基于边缘联邦学习的水域异常监管方法及系统技术方案

本发明专利技术公开了一种基于边缘联邦学习的水域异常监管方法及系统，属于图像处理技术领域，方法包括以下步骤：采集待监管水域的图像数据，进行分割标注及样本分类，划分训练集和测试集；构建水域分割模型，采用训练集及其分割标注训练水域分割模型；采用训练后的水域分割模型对全部数据进行水域抠取；构建水域异常检测模型，并加载预训练权重，采用水域抠取后的训练集对其进行优化；将训练后的水域分割和优化后的水域异常检测模型分发至所有客户端，客户端不定期收集异常检测模型的误漏报数据，进行定期联邦训练，从而实现水域异常监管

【技术实现步骤摘要】
基于边缘联邦学习的水域异常监管方法及系统


[0001]本专利技术涉及一种基于边缘联邦学习的水域异常监管方法及系统，属于图像处理

。

技术介绍

[0002]水资源是生命的基础，对人类的饮水
、
农业
、
工业和生态系统的健康都至关重要
。
随着工业化和城市化的迅速发展，水污染成为一个严重的问题
。
生活垃圾
、
有害化学物质和废水都可能污染水域，对水质造成威胁，危害人类健康和生态系统的稳定性
。
因此，有效的水资源管理和监管变得至关重要
。
[0003]智慧水利建设作为推进水利现代化的着力点和突破口，以实现水利业务流程优化，水利工作模式创新，水利治理能力现代化为目标，开始成为各地水利项目的必选项
。
智慧水利利用先进的自动化技术和系统来监测
、
检测和应对水域中出现的异常情况，不仅能够实现实时监测，还能够有效降低人工巡查成本，更好地管理水资源
。
[0004]基于深度学习的水域异常检测模型能够实时检测水域中的异常现象或行为，例如水面漂浮物
、
排污
、
游泳
、
溺水等，对检测到的异常现象或行为在水域管控平台界面上实施告警，使得管理部门或人员能够及时对危险或影响水环境的行为进行干预
。
但非水域区域往往会对模型的决策造成一定程度的干扰，导致水域异常检测模型性能不加
。
>其次，模型的优化大多是直接采集监控的误漏报数据，进而对模型进行集中式训练
、
升级，然而视频监控采集的图像通常涉及用户或居民的隐私，上述模型的优化方式通常会使用户或居民隐私得不到保障
。
因此，如何在不侵犯用户或居民隐私的条件下，有效提升水域异常检测模型的性能是一个亟待解决的问题
。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种基于边缘联邦学习的水域异常监管方法及系统，能够有效提升水域异常检测模型的性能，保障用户或居民的隐私
。
[0006]本专利技术解决其技术问题采取的技术方案是：第一方面，本专利技术实施例提供的一种基于边缘联邦学习的水域异常监管方法，包括以下步骤：采集待监管水域的图像数据，进行分割标注及样本分类，划分训练集和测试集；构建水域分割模型，采用训练集及其分割标注训练水域分割模型；采用训练后的水域分割模型对全部数据进行水域抠取；构建水域异常检测模型，并加载预训练权重，采用水域抠取后的训练集对其进行优化；将训练后的水域分割和优化后的水域异常检测模型分发至所有客户端，客户端不定期收集异常检测模型的误漏报数据，进行定期联邦训练，从而实现水域异常监管
。
[0007]作为本实施例一种可能的实现方式，所述样本分类包括非异常水域
、
人员入侵水
域和脏乱水域3个类别，所述人员入侵水域类别包括戏水
、
游泳
、
溺水和船只四种水域包含人员的场景，所述脏乱水域类别包括排污
、
浮萍
、
水面垃圾
、
植物秸秆和枯枝枯叶五种影响水环境的场景
。
[0008]作为本实施例一种可能的实现方式，所述构建水域分割模型，采用训练集及其分割标注训练水域分割模型，包括：构建水域分割模型；
[0009]采用包含水域分割标注的训练集通过下式对水域分割模型中可学习的参数进行水域分割训练：
[0010][0011]其中，，，为水域分割模型对输入图像
x
的最终预测特征图中第
i
行
j
列的预测值，
、
，表示实数空间，
h、w
分别表示输入或输出的高和宽，为掩膜标签第
i
行
j
列的值，为调整和损失占比的超参数
。
[0012]作为本实施例一种可能的实现方式，所述采用训练后的水域分割模型对全部数据进行水域抠取，包括：采用训练后的水域分割模型对全部数据进行推理，通过指示函数获得输入图像
x
的水域掩膜
M
，即水域像素值为1，非水域像素值为0的单通道二值图像，所述指示函数为：
[0013][0014]通过式对图像
x
中的水域像素进行抠取，为抠取后的图像
。
[0015]作为本实施例一种可能的实现方式，所述构建水域异常检测模型，并加载预训练权重，采用水域抠取后的训练集对其进行优化，包括：构建水域异常检测模型；
[0016]采用水域异常检测模型在训练集上的交叉熵损失函数对的可学习参数进行迭代更新，直至收敛为止，所述交叉熵损失函数为：
[0017][0018]其中，
p
z
(x)
为水域异常检测模型将样本
x
预测为类别
z
的概率，
y
z
(x)
为样本
x
的
one
‑
hot
标签第
z
个位置的值，
z∈{1, 2, 3}。
[0019]作为本实施例一种可能的实现方式，所述将训练后的水域分割和优化后的水域异常检测模型分发至所有客户端，客户端不定期收集异常检测模型的误漏报数据，进行定期
联邦训练，从而实现水域异常监管，包括：服务端按照预设比例
r
对所有客户端进行随机采样；被采样的客户端采用各自收集的数据自动对水域异常检测模型进行训练，其中，
n
为客户端总数；
[0020]对客户端中水域异常检测模型的参数分别进行拼接及压缩，并将压缩后的模型参数上传至服务端；
[0021]服务端对客户端上传的模型参数进行重构
、
聚合，并分发至客户端对水域异常检测模型进行参数更新；
[0022]重复执行上述步骤，直至达到预设迭代次数
e
为止
。
[0023]作为本实施例一种可能的实现方式，所述对客户端中水域异常检测模型的参数分别进行拼接及压缩，并将压缩后的模型参数上传至服务端，包括：
[0024]客户端
C
t
将水域异常检测模型的可学习参数拼接为一个近似于矩阵的形状，并采用0值进行填充使其恰好能够形成一个参数矩阵，其中，表示实数空间，
t∈{1, 2, 3, ...,nr}
，；
[0025]采用奇异值分解算法将拼接后的参数矩阵分解为特征矩阵
、
特征矩阵和奇异值矩阵的乘积，即；
[0026]根据动态的能量阈值选取奇异值矩阵中的前
k
个奇异值，其中，
c
为当前迭代轮次，
、
分别为自定义的能量最大值
、...

【技术保护点】

【技术特征摘要】
1.
一种基于边缘联邦学习的水域异常监管方法，其特征在于，包括以下步骤：采集待监管水域的图像数据，进行分割标注及样本分类，划分训练集和测试集；构建水域分割模型，采用训练集及其分割标注训练水域分割模型；采用训练后的水域分割模型对全部数据进行水域抠取；构建水域异常检测模型，并加载预训练权重，采用水域抠取后的训练集对其进行优化；将训练后的水域分割和优化后的水域异常检测模型分发至所有客户端，客户端不定期收集异常检测模型的误漏报数据，进行定期联邦训练，从而实现水域异常监管
。2.
根据权利要求1所述的基于边缘联邦学习的水域异常监管方法，其特征在于，所述样本分类包括非异常水域
、
人员入侵水域和脏乱水域3个类别，所述人员入侵水域类别包括戏水
、
游泳
、
溺水和船只四种水域包含人员的场景，所述脏乱水域类别包括排污
、
浮萍
、
水面垃圾
、
植物秸秆和枯枝枯叶五种影响水环境的场景
。3.
根据权利要求1所述的基于边缘联邦学习的水域异常监管方法，其特征在于，所述构建水域分割模型，采用训练集及其分割标注训练水域分割模型，包括：构建水域分割模型；采用包含水域分割标注的训练集通过下式对水域分割模型中可学习的参数进行水域分割训练：其中，，，为水域分割模型对输入图像
x
的最终预测特征图中第
i
行
j
列的预测值，
、
，表示实数空间，
h、w
分别表示输入或输出的高和宽，为掩膜标签第
i
行
j
列的值，为调整和损失占比的超参数
。4.
根据权利要求1所述的基于边缘联邦学习的水域异常监管方法，其特征在于，所述采用训练后的水域分割模型对全部数据进行水域抠取，包括：采用训练后的水域分割模型对全部数据进行推理，通过指示函数获得输入图像
x
的水域掩膜
M
，即水域像素值为1，非水域像素值为0的单通道二值图像，所述指示函数为：通过式对图像
x
中的水域像素进行抠取，为抠取后的图像
。5.
根据权利要求1所述的基于边缘联邦学习的水域异常监管方法，其特征在于，所述构建水域异常检测模型，并加载预训练权重，采用水域抠取后的训练集对其进行优化，包括：构建水域异常检测模型；采用水域异常检测模型在训练集上的交叉熵损失函数对水域异常检测模型的可
学习参数进行迭代更新，直至收敛为止，所述交叉熵损失函数为：其中，
p
z
(x)
为水域异常检测模型将样本
x
预测为类别
z
的概率，
y
z
(x)
为样本
x
的
one
‑
hot
标签第
z
个位置的值，
z∈{1, 2, 3}。6.
根据权利要求1‑5任意一项所述的基于边缘联邦学习的水域异常监管方法，其特征在于，所述将训练后的水域分割和优化后的水域异常检测模型分发至所有客户端，客户端不定期收集异常检测模型的误漏报数据，进行定期联邦训练，从而实现水域异常监管，包括：服务端按照预设比例
r
对所有客户端进行随机...

【专利技术属性】
技术研发人员：刘建龙，王志文，赵庆华，薛海朋，张红艳，刘治财，
申请(专利权)人：山东智洋上水信息技术有限公司，
类型：发明
国别省市：