CN113065046A - 一种产品缺陷检测设备和方法 - Google Patents
一种产品缺陷检测设备和方法 Download PDFInfo
- Publication number
- CN113065046A CN113065046A CN202110466019.5A CN202110466019A CN113065046A CN 113065046 A CN113065046 A CN 113065046A CN 202110466019 A CN202110466019 A CN 202110466019A CN 113065046 A CN113065046 A CN 113065046A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- sample data
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 165
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims description 55
- 238000012549 training Methods 0.000 claims abstract description 137
- 238000013499 data model Methods 0.000 claims abstract description 80
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000035508 accumulation Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种产品缺陷检测方法和设备。该产品缺陷检测方法根据获取的模型构建参与方的样本数据,根据数据模型训练指令对数据模型进行训练得到中间参数,并对中间参数进行加密;对加密后的中间参数进行解密,并对解密后的中间参数进行融合得到融合参数;然后,根据融合参数对数据模型的模型参数进行更新,得到以工业产品数据为输入、以产品表面缺陷检测结果为输出的产品缺陷检测分类模型,解决了“大数据”时代数据不易共享的问题,进而保护了数据的安全性,同时使得缺陷数据更加丰富,模型更加精确。
Description
技术领域
本发明涉及产品缺陷检测领域,特别是涉及一种基于联邦学习面向MES的产品缺陷检测设备和方法。
背景技术
制造执行系统(manufacturing execution system,MES),旨在帮助各大企业实现工序详细调度、生产单元分配、制造资源分配与状态报告、文档控制、产品跟踪和产品清单管理、数据采集、产品质量管理、车间库存管理等,有利于解决工厂生产过程的可视化、可控化,提高执行制造水平和能力,其中产品表面缺陷检测是产品质量管理中重要的一环。
在工业互联网大背景下,人工智能在大量有标签的数据下发展迅速。在对数据驱动的面向MES的产品表面进行缺陷检测时,现有技术中存在数据质量差(垃圾数据多、部分数据标签缺失)、数据库样本不足、因数据孤岛导致的数据隔离和数据分散、数据缺少共享安全性、数据隐私保护成本高等问题。
发明内容
为解决现有技术中存在的上述问题,本发明提供了一种产品缺陷检测设备和方法。
为实现上述目的,本发明提供了如下方案:
一种产品缺陷检测方法,包括:
获取模型构建参与方的样本数据和数据模型训练指令;所述样本数据为工业产品表面缺陷数据;
根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,并对所述中间参数进行加密;
对加密后的所述中间参数进行解密,并对解密后的中间参数进行融合得到融合参数;
根据所述融合参数对数据模型的模型参数进行更新,得到共享模型;所述共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
优选地,所述获取模型构建参与方的样本数据和数据模型训练指令,之前还包括:
建立面向MES工业互联网的产品表面缺陷检测多企业联盟;
在所述产品表面缺陷检测多企业联盟中选定模型构建参与方。
优选地,根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,具体包括:
提取所述样本数据的数据特征和样本数据ID;所述样本数据ID与所述模型构建参与方一一对应;
采用模型训练算法依据所述数据特征和所述样本数据ID对数据模型进行训练得到中间参数。
优选地,所述采用模型训练算法依据所述数据特征和所述样本数据ID对数据模型进行训练得到中间参数,具体包括:
判断与所述样本数据ID对应的模型构建参与方的样本数据是否均为标签数据,得到判断结果;
当样本数据属于同类工业产品,且所述样本数据均为标签数据时,采用横向联邦学习方法对数据模型进行训练得到中间参数;
当样本数据属于同类工业产品,且所述样本数据不均为标签数据时,获取无标签样本数据的伪标签,并将具有伪标签的样本数据替代无标签的样本数据后,重设数据模型的损失函数,采用横向联邦学习方法对重设损失函数后的数据模型进行训练得到中间参数。
优选地,还包括:
采用新的产品表面缺陷数据对所述产品缺陷检测分类模型进行参数调整,或对所述产品缺陷检测分类模型进行训练得到新的中间参数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的产品缺陷检测方法,根据获取的模型构建参与方的样本数据,根据数据模型训练指令对数据模型进行训练得到中间参数,并对中间参数进行加密;对加密后的中间参数进行解密,并对解密后的中间参数进行融合得到融合参数;然后,根据融合参数对数据模型的模型参数进行更新,得到以工业产品数据为输入、以产品表面缺陷检测结果为输出的产品缺陷检测分类模型,解决了“大数据”时代数据不易共享的问题,进而保护了数据的安全性,同时使得缺陷数据更加丰富,模型更加精确。
对应于上述提供的产品缺陷检测方法,本发明提供了两种检测设备,具体如下:
其中,一种产品缺陷检测设备,包括:
获取模块,用于获取模型构建参与方的样本数据和数据模型训练指令;所述样本数据为工业产品表面缺陷数据;
中间参数确定模块,用于根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,并对所述中间参数进行加密;
融合参数确定模块,用于对加密后的所述中间参数进行解密,并对解密后的中间参数进行融合得到融合参数;
模型构建模块,用于根据所述融合参数对数据模型的模型参数进行更新,得到共享模型;所述共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
优选地,还包括:
企业联盟建立模块,用于建立面向MES工业互联网的产品表面缺陷检测多企业联盟;
模型构建参与方选定模块,用于在所述产品表面缺陷检测多企业联盟中选定模型构建参与方。
优选地,所述中间参数确定模块具体包括:
提取单元,用于提取所述样本数据的数据特征和样本数据ID;所述样本数据ID与所述模型构建参与方一一对应;
中间参数确定单元,用于采用模型训练算法依据所述数据特征和所述样本数据ID对数据模型进行训练得到中间参数。
优选地,所述中间参数确定单元具体包括:
判断子单元,用于判断与所述样本数据ID对应的模型构建参与方的样本数据是否均为标签数据,得到判断结果;
第一中间参数确定子单元,用于当样本数据属于同类工业产品,且所述样本数据均为标签数据时,采用横向联邦学习方法对数据模型进行训练得到中间参数;
第二中间参数确定子单元,用于当样本数据属于同类工业产品,且所述样本数据不均为标签数据时,获取无标签样本数据的伪标签,并将具有伪标签的样本数据替代无标签的样本数据后,重设数据模型的损失函数,采用横向联邦学习方法对重设损失函数后的数据模型进行训练得到中间参数。
另一种产品缺陷检测设备,包括:
客户端,用于上传模型构建参与方的样本数据和数据模型训练指令;所述样本数据为工业产品表面缺陷数据;
本地联邦计算节点,与所述客户端连接,用于根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,并用于对所述中间参数进行加密;
服务器,分别与所述客户端和所述本地联邦计算节点连接,用于对加密后的所述中间参数进行解密,用于对解密后的中间参数进行融合得到融合参数,并用于根据所述融合参数对所述本地联邦计算节点中数据模型的模型参数进行更新,得到共享模型;所述共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
本发明提供的产品缺陷检测设备达到的技术效果与上述提供的产品缺陷检测方法达到的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的产品缺陷检测方法的流程图;
图2为本发明提供的第一种产品缺陷检测设备的结构示意图;
图3为本发明实施例提供的联邦学习框架图;
图4为本发明实施例提供的硬件运行环境的结构示意图;
图5为本发明实施例提供的检测流程图;
图6为本发明实施例提供的联邦计算节点的模型训练和更新过程流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种,以在保障各个客户端设备的安全的同时,解决了“大数据”时代数据不易共享的问题,进而保护了数据的安全性,同时也可以使用涉密的缺陷数据,使得缺陷数据更加丰富,模型更加精确。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
联邦学习(Federatedmachine learning/Federated Learning,FL),又名联合学习、联邦机器学习和联盟学习,其指多个客户端(如移动设备或整个组织)在一个中央服务器(如服务提供商)下协作式地训练模型的机器学习设置。FL将分布式机器学习、多方安全计算、激励机制等技术相结合,在多方利用分散数据进行联合训练机器学习或者深度学习模型的过程中,保障数据交换时的信息安全、多个节点(包括个人或机构)数据隐私等。其中,FL可使用的机器学习算法包括神经网络、随机森林等。FL有希望成长为新一代人工智能协同计算的基础。
本发明采用联邦学习是为了在不交换产品缺陷数据样本的情况下,在客户端节点以产品缺陷数据集进行训练机器学习,以解决面向MES的产品缺陷检测问题,使客户端训练好的模型成为全局最优模型,可以在不进行产品表面缺陷数据融合情况下,对任意客户端的产品表面缺陷进行分类,从而保障了各个客户端设备的安全,解决了“大数据”时代数据不易共享的问题,既保护了数据的安全性,同时也可以使用涉密的缺陷数据,使得缺陷数据更加丰富,模型更加精确。
为了达到上述目的,本发明提供了一种产品缺陷检测方法,其整体技术构思为:
建立面向MES工业互联网的产品表面缺陷检测多企业联盟,选定模型构建参与方。根据各企业工业产品表面缺陷数据的数据特征和样本ID,人工选择训练模型和FL方法。分情况进行联邦建模和训练,完成训练结果的汇总计算,并对模型进行更新,全局损失函数向着收敛的方向不断优化,直到满足预设条件,各参与方可以利用优化得到的FL模型进行对测试数据进行预测。可扩展的模型构建参与方可以对训练好的FL模型进行个性化优化训练。
具体的,基于上述提供的整体技术构思,本发明提供的一种产品缺陷检测方法,如图1所示,包括:
步骤100:获取模型构建参与方的样本数据和数据模型训练指令。样本数据为工业产品表面缺陷数据。
步骤101:根据样本数据和数据模型训练指令对数据模型进行训练得到中间参数,并对中间参数进行加密。其中,在本发明中,模型训练得到的中间参数加密上传时,利用了差分隐私技术,将传递参数加上噪音,具体包括对于数值型输出采用拉普拉斯机制,非数值型输出采用指数机制。
步骤102:对加密后的中间参数进行解密,并对解密后的中间参数进行融合得到融合参数。
步骤103:根据融合参数对数据模型的模型参数进行更新,得到共享模型。共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
为了增加构建得到的共享模型的准确性,以及保护用户数据的私密性,在步骤100之前,需要建立面向MES工业互联网的产品表面缺陷检测多企业联盟,选定模型构建参与方。具体的:
拥有相同类型工业产品表面缺陷数据的各企业建立联盟,拥有不同类型的工业产品表面缺陷数据的各企业也可以建立联盟,各企业工业产品表面缺陷数据可以是都带标签的数据,也可以部分企业的工业产品表面缺陷数据都是带标签的,而部分企业的工业产品表面缺陷数据都是不带标签的。其中,多个数据拥有方的数据可以在面向MES的工业互联网标识体系的企业标识节点中追溯。
当参与方的工业产品表面缺陷数据是不同类型时,钢板和面板表面缺陷数据都是有标签的,对无标签的数据需要进行人工标注。
以带有标签或不带标签的样本数据(即各企业的工业产品表面缺陷数据)对数据模型进行训练确定中间参数的过程中,需要进行不同处理,具体的:
当多个参与方的产品表面缺陷数据(即样本数据)都有标签时,且需要进行缺陷检测的工业产品表面缺陷数据为同一类型时,选择横向联邦学习的方法,将缺陷检测问题定义一个分类问题,可以采用参与方本地计算节点的程序和模型进行训练,比如卷积神经网络。
当部分参与方的工业产品表面缺陷数据有标签,而部分参与方的工业产品表面缺陷数据没标签,并且需要进行缺陷检测的工业产品表面缺陷数据为同一类型时,对于产品表面缺陷数据有标签的参与方,在本地联邦计算节点训练模型,将训练好的模型参数再次上传到服务端,经加解密来预测无标签产品工业产品表面缺陷数据的伪标签,更新工业产品表面缺陷数据的参与方的本地计算节点的数据,在所有参与方的工业产品表面缺陷数据都是有标签的情况下,在本地计算节点进行训练,通过半监督的学习方法提高模型的性能。
基于上述中间参数的确定构思,本发明提供的步骤101具体包括:
提取样本数据的数据特征和样本数据ID。样本数据ID与模型构建参与方一一对应。
采用模型训练算法依据数据特征和样本数据ID对数据模型进行训练得到中间参数。该中间参数的确定过程具体包括:
判断与样本数据ID对应的模型构建参与方的样本数据是否均为标签数据,得到判断结果。
当样本数据属于同类工业产品,且样本数据均为标签数据时,采用横向联邦学习方法对数据模型进行训练得到中间参数。
当样本数据属于同类工业产品,且样本数据不均为标签数据时,获取无标签样本数据的伪标签,并将具有伪标签的样本数据替代无标签的样本数据后,重设数据模型的损失函数,采用横向联邦学习方法对重设损失函数后的数据模型进行训练得到中间参数。
为了进一步构建得到精确的共享模型,对于面向MES工业互联网的多企业联盟,联盟中未参与模型训练的企业可以申请权限使用已经训练好的工业产品表面缺陷分类模型的参数作为初始参数,利用自己独有的产品表面缺陷数据的进行微调,也可以训练新的任务。联盟中模型训练参与方也可以直接使用已经训练好的产品表面缺陷分类模型的参数作为初始参数,利用自己新的产品表面缺陷数据的进行微调,也可以训练新的任务。因此,本发明的上述检测方法还包括:采用新的产品表面缺陷数据对产品缺陷检测分类模型进行参数调整,或对产品缺陷检测分类模型进行训练得到新的中间参数。
在本发明中,对数据模型进行训练的过程中,为了防止过拟合,神经网络模型的神经元闭合开启采用随机选择的方式进行。
对应于上述提供的产品缺陷检测方法,本发明提供了两种检测设备,具体如下:
其中,一种产品缺陷检测设备,如图2所示,其包括:获取模块200、中间参数确定模块201、融合参数确定模块202和模型构建模块203。
其中,获取模块200用于获取模型构建参与方的样本数据和数据模型训练指令。样本数据为工业产品表面缺陷数据。
中间参数确定模块201用于根据样本数据和数据模型训练指令对数据模型进行训练得到中间参数,并对中间参数进行加密。
融合参数确定模块202用于对加密后的中间参数进行解密,并对解密后的中间参数进行融合得到融合参数。
模型构建模块203用于根据融合参数对数据模型的模型参数进行更新,得到共享模型。共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
进一步,为了增加样本数据的安全性,本发明提供的产品缺陷检测设备还包括:企业联盟建立模块和模型构建参与方选定模块。
其中,企业联盟建立模块用于建立面向MES工业互联网的产品表面缺陷检测多企业联盟。
模型构建参与方选定模块用于在产品表面缺陷检测多企业联盟中选定模型构建参与方。
进一步,为了提高训练得到产品缺陷检测分类模型的准确性,上述中间参数确定模块201具体包括:提取单元和中间参数确定单元。
其中,提取单元用于提取样本数据的数据特征和样本数据ID。样本数据ID与模型构建参与方一一对应。
中间参数确定单元用于采用模型训练算法依据数据特征和样本数据ID对数据模型进行训练得到中间参数。
进一步,中间参数确定单元具体包括:判断子单元、第一中间参数确定子单元和第二中间参数确定子单元。
其中,判断子单元用于判断与样本数据ID对应的模型构建参与方的样本数据是否均为标签数据,得到判断结果。
第一中间参数确定子单元用于当样本数据属于同类工业产品,且样本数据均为标签数据时,采用横向联邦学习方法对数据模型进行训练得到中间参数。
第二中间参数确定子单元用于当样本数据属于同类工业产品,且样本数据不均为标签数据时,获取无标签样本数据的伪标签,并将具有伪标签的样本数据替代无标签的样本数据后,重设数据模型的损失函数,采用横向联邦学习方法对重设损失函数后的数据模型进行训练得到中间参数。
基于该联邦计算节点装置的具体结构,为了实现上述提供的产品缺陷检测方法,本发明还提供了另一种产品缺陷检测设备。该种检测设备包括:
客户端,用于上传模型构建参与方的样本数据和数据模型训练指令。样本数据为工业产品表面缺陷数据。
本地联邦计算节点,与客户端连接,用于根据样本数据和数据模型训练指令对数据模型进行训练得到中间参数,并用于对中间参数进行加密。
服务器,分别与客户端和本地联邦计算节点连接,用于对加密后的中间参数进行解密,用于对解密后的中间参数进行融合得到融合参数,并用于根据融合参数对本地联邦计算节点中数据模型的模型参数进行更新,得到共享模型。共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
各个模型构建参与方的硬件运行环境,包括服务端和本地联邦计算节点。联邦计算节点装置存储各自的产品表面缺陷数据以及联邦学习程序模块,联邦学习程序模块包括支持向量、神经网络等机器学习和深度学习算法和程序。联邦计算节点装置与客户端相连,联邦计算节点装置面对复杂的工业生产环境,有一定的抗干扰能力。
其中,如图4所示,联邦计算节点包括通讯模块、存储器、处理器、联邦计算模块和加解密模块,这一具体结构有利于工业产品表面缺陷数据的管理、存储和计算。面向MES的工业产品质量检测过程设置联邦计算节点装置,与客户端相连,联邦计算节点装置面对复杂的工业生产环境,有一定的抗干扰能力。
存储器是具有读写与存储功能的计算机存储介质,可以存储各自的产品表面缺陷数据以及联邦学习程序模块,联邦学习程序模块包括支持向量、神经网络等机器学习和深度学习等算法和程序。存储器存储的产品表面缺陷数据是有限的,可以弹性配置ROM容量。
通讯模块不仅用于客户端与联邦计算节点之间的指令传送,还用于本地模型训练得到的中间参数上传和融合参数回传,支持以太网、4G、5G或GPRS无线传输等方式。
联邦学习计算模块可采用其他计算芯片,也可以用自带的处理器进行计算。
加解密模块用于联邦计算节点训练得到的中间参数进行同态加密,并传送到服务端进行汇总。
处理器与存储器相连,是联邦计算节点的核心,联邦学习计算节点用自带的处理器进行计算时,处理器能够支持训练FL框架下工业产品表面检测模型的计算设备,并运行基于FL的产品缺陷检测模型(即共享模型)对应的程序。
下面以采用另一种产品缺陷检测设备实施本发明上述提供的产品缺陷检测方法的具体过程为例,对本发明所提供方案的优点进行说明,在具体应用时,本发明提供的产品缺陷检测方法也可以应用于其他硬件设备。
如图3所示,模型构建参与方的客户端成中心辐射型拓扑,每个客户端都有允许系统专门访问它的标识或名称,并和相应的联邦计算节点相连,参与方联合经过服务端的协调联合建模并更新参数。
每个联邦计算节点都自己的数据,无法读取其他联邦计算节点的数据。各参与方的数据都在本地生成,不要求独立同分布,对于不独立同分布的数据,通过全局共享的数据集补足数据。另外,每个联邦计算节点装置多种模型训练算法。模型训练算法包括支持向量、神经网络等机器学习和深度学习算法。
如图5所示,基于另一种检测设备实施上述检测方法的检测流程为:
步骤1:根据各参与方产品表面缺陷数据的数据特征和样本ID,选择合适的模型和FL方法。例如,产品表面缺陷数据如果整个场景图像特别大,缺陷特征比较局部化,对图像进行卷积操作后,特征基本上不存在,这时参与方可以考虑把场景图像进行切分,比如一个场景图像被切分成四份,可以横向切分,也可以纵向切分,产品表面缺陷数据的制作由各参与方完成。
步骤1-1、当多个参与方的工业产品表面缺陷数据都有标签时,且需要进行缺陷检测的工业产品为同一类型(工业产品类型包括:钢材、铝材、纺织品等)时,例如同为带标签的钢板表面缺陷数据集,由于横向联邦学习的适用于参与者的数据特征重叠较多,而样本ID重叠较少的情况,人工选择横向联邦学习的方法,将缺陷检测问题定义一个分类问题,最简单的二分类问题,钢材表面有无缺陷,采用参与方本地计算节点的程序和模型进行训练,比如卷积神经网络,执行分类任务。
步骤1-2、当部分参与方的产品表面缺陷数据有标签,而部分参与方的产品表面缺陷数据没标签,并且需要进行缺陷检测的工业产品表面缺陷数据为同一类型时,对于产品表面缺陷数据有标签的参与方,重复步骤1-1,之后将训练好的模型参数经同态加密再次上传到服务端,获取无标签产品表面缺陷数据的伪标签,更新产品表面缺陷数据的参与方的本地计算节点的数据,在所有参与方的产品表面缺陷数据都是有标签的情况下,重新定义损失函数后,再次返回执行步骤1-1。重新定义的损失函数如公式(2)所示。
其中,同态加解密过程具体如下:
本地客户端生成用来加密数据的Key。Key和Encrypt算法加密本地的数据,记为EncData=Encrypt(Key,Data),服务端计算数据的方法,记为函数F(),计算Evaluate,即Evaluate(F(),EncData)=Encrypt(Key,F(Data)),记为ProEncData。服务端将ProEncData发回客户端,用密钥进行解密Decrypt,得到F(Data)=Decrypt(Key,ProEncData),也就是最终结果。
如步骤1-2,当部分参与方的产品表面缺陷数据有标签,而部分参与方的产品表面缺陷数据没标签,并且需要进行缺陷检测的工业产品表面缺陷数据为同一类型时,通过生成伪标签的半监督学习方法,提高提高机器学习模型的性能。
生成伪标签时,对于神经网络中的分类器,以二分类问题为例,记
定义损失函数:
L=∑L(fi,yi)+α(t)∑L(fi,y′i) (2)
其中,y,f表示监督学习的输入和输出,y′表示伪标记,α表示加权系数,t表示当前的迭代次数,i表示样本序号,L表示损失。
步骤1-3、当参与方的产品表面缺陷数据是不同类型时,设有A企业和B企业两个参与方,其本地计算节点储存的分别是钢板和面板表面缺陷数据,钢板和面板表面缺陷数据都是有标签的,对无标签的数据需要进行人工标注,可以选择迁移学习的方法进行模型训练。迁移学习(Transfer learning)就是把已训练好的模型(预训练模型)参数迁移到新的模型来帮助新模型训练。存在相关性的任务,通过迁移学习可以将已经学到的模型参数分享给新模型从而加快并优化模型的学习效率。面板表面缺陷检测模型建立时可以迁移钢板缺陷检测的模型权重。
各参与方客户端将数据集,按9:1将数据集划分为训练集和测试集,训练集用来训练模型,测试集用来测试模型的性能。
步骤2:联邦建模和训练
经过步骤1-1选择联邦学习模型和算法后,进行联邦建模和训练。
步骤2-1、各参与方在进行本地训练前,服务端确定目标函数如公式(3),
其中,f(w)为关于有限个样本误差累加形式的目标函数,n为样本数量,w为模型参数。
步骤2-2、在各参与方的联邦计算节点对样本数据进行本地训练,训练模型可以是产品表面缺陷分类任务的神经网络模型。
样本数据存储于模型构建参与方的本地联邦计算节点,并且多个参与方的数据可以在面向MES的工业互联网标识体系的企业标识节点中追溯,并且在使用前需要向企业中心服务器上进行备份。各模型构建参与方的客户端将模型训练指令,即模型类型传送到其本地的联邦计算节点。各联邦计算节点加载各自的工业产品表面数据库,根据指令执行相应的算法和程序,提取特征进行训练。训练结果包括梯度,汇总计算的结果包括平均梯度。
提取特征进行训练,采用神经网络中经常使用的随机梯度下降法进行模型的迭代计算,对目标函数进行收敛,训练数据被划分为相同批数的多个小批训练数据。
模型训练指令还包括加密公钥,训练结果根据加密公钥进行加密上传。
训练时,神经网络模型的神经元闭合开启随机选择,防止过拟合。
步骤3:模型参数更新,各参与方可以利用得到的联邦训练模型进行对测试数据进行预测。
模型参数更新过程将本地模型训练得到的中间参数传送到服务端进行参数融合与回传,即服务端对随机选择的参与方参数采用最常用的FederatedAvering算法进行汇总计算,并将结果发送到各参与方的客户端,客户端传送回本地联邦计算节点。
FederatedAvering算法,设有K个客户端设备参与训练,PK表示存储在第K个设备中的训练样本,样本的个数用i表示,针对非凸神经网络,定义如下的目标函数:
本地模型训练得到的中间参数进行加密上传,具体为本地联邦计算节点完成一次迭代之后,将中间训练参数通过通讯模块上传给服务端,服务端在此时充当协作者。采用服务端的全局模型参数更新本地联邦计算节点的神经网络模型的模型参数,即对神经网络模型进行模型更新,即完成了一次全局模型更新。
中间参数加密上传时,利用了差分隐私技术,将传递参数加上噪音,具体包括对于数值型输出采用拉普拉斯机制,非数值型输出采用指数机制。
重复步骤2,每次随机选择参与方规模C-fraction,C≤1,迭代训练,每一次全局模型更新后,各个参与方的神经网络模型的模型参数是同步的,各联邦计算节点装置的训练模型效果达到预定标准,得到最优模型,完成共享模型训练。其中,预定标准为:评价指标损失函数的损失值收敛或者达到预先设置的损失阈值。
基于此,只共享联邦训练模型可以保护参与方的产品表面缺陷数据和隐私。各参与方可以利用得到的联邦训练模型进行对测试数据进行预测,的测试数据为没有添加标签的产品表面缺陷数据。
本发明中,联邦训练模型的建立过程为:
(1)服务端设置联邦训练模型参数,随机初始化模型权重w0,对于模型的权重随机初始化是为了模型在梯度下降时更好地找到最优解。最大迭代次数N=100,客户端总数K=5,客户端节点使用分数C=1,表示每次迭代中使用所有客户端节点进行模型参数更新。每次迭代中客户端批处理大小B=∞,表示选取的客户端使用所有样本进行训练,学习率η=0.01。
(2)每次迭代t(t=1,2,…,N)过程中:客户端中选取m个节点,其中m的计算方式为m=max(C*K,1),将上述参数C、K带入式中,得m=5。因此选取得客户端节点数为5。将选好的5个客户端clinetk(k=1,2,…,5)在同时开始训练模型Mk(k=1,2,…,5),进行局部参数更新。
a)对于选取的5个客户端,对其模型进行参数设置,样本集Stk(k=1,2,…,5),在客户端训练时,局部模型权重更新。
b)客户端局部权重更新好后,返回给服务端Server。服务器Server得到局权重后,开始融合局部权重产生一个全局权重,
c)将全局权重返回给客户端,客户端使用该全局权重进行下一迭代,重复步骤2),直到达到最大迭代次数N=100。至此,模型的构建结束。模型参数更新采用FederatedAvering算法。如公式4所示。
(3)利用步骤(1)中的训练集对步骤(2)中构建的模型进行训练,并通过测试集对模型。此时,客户端训练好的模型已为全局最优模型。
附图6为联邦计算节点的模型训练和更新过程。服务器向客户端统一发送模型训练指令,转发给联邦计算节点。联邦计算节点装置获得指令后,启动联邦学习计算模块。
其具体训练过程为:
联邦学习计算模块从存储器中获取标定好的产品表面缺陷样本。各联邦计算节点初始模型和参数是一致的。
根据模型类型开始提取原始产品表面缺陷数据特征。
各联邦计算节点每经过一次模型训练,得到一次的梯度和损失。
联邦计算节点将训练梯度根据服务端的加密公钥进行加密上传,加密采用同态加密方式。
服务端在计算出平均梯度后,进行回传。
联邦计算节点根据服务端回传的平均梯度进行更新,得到更新后的模型。
重复一轮联邦计算节点的模型训练的过程,经历多轮迭代后,损失降低并达到预设标准,模型训练过程结束。
步骤4:可扩展的模型构建参与方可以对模型进行个性化优化训练:
经过步骤3,各模型构建参与方经过联邦学习后得到较优的联邦训练模型,对于面向MES工业互联网的多企业联盟,联盟中未参与模型训练的企业可以申请权限使用已经训练好的产品表面缺陷分类模型的参数作为初始参数,利用自己独有的产品表面缺陷数据的进行微调,也可以训练新的任务。联盟中模型训练参与方也可以直接使用已经训练好的产品表面缺陷分类模型的参数作为初始参数,利用自己新的产品表面缺陷数据的进行微调,也可以训练新的任务。
经过步骤3,各模型构建参与方经过联邦学习后得到较优的联邦训练模型。
进一步为了便于对所构建的共享模型进行优化,还可以在检测设备上设置可以编写产品表面缺陷检测的API接口。面向MES工业互联网的多企业联盟成员是可扩展的,未加入联盟的企业成员可以申请权限,使用产品表面缺陷检测API接口,对拥有的产品表面缺陷测试数据进行预测。
基于本发明上述提供的技术方案,相对于现有技术还具有以下优点:
1、本发明只共享联邦训练模型,可以在保护多方数据隐私的前提下,实现多方联合建模。
2、本发明综合考虑了模型构建参与方的数据特征和标签,对于部分带标签部分不带标签的工业产品表面数据,采用将无标签数据转化为带伪标签数据的半监督学习方法。可以提高机器学习模型的性能。
3、本发明可以利用多方数据,一定程度上克服数据屏障,解决数据分散、样本不足和标签缺失的问题,充分利用不同领域或者不同场景的数据提升性能。
4、本发明在选择模型构建参与方时,可以选择不同领域的参与方,有利于不同工业领域的缺陷数据集结合利用,提高模型的性能,一定情况下减少经济成本。
5、本发明可扩展的模型构建参与方可以对模型进行个性化优化训练,在扩展的模型构建参与方的数据量较小时,微调整个网络,有利于提高模型的性能。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种产品缺陷检测方法,其特征在于,包括:
获取模型构建参与方的样本数据和数据模型训练指令;所述样本数据为工业产品表面缺陷数据;
根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,并对所述中间参数进行加密;
对加密后的所述中间参数进行解密,并对解密后的中间参数进行融合得到融合参数;
根据所述融合参数对数据模型的模型参数进行更新,得到共享模型;所述共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
2.根据权利要求1所述的产品缺陷检测方法,其特征在于,所述获取模型构建参与方的样本数据和数据模型训练指令,之前还包括:
建立面向MES工业互联网的产品表面缺陷检测多企业联盟;
在所述产品表面缺陷检测多企业联盟中选定模型构建参与方。
3.根据权利要求1所述的产品缺陷检测方法,其特征在于,根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,具体包括:
提取所述样本数据的数据特征和样本数据ID;所述样本数据ID与所述模型构建参与方一一对应;
采用模型训练算法依据所述数据特征和所述样本数据ID对数据模型进行训练得到中间参数。
4.根据权利要求3所述的产品缺陷检测方法,其特征在于,所述采用模型训练算法依据所述数据特征和所述样本数据ID对数据模型进行训练得到中间参数,具体包括:
判断与所述样本数据ID对应的模型构建参与方的样本数据是否均为标签数据,得到判断结果;
当样本数据属于同类工业产品,且所述样本数据均为标签数据时,采用横向联邦学习方法对数据模型进行训练得到中间参数;
当样本数据属于同类工业产品,且所述样本数据不均为标签数据时,获取无标签样本数据的伪标签,并将具有伪标签的样本数据替代无标签的样本数据后,重设数据模型的损失函数,采用横向联邦学习方法对重设损失函数后的数据模型进行训练得到中间参数。
5.根据权利要求1所述的产品缺陷检测方法,其特征在于,还包括:
采用新的产品表面缺陷数据对所述产品缺陷检测分类模型进行参数调整,或对所述产品缺陷检测分类模型进行训练得到新的中间参数。
6.一种产品缺陷检测设备,其特征在于,包括:
获取模块,用于获取模型构建参与方的样本数据和数据模型训练指令;所述样本数据为工业产品表面缺陷数据;
中间参数确定模块,用于根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,并对所述中间参数进行加密;
融合参数确定模块,用于对加密后的所述中间参数进行解密,并对解密后的中间参数进行融合得到融合参数;
模型构建模块,用于根据所述融合参数对数据模型的模型参数进行更新,得到共享模型;所述共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
7.根据权利要求6所述的产品缺陷检测设备,其特征在于,还包括:
企业联盟建立模块,用于建立面向MES工业互联网的产品表面缺陷检测多企业联盟;
模型构建参与方选定模块,用于在所述产品表面缺陷检测多企业联盟中选定模型构建参与方。
8.根据权利要求6所述的产品缺陷检测设备,其特征在于,所述中间参数确定模块具体包括:
提取单元,用于提取所述样本数据的数据特征和样本数据ID;所述样本数据ID与所述模型构建参与方一一对应;
中间参数确定单元,用于采用模型训练算法依据所述数据特征和所述样本数据ID对数据模型进行训练得到中间参数。
9.根据权利要求8所述的产品缺陷检测设备,其特征在于,所述中间参数确定单元具体包括:
判断子单元,用于判断与所述样本数据ID对应的模型构建参与方的样本数据是否均为标签数据,得到判断结果;
第一中间参数确定子单元,用于当样本数据属于同类工业产品,且所述样本数据均为标签数据时,采用横向联邦学习方法对数据模型进行训练得到中间参数;
第二中间参数确定子单元,用于当样本数据属于同类工业产品,且所述样本数据不均为标签数据时,获取无标签样本数据的伪标签,并将具有伪标签的样本数据替代无标签的样本数据后,重设数据模型的损失函数,采用横向联邦学习方法对重设损失函数后的数据模型进行训练得到中间参数。
10.一种产品缺陷检测设备,其特征在于,包括:
客户端,用于上传模型构建参与方的样本数据和数据模型训练指令;所述样本数据为工业产品表面缺陷数据;
本地联邦计算节点,与所述客户端连接,用于根据所述样本数据和所述数据模型训练指令对数据模型进行训练得到中间参数,并用于对所述中间参数进行加密;
服务器,分别与所述客户端和所述本地联邦计算节点连接,用于对加密后的所述中间参数进行解密,用于对解密后的中间参数进行融合得到融合参数,并用于根据所述融合参数对所述本地联邦计算节点中数据模型的模型参数进行更新,得到共享模型;所述共享模型即是以工业产品数据为输入,以产品表面缺陷检测结果为输出的产品缺陷检测分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466019.5A CN113065046B (zh) | 2021-04-28 | 2021-04-28 | 一种产品缺陷检测设备和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110466019.5A CN113065046B (zh) | 2021-04-28 | 2021-04-28 | 一种产品缺陷检测设备和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113065046A true CN113065046A (zh) | 2021-07-02 |
CN113065046B CN113065046B (zh) | 2023-01-13 |
Family
ID=76568220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110466019.5A Active CN113065046B (zh) | 2021-04-28 | 2021-04-28 | 一种产品缺陷检测设备和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065046B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169248A (zh) * | 2021-12-14 | 2022-03-11 | 广域铭岛数字科技有限公司 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
CN117575423A (zh) * | 2024-01-10 | 2024-02-20 | 湖南工商大学 | 基于联邦学习系统的工业产品质量检测方法及相关设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法及装置 |
CN111104968A (zh) * | 2019-12-02 | 2020-05-05 | 北京理工大学 | 一种基于区块链的安全svm训练方法 |
US20210042645A1 (en) * | 2019-08-06 | 2021-02-11 | doc.ai, Inc. | Tensor Exchange for Federated Cloud Learning |
CN112633493A (zh) * | 2020-12-01 | 2021-04-09 | 北京理工大学 | 一种面向工业设备数据的故障诊断方法及系统 |
-
2021
- 2021-04-28 CN CN202110466019.5A patent/CN113065046B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288094A (zh) * | 2019-06-10 | 2019-09-27 | 深圳前海微众银行股份有限公司 | 基于联邦学习的模型参数训练方法及装置 |
US20210042645A1 (en) * | 2019-08-06 | 2021-02-11 | doc.ai, Inc. | Tensor Exchange for Federated Cloud Learning |
CN111104968A (zh) * | 2019-12-02 | 2020-05-05 | 北京理工大学 | 一种基于区块链的安全svm训练方法 |
CN112633493A (zh) * | 2020-12-01 | 2021-04-09 | 北京理工大学 | 一种面向工业设备数据的故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
贾延延等: "联邦学习模型在涉密数据处理中的应用", 《中国电子科学研究院学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169248A (zh) * | 2021-12-14 | 2022-03-11 | 广域铭岛数字科技有限公司 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
CN114169248B (zh) * | 2021-12-14 | 2023-03-14 | 广域铭岛数字科技有限公司 | 产品缺陷数据分析方法、系统、电子设备及可读存储介质 |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
US11681283B1 (en) | 2022-05-17 | 2023-06-20 | Chengdu Qinchuan Iot Technology Co., Ltd. | Intelligent manufacturing industrial Internet of Things based on distributed control, control methods and media thereof |
CN117575423A (zh) * | 2024-01-10 | 2024-02-20 | 湖南工商大学 | 基于联邦学习系统的工业产品质量检测方法及相关设备 |
CN117575423B (zh) * | 2024-01-10 | 2024-04-16 | 湖南工商大学 | 基于联邦学习系统的工业产品质量检测方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113065046B (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065046B (zh) | 一种产品缺陷检测设备和方法 | |
Lim et al. | Dynamic edge association and resource allocation in self-organizing hierarchical federated learning networks | |
AbdulRahman et al. | A survey on federated learning: The journey from centralized to distributed on-site learning and beyond | |
Zhao et al. | Mobile edge computing, blockchain and reputation-based crowdsourcing IoT federated learning: A secure, decentralized and privacy-preserving system | |
US20230039182A1 (en) | Method, apparatus, computer device, storage medium, and program product for processing data | |
Lin et al. | Friend-as-learner: Socially-driven trustworthy and efficient wireless federated edge learning | |
Li et al. | Federated learning-based ultra-short term load forecasting in power internet of things | |
Li et al. | Federated anomaly detection on system logs for the internet of things: A customizable and communication-efficient approach | |
Senthil Kumar et al. | An artificial intelligence approach for enhancing trust between social IoT devices in a network | |
CN110210233A (zh) | 预测模型的联合构建方法、装置、存储介质及计算机设备 | |
Altaf et al. | Robust, secure, and adaptive trust-oriented service selection in IoT-based smart buildings | |
Firouzi et al. | Federated learning for distributed reasoning on edge computing | |
CN116502732B (zh) | 基于可信执行环境的联邦学习方法以及系统 | |
Khalil et al. | A federated learning approach for thermal comfort management | |
CN113112032A (zh) | 基于联邦学习的航班延误预测系统及方法 | |
Long et al. | Fedsiam: Towards adaptive federated semi-supervised learning | |
Zhou et al. | Securing federated learning enabled NWDAF architecture with partial homomorphic encryption | |
Liu et al. | Three‐way decisions with single‐valued neutrosophic decision theory rough sets based on grey relational analysis | |
Xiao et al. | Resource optimization of MAB-based reputation management for data trading in vehicular edge computing | |
Zhang et al. | Blockchain-based secure aggregation for federated learning with a traffic prediction use case | |
CN114168295A (zh) | 混合架构系统及基于历史任务效果的任务调度方法 | |
CN116468132A (zh) | 用户数据处理的系统、方法以及装置 | |
Guo et al. | B 2 sfl: A bi-level blockchained architecture for secure federated learning-based traffic prediction | |
Zhao et al. | Energy-efficient and fair iot data distribution in decentralised federated learning | |
CN117077816B (zh) | 联邦模型的训练方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |