基于联邦学习的玉米叶片病害识别方法

摘要

联邦学习可利用分布式数据实现模型共享训练，无需本地数据上传继而可保证数据资产安全，但数据异构导致本地模型产生漂移而难以有效聚合全局模型。为此，本文提出了一种基于联邦学习的分布式病害识别方法G-FedAvg。针对各用户间数据种类缺失异构导致模型泛化性减弱的问题，通过改进损失函数梯度更新策略，提升用户模型学习捕获全局泛化信息能力；针对数据特征差异导致模型过度拟合，通过自监督预训练，缓解因其所致性能下降。试验以玉米叶片病害识别为导向，并进一步评估病害程度，其结果表明，改进算法G-FedAvg在无需数据上传前提下，取得了与集中学习模型近乎一致的识别性能；与传统联邦学习相比，G-FedAvg的识别准确率与收敛速度有效提升，准确率波动显著降低。因此，所提算法G-FedAvg可有效联合参与用户利用其本地数据完成分布式学习，实现对玉米叶片病害的精准识别。

关键词

病害识别 / 联邦学习 / 异构数据 / 梯度更新 / 自监督学习 / 玉米叶片