(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 202211299471.8 (22)申请日 2022.10.24 (71)申请人 江西省科 学院能源研究所 地址 330000 江西省南昌市高新 技术开发 区昌东大道7 777号 (72)发明人 张安安　古和今　张苗辉　王志成　 邓芳明　韦宝泉　曾晗　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 何世磊 (51)Int.Cl. G06V 20/17(2022.01) G06N 20/00(2019.01) H04L 67/10(2022.01) (54)发明名称 基于联邦自适应学习的公路无人机巡检数 据处理方法 (57)摘要 本发明提供了一种基于联邦自适应学习的 公路无人机巡检数据处理方法， 该方法中， 边缘 服务器在接收到初始联邦学习模型参数和公路 巡检图像后， 在本地进行联邦学习模型训练， 训 练过程中， 在每轮迭代开始前， 通过自适应算法 来自适应调整下一轮训练的迭代次数， 而且若全 局联邦学习模型参数的模型精度未达到预设要 求， 云服务器会将全局联邦学习模 型参数下发给 各个边缘服务器， 边缘服务器会 再次进行联邦学 习模型训练， 得到更新后的联邦学习模型参数， 通过上述过程， 能够将更多的计算任务分配到边 缘服务器， 使得本地训练成本和全局通信效率之 间达到较优的平衡状态， 减少全局的通信轮数， 有效提升通信效率。 权利要求书2页 说明书5页 附图2页 CN 115376031 A 2022.11.22 CN 115376031 A 1.一种基于联邦自适应学习的公路无人机巡检数据处理方法， 其特征在于， 包括以下 步骤： 步骤1， 通过无人机进行数据采集和数据预处理， 得到公路巡检 图像， 并将公路巡检 图 像上传至位于无 人机地面站的边 缘服务器； 步骤2， 云服 务器将初始联邦学习模型参数发送给边 缘服务器； 步骤3， 边缘服务器在接收到初始联邦学习模型参数和公路巡检图像后， 在本地进行联 邦学习模 型训练， 训练过程中， 在每轮迭代开始前， 通过自适应算法来自适应调整 下一轮训 练的迭代次数， 完成训练后， 得到联邦学习模型参数， 并将联邦学习模型参数上传至 云服务 器； 步骤4， 云服务器接收多个边缘服务器上传的联邦学习模型参数， 并利用联邦学习算法 对得到联邦学习模型参数进行聚合， 得到全局联邦学习模型参数； 步骤5， 云服 务器判断全局联邦学习模型参数的模型精度是否 达到预设要求； 步骤6， 若全局联邦学习模型参数的模型精度达到预设要求， 则云服务器将全局联邦学 习模型参数 下发给各个边缘服务器， 并结束流 程； 步骤7， 若全局联邦学习模型参数的模型精度 未达到预设要求， 则云服务器将全局联邦 学习模型参数下发给各个边缘服务器， 边缘服务器根据接收到的全局联邦学习模型参数和 公路巡检图像， 再次在本地进 行联邦学习模型训练， 得到更新后的联邦学习模型参数， 并将 更新后的联邦学习模型参数上传至 云服务器， 云服务器接收多个边缘服务器上传的更新后 的联邦学习模型参数， 并利用联邦学习算法对得到的更新后的联邦学习模型参数进行聚 合， 得到更新后的全局联邦学习模型参数， 云服务器判断更新后的全局联邦学习模型参数 的模型精度是否达到预设要求， 若是， 则将更新后的全局联邦学习模型参数下发给各个边 缘服务器， 并结束流 程。 2.根据权利要求1所述的基于联邦自适应学习的公路无人机巡检数据处理方法， 其特 征在于， 步骤3中， 边缘服务器在本地进行联邦学习模型训练时， 需进行联邦学习模型参数 的更新， 更新公式表示 为： 其中， 表示第k个边缘服务器在第t轮迭代时的联邦学习模型参数， Wt‑1表示第t‑1轮 迭代时的全局联邦学习模型参数， 表示学习率， 表示第k个边缘服务器的梯度下降更 新量。 3.根据权利要求2所述的基于联邦自适应学习的公路无人机巡检数据处理方法， 其特 征在于， 步骤4中， 云服 务器采用下式对得到联邦学习模型参数进行聚合： 其中， Wt表示第t轮迭代时的全局联邦学习模型参数， nk表示第k个边缘服务器的数据 量， N表示所有边 缘服务器的数据总量， K表示 边缘服务器的总数。 4.根据权利要求3所述的基于联邦自适应学习的公路无人机巡检数据处理方法， 其特 征在于， 步骤3中通过 下式确定下一轮训练的迭代次数：权　利　要　求　书 1/2 页 2 CN 115376031 A 2其中， epocht+1表示第t+1轮训练的迭代次数， epocht表示第t轮训练 的迭代次数， ∆et+1 表示第t+1轮比第t轮增加的迭代次数， ∆et表示第t轮比第t ‑1轮增加的迭代次数， E表示边 缘服务器的总能耗， 、 表示设定的自适应参数， 表示第t轮比第t ‑1轮增加的全局联 邦学习模型参数的模型精度， 表示第t‑1轮比第t ‑2轮增加的全局联邦学习模型参数 的模型精度。 5.根据权利要求4所述的基于联邦自适应学习的公路无人机巡检数据处理方法， 其特 征在于， 边 缘服务器的总能耗E的计算公式如下： 其中， En表示第n个边缘服务器能耗， γn表示第n个边缘服务器的有效开关电容， Cn表示 第n个边缘服务器每一轮训练的本地计算任务CPU运行的周期数， Bn表示第n个边缘服务器 本地计算的任务数据量， fn表示第n个边 缘服务器的CPU 主频。权　利　要　求　书 2/2 页 3 CN 115376031 A 3