(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210507096.5 (22)申请日 2022.05.10 (71)申请人 广州大学 地址 510006 广东省广州市外环西路23 0号 (72)发明人 彭凌西　邵楚越　陈婵婷　李泽轩　 叶子毅　贺思圆　刘子达　 (74)专利代理 机构 北京八月瓜知识产权代理有 限公司 1 1543 专利代理师 秦莹 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 40/10(2022.01) G06N 3/02(2006.01) (54)发明名称 基于联邦学习的红火蚁监测预警方法、 装 置、 设备及 介质 (57)摘要 本说明书实施例提供了一种基于联邦学习 的红火蚁监测预警方法方法、 装置、 设备及介质， 其中， 方法包括： 客户端采集多个红火蚁相关的 图像数据， 以将图像数据作为训练样本； 通过训 练样本对预先训练的多个第一目标检测模型进 行训练， 分别得到对应的多个局部模型参数； 将 多个局部模 型参数传输至服务器， 以使服务器对 多个局部模 型参数进行聚合处理， 从而得到全局 模型参数； 通过全局模型参数对第一目标检测模 型进行更新， 得到第二目标检测模型； 通过第二 目标检测模 型对待分析图像进行目标检测， 并根 据目标检测结果进行预警。 有效地保护了数据隐 私， 实现了 各地区之间的数据交互、 数据共享， 提 高了模型的准确性， 解决数据孤岛的问题。 权利要求书2页 说明书6页 附图4页 CN 114898179 A 2022.08.12 CN 114898179 A 1.一种基于联邦学习的红火蚁监测预警方法， 其特 征在于， 包括： S1.客户端采集多个红火蚁相关的图像数据， 以将所述图像数据作为训练样本； S2.通过所述训练样本对预先训练的多个第一目标检测模型进行训练， 分别得到对应 的多个局部模型参数； S3.将所述多个局部模型参数传输至服务器， 以使所述服务器对所述多个局部模型参 数进行聚合处 理， 从而得到全局模型参数； S4.接收所述服务器发送 的所述全局模型参数， 并通过所述全局模型参数对所述第一 目标检测模型进行 更新， 得到第二目标检测模型； S5.通过所述客户端实时获取待分析图像， 并通过所述第二目标检测模型对所述待分 析图像进行目标检测， 并根据所述目标检测结果进行 预警。 2.根据权利要求1所述的方法， 其特 征在于， 所述S1具体包括： S101.客户端采集多个红火蚁相关的图像数据， 构成图像数据集， 所述红火蚁相关包括 红火蚁图像、 红火蚁巢图像； S102.对所述图像数据进行 数据增强处 理， 得到增强后的图像数据集； S103.对所述增强后的图像数据集进行划分， 得到训练集和 测试集。 3.根据权利要求2所述的方法， 其特 征在于， 所述S2具体包括： S201.将所述训练集中的图像数据输入至 YOLOv5模型的输入端， 进行 预处理； S202.将所述YOLOv5模型中的Backbone模块的网络结构， 使用轻量化神经网络模型 MobileNet V3进行替换； S203.将预处 理后的图像数据输入至所述Mobi leNet V3中进行 特征提取， 得到特 征图； S204.将所述特 征图输入到Neck网络中进行 特征融合处 理， 得到检测框； S205.通过非极大值抑制NMS对冗余预测框进行剔除， 保留置信度最高的预测框； S206.将所述测试集输入至所述第一目标检测模型中， 根据所述预测框得到所述检测 结果； S207.根据所述检测结果计算所述第一目标检测模型的损失函数， 并基于所述损失函 数调整参数， 直至所述损失函数收敛。 4.根据权利要求3所述的方法， 其特 征在于， 所述损失函数如公式1所示： Loss＝LCIoU+Lobject+Lclass公式1； 其中， LCIoU表示边框预测损失， Lobject表示目标概率损 失， Lclass表示类别损失， LCIoU如公式2所示： 其中， IoU计算的是预测边框与真实边框 的交集与并集的比值， p2(b,bgt)表示预测边框中心点与真实边框中心点的距离， gt表示真 实值， c2是预测边框与真实边框的最小包围框对角线长， α V是宽高比惩罚项， 其中， V为真实 边框与预测边框的宽高比损失， α 为宽高比损失系数； V如公式3所示： 其中， wgt和hgt为真实框的宽、 高， w和h为预测框的宽、 高； α 如公式4所示：权　利　要　求　书 1/2 页 2 CN 114898179 A 2Lobject和Lclass均通过交叉熵损失函数表示。 5.根据权利要求3所述的方法， 其特征在于， 所述预处理包括Mosaic数据增强、 自适应 锚框计算、 自适应图片缩放操作中的至少一种。 6.根据权利要求1所述的方法， 其特 征在于， 所述S3具体包括： S301.将所述多个局部模型参数进行差分隐私加密； S302.将加密后的所述多个局部模型参数传输至服务器， 以使所述服务器对所述多个 局部模型参数进行聚合处 理， 从而得到全局模型参数。 7.根据权利要求1所述的方法， 其特 征在于， 所述S5具体包括： S501.通过所述客户端实时获取待分析图像， 并通过所述第二目标检测模型对所述待 分析图像进行目标检测， 得到目标检测结果； S502.若所述目标检测结果符合预设情况则进行预警， 所述预设情况包括出现红火蚁 巢、 红火蚁的数量超过 预设数量中的至少一种。 8.一种基于联邦学习的红火蚁监测预警装置， 其特 征在于， 包括： 图像采集模块， 客户端采集多个红火蚁相关的图像数据， 以将所述图像数据作为训练 样本； 局部模型参数模块， 通过所述训练样本对预先训练的多个第一目标检测模型进行训 练， 分别得到对应的多个局部模型参数； 聚合模块， 将所述多个局部模型参数传输至服务器， 以使所述服务器对所述多个局部 模型参数进行聚合处 理， 从而得到全局模型参数； 模型更新模块， 接收所述服务器发送的所述全局模型参数， 并通过所述全局模型参数 对所述第一目标检测模型进行 更新， 得到第二目标检测模型； 预警模块， 通过所述客户端实时获取待分析图像， 并通过所述第二目标检测模型对所 述待分析图像进行目标检测， 并根据所述目标检测结果进行 预警。 9.一种电子设备， 其特 征在于， 包括： 处理器； 以及， 被安排成存储计算机可执行指令的存储器， 所述计算机可执行指令在被执行时使所述 处理器执行时实现如权利要求1至7中任一项所述的基于联邦学习的红火蚁监测预警方法 的步骤。 10.一种存储介质， 其特征在于， 用于存储计算机可执行指令， 所述计算机可执行指令 在被执行时实现如权利要求1至7中任一项所述的基于联邦学习的红火蚁监测预警方法的 步骤。权　利　要　求　书 2/2 页 3 CN 114898179 A 3