[发明专利]基于联邦风格迁移的水务河道漂浮物检测方法

说明书

本发明提供基于联邦风格迁移的水务河道漂浮物检测方法，涉及智慧水务技术领域，为解决现有技术针对河道浮物检测数据量有限，不同水域风格不同，且无法有效分享融合，河道漂浮物特征难以辨认的问题。本发明方法基于联邦学习模型，用户节点分别采集并构建本地河道图像数据集，不同用户节点共享典型风格图像，各用户节点分别构建有风格迁移模型，对本地图像进行风格迁移；服务节点构建有图像识别模型，选取训练节点基于各自风格迁移后的数据集对模型进行训练，将训练好的模型参数返回给服务节点参数进行整合后下发训练节点，至模型效果满足条件。本发明得到的漂浮物检测模型能够适应不同水域风格的数据，提高了模型对河道漂浮物识别的准确性。

技术领域

本发明涉及智慧水务技术领域，具体而言，涉及基于联邦风格迁移的水务河道漂浮物检测方法。

背景技术

河道在供水、维持生态以及美化景观等方面扮演着不可或缺的角色，但由于当前经济发展与工业化进程加快，河道污染现象频繁发生，其中漂浮物问题备受关注，包括人为丢弃生活垃圾、死亡动植物等，既有难以降解的塑料制品，又有易腐发臭的物质，不仅破坏河水的生态环境还降低河道的美观性。在全国各省市全面推行落实“河长制”政策背景下，许多地区开始对河道漂浮物问题进行治理，但大多采取人工处理的方式，效率低成本高，急需采用一种智能化的方式对河道漂浮物进行治理。

在计算机视觉飞速发展的今天，用深度学习技术检测河道漂浮物实现无人化的清理带来了极大的便利。但深度学习技术需要大量数据集训练模型，由于各地区采集到的数据十分有限，模型训练结果往往不太理想。且由于不同地区水域风格不同，如河水中存在大量植被呈现绿色，有大量泥沙呈现黄色，受污染严重呈现深灰色等，用某地区水域数据训练的模型可能无法应用于其它水域。受各地区政策及数据传输、存储成本等问题的限制，各水域数据无法有效分享融合，形成数据孤岛。

已有技术存在的问题：

1、现有基于深度学习的目标检测方法需要大量数据训练，而对于河道漂浮物数据，由于各地区采集到的数据量十分有限，模型训练结果往往不太理想；

2、且由于不同地区水域风格不同，如河水中存在大量植被呈现绿色，有大量泥沙呈现黄色，受污染严重呈现深灰色等，且各水域受污染情况不同，易因杂物、垃圾、水藻等污染物导致与陆地边界模糊，用某地区水域数据训练的模型可能无法应用于其它水域。

3、受各地区政策及数据传输、存储成本等问题的限制，各水域数据无法有效分享融合，形成数据孤岛。

4、河道漂浮物通常相比未进入河道的原始形态变形大，多为污损状态，而且一部分浸入水面以下，水面部分占比小，特征难以辨认，受水面反光等因素影响更加难以识别。

发明内容

本发明为解决上述技术问题所采用的技术方案：

本发明提供了基于联邦风格迁移的水务河道漂浮物检测方法，所述方法基于联邦学习模型，所述联邦学习模型包括一个服务节点、m个用户节点，所述m个用户节点包括训练节点、其他节点；所述用户节点中，若指定其中节点为训练节点，则除去所述训练节点以外的用户节点为其他节点；

S1、所述m个用户节点分别采集并构建本地河道图像数据集，不同用户节点共享典型风格图像，各用户节点分别构建有风格迁移模型，对本地图像进行风格迁移；

S2、所述服务节点构建有图像识别模型，采用服务节点的数据集对所述图像识别模型进行初始化；

S3、所述服务节点采用广播的方式将初始化图像识别模型发给每个所述用户节点；

S4、所述服务节点随机挑选n个用户节点作为训练节点，其中nm，剩余节点为其他节点，各所述训练节点基于各自风格迁移后的本地图像数据集对图像识别模型进行训练；

S5、各所述训练节点将训练好的图像识别模型参数返回给所述服务节点，所述服务节点将收集来的n个模型参数进行整合，得到合并模型；