[发明专利]一种面向智能车间不同智能体之间的联邦学习方法及系统

权利要求书

1.一种面向智能车间不同智能体之间的联邦学习方法，其特征在于：方法步骤包括：

建立图论模型，聚类客户端即机器人；同一集群内的各客户端对采集的图像数据进行数据预处理；所述数据预处理步骤为：

步骤2.1：去噪预处理：基于卷积神经网络CNN的小波变换算法，首先对机器人采集的图像进行单尺度离散小波分解，得到一个低频分量和三个高频分量，然后分别通过四个CNN来分离这四个分量中的噪声图像；具体为：

步骤2.1.1：小波分解原始图像：对图像进行2次单尺度离散小波分解，得到一个方向上的低频分量和其余三个方向上的高频分量，如公式（1）所示：

(1)

其中，X表示待分解图像；L表示图像经离散小波分解后得到的低频分量；H表示水平方向高频分量；V表示垂直方向高频分量；D表示对角方向的高频分量；haar表示小波分解时采用haar基；基于小波变换的分解产生的四个分量，分别训练了4个CNN网络，目的是去除各个高频分量和低频分量中的噪声，来获得对应的预测分量，如公式（2）所示：

(2)

其中，表示ReLU激活函数，和均为训练参数；

步骤2.1.2：通过离散小波逆变换来重构图像得到最终去噪后的图像，如公式（3）所示：

(3)

其中，表示2次离散小波逆分解用来重构图像；

步骤2.2：采用最大值法对去噪后的图像进行灰度化，如公式（4）所示：

(4)

其中，分别为去噪后的图像的R，G，B三通道的颜色分量；为最终的输入灰度图像；

对同一集群内的客户端进行联邦学习，具体为：同一集群内的各客户端进行局部模型训练，利用自身数据进行边缘计算，生成局部模型参数；基于ResNet残差网络聚合各客户端的局部模型参数生成全局模型，获得全局模型参数。

2.根据权利要求1所述的面向智能车间不同智能体之间的联邦学习方法，其特征在于：方法具体步骤包括：

步骤1：建立图论模型，聚类出相关联的客户端即机器人；

步骤2：同一集群内的各客户端对采集的图像数据进行数据预处理；

步骤3：对同一集群内的客户端进行联邦学习；

步骤3.1：机器人局部模型训练：采用卷积神经网络MobileNet构建局部模型，采用不同机器人的数据对局部模型进行本地训练，生成局部模型参数；

步骤3.2：聚合全局模型：采用残差神经网络Resnet构建全局模型，将局部模型参数作为特征，通过残差神经网络Resnet来提取特征，生成全局模型参数。

3.根据权利要求2所述的面向智能车间不同智能体之间的联邦学习方法，其特征在于：所述步骤1具体为：

由于一个协同车间中存在着多个机器人，即设定一个存在N个客户端的环境，环境表达成拓扑结构G(V，A，E)；

为拓扑结构G中的节点集合，代表每个机器人的位置；

是i节点与j节点之间的边，其中i，j代表节点的编号即机器人的编号，根据不同机器人之间的相对位置和偏转角度来定义边，每个机器人上装有定位传感器和视觉传感器，两机器人之间的相对位置，其中 为i机器人times时刻的位置，为j机器人times时刻的位置，表示2范数；以正南方向为参考方向，两机器人之间的偏转角度之差为，其中为i机器人times时刻相对于正南方向的偏转角度，为j机器人times时刻相对于正南方向的偏转角度；

为拓扑结构G的邻接矩阵，若机器人之间的相对位置小于机器人视觉探测范围的1/3，并且偏转角度之差小于90度时，，否则为0；

根据上述数据、和建立图论模型G(V，A，E)；

根据邻接矩阵为中为1的部分机器人分为一类集群，从而对这一类机器人进行联邦学习。