【技术实现步骤摘要】
本专利技术属于联邦学习领域，尤其涉及一种基于联邦学习的安全帽佩戴检测模型训练方法。
技术介绍
1、安全帽是各种作业场景如建筑工地、工厂车间和变电站人员的必备安全防护设备。由于不戴安全帽导致的事故数不胜数，检测人员是否佩戴安全帽对企业来说是一项强制性任务。目前，视频监控是监测安全帽佩戴的主要手段。然而，使用人工审查监控视频的方式耗费时间和精力，效率较低。另外，传统的图像处理方法过于依赖先验知识，因此检测准确度较低，无法满足实时监测的需求。随着深度学习技术的快速发展，它在视觉目标检测领域的广泛应用已经成为了检测安全帽佩戴情况的重要方法。
2、目标检测模型的训练需要大量的数据。但是，不戴安全帽这样的违规行为发生率低，这导致仅使用单个企业的视频监控数据训练深度检测模型的样本不足。考虑到建筑工地、变电站和工厂车间等许多场景都需要检测安全帽佩戴情况，若从多家公司汇总数据进行模型训练便可以提高检测模型的性能。然而传统的集中训练方法不适用，因为在集中位置(如云端)汇总数据会带来许多挑战。例如，监控视频涉及到公司生产和运营活动的敏感信息，可能导致隐私泄露。此外，将大量视频数据传输到云端可能会带来高昂的传输成本和云存储压力。鉴于这些挑战，集中的模型训练方式不可行。
3、联邦学习是一种分布式机器学习技术，其最大的特点是避免数据集中化。在联邦学习中，参与者(如各种公司)使用自己的本地数据进行模型训练，中央服务器只聚合参与者上传的模型参数。这种方法不仅实现了数据聚合和增强，而且避免了集中训练带来的隐私泄露和高通信及存储成本的风险。
技术实现思路
1、本专利技术的技术目的在于提出了一种基于联邦学习的安全帽佩戴检测模型训练方法，该方法的步骤如下：
2、步骤一：建立以云边协同为基础架构的联邦训练框架；该联邦训练框架由n个相互独立的企业客户端{c1，c2，...，cn}和一个云服务器组成，各企业客户端由本地服务器和摄像头组成，本地服务器作为边缘计算节点，云服务器作为中心节点；每个边缘客户端均拥有自己的私人数据集di，di∈{d1，d2，...dn}，各客户端数据呈非独立同分布；客户端和云服务器之间进行双向通信，各客户端之间无通信；每个企业本地服务器均部署相同的目标检测模型，用于本地模型训练；云服务器负责模型的聚合与传输，不收集任何客户端本地的原始数据，保护用户隐私并减轻通信负担；采用联邦学习保护各客户端隐私，联合各方数据训练联邦模型mfl，并使联邦模型mfl的检测精度pfl接近集中训练模型mcl的检测精度pcl；联邦训练框架最终的优化目标为：
3、|pfl-pcl|≤ε
4、其中ε为任意小的正实数；
5、步骤二：训练任务初始化；云服务器确定本次联邦训练的通信轮数和客户端本地训练次数，生成初始全局模型；将本地训练次数与初始全局模型下发至各客户端；
6、步骤三：带有类别平衡修正的本地模型训练；各客户端收到全局模型后，先更新本地参数，然后利用本地私有数据进行模型训练，直至达到指定的本地训练次数，得到新的本地模型；在训练过程中，计算类别损失时使用自适应权重类别损失函数替代原本的二元交叉熵损失以缓解类别不平衡问题，自适应权重类别损失函数公式如下：
7、
8、式中γclass为类别损失权重系数，s×s为不同尺寸的特征图，b为批量大小，当锚框中有目标时，值为1，反之则为0；pi(c)为目标的类别概率，与类别真实值的总和表示为c；自适应类别损失函数用以鼓励客户在其训练阶段将重点放在被全局模型错误分类的类上；
9、f1分数是类别精确率和召回率的调和平均数，使用f1分数作为全局模型对本地各类性能表现的评价指标，类别c的自适应损失权重αc定义为：
10、
11、其中为全局模型在类别c上的f1分数，rc为类别c的样本数量比例，ε为平滑因子；
12、步骤四：模型参数上传；训练完成后，各客户端在本地测试集上评估本地模型精确度，并将评估结果与本地模型参数一起上传至云服务器用于模型聚合；
13、步骤五：动态加权模型聚合；云服务器将各客户端上传的模型参数进行加权聚合生成新的全局模型，然后将其下发至各客户端；各客户端的权重计算方法如下式所示：
14、
15、式中ki为客户端ci分配到的聚合权重，qi为全局模型在ci上的精确度值；
16、第t+1轮通信的全局模型的生成如下，其中ωt+1为第t+1轮聚合生成的全局模型，为客户端ci在第t+1轮通信时训练出的本地模型；
17、
18、重复进行步骤三、步骤四、步骤五，直到全局模型收敛或达到指定的通信轮数；步骤六：模型个性化；联邦训练结束后，各客户端得到最终的全局模型，然后利用本地数据，使用迁移学习对全局模型进行微调，得到最终的个性化模型；
19、各客户端通过迁移学习对通用全局模型进行微调的过程如下：先冻结全局模型的骨干网络，然后使用本地安全帽数据集对模型的其余部分再次训练，得到最终的更适应本地场景的个性化模型。
20、综上，本专利技术研究一种基于云边协同的联邦学习框架的安全帽检测模型高效训练方法，将参与训练的各企业作为边缘节点在本地进行模型训练，云服务器作为中心节点负责模型聚合，有效实现隐私保护，通信效率和模型性能的良好权衡。
本文档来自技高网...【技术保护点】
1.一种基于联邦学习的安全帽佩戴检测模型训练方法，其特征在于：该方法的实施步骤如下：
【技术特征摘要】
1.一种基于联邦学习的安全帽佩戴检测模型训...
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。