本公开涉及增材制造加工过程监测，特别涉及一种基于联邦学习的激光粉末床熔融制造铺粉缺陷检测系统。
背景技术：
1、激光粉末床熔融增材制造技术是利用高能量激光连续熔融金属粉末层，逐层叠加制备形状复杂的金属零件的一种先进制造方法。由于其工艺柔性好、材料浪费少、生产可预测性好等优势，激光粉末床熔融增材制造技术已经被用于航空航天、健康医疗等多种领域。在加工过程中，由于各种因素相互耦合作用，可能会产生翘曲、铺粉不足等铺粉过程缺陷，严重影响成型件的质量。铺粉缺陷检测是激光粉末床熔融增材制造加工过程监控质量评估中的重要课题，对铺粉过程中的缺陷进行及时的检测和评估有助于调整工艺参数、改进制造过程，进而提升零件质量。
2、近年来，关于高精度、高自动化的铺粉缺陷检测技术多集中于以机器学习为基础的计算机视觉技术领域，尤其是语义分割技术在缺陷定位检测中有着良好的表现。但是，目前在这个领域仍存在着一些严重的挑战。其中缺陷数据不足是最大的挑战，大多数的语义分割模型都是围绕卷积神经网络来构建的，本质上来说需要大量的、高质量的数据来进行模型训练，但由于缺陷发生的概率小、形状范围小，从单一渠道获得大量的缺陷数据是不现实的。而且作为制造行业的尖端技术，由于利益的冲突和隐私的敏感，制造商之间的缺陷数据共享难以实现。
技术实现思路
1、为了解决上述技术问题，本公开的目的在于提供基于联邦学习的激光粉末床熔融制造铺粉缺陷检测系统。本系统将联邦学习的思想应用于激光粉末床熔融增材制造铺粉过程缺陷识别模型的训练中，通过中心聚合各个本地运算的梯度数据而非原始数据对缺陷识别模型进行更新，在保证私人本地数据隐私和保密的同时解决了用于模型训练的缺陷数据数量不足的问题。为了实现上述目的，本公开提供以下技术方案。
2、一种基于联邦学习的激光粉末床熔融制造铺粉缺陷检测系统，其特征在于，所述系统包括以下单元：
3、第一单元，其用于参与联邦学习的各组织在独立进行激光粉末床熔融增材制造时，在铺粉过程中对成型区域平台图像信息进行采集，并对采集的图像信息进行预处理，获得预处理图像信息；
4、第二单元，其用于使用联邦学习方法对所述预处理图像信息进行缺陷识别模型训练并获得梯度变化信息，所述梯度变化信息用于更新协调方服务器的缺陷识别模型，基于更新后的缺陷识别模型获得全局缺陷检测模型；
5、第三单元，其用于用户从服务器端下载全局缺陷检测模型，对激光粉末床熔融增材制造铺粉过程进行缺陷检测。
6、可选的，所述第一单元中，激光粉末床熔融增材制造过程具体为使用激光为能量源对金属粉末进行烧结或熔化，对已经建立几何模型的构件进行逐层铺粉、烧结，或逐层铺粉、熔融成型的过程。
7、可选的，所述第二单元，具体执行以下步骤：
8、步骤s201：系统初始化：由统筹联邦学习的协调方服务器发送建模任务，寻求参与方客户端，组建联邦学习联盟；参与联邦学习的参与方客户端根据自身需求，提出联合建模申请，在各个参与方客户端达成协议后，确立联邦学习基础框架，所述联邦学习基础框架包括缺陷识别模型和联邦学习优化分类算法；各参与方客户端进入联合建模过程，协调方服务器选择参与方客户端，被选择的参与方客户端从协调方服务器中下载缺陷识别模型；
9、步骤s202：局部计算：各参与方客户端使用各自预处理图像信息训练缺陷识别模型，更新模型参数并进行本地性能评估，以获得梯度变化信息；各参与方客户端将所述梯度变化信息加密上传至协调方服务器；
10、步骤s203：中心聚合：在收到来自各参与方客户端的梯度信息后，协调方服务器进行一次缺陷识别模型参数的更新，结束后，协调方服务器将更新后的缺陷识别模型返回给各参与方客户端；
11、步骤s204：重复步骤s202、s203，直到缺陷识别模型性能满足要求则训练终止，获得全局缺陷检测模型，所述全局缺陷检测模型保留在协调方服务器以进行后续的缺陷检测工作。
12、可选的，所述步骤s201中，使用语义分割模型u-net作为缺陷识别模型用于训练。
13、可选的，所述联邦学习基础框架确定之后，需要进行训练参数设定，所述训练参数包括：本地和服务器学习率、本地和服务器迭代次数、本地数据批量大小、客户端分数。
14、可选的，所述步骤s201中，确立的联邦学习优化分类算法为fedavg方法。
15、可选的，所述fedavg方法，其目标函数为：
16、
17、其中，f(·)表示深度学习模型的抽象表达式，m表示进行联邦建模的参与方客户端个数，ω表示模型当前的参数，ω*表示模型更新后的参数，e表示取期望的函数，x表示参与方客户端所持有的数据。
18、可选的，所述步骤s202中，参与方客户端通过本地随机梯度下降的方法不断更新模型的精度，获得梯度变化信息；当达到预定的本地训练次数时，各参与方客户端将缺陷识别模型训练所得的梯度变化信息加密上传至协调方服务器。
19、可选的，所述步骤s203中，协调方服务器通过随机抽取的方式对接收到的参与方客户端上传的梯度变化信息进行抽样聚合，计算梯度信息的增量并加权平均，更新缺陷识别模型参数。
20、可选的，协调方服务器在每次迭代中对随机选择参与的客户端子集st进行统一抽样，对接收到的m个参与训练的客户端更新后的参数进行加权平均来更新缺陷识别模型参数，不属于抽样子集的客户端参数则使用当前的全局参数代替，即：
21、
22、其中，wt+1代表协调方服务器模型更新后的全局参数，nk代表第k个客户端的数据量，n代表总数据量，st代表客户端子集，代表当前的全局参数，k表示客户端序列。
23、与现有技术相比，本公开至少具有以下技术效果：
24、通过联邦学习的方法对采集到的激光粉末床熔融增材制造铺粉缺陷数据进行学习，构建了用于激光粉末床熔融增材制造铺粉过程缺陷检测的深度学习模型。其中，联邦学习方法的使用解决了私人单独训练时缺陷数据不足和集中多用户数据训练时数据的隐私和泄露问题，在此方法中，通过交换深度学习模型的参数而非原始数据，这能够使得在保护不同用户数据隐私的前提下联合训练一个高性能的全局缺陷检测模型。
1.一种基于联邦学习的激光粉末床熔融制造铺粉缺陷检测系统，其特征在于，所述系统包括以下单元：
2.根据权利要求1所述的系统，其特征在于，优选的，所述第一单元中，激光粉末床熔融增材制造过程具体为使用激光为能量源对金属粉末进行烧结或熔化，对已经建立几何模型的构件进行逐层铺粉、烧结，或逐层铺粉、熔融成型的过程。
3.根据权利要求1所述的系统，其特征在于，所述第二单元，具体执行以下步骤：
4.根据权利要求3所述的系统，其特征在于，所述步骤s201中，使用语义分割模型u-net作为缺陷识别模型用于训练。
5.根据权利要求3所述的系统，其特征在于，所述联邦学习基础框架确定之后，需要进行训练参数设定，所述训练参数包括：本地和服务器学习率、本地和服务器迭代次数、本地数据批量大小、客户端分数。
6.根据权利要求3所述的系统，其特征在于，所述步骤s201中，确立的联邦学习优化分类算法为fedavg方法。
7.根据权利要求6所述的系统，其特征在于，所述fedavg方法，其目标函数为：
8.根据权利要求3-7任一所述的系统，其特征在于，所述步骤s202中，参与方客户端通过本地随机梯度下降的方法不断更新模型的精度，获得梯度变化信息；当达到预定的本地训练次数时，各参与方客户端将缺陷识别模型训练所得的梯度变化信息加密上传至协调方服务器。
9.根据权利要求3-7任一所述的系统，其特征在于，所述步骤s203中，协调方服务器通过随机抽取的方式对接收到的参与方客户端上传的梯度变化信息进行抽样聚合，计算梯度信息的增量并加权平均，更新缺陷识别模型参数。
10.根据权利要求9所述的系统，其特征在于，协调方服务器在每次迭代中对随机选择参与的客户端子集st进行统一抽样，对接收到的m个参与训练的客户端更新后的参数进行加权平均来更新缺陷识别模型参数，不属于抽样子集的客户端参数则使用当前的全局参数代替，即：