一种基于联邦学习的图像分割方法及相关设备技术

本发明专利技术提供一种基于联邦学习的图像分割方法及相关设备。方法用于服务器，包括：将经初始化的图像分割模型下发至至少两个客户端；自至少两个客户端接收客户端本地模型参数，客户端本地模型参数是客户端基于所接收到的经初始化的图像分割模型以及自身本地数据经过训练后获得的；对客户端本地模型参数进行参数聚合，以获取全局模型参数；基于全局模型参数对图像分割模型进行参数更新；将经更新的图像分割模型下发至至少两个客户端，以使至少两个客户端基于经更新的图像分割模型进行图像分割。保证了各方数据的隐私性，有效降低了通信负载。充分挖掘数据之间的特征信息，寻找数据之间的联系，同时改进图像分割模型结构，达到提升分割准确性的效果。升分割准确性的效果。升分割准确性的效果。

【技术实现步骤摘要】
一种基于联邦学习的图像分割方法及相关设备


[0001]本专利技术涉及农业图像处理
，更具体地，涉及一种基于联邦学习的图像分割方法、一种电子设备以及一种存储介质。

技术介绍

[0002]葡萄是我国重要的水果产品，2020年其产量达到14.314万吨，随着劳动力短缺和成本的上升，葡萄果园采摘的机械自动化引起了更多的关注。推进农业生产的机械化与智能化是解决该问题的重要途径。针对葡萄果梗的精准分割是确定采摘点的前提，是实现在果园环境中机器人进行无损采摘的重要环节，在野外葡萄采摘作业中，因光照情况不同、存在多种不同的遮挡情境，使得葡萄采摘环境十分复杂。且葡萄品种繁多，不同品种之间颜色纹理和形状之间存在较大差异。采摘点位于葡萄果梗，但果梗与叶子、背景之间相似度很高，难以进行准确区分。这些非结构、不确定因素使得精准分割获得采摘点具有很高的难度。
[0003]随着技术的迅速发展，人们对葡萄采摘的准确率要求越来越高，由于数据持有方拥有的数据量较少，且各方数据无法聚合在一起形成数据孤岛，无法充分挖掘其中丰富的语义信息和通用特征，不足以满足图像分割的高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的图像分割方法，其特征在于，用于服务器，包括：将经初始化的图像分割模型下发至至少两个客户端；自所述至少两个客户端接收客户端本地模型参数，其中，所述客户端本地模型参数是所述客户端基于所接收到的所述经初始化的图像分割模型以及自身本地数据经过训练后获得的；对所述客户端本地模型参数进行参数聚合，以获取全局模型参数；基于所述全局模型参数对所述图像分割模型进行参数更新；将经更新的图像分割模型下发至所述至少两个客户端，以使所述至少两个客户端基于所述经更新的图像分割模型进行图像分割。2.如权利要求1所述的基于联邦学习的图像分割方法，其特征在于，所述基于所述全局模型参数对所述图像分割模型进行参数更新，包括：在所述经更新的图像分割模型收敛后，停止所述参数更新。3.如权利要求2所述的基于联邦学习的图像分割方法，其特征在于，所接收到的所述客户端本地模型参数是经过加密的，在所述对所述客户端本地模型参数进行参数聚合之前，所述方法还包括：对所述客户端本地模型参数进行解密操作，以获得解密参数。4.一种基于联邦学习的图像分割方法，其特征在于，用于客户端，包括：自服务器接收初始化的图像分割模型；基于本地数据对所述初始化的图像分割模型进行训练，以获得客户端本地模型参数；将所述客户端本地模型参数发送至所述服务器；自所述服务器接收更新后的图像分割模型，其中，所述更新后的图像分割模型是利用对来自至少两个所述客户端的客户端本地模型参数进行聚合后获得全局模型参数对所述图像分割模型进行参数更新后得到的；利用所述更新后的图像分割模型进行图像分割。5.如权利要求4所述的基于联邦学习的图像分割方法，其特征在于，所述图像分割模型包括编码模块和解码模块，所述编码模块包括卷积神经网络分支、转换器分支和多个特征融合模块，所述卷积神经网络分支包括多个卷积神经网络层，所述转换器分支包括与所述卷积神经网络的层数相等的多个转换器层，所述基于本地数据对所述初始化的图像分割模型进行训练，包括：将待分割图像分别输入所述卷积神经网络分支和所述转换器分...

【专利技术属性】
技术研发人员：王金海，张宗印，罗陆锋，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：