买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜上海交通大学申请的专利一种基于联邦学习的表面缺陷检测模型训练方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114881939B 。

龙图腾网通过国家知识产权局官网在2025-03-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210420922.2，技术领域涉及：G06T7/00；该发明授权一种基于联邦学习的表面缺陷检测模型训练方法是由贺顺杰;杨博;陈彩莲;关新平设计研发完成，并于2022-04-20向国家知识产权局提交的专利申请。

本一种基于联邦学习的表面缺陷检测模型训练方法在说明书摘要公布了：本发明公开了一种基于联邦学习的表面缺陷检测模型训练方法，涉及联邦学习领域，该方法的步骤有，步骤一：客户端本地数据处理；步骤二：客户端预选择算法；步骤三：客户端本地训练；步骤四：基于图像质量权重的参数聚合算法；步骤五：模型组合。本发明采集表面缺陷图片周期更短，并且不会泄漏各训练参与者的本地数据，降低了暂时的通信状况不佳对整体训练速度的影响，同时也降低了持有低质量图片的训练参与者对整体模型性能的影响。

本发明授权一种基于联邦学习的表面缺陷检测模型训练方法在权利要求书中公布了：1.一种基于联邦学习的表面缺陷检测模型训练方法，其特征在于，所述方法包括以下步骤：步骤一：客户端本地数据处理；步骤二：客户端预选择算法；步骤三：客户端本地训练；步骤四：基于图像质量权重的参数聚合算法；步骤五：模型组合；所述步骤二中，首先，服务器会判断客户端当前是否支持通信并能保证一定时间的稳定通信；然后，客户端需要将当前的通信带宽，训练用时，资源大小，以及相关历史数据参数告知中心服务器，中心服务器会在计算后排除那些虽然可通信但是通信时间过长的客户端，这样做能让尽可能多的客户端在限定的通信时间完成一轮训练，减少总训练时间；C＝{C1，，，CK}表示参与联邦学习的K个客户端，S＝k1，，，k|S|}，ki∈C表示经过客户端预选择算法筛选后参与下一轮训练的客户端，Tr为每轮训练的时间上限，Tf为总训练时间上限，Tcs为客户端预选择的时间，Tag为参数聚合的时间；表示服务器将参数分发给各个客户端所花费的时间，这与各个信道的通信带宽有关；和分别表示将第k个客户端训练本地模型和上传模型参数花费的时间；上述参数均在客户端预选择阶段时由各个客户端发给服务器，因为这些数据量相对模型参数和带宽来说非常小，因此传输时间可以忽略不计；客户端预选择算法的目标函数为max|S|，即在设定的单轮训练时间内选择让尽可能多的客户端参与训练；客户端的本地模型训练是并行的，因此取被选择客户端中训练时间最大的即可，上传参数需要每个客户端分别与服务器建立连接，因此这个过程是串行的；每一轮客户端训练和通信的总时间θ可以如下表示：Θ＝Ttr+Tul 综上所述，最终的优化问题可以汇总为：max|S| 因为变量有训练时间Ttr和上传时间两个Tul，而Ttr是取所有中的最大值，因此可以先固定Ttr再找到最长的Tul序列；首先对Ttr和Tul排序，令Tul为零，找到最大然后再寻找满足约束条件下最长的Tul序列，变量lmax记录序列最长长度；下一次循环时，减小Ttr，继续上述操作，直至剩余客户端数量小于此时的lmax；记录最终的S序列，得到参与本轮训练的客户端；所述步骤二还包括以下方法：步骤M1：确定固定指标，合理设置每轮训练时间上限Tr，根据历史数据确定客户端预选择的时间Tcs、参数聚合时间Tag、服务器将参数分发给各个客户端所花费的时间步骤M2：变量预处理，从步骤一获取各个客户端的传输时间和计算时间分别保存到序列和中，对序列逆序排序，对序列顺序排序；步骤M3：获取参与训练的客户端序列，令Tul为零，找到满足条件的最大作为本轮的Ttr，然后寻找满足约束条件下最长的Tul序列，变量lmax记录序列最长长度；下一次循环时，减小Ttr，继续上述操作，直至剩余客户端数量小于此时的lmax或为零，记录最终的S序列，得到参与本轮训练的客户端；所述步骤三还包括以下方法：步骤N1：初始化，各个参与本轮训练的客户端获得从服务器中得到的模型初始权重文件，并对本地模型进行初始化；步骤N2：训练，各个客户端使用本地产品表面图片按设定的轮次训练本地模型；步骤N3：参数上传，各个客户端将训练后得到的模型参数上传到服务器；所述步骤四还包括以下方法：步骤T1：测试模型训练，在服务器中使用正常清晰图片训练出具有一定判断能力的测试模型，该模型与联邦学习最终得到的分类模型相比准确率较低，主要用于测试本地图片质量，将该模型分发给各个客户端；步骤T2：计算图像质量权重，各个客户端将本地图片打乱并随机抽取一定数量的图片，并使用这部分图片测试从服务器接收到的测试模型的准确率，将其记为acck，使用公式计算图像质量权重qk；步骤T3：参数聚合，服务器接收到各个客户端的本地训练参数后，使用公式进行参数聚合其中，qk表示图像质量权重，acck表示各个客户端使用抽检样本测试出的模型准确率，因为准确率最低为0.5左右，所以需要减去这个基数并取绝对值；nk表示该客户端持有的图片数量，n表示该客户端持有图片数量总和，wk表示各个客户端使用本地图片训练得到的模型参数；所述步骤五具体为循环进行步骤二三四，直至服务器上的模型达到收敛状态，对模型的准确率进行测试，若结果正常，那么将模型发送给各个客户端；所述步骤五各客户端将使用本地训练的目标检测模型和联邦学习训练的图像分类模型一起进行产品表面的缺陷检测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海交通大学，其通讯地址为：200240 上海市闵行区东川路800号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。