(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221043745 3.5 (22)申请日 2022.04.25 (71)申请人 池明旻 地址 200082 上海市杨 浦区邯郸路2 20号 (72)发明人 池明旻　 (74)专利代理 机构 深圳叁众知识产权代理事务 所(普通合伙) 44434 专利代理师 宋鹏飞 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 20/20(2019.01) G06N 5/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G01N 21/359(2014.01) (54)发明名称 一种手持织物纤维成分无损清洁分析仪与 方法 (57)摘要 本发明公开了一种手持织物纤维成分无损 清洁分析仪与方法。 包括一种基于自适应联邦学 习架构的纺织品成分分析与预测模 型、 基于联邦 学习物联网结构的数据安全机器学习的方法， 一 种近红外光谱分析仪硬件装置。 该方法包括数据 预处理模型、 工厂微节点训练模型， 该数据传输 安全协议包括工厂微节点与中心服务器数据安 全传输方法， 该装置包括分析仪硬件系统的设计 与组装。 本发明关键技术包含两方面， 一是硬件 系统的设计方法， 二是基于自适应中心化联邦学 习 、端 到 端 的 数 据 安 全 训 练 系 统 I I o T (Industrial  Internet  ofThings)。 该方法提供 了对纺织品成分的无损、 清洁、 快速检测， 操作简 单、 软硬件高度集成、 方便 便携， 数据安全可靠 。 权利要求书3页 说明书5页 附图2页 CN 114898191 A 2022.08.12 CN 114898191 A 1.一种基于自适应联邦学习架构的纺织品成分分析与 预测模型、 基于联邦学习物联网 结构的数据安全机器学习的方法， 其特 征在于， 包括： S1： 工厂微节点和中心服 务器； S2： 工厂微节点深度神经网络训练模型； S3： 中心服 务器深度神经网络训练模型； S4： 基于自适应联邦学习架构的I IoT系统。 2.根据权利要求1所述方法， 所述S1工厂微节点和中心服 务器， 其特 征在于， 包括： S11： 工厂微节点即参与本系统 的纺织厂系统， 包括分析仪设备和纺织厂中搭载本发明 软件系统的计算机， 中心服务器为负责协调各工厂微节点工作以及私密数据的存储和训练 设备； S12： 工厂微节点功能包括数据的采集、 数据预处理、 预训练、 成分推理， 中心服务器功 能包括基于所有数据的模型训练、 数据安全同步。 3.根据权利要求1所述方法， 所述S2工厂微节点深度神经网络训练模型， 其特征在于， 包括： S21： 工厂微节点中， 特 征提取系统的私有数据保存在本地， 无需上传数据中心； S22： 所有工厂微节点中， 特征提取系 统共享同一个模型， 模型的参数同步由S4所述基 于自适应联邦学习架构的IIoT系统负责， 工厂微节 点的特征提取系统在本地完成特征提取 任务， 并将数据传输给中心服 务器后， 模型的训练在中心服 务器完成； S23： 在该 联邦学习 系统中， 每 个工厂微节点作为数据的生产者， 具有相同的身份地 位； S24： 联邦学习使用多个工厂微节点特征提取系统提取获得的数据， 进行模型学习训 练； S25： 工厂微节点特征提取系统 的特征提取神经网络具有如下特征： 具有自适应学习成 分解混分类模型、 特征提取模型； 工厂微节点特征提取系统与中心服务器协同训练， 在工厂 微节点特征提取系统对所采集的数据进行预训练， 中心 服务器在工厂微节点特征提取系统 预训练的基础上进行综合训练； S26： 工厂微节点特 征提取系统模型训练具体流 程如下： 1： 通过分析仪数据采集设备采集 织物近红外光谱信号数据； 2： 在工厂微节点中， 对所采集的数据预处理， 包括去噪、 平滑化和样本过滤； 样本过滤 为去除反射 率过低的脏数据； 3： 工厂微节点中特征提取系统通过编码模型， 对原始数据进行特征提取； 该模块是在 模板和目标信号的不同组合上分别提取特征， 融合多种规模的特征， 其中模板为中心服务 器与生产工厂之间约定的初始规则， 本质为 一个权重矩阵； 4： 第三将融合的特征作为输入， 并根据中心服务器广播的预测参数列表预测对应的成 分类别， 并进一步做成分的定性分析， 并进一步优化服务器的参数， 作为本地预测模型， 存 储在工厂微节点的计算机中。 4.根据权利要求1所述的方法， 所述S3中心服务器深度神经网络训练模型， 其特征在 于， 包括： S31： 中心服务器模型输入为网络层接收到的特征向量， 其大小远小于原始信号， 特征 向量隐藏具体的成分信息。 且经过神经网络提取的特征无法恢复， 网络是不可逆的， 不支持权　利　要　求　书 1/3 页 2 CN 114898191 A 2根据结果 解析原始数据的特性； S32： 学习模型以所有从工厂微节点接收的特征向量做训练集优化模型参数， 当有新的 数据输入时都将重新进行训练； 当中心服务器参数发生变化， 将以广播的形式向所有在册 工厂计算机更新 参数； 中心服 务器的学习模型加入了对抗网络生成模块。 5.根据权利 要求书1中的方法， 所述S4基于自适应联邦学习架构的IIoT系统， 其特征在 于， 包括： S41： 以工厂微节点的计算机为单位的本地服务系统， 其流程包括以下步骤： 织物近红 外光谱的数据采集、 数据预 处理、 近红外光谱信号的特征提取模型、 工厂微节 点的预训练模 块、 工厂微节点与中心服 务器参数同步系统； S42： 以中心服务器为存储和计算单元的服务器服务系 统， 其特征为： 以工厂微节点所 提供的特征提取向量作为训练数据， 织物成分分类与解混模型； 对抗样本生 成网络； 中心 服 务器与工厂微节点 参数同步系统； 中心服 务器安全系统； S43： 基于TCP的数据传输网络， 其结构包括： 工厂微节点与中心服 务器密钥协议； S44： 完整的联邦学习模型训练流 程系统设计。 6.根据权利 要求4所述的基于自适应联邦学习架构的IIoT系统， 所述的S44完整的自适 应联邦学习模型和模型训练流 程的系统设计， 其特 征在于， 包括: S441： 初始化， 所有工厂微节点特征提取系 统首先获取一个由中心服务器预分配的特 征提取模板， 工厂微节点特征提取系统根据模板做多尺度特征提取， 并将该特征向量输入 中心服务器做模型学习； 中心服务器做模型学习， 学习 结束后向工厂微节点特征提取系统 广播参数； S442： 通过安全加密的通信， 联邦学习系统中所有工厂微节点特征提取系统从中心服 务器下载全局模型参数， 工厂微节点特征提取系统根据中心 服务器的参数学习优化特征提 取模型， 并生成更具新的特征提取模型生成新的优化后的特征向量， 并再次与中央服务器 建立连接， 将特 征向量上传服 务器； S443： 中心服 务器再训练， 优化模型， 并向工厂广播 最终模型参数； S444： 重复上述所有步骤， 直到检测到全局模型达 到全局最优。 7.根据权利要求1所述的方法， 其特征在于， 中心服务器具有对抗攻击与安全防御措 施， 包括： 各织物生产工厂作为参与者在本地生成得数据不再是样本数据， 而是经过特征融合的 强化数据； 中心 服务器加入对抗样本， 这里的对抗样本是模型自身生 成的虚假攻击样本， 通 过真实样本与对抗样本融合训练， 提高模型的鲁棒性； 在工厂微节 点特征提取系统、 工厂微 节点分类模型以及中心服务器学习模型中都加入梯度正则化， 对目标函数增加 惩罚项， 将 原始梯度隐藏。 8.一种近红外光谱分析仪硬件装置， 其特征在于， 软件与硬件系统的设计与装配， 包 括: 1： 电源模块设计， 电源模块包括输入接 口、 电压转换器、 安全阀、 电池， 依靠micro  USB 接口供电， 搭载开关以及电流控制器件； 开关模块中， 开关控制分析仪内部工作电路的开 闭， 包括红色指示 LED灯， 但开关不控制电池充电； 2： 近红外光谱模组， 近红外模组包括光源、 分光系统、 探测器、 信号采集系统、 温度监控权　利　要　求　书 2/3 页 3 CN 114898191 A 3