一种具有隐私保护的带钢表面缺陷分类方法及系统技术方案

本发明专利技术公开了一种具有隐私保护的带钢表面缺陷分类方法及系统，属于数据隐私保护技术领域。本发明专利技术将待处理的钢材表面缺陷图像进行图像预处理，包括降低噪声干扰，减去极少数类，对其进行数字化、灰度调整、图像增强等操作，然后按照类别打上标签，并将图片以三维数组矩阵的形式保存至文件，形成可用数据集；将上述预处理后的数据集使用矩阵同态加密算法进行加密，得到密文状态下的数据集；利用获得的密文数据集对经过改进的适应于密文的卷积神经网络模型进行训练；获得密文数据集的最终分类结果。本发明专利技术既保证了钢材表面缺陷图像的隐私性，又保证了图像分类精度。又保证了图像分类精度。又保证了图像分类精度。

【技术实现步骤摘要】
一种具有隐私保护的带钢表面缺陷分类方法及系统


[0001]本专利技术涉及数据隐私保护
，具体涉及一种具有隐私保护的带钢表面缺陷分类方法及系统。

技术介绍

[0002]钢材质量评价体系包含多个方面，其中，钢材表面质量是重要指标。钢材表面质量问题也是制约钢铁行业生产和销售的重要因素。因此及时检测出钢材表面是否含有缺陷，判断缺陷的类别，分析缺陷产生的原因，及时修正和消除缺陷根源是亟待解决的问题。传统钢材质量缺陷检测，主要以人工经验进行质量定级，采用人工开卷抽检或频闪光检测的方法，但是这些检测方法存在缺乏统一性与科学性等诸多弊端。对于相同的缺陷图像，不同的检验人员由于经验的差异可能会检测得出不同的评判结果。
[0003]现阶段，钢材表面缺陷检测技术越来越成熟，已经由传统的人工抽检法转变为使用机器视觉技术进行检测。基于计算机视觉的钢材表面缺陷检测是一项具有挑战性的研究，由于缺陷类型繁杂，缺陷与背景之间的对比度低等原因，让识别精度的提高增加了难度。
[0004]然而，大多数现有的解决方案只关注识别准确性，并未关注检测过程中可能会产生的隐私问题。由于钢材表面缺陷图像数据归属于钢铁企业，并非公开数据，且不可外泄，如果不加保护，可能会发生隐私数据泄露等数据安全问题，将会对钢铁企业的利益产生影响。
[0005]经检索，涉及钢铁行业隐私保护的方案少之又少，专利号CN 111783127 A，公开了一种基于区块链的钢材质保书隐私保护和分享方法及系统，该申请案也仅是涉及钢材资源信息、质保信息和质保书文件说明信息的加密保护。
[0006]专利号CN 114937304 A，公开了一种基于同态加密的人脸表情识别方法。该方法采用基于层次的同态加密方案，结合传统特征提取方法和卷积神经网络。使用同态加密技术实现对加密后的数据做计算且不影响其结果，将加密后的人脸数据送入服务端进行表情识别；在同态加密之前对人脸表情图像进行关键点特征提取和筛选，实现了对用户人脸数据的隐私保护，同时在一定程度上保证了人脸识别的准确性。但该申请案的实现过程相对复杂，钢铁行业进行钢材表面缺陷分类和隐私保护，更注重考虑成本、实用性及性价比，因此该申请案并不适合推广应用到钢铁行业。

技术实现思路

[0007]1.专利技术要解决的技术问题
[0008]为了解决钢材表面缺陷图像分类时的隐私和安全问题，同时兼顾分类准确性，本专利技术提供了一种具有隐私保护的带钢表面缺陷分类方法及系统，本专利技术将同态加密与卷积神经网络模型相结合，以解决现有的钢材表面缺陷分类过程无法保证图片数据隐私及数据安全等技术问题，可以保证钢材表面缺陷图像在安全的情况下被准确识别分类。
[0009]2.技术方案
[0010]为达到上述目的，本专利技术提供的技术方案为：
[0011]本专利技术的一种具有隐私保护的带钢表面缺陷分类方法，包括如下步骤：
[0012]步骤一、将待处理的钢材表面缺陷图像进行预处理，按照类别打上标签，并将图片以三维数组矩阵的形式保存，形成可用数据集；
[0013]步骤二、将预处理后的数据集使用矩阵同态加密算法进行加密，得到密文状态下的数据集；
[0014]步骤三、利用获得的密文数据集，对经过改进的适应于密文的卷积神经网络模型进行训练；
[0015]步骤四、将钢材表面图像加密后的数据，输入训练后的卷积神经网络模型，获得密文数据集的最终分类结果。
[0016]更进一步地，步骤一对钢材表面缺陷图像进行预处理，包括降低噪声干扰，减去极少数类，对图像进行数字化、灰度调整、图像增强。
[0017]更进一步地，步骤二的具体过程如下：
[0018](1)将预处理后的数据集从三维数组形式转换成二维数组形式；
[0019](2)利用加密公式Sc＝wx+e，得到初始密文c；其中，S为初始密钥矩阵，w为加密参数，e为噪声矩阵，x为明文矩阵；
[0020](3)进行密钥交换，引入一对可逆矩阵对P1，P2，结合中间密钥S
p
，得到最终的密钥S
′
，并将公钥矩阵M
′
转换为M；
[0021](4)利用公式c
’
＝Mc，获得密文状态下的数据集。
[0022]更进一步地，所述初始密钥矩阵S，为根据二维数组矩阵的列随机生成的矩阵，S＝random.rand(n，n)*w，n为数据集二维数组矩阵的列值。
[0023]更进一步地，所述可逆矩阵对P1，P2为随机生成的可逆矩阵，满足：P1＝random.rand(n，n)，P2＝np.linalg.inv(P1)。
[0024]更进一步地，步骤(3)中，最终密钥S
′
＝S
p
P1，M＝P2M
′
，其中，中间密钥S
p
＝[I，T]，公钥矩阵I为单位矩阵，T为转置矩阵，A为预先设置的随机矩阵。
[0025]更进一步地，步骤三的具体过程如下：
[0026]1)将加密数据集进行预处理，包括去除由于加密产生的噪声以及进行维度转变；
[0027]2)构建一个卷积神经网络模型，该卷积神经网络模型的激活函数使用线性函数逼近非线性函数；
[0028]3)使用处理后的加密数据集进行卷积神经网络模型的训练。
[0029]更进一步地，所述激活函数采用swish激活函数：f(a)＝a
·
sigmoid(βa)，其中：β为常数或可训练的参数，将其值设为0，该函数变为线性函数
[0030]更进一步地，所述卷积神经网络模型包括依次层叠的3*3卷积层、2*2最大池化层、3*3卷积层、2*2最大池化层、3*3卷积层、2*2最大池化层、3*3卷积层、2*2最大池化层、Dropout层、Flatten层、Dense层、Dropout层、Dense层。
[0031]本专利技术的一种具有隐私保护的带钢表面缺陷分类系统，该系统用于所述的钢表面
缺陷分类，包括：
[0032]预处理模块，用于将待处理的钢材表面缺陷图像进行预处理，然后按照类别打上标签，并将图片以三维数组矩阵的形式保存，形成可用数据集；
[0033]加密模块，用于将预处理后的数据集使用矩阵同态加密算法进行加密，得到密文状态下的数据集；
[0034]分类模块，利用获得的密文数据集对经过改进的适应于密文的卷积神经网络模型进行训练，得到密文分类结果。
[0035]3.有益效果
[0036]采用本专利技术提供的技术方案，与已有的公知技术相比，具有如下显著效果：
[0037](1)本专利技术的一种具有隐私保护的带钢表面缺陷分类方法，针对以往对钢材表面缺陷进行分类时未考虑到图像隐私问题，将钢材表面缺陷图像预处理后的数据集使用改进的矩阵同态加密算法先进行加密，得到密文状态下的数据集，再利用密文状态的数据集对改进的卷积神经网络进行训练，得到所需的分类结果，可以保证钢材表面缺陷图像在安全的情况下被准确识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有隐私保护的带钢表面缺陷分类方法，其特征在于，包括如下步骤：步骤一、将待处理的钢材表面缺陷图像进行预处理，按照类别打上标签，并将图片以三维数组矩阵的形式保存，形成可用数据集；步骤二、将预处理后的数据集使用矩阵同态加密算法进行加密，得到密文状态下的数据集；步骤三、利用获得的密文数据集，对经过改进的适应于密文的卷积神经网络模型进行训练；步骤四、将钢材表面图像加密后的数据，输入训练后的卷积神经网络模型，获得密文数据集的最终分类结果。2.根据权利要求1所述的一种具有隐私保护的带钢表面缺陷分类方法，其特征在于：步骤一对钢材表面缺陷图像进行预处理，包括降低噪声干扰，减去极少数类，对图像进行数字化、灰度调整、图像增强。3.根据权利要求1或2所述的一种具有隐私保护的带钢表面缺陷分类方法，其特征在于：步骤二的具体过程如下：(1)将预处理后的数据集从三维数组形式转换成二维数组形式；(2)利用加密公式Sc＝wx+e，得到初始密文c；其中，S为初始密钥矩阵，w为加密参数，e为噪声矩阵，x为明文矩阵；(3)进行密钥交换，引入一对可逆矩阵对P1，P2，结合中间密钥S
p
，得到最终的密钥S
′
，并将公钥矩阵M
′
转换为M；(4)利用公式c
’
＝Mc，获得密文状态下的数据集。4.根据权利要求3所述的一种具有隐私保护的带钢表面缺陷分类方法，其特征在于：所述初始密钥矩阵S，为根据二维数组矩阵的列随机生成的矩阵，S＝random.rand(n,n)*w，n为数据集二维数组矩阵的列值。5.根据权利要求4所述的一种具有隐私保护的带钢表面缺陷分类方法，其特征在于：所述可逆矩阵对P1，P2为随机生成的可逆矩阵，满足：P1＝random.rand(,n)，P2＝np.linalg.inv(P1)。6.根据权利要求5所述的一种具有隐私保护的带钢表...

【专利技术属性】
技术研发人员：郑啸，唐璇，王修君，黄俊，
申请(专利权)人：合肥综合性国家科学中心人工智能研究院安徽省人工智能实验室，
类型：发明
国别省市：