝缘子缺陷检测方法，其特征在于，所述确定所述图像特征向量与每种缺陷类别的语义特征向量之间的距离，具体包括：

采用LMNN算法计算所述图像特征向量与每种缺陷类别的语义特征向量之间的距离，得到距离映射矩阵。

6.一种基于零样本学习的绝缘子缺陷检测系统，其特征在于，包括：

文本数据获取模块，用于获取绝缘子每种缺陷类别对应的文本数据；

语义特征向量获取模块，用于根据每种缺陷类别对应的文本数据，获取每种缺陷类别的语义特征向量；

图像获取模块，用于获取待检测绝缘子的图像；

图像特征向量提取模块，用于根据所述待检测绝缘子的图像，采用卷积神经网络提取所述待检测绝缘子的图像特征向量；

距离确定模块，用于确定所述图像特征向量与每种缺陷类别的语义特征向量之间的距离；

缺陷类别确定模块，用于基于所述图像特征向量与每种缺陷类别的语义特征向量之间的距离，采用最近邻分类器确定所述待检测绝缘子的缺陷类别；所述待检测绝缘子的缺陷类别为与所述图像特征向量距离最短的语义特征向量对应的缺陷类别。

7.根据权利要求6所述的基于零样本学习的绝缘子缺陷检测系统，其特征在于，所述绝缘子的缺陷类别包括：表面侵蚀缺陷、粗糙龟裂缺陷、破损断裂缺陷、掉串缺陷和闪络烧伤缺陷。

8.根据权利要求6所述的基于零样本学习的绝缘子缺陷检测系统，其特征在于，所述文本数据获取模块具体包括：

数据提取单元，用于从维基百科语料库中获取每种缺陷类别对应的数据；

初步数据获取单元，用于从每种缺陷类别对应的数据中抽取正文，并通过正则表达式进行初步过滤，得到初步数据；

文本数据获取单元，用于对所述初步数据依次经过繁简转化、语料清洗和分词操作，得到每种缺陷类别对应的文本数据。