面向轨道缺陷检测的联邦学习轻量化模型训练技术研究

轨道缺陷检测对列车的安全运行意义重大,传统依赖专业人员现场人工识别的方法存在效率低下、人力成本较高等诸多问题.但传统集中式训练方法要求共享参与方的私有数据,又带来隐私泄露、流量通信压力等问题,因此基于深度学习的检测方法应运而生.近年来提出的联邦学习方法是一种分布式机器学习训练策略,通过聚合多个联邦成员本地训练的参数更新,无需共享私有数据,即可有效建立全局模型.然而,在铁路等工业场景中使用的物联网边缘设备,其计算和网络资源难以承受复杂深度模型带来的计算和通信开销.因此,提出一种轻量级边缘联邦学习算法,通过对网络模型进行通道剪枝与权值量化,降低计算、存储和通信开销,加速边缘设备上进行的联邦学习过程,最终得到精度损失在一定的可接受范围内的全局模型.通过构建轨道缺陷检测数据集,并选取ResNet-18作为目标模型,进行实验验证.结果表明,与不进行剪枝量化的原始联邦学习模型效果相比,在数据集所包含的各类缺陷上达到最高93.49％的平均鉴别准确率,同时模型大小可压缩至10.75倍,全局加速2.33倍,验证了本方法的有效性.