基于分段模型2的废水处理厂泡沫分割：联邦学习方法

在污水处理厂（WTPs）中形成泡沫是一个主要挑战，可能降低处理效率并增加成本。能够自动检查实时变化的比例对于泡沫具有极大益处。然而，训练标准机器学习模型需要大量标记数据。由于标记数据的稀缺和异质性，这些系统的开发进度缓慢。此外，开发常因不同WTPs不共享数据而受隐私问题的限制。本文提出了一种新框架，通过将联邦学习（FL）与图像分割最先进的基础模型——分段模型2（SAM2）结合来解决这些挑战。FL范式使跨多个WTPs的协作模型训练成为可能，而无需集中化敏感操作数据，从而确保隐私。该框架通过利用SAM2的强预训练权重进行初始化，加快训练收敛速度并提高分割性能，即使在有限的本地数据集上也能实现。方法论涉及在分布式客户端（边缘节点）上对SAM2进行微调，使用Flower框架，其中中心Fog服务器通过聚合模型权重来协调过程，而不接触私人数据。该模型使用各种数据集合进行训练和验证，包括在西班牙格拉纳的WTPs捕获的真实世界图像、合成泡沫数据集以及来自公开数据集的图像，以提高概括能力。本研究为WTPs中的自动泡沫跟踪提供了一种实用、可扩展且注重隐私的解决方案。研究结果突显了将大规模基础模型集成到FL系统中，以解决数据分布且数据敏感的实际工业挑战的巨大潜力。