用于加热装置的石墨烯电热膜接触检测方法制造方法及图纸

本申请公开了一种用于加热装置的石墨烯电热膜接触检测方法，其包括：训练阶段和推断阶段。训练阶段，包括：获取训练图像，所述训练图像为已知石墨烯电热膜的接触状态下的、在外力作用下所述加热装置的保护层的截面图像；将所述训练图像通过卷积神经网络获得训练特征图；将所述训练特征图通过分类器以获得分类损失函数值；计算所述外力的数值的标签向量与所述训练特征图之间的交叉熵损失函数值；以及，基于所述分类损失函数值和所述交叉熵损失函数值的加权和训练所述卷积神经网络。推断阶段，获取待检测图像；将所述待检测图像通过所述卷积神经网络获得检测特征图；以及，将所述检测特征图通过所述分类器以获得分类结果。

【技术实现步骤摘要】
用于加热装置的石墨烯电热膜接触检测方法
本申请涉及人工智能领域，且更为具体地，涉及一种用于基于石墨烯发热技术的加热装置的石墨烯电热膜接触检测方法、用于基于石墨烯发热技术的加热装置的石墨烯电热膜接触检测系统和电子设备。
技术介绍
石墨烯电热膜是用于加热的设备，因为石墨烯电热膜本身是柔性透明的，容易受到损害，因此在现有的基于石墨烯发热技术的加热装置中，石墨烯电热膜一般安装在加热装置的保护层的内腔中。但是，在实际使用过程中，当受到外力时，无论是保护层发生形变，或者石墨烯电热膜产生振动，都可能造成石墨烯电热膜与保护层的内腔壁接触滑动，导致石墨烯电热膜的磨损，影响石墨烯电热膜的使用寿命。因此，期望能够提供在产品出厂时检测石墨烯电热膜是否会与保护层的内腔壁发生接触的方案。目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。近年来，深度学习以及神经网络的发展为在产品出厂时检测石墨烯电热膜是否会与保护层的内腔壁发生接触提供了新的解决思路和方案。
技术实现思路
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于基于石墨烯发热技术的加热装置的石墨烯电热膜接触检测方法、用于基于石墨烯发热技术的加热装置的石墨烯电热膜接触检测系统和电子设备，其基于卷积神经网络来获得在外力作用下保护层的截面图像，并通过特征提取来获得图像的高维特征，以此通过分类器来获得所述石墨烯电热膜是否与所述保护层的内腔壁发生接触的分类结果。根据本申请的一个方面，提供了一种用于加热装置的石墨烯电热膜接触检测方法，其包括：训练阶段，包括：获取训练图像，所述训练图像为已知石墨烯电热膜的接触状态下的、在外力作用下所述加热装置的保护层的截面图像；将所述训练图像通过卷积神经网络获得训练特征图；将所述训练特征图通过分类器以获得分类损失函数值；计算所述外力的数值的标签向量与所述训练特征图之间的交叉熵损失函数值；以及基于所述分类损失函数值和所述交叉熵损失函数值的加权和训练所述卷积神经网络；以及推断阶段，包括：获取待检测图像，所述待检测图像是待检测的加热装置在外力作用下的保护层的截面图像；将所述待检测图像通过所述卷积神经网络获得检测特征图；以及将所述检测特征图通过所述分类器以获得分类结果，所述分类结果表示在所述外力作用下，所述石墨烯电热膜是否与所述保护层的内腔壁发生接触。在上述用于加热装置的石墨烯电热膜接触检测方法中，在获取训练图像的过程中，外力垂直作用于所述加热装置的保护层。在上述用于加热装置的石墨烯电热膜接触检测方法中，将所述训练图像通过卷积神经网络获得训练特征图，包括：从所述卷积神经网络的第N层提取出纹理特征图作为所述训练特征图，N为大于等于4且小于等于6的正整数。在上述用于加热装置的石墨烯电热膜接触检测方法中，，所述卷积神经网络为ResNet50。在上述用于加热装置的石墨烯电热膜接触检测方法中，将所述训练特征图通过分类器以获得分类损失函数值，包括：将所述训练特征图通过一个或多个全连接层以获得分类特征向量；以及，将所述分类特征向量输入分类函数以获得所述分类损失函数值。在上述用于加热装置的石墨烯电热膜接触检测方法中，计算所述外力的数值的标签向量与所述训练特征图之间的交叉熵损失函数值，包括：对所述外力的数值进行归一化处理；以及，将经归一化处理的所述外力的数值按特定顺序进行排列，以获得所述标签向量。根据本申请的另一方面，提供了一种用于加热装置的石墨烯电热膜接触检测系统，包括：训练模块，包括：训练图像获取单元，用于获取训练图像，所述训练图像为已知石墨烯电热膜的接触状态下的、在外力作用下所述加热装置的保护层的截面图像；训练特征图生成单元，用于将所述训练图像获取单元获得的所述训练图像通过卷积神经网络获得训练特征图；分类损失函数值计算单元，用于将所述训练特征图生成单元获得的所述训练特征图通过分类器以获得分类损失函数值；交叉熵损失函数值计算单元，用于计算所述外力的数值的标签向量与所述训练特征图之间的交叉熵损失函数值；以及参数更新单元，用于基于所述分类损失函数值计算单元获得的所述分类损失函数值和所述交叉熵损失函数值计算单元获得的所述交叉熵损失函数值的加权和训练所述卷积神经网络；以及推断模块，包括：待检测图像获取单元，用于获取待检测图像，所述待检测图像是待检测的加热装置在外力作用下的保护层的截面图像；检测特征图生成单元，用于将所述待检测图像获取单元获得的所述待检测图像通过所述卷积神经网络获得检测特征图；以及分类结果生成单元，用于将所述检测特征图生成单元获得的所述检测特征图通过所述分类器以获得分类结果，所述分类结果表示在所述外力作用下，所述石墨烯电热膜是否与所述保护层的内腔壁发生接触在上述用于加热装置的石墨烯电热膜接触检测系统中，所述训练特征图生成单元，进一步用于：从所述卷积神经网络的第N层提取出纹理特征图作为所述训练特征图，N为大于等于4且小于等于6的正整数。在上述用于加热装置的石墨烯电热膜接触检测系统中，所述分类损失函数值计算单元，进一步用于：将所述训练特征图通过一个或多个全连接层以获得分类特征向量；以及，将所述分类特征向量输入分类函数以获得所述分类损失函数值。根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于加热装置的石墨烯电热膜接触检测方法。根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于加热装置的石墨烯电热膜接触检测方法。根据本申请提供的用于基于石墨烯发热技术的加热装置的石墨烯电热膜接触检测方法、用于基于石墨烯发热技术的加热装置的石墨烯电热膜接触检测系统和电子设备，其基于卷积神经网络来获得在外力作用下保护层的截面图像，并通过特征提取来获得图像的高维特征，以此通过分类器来获得所述石墨烯电热膜是否与所述保护层的内腔壁发生接触的分类结果。附图说明通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。图1图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法的场景示意图。图2图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法的流程图。图3图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测本文档来自技高网...

【技术保护点】
1.一种用于加热装置的石墨烯电热膜接触检测方法，其特征在于，包括：/n训练阶段，包括：/n获取训练图像，所述训练图像为已知石墨烯电热膜的接触状态下的、在外力作用下所述加热装置的保护层的截面图像；/n将所述训练图像通过卷积神经网络获得训练特征图；/n将所述训练特征图通过分类器以获得分类损失函数值；/n计算所述外力的数值的标签向量与所述训练特征图之间的交叉熵损失函数值；以及/n基于所述分类损失函数值和所述交叉熵损失函数值的加权和训练所述卷积神经网络；以及/n推断阶段，包括：/n获取待检测图像，所述待检测图像是待检测的加热装置在外力作用下的保护层的截面图像；/n将所述待检测图像通过所述卷积神经网络获得检测特征图；以及/n将所述检测特征图通过所述分类器以获得分类结果，所述分类结果表示在所述外力作用下，所述石墨烯电热膜是否与所述保护层的内腔壁发生接触。/n

【技术特征摘要】
1.一种用于加热装置的石墨烯电热膜接触检测方法，其特征在于，包括：
训练阶段，包括：
获取训练图像，所述训练图像为已知石墨烯电热膜的接触状态下的、在外力作用下所述加热装置的保护层的截面图像；
将所述训练图像通过卷积神经网络获得训练特征图；
将所述训练特征图通过分类器以获得分类损失函数值；
计算所述外力的数值的标签向量与所述训练特征图之间的交叉熵损失函数值；以及
基于所述分类损失函数值和所述交叉熵损失函数值的加权和训练所述卷积神经网络；以及
推断阶段，包括：
获取待检测图像，所述待检测图像是待检测的加热装置在外力作用下的保护层的截面图像；
将所述待检测图像通过所述卷积神经网络获得检测特征图；以及
将所述检测特征图通过所述分类器以获得分类结果，所述分类结果表示在所述外力作用下，所述石墨烯电热膜是否与所述保护层的内腔壁发生接触。


2.根据权利要求1所述的用于加热装置的石墨烯电热膜接触检测方法，其中，在获取训练图像的过程中，外力垂直作用于所述加热装置的保护层。


3.根据权利要求1所述的用于加热装置的石墨烯电热膜接触检测方法，其中，将所述训练图像通过卷积神经网络获得训练特征图，包括：
从所述卷积神经网络的第N层提取出纹理特征图作为所述训练特征图，N为大于等于4且小于等于6的正整数。


4.根据权利要求1所述的用于加热装置的石墨烯电热膜接触检测方法，其中，所述卷积神经网络为ResNet50。


5.根据权利要求1所述的用于加热装置的石墨烯电热膜接触检测方法，其中，将所述训练特征图通过分类器以获得分类损失函数值，包括：
将所述训练特征图通过一个或多个全连接层以获得分类特征向量；以及
将所述分类特征向量输入分类函数以获得所述分类损失函数值。


6.根据权利要求1所述的用于加热装置的石墨烯电热膜接触检测方法，其中，计算所述外力的数值的标签向量与所述训练特征图之间的交叉熵损失函数值，包括：
对所述外力的数值进行归一化处理；以及
将经归一化处理的所述外力的数值按特定顺序进行排列，以获得所述标签向量。

【专利技术属性】
技术研发人员：陈文戈，
申请(专利权)人：南京美漾网络科技有限公司，
类型：发明
国别省市：江苏;32