【技术实现步骤摘要】
本专利技术属于图像检测的，更具体地，涉及一种基于云边协同的木材表面缺陷自学习方法及装置。
技术介绍
1、实木板材在国民经济中扮演重要角色，被广泛使用在国家建设中。因此，检测和评估木材产品的质量尤为重要。基于深度学习的木材表面缺陷检测方法能够有效满足实际生产过程中木皮单板表面缺陷检测的准确性和实时性需求。
2、然而，在实际生产过程中，常会出现木皮单板种类繁多、表面缺陷类型增加、用户需求增加等问题。比如，不同地区的不同种类的木材可能具有不同的生长环境、树种和培育方式，导致其特征分布存在差异；不同设备在采集木材图像时可能存在差异，如分辨率、光照条件、拍摄角度等；由于木材的生长周期和处理过程的差异，不同时间段采集的木材数据可能存在差异，例如不同季节生长的木材可能具有不同的纹理和缺陷分布；不同设备操作者在采集木材数据时可能存在操作习惯和技术水平的差异，这些都有可能会导致客户端训练数据的非独立同分布问题。此外，每个客户端的数据数量、数据分布可能不同。这就需要定期采集数据，标注新的数据集，迭代深度学习模型，以保证其能够满足生产过程中的要求
3、本文档来自技高网...
【技术保护点】
1.一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述步骤S2中具体包括：
3.根据权利要求1所述的一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述步骤S3中具体包括：将所述初始缺陷检测模型的参数分解为维度相同的全局参数和本地头部参数，且全局参数和本地头部参数通过反向传播计算梯度并进行更新。
4.根据权利要求1所述的一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述步骤S3中具体还包括：使用随机梯度下降计算损失函数...
【技术特征摘要】
1.一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述步骤s2中具体包括：
3.根据权利要求1所述的一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述步骤s3中具体包括：将所述初始缺陷检测模型的参数分解为维度相同的全局参数和本地头部参数，且全局参数和本地头部参数通过反向传播计算梯度并进行更新。
4.根据权利要求1所述的一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述步骤s3中具体还包括：使用随机梯度下降计算损失函数分别更新本地头部参数和迁移向量，并基于更新后的本地头部参数和迁移向量更新全局参数；
5.根据权利要求4所述的一种基于云边协同的木材表面缺陷自学习方法，其特征在于，所述步骤s3中具体还包括：将更新后的全局参数上传至云服务器，云服务器聚合更新后的全局参数，以得到下一轮次...
【专利技术属性】
技术研发人员：夏俊杰，郝凤琦，张祖尧，朱述磊，邵奕斐，赵喜缘，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：
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。