基于隐私保护联邦学习的工业表面缺陷检测

• 全文链接
• 请求原文

作   者：

李小琴;  张月芹;  张微; 

作者机构：

南京信息职业技术学院智能制造学院; 

关键词：

联邦学习;  隐私保护;  缺陷检测;  集中式服务器; 

期刊名称：

信息化研究

i s s n：

1674-4888

年卷期：

2024 年 02 期

页   码：

14-18

摘   要：

本文针对工业缺陷检测中需要多方数据集中和安全隐私的需求，提出了一种基于隐私保护联邦学习的工业缺陷检测框架。该框架利用多个分布式设备各自捕获产品图像来识别缺陷，再添加高斯噪声后聚合至中央服务器，弥补传统方式下将原始数据传输到服务器而存在的数据不安全性、增加通信负担等问题。实验结果证实，采用多站点全局模型和高斯差分隐私加密处理后，比经典FRCN方法的测试结果提高0.7 mAP,实现了可与传统集中式方法相比的缺陷检测精度，为工业信息化协作和个体数据保护提供了一种解决方案。