本技術涉及無人機巡檢，具體為基于聯邦學習的無人機巡檢缺陷識別模型更新方法及系統。
背景技術：
1、為了進一步提升無人機巡檢的智能化水平，基于深度學習的缺陷自動識別技術成為了核心。然而，這些識別模型的性能高度依賴于大量且高質量的缺陷數據。在實際操作中，這些數據往往分散在各個巡檢終端上，且其中包含了敏感的地理位置和資產信息。如果將這些原始數據集中上傳到云端進行模型訓練，將面臨嚴峻的數據隱私泄露和安全合規風險。為了在保護數據隱私的前提下，實現模型性能的持續優化和迭代，聯邦學習作為一種分布式機器學習的創新方法應運而生，它允許各終端設備在不直接共享原始數據的情況下，共同協作訓練一個全局模型。盡管聯邦學習為解決數據隱私問題提供了可行的技術路徑，但在實際應用中，仍然存在一些挑戰。傳統的聯邦平均方法通常對所有參與訓練的終端設備模型進行無差別的參數聚合，忽視了不同無人機所巡檢的設備類型、環境條件（例如光照、天氣）及缺陷種類分布可能存在顯著差異。這種“一刀切”的聚合策略會損害模型在不同具體場景下的適應性與識別精度，導致更新后的全局模型難以在所有終端上都達到最優性能，限制了模型在實際復雜多變巡檢任務中的泛化能力提升。
技術實現思路
1、本技術是針對在基于聯邦學習的無人機巡檢缺陷識別模型更新過程中，數據安全風險以及無差別模型參數聚合策略導致模型在特定場景下的適應性和識別精度低的問題；提出了基于聯邦學習的無人機巡檢缺陷識別模型更新方法及系統，通過根據場景對無人機的決策分支進行分類后以其在場景下的表現獲取模型參數，并根據巡檢需求個性化調整模型，確保無人機獲得一個包含通用知識又高度契合其特定工作環境的定制化識別能力，從而在保護數據隱私的前提下，顯著提升模型在多樣化巡檢場景下的識別精度和適應能力。
2、為實現上述目的，本技術實施例采用的技術方案如下：
3、第一方面，本技術實施例提供一種基于聯邦學習的無人機巡檢缺陷識別模型更新方法，所述方法包括：獲取本地識別模型在本地場景下的性能評估信息，將本地識別模型參數、當前巡檢環境的場景描述信息以及性能評估信息傳輸至中心服務器；根據場景描述信息對各無人機進行場景分類與本地模型活躍度評估，并結合性能評估信息對本地識別模型參數進行加權聚合，獲取全局模型；響應于無人機的模型更新請求，根據無人機的場景描述信息對全局模型進行參數調節，生成個性化適配模型并將其分發至對應無人機。
4、在本方案中，通過獲取本地識別模型在本地場景下的性能評估信息，并將本地識別模型參數、當前巡檢環境的場景描述信息以及性能評估信息傳輸至中心服務器，使得中心服務器能夠掌握各無人機的具體作業環境與模型表現。通過在中心服務器中根據場景描述信息對各無人機進行場景分類，并依據場景分類結果與性能評估信息對本地識別模型參數進行加權聚合，避免了傳統無差別聚合導致的特定場景下專業知識被稀釋的問題，使得生成的全局模型能夠融合不同場景下的專業化識別能力。通過響應于無人機的模型更新請求，根據無人機的場景描述信息對全局模型進行參數調節，生成個性化適配模型并將其分發至對應無人機，實現了模型分發階段的“按需定制”，確保每架無人機都能獲得高度契合其當前巡檢環境的識別模型，從而在不共享原始數據的前提下，顯著提升了模型在復雜多變巡檢場景下的識別精度和適應能力。
5、可選地，所述獲取本地識別模型在本地場景下的性能評估信息，將本地識別模型參數、當前巡檢環境的場景描述信息以及性能評估信息傳輸至中心服務器，包括：獲取無人機執行巡檢任務時所處的環境特征信息，根據環境特征信息的變化識別并劃分出不同的環境單元；對每個環境單元生成對應的場景特征描述，并將環境單元內采集的缺陷圖像數據與場景特征描述進行關聯；根據當前場景特征描述對無人機本地缺陷識別系統中對應的決策分支進行訓練，通過當前場景特征描述關聯的缺陷圖像數據進行參數調整，獲取決策分支的參數更新量；根據無人機本地測試數據集中與當前環境單元匹配的子集，計算參數調整后的決策分支的準確率、召回率與f1分數，生成場景專屬的性能評估摘要；將每個經過場景專屬調整的決策分支的參數更新量、對應的場景特征描述以及性能評估摘要封裝成一個獨立知識模塊傳輸至中心服務器。
6、可選地，所述根據場景描述信息對各無人機進行場景分類與本地模型活躍度評估，并結合性能評估信息對本地識別模型參數進行加權聚合，獲取全局模型，包括：中心服務器對接收的知識模塊進行解密后創建一個虛擬知識代理，代理屬性至少包括所屬物理無人機id、環境單元特征、決策分支類型、場景專屬性能指標；根據虛擬知識代理的環境單元特征將所有虛擬知識代理劃分為不同的場景專業組；在每個場景專業組內部，對來自不同虛擬知識代理的決策分支參數更新量進行加權聚合，生成全局模型。
7、可選地，所述在每個場景專業組內部，對來自不同虛擬知識代理的決策分支參數更新量進行加權聚合，生成全局模型，包括：基于虛擬知識代理在最近一段時間內上傳知識模塊的頻次和數量對每個場景類別下的虛擬知識代理進行活躍度評估；識別活躍度低于預設閾值的場景類別所對應的環境特征，并從預設的通用知識儲備庫中，選擇與所述環境特征匹配的通用決策分支參數，將其作為補充知識；調取每個虛擬知識代理在特定缺陷識別上的場景專屬準確率；基于活躍度評估結果和場景專屬準確率動態調整虛擬知識代理的聚合權重，并結合所述補充知識，對來自不同虛擬知識代理的決策分支參數更新量進行加權聚合，以生成全局決策分支；將全局決策分支與共享的通用特征提取主干網絡整合，形成所述全局模型。
8、可選地，所述基于活躍度評估結果和場景專屬準確率動態調整虛擬知識代理的聚合權重，包括：比對所述活躍度評估結果與虛擬知識代理的歷史活躍度數據，并評估所述場景專屬準確率與虛擬知識代理的場景特征描述以及本地測試數據量之間的匹配程度，以識別異常評估結果；中心服務器響應于所述異常評估結果對無人機上傳的模型參數進行校驗；獲取參數校驗后的場景專屬準確率，并根據異常評估結果的異常程度與參數校驗結果獲取置信度因子；識別所述置信度因子、所述活躍度評估結果以及所述場景專屬準確率之間的非線性關聯模式，根據所述非線性關聯模式動態調整權重映射函數；采用所述權重映射函數，將所述活躍度評估結果、所述場景專屬準確率和所述置信度因子映射為修正后的聚合權重。
9、可選地，所述識別所述置信度因子、所述活躍度評估結果以及所述場景專屬準確率之間的非線性關聯模式，根據所述非線性關聯模式動態調整權重映射函數，包括：中心服務器根據各虛擬知識代理的場景特征描述，將虛擬知識代理劃分為多個場景特異性組，每個組對應一個巡檢區域或設備類型；基于每個組內所述活躍度評估結果、所述場景專屬準確率以及所述置信度因子之間的相互作用關系，獲取場景特異性組的非線性關聯模式；持續監測各場景特異性組內活躍度評估結果、場景專屬準確率和置信度因子的實時變化趨勢；比對實時變化趨勢與場景特異性組的歷史關聯模式，以識別所述實時變化趨勢與所述歷史關聯模式存在超閾值偏離，或者出現未曾記錄的新組合模式；響應于新組合模式對場景特異性組的非線性關聯模式進行更新，根據更新后的非線性關聯模式對權重映射函數進行調整。
10、在本方案中，通過將各無人機不同微環境的專業知識拆解為獨立虛擬知識代理并按場景特征聚類，徹底摒棄傳統無差別平均的聚合方式，先基于帶時間衰減的活躍度評估量化各代理知識貢獻的時效性與持續性，對低活躍度場景自動補充通用知識以解決低頻場景知識匱乏問題，再通過異常識別與置信度因子精準過濾、修正異常評估結果與錯誤模型參數，保障參與聚合的知識質量，同時依托場景特異性非線性關聯模式動態適配不同巡檢區域、設備類型下活躍度、準確率與置信度的內在作用規律，通過非線性權重映射函數讓高場景適配度、高識別精度、高貢獻可信度的知識模塊在聚合中獲得更高權重，既避免了優質場景專屬知識被通用知識稀釋，又確保全局模型能充分融合各復雜巡檢場景下的專業化缺陷識別能力，從而克服了傳統“一刀切”聚合導致的模型場景適應性差、識別精度受損、終端性能不均的問題，大幅提升全局模型在復雜多變無人機巡檢任務中的泛化能力與全終端最優性能適配性。
11、可選地，所述響應于無人機的模型更新請求，根據無人機的場景描述信息對全局模型進行參數調節，生成個性化適配模型并將其分發至對應無人機，包括：接收無人機的模型更新請求，結合無人機上傳的當前場景特征以及歷史場景偏好數據，匹配與無人機當前及歷史場景相關度最高的1個或至少1個全局決策分支；根據場景適配規則庫微調全局決策分支與主干網絡的連接權重，并調整分支內與目標缺陷相關的卷積核參數；基于調整后的連接權重與卷積核參數生成無人機的個性化適配模型。
12、可選地，所述方法還包括：中心服務器生成個性化適配模型并將其分發至對應無人機時采用服務器端適配分發模式或端側適配分發模式；當分發模式為服務器端適配時，生成完整的個性化適配模式，加密后下發至無人機，無人機對接收的個性化適配模型文件進行解密，替換本地原有缺陷識別模型，并激活對應決策分支；當分發模式為端側適配時，下發主干網絡、所有全局決策分支與場景適配配置文件，無人機根據配置文件激活對應決策分支并完成其參數調整。
13、第二方面，本技術實施例提供一種基于聯邦學習的無人機巡檢缺陷識別模型更新系統，包括：信息獲取模塊，用于獲取本地識別模型在本地場景下的性能評估信息，將本地識別模型參數、當前巡檢環境的場景描述信息以及性能評估信息傳輸至中心服務器；模型聚合模塊，用于根據場景描述信息對各無人機進行場景分類與本地模型活躍度評估，并結合性能評估信息對本地識別模型參數進行加權聚合，獲取全局模型；模型更新模塊，用于響應于無人機的模型更新請求，根據無人機的場景描述信息對全局模型進行參數調節，生成個性化適配模型并將其分發至對應無人機。
14、第三方面，本技術實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質內存儲有計算機程序，所述計算機程序被處理器執行時實現如上述第一方面所述的方法步驟。
15、本技術的有益效果：
16、1、本方案通過場景分類結果與性能評估信息對無人機本地識別模型參數進行加權聚合，能夠有效融合不同無人機在相似場景下的共性特征，利用群體數據的多樣性增強模型的泛化能力，同時通過場景分類避免了異構環境數據的干擾，使得全局模型能夠精準捕捉特定場景下的缺陷特征分布，克服了傳統無差別聚合策略導致模型在特定場景下適應性差的問題；
17、2、通過響應于無人機的模型更新請求，根據無人機的場景描述信息對全局模型進行參數調節以生成個性化適配模型，這種“中心聚合-邊緣適配”的分層架構充分利用了全局模型的知識沉淀，通過結構層面的參數共享與微調，既保留了全局模型在廣泛場景下的通用特征提取能力，又結合了無人機本地場景的特異性需求，有效解決了本地模型因數據單一導致的識別精度低問題，從而在保障模型魯棒性的同時顯著提升了特定場景下的缺陷識別效率。