[发明专利]一种基于多阶段个性化联邦学习的安全帽检测方法

权利要求书

1.一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，应用于服务端，包括如下步骤：

获取公开安全帽检测数据，建立全局检测模型，基于所述公开安全帽检测数据对所述全局检测模型进行初始训练，完成模型的初始化，将训练好的全局检测模型下发给各个客户端；

获取各个客户端基于私有安全帽检测数据进行学习后的模型，并对所述全局检测模型进行更新，将更新后的全局检测模型下发给各个客户端，多次重复本步骤，实现全局模型的优化；

各个客户端经过全局模型个性化处理以及全局模型调优处理后，使用处理后的全局模型进行安全帽检测。

2.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，各个客户端经过学习后的模型的获取过程包括如下步骤：

各个客户端基于各自的安全帽检测数据，使用交叉熵描述各个客户端模型与全局安全帽检测模型的差异性进行训练，训练完成后上传各自的客户端模型权值，实现各个客户端经过学习后的模型的获取。

3.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，所述的全局检测模型参数的更新采用下式实现：

loss(x_i,y_i)+η(-∑f^last(w)logf_i(w))→f_i(w)

式中，f(w)表示更新后的全局检测模型参数，f_i(w)表示来自各个客户端学习后的模型，x_i,y_i表示客户端训练时的安全帽检测结果与对应的标签数据，f^last(w)表示上一次平均聚合的全局检测模型参数，η表示全局模型与客户端模型的权重调整参数，：＝表示定义为，n表示客户端数量，loss()表示损失函数，→表示参数更新，w表示模型权值。

4.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，所述的全局模型个性化处理包括如下步骤：

将全局模型的骨干网络部分冻结，使用所在客户端对应的安全帽检测数据进行训练，多次重复本步骤实现全局模型个性化处理。

5.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，所述的全局模型个性化处理过程中，损失函数为：

其中，loss_user为损失函数值，loss(·)为损失函数，f_i(w)为各个客户端个性化处理后的模型，f(w)为经过全局模型的优化后的模型参数，表示Frobenius范数，σ表示个性化差异调整参数，C_s、C_u分别表示公开安全帽检测数据D_s与私有安全帽检测数据D_n的特征协方差矩阵，d为输入数据的维度。

6.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，所述的调优处理包括如下步骤：

解冻全局模型的骨干网络部分，针对各个客户端的检测模型，使用所在客户端对应的安全帽检测数据进行训练，实现调优处理。

7.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，基于公开数据集SHWD获取所述的公开安全帽检测数据，基于LabelImg工具制作所述私有安全帽检测数据。

8.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，基于YOLOv5模型构建所述的全局检测模型。

9.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，所述的初始训练具体为：

采用Aadm优化器，并采用余弦退火方式更新学习率，实现全局检测进行初始训练。

10.根据权利要求1所述的一种基于多阶段个性化联邦学习的安全帽检测方法，其特征在于，所述的服务端通过同态加密算法从各个客户端获取各个客户端基于私有安全帽检测数据进行学习后的模型。