基于联邦学习的多产线陶瓷缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于联邦学习的多产线陶瓷缺陷检测方法及系统，包括：将每个陶瓷产线对应的陶瓷成品缺陷训练集分别输入陶瓷产线对应的局部检测模型进行训练，更新局部检测模型的局部模型参数；局部检测模型的局部模型参数分割为本地局部模型参数和持续模型全局子参数；本地局部模型参数用于局部检测模型的本地训练，持续模型全局子参数用于经过预设条件的本地训练后上传至联邦学习服务器；将每个陶瓷产线的持续模型全局子参数发送至联邦学习服务器，并通过联邦学习服务器聚合得到全局模型参数；将全局模型参数分发至每个陶瓷产线的局部检测模型进行模型参数更新。本发明专利技术通过多产线的联邦学习和持续学习，提高了模型的精度并提高了生产效率。度并提高了生产效率。度并提高了生产效率。

【技术实现步骤摘要】
基于联邦学习的多产线陶瓷缺陷检测方法及系统


[0001]本专利技术涉及陶瓷缺陷检测
，尤其是涉及一种基于联邦学习的多产线陶瓷缺陷检测方法及系统。

技术介绍

[0002]陶瓷产业作为与人民生活息息相关的产业，是国民经济中不可或缺的一环。我国是全球陶瓷制造的中心，年陶瓷产量和出口量居世界首位。近年来，随着国家对环境的重视以及对节能减排的提倡，如何提高陶瓷生产效率，降低其所产生的污染，实现大规模、高自动化的生产是目前我国陶瓷行业所面临的主要难题。以瓷砖生产为例，在瓷砖生产环节一般包括原材料混合研磨、脱水、压胚、喷墨印花、淋釉、烧制、抛光几个环节，而在瓷砖产品出厂前需要对其进行质量检测和分级评估。近年来，得益于陶瓷产业升级及自动化技术的快速发展，目前生产环节已基本实现标准化、无人化。然而，对于陶瓷产品出厂前关键的质量检测和分级评估环节仍大量依赖人工完成。通常情况下，一条陶瓷产线需分配多名质检工人，长时间的在强光照射下观察陶瓷筛选出存在缺陷的陶瓷制品。这样的检测方法效率低下，且检测的结果与现场工人的经验有较大的关系，检测标准与结果的准确性难以保证。
[0003]陶瓷缺陷检测是目前陶瓷行业生产和质量管理的重要环节，也是困扰行业多年的技术瓶颈。同时，当前陶瓷制品样式繁多，生产安排多变，检测技术需要做到持续、高效、低成本的原则，因此需要一种能够提升陶瓷瑕疵质检的效果和效率并且降低对大量人工的依赖的陶瓷缺陷检测方法。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于联邦学习的多产线陶瓷缺陷检测方法及系统，可以实现陶瓷瑕疵质检的自动化，提高质检效果和效率，并且通过多产线的联邦学习，持续学习训练每个陶瓷产线的局部检测模型，保证了最终检测模型的准确度，大大提高了生产效率。
[0005]第一方面，本专利技术的实施例提供了一种基于联邦学习的多产线陶瓷缺陷检测方法，基于联邦学习的多产线陶瓷缺陷检测方法包括：
[0006]获取多个陶瓷产线以及所述陶瓷产线一一对应的陶瓷成品缺陷训练集；
[0007]将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练，更新所述局部检测模型的局部模型参数；所述局部检测模型的局部模型参数分割为本地局部模型参数和持续模型全局子参数；所述本地局部模型参数用于局部检测模型的本地训练，所述持续模型全局子参数用于经过预设条件的本地训练后上传至联邦学习服务器；
[0008]将每个所述陶瓷产线的持续模型全局子参数发送至所述联邦学习服务器，并通过所述联邦学习服务器聚合得到全局模型参数；
[0009]将所述全局模型参数分发至每个所述陶瓷产线对应的局部检测模型进行模型参
数更新,并跳转到所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练的步骤，直至所述陶瓷产线对应的局部检测模型收敛完成或者迭代次数达到阈值，停止迭代得到每个所述陶瓷产线的最终检测模型。
[0010]根据本专利技术实施例的方法，至少具有如下有益效果：
[0011]通过选取多个陶瓷产线以及陶瓷产线一一对应的陶瓷成品缺陷训练集，能够实现多陶瓷生产线的学习，提高陶瓷缺陷检测的鲁棒性；其次，通过陶瓷成品缺陷训练集分别训练对应的局部检测模型，同时将的局部模型参数分割为本地局部模型参数和持续模型全局子参数，能够在训练更新参数时做到实时更新且不能遗忘过往数据特征，大幅提升模型训练效率；然后通过将持续模型全局子参数发送至联邦学习服务器聚合得到全局模型参数，提高了陶瓷缺陷检测的精度，并且通过联邦学习服务器的聚合提高了局部检测模型的鲁棒性；最后通过循环迭代训练局部检测模型，直至局部检测模型收敛完成或者迭代次数达到阈值，得到每个陶瓷产线的最终检测模型，通过停止迭代的条件保证了最终检测模型的准确度，提高了生产效率，保证了企业生产线的数据安全。
[0012]根据本专利技术的一些实施例，所述陶瓷产线一一对应的陶瓷成品缺陷训练集的获取方法，包括：
[0013]获取每个所述陶瓷产线的陶瓷成品图像；所述陶瓷成品图像包括近距离光照黑白图、远距离倾斜光照角度黑白图片及高清彩色图片；
[0014]标注处理每个陶瓷产线的陶瓷成品图像，得到陶瓷缺陷图像；所述标注处理包括缺陷类型标注和缺陷图像边界的框定；
[0015]对所述陶瓷缺陷图像进行切图处理，得到每个陶瓷产线的陶瓷成品缺陷训练集；所述切图处理包括将所述缺陷图像边界的坐标中心值加减随机偏移量得到切图中心，并根据所述切图中心切出所需的陶瓷成品缺陷训练图像。
[0016]根据本专利技术的一些实施例，在所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练之前，所述基于联邦学习的多产线陶瓷缺陷检测方法还包括：
[0017]将每个所述陶瓷产线的初始化模型参数通过工业互联网传输给所述陶瓷产线对应的局部检测模型进行初始化。
[0018]根据本专利技术的一些实施例，所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练，更新所述局部检测模型的局部模型参数，包括：
[0019]若所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练为第一次迭代，对所述本地局部模型参数和所述持续模型全局子参数均进行更新；否则，仅对所述持续模型全局子参数进行更新；其中，所述本地局部模型参数和所述持续模型全局子参数均进行更新的计算公式包括：
[0020][0021]其中，表示第k个陶瓷产线在第t个任务时的本地局部模型参数，表示第k个陶瓷产线在第t个任务时的持续模型全局子参数，表示第k个陶瓷产线在第t个任务
时的根据模型规模所得的稀疏矩阵，k表示各陶瓷产线所代表的角标，t为当前所学习的任务角标,为第k个陶瓷产线在第t个任务时所学习的局部模型参数，表示给定第i个陶瓷产线在第j个任务下所对应的注意力系数；
[0022]所述本地模型全局子参数与所述持续模型全局子参数进行更新的计算公式包括：
[0023][0024]其中，λ1与λ2表示给定学习率参数。
[0025]根据本专利技术的一些实施例，所述通过所述联邦学习服务器聚合得到全局模型参数的计算公式，包括：
[0026][0027]其中，A表示聚合更新后所得的全局模型参数，K表示陶瓷产线的数量，表示第i条陶瓷产线的局部模型参数。
[0028]根据本专利技术的一些实施例，所述局部检测模型采用YOLOv5模型。
[0029]根据本专利技术的一些实施例，所述陶瓷产线对应的局部检测模型收敛完成的判别条件包括所述局部检测模型的所有分类类别的平均精度、精确率、训练集框定损失函数值、训练集目标损失函数值和训练集类别损失函数值；其中，所述局部检测模型的所有分类类别的平均精度和精确率的计算公式如下：
[0030][0031][0032]其中，mAP表示所述局部检测模型的所有分类类别的平均本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联邦学习的多产线陶瓷缺陷检测方法，其特征在于，所述基于联邦学习的多产线陶瓷缺陷检测方法包括：获取多个陶瓷产线以及所述陶瓷产线一一对应的陶瓷成品缺陷训练集；将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练，更新所述局部检测模型的局部模型参数；所述局部检测模型的局部模型参数分割为本地局部模型参数和持续模型全局子参数；所述本地局部模型参数用于局部检测模型的本地训练，所述持续模型全局子参数用于经过预设条件的本地训练后上传至联邦学习服务器；将每个所述陶瓷产线的持续模型全局子参数发送至所述联邦学习服务器，并通过所述联邦学习服务器聚合得到全局模型参数；将所述全局模型参数分发至每个所述陶瓷产线对应的局部检测模型进行模型参数更新,并跳转到所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练的步骤，直至所述陶瓷产线对应的局部检测模型收敛完成或者迭代次数达到阈值，停止迭代得到每个所述陶瓷产线的最终检测模型。2.根据权利要求1所述的基于联邦学习的多产线陶瓷缺陷检测方法，其特征在于，所述陶瓷产线一一对应的陶瓷成品缺陷训练集的获取方法，包括：获取每个所述陶瓷产线的陶瓷成品图像；所述陶瓷成品图像包括近距离光照黑白图、远距离倾斜光照角度黑白图片及高清彩色图片；标注处理每个陶瓷产线的陶瓷成品图像，得到陶瓷缺陷图像；所述标注处理包括缺陷类型标注和缺陷图像边界的框定；对所述陶瓷缺陷图像进行切图处理，得到每个陶瓷产线的陶瓷成品缺陷训练集；所述切图处理包括将所述缺陷图像边界的坐标中心值加减随机偏移量得到切图中心，并根据所述切图中心切出所需的陶瓷成品缺陷训练图像。3.根据权利要求1所述的基于联邦学习的多产线陶瓷缺陷检测方法，其特征在于，在所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练之前，所述基于联邦学习的多产线陶瓷缺陷检测方法还包括：将每个所述陶瓷产线的初始化模型参数通过工业互联网传输给所述陶瓷产线对应的局部检测模型进行初始化。4.根据权利要求3所述的基于联邦学习的多产线陶瓷缺陷检测方法，其特征在于，所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练，更新所述局部检测模型的局部模型参数，包括：若所述将每个所述陶瓷产线对应的陶瓷成品缺陷训练集分别输入所述陶瓷产线对应的局部检测模型进行训练为第一次迭代，对所述本地局部模型参数和所述持续模型全局子参数均进行更新；否则，仅对所述持续模型全局子参数进行更新；其中，所述本地局部模型参数和所述持续模型全局子参数均进行更新的计算公式包括：其中，表示第k个陶瓷产线在第t个任务时的本地局部模型参数，表示第k个陶瓷
产线在第t个任务时的持续模型全局子参数，表示第k个陶瓷产线在第t个任务时的根据模型规模所得的稀疏矩阵，k表示各陶瓷产线所代表的角标，t为当前所学习的任务角标,为第k个陶瓷产线在第t个任务时所学习的局部模型参数，表示给定第i个陶瓷产线在第j个任务下所对...

【专利技术属性】
技术研发人员：李松泽，谢晋，
申请(专利权)人：香港科技大学广州，
类型：发明
国别省市：