基于YOLO的集装箱锁销分类联邦学习网络OACSTPCD

集装箱锁销自动拆卸任务是实现无人码头的最后一个技术瓶颈,锁销图像分类实时结果用于后继机械手启用适配的拆卸装置和动作程序,是自动化拆卸任务的关键环节。丰富多样的锁销数据集有利于保障锁销分类神经网络的鲁棒性。然而,由于锁销使用具有商业敏感性、图像网络传输开销大等原因,锁销使用方如码头往往不将其拥有的锁销图像数据与他方共享,而是各自迭代自己的神经网络模型。这导致各使用方的自有模型对其之前少用的锁销的分类准确率较低,极易在拆卸时引发故障,从而影响无人化操作效率。由于传统的中心式学习无法解决上述问题,提出了一种基于YOLO的锁销分类联邦学习网络。首先,在YOLOv8的基础上建立锁销分类神经网络;其次,基于Flower框架建立分布式的联邦学习架构,并提出了改进的FedAvg-mAP算法,提高了聚合后的全局模型的性能。此外,在本地模型训练阶段引入早停策略,加速了全局模型的收敛,且使收敛过程更加平滑。实验表明,提出的基于YOLO的锁销分类联邦学习网络能在图像数据不共享的前提下实现传统的中心式学习的功能,且改进的FedAvg-mAP算法相比传统算法具有更好的性能。