【技术实现步骤摘要】
基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法
本申请涉及人工智能领域，且更为具体地，涉及一种基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法、基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测系统和电子设备。
技术介绍
石墨烯具有良好的韧性及润滑性，可用于耐磨减损材料及润滑剂的制备等。目前，对于石墨烯润滑剂的摩擦系数或石墨烯的润滑性能，需要测试得到相关参数，这通常通过对扭矩轮涂覆石墨烯润滑剂，然后通过外力使得扭矩轮转动进行摩擦测试来实现。但是，当前在该摩擦测试中，除了施加的力的数值之外，扭矩轮的转动情况仅能够通过人眼来依靠经验识别，这显然是不够准确的。因此，期望一种优化的用于石墨烯润滑剂的润滑性能检测的技术方案。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石墨烯润滑剂的润滑性能检测提供了新的解决思路和方案。...
【技术保护点】
1.一种基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法，其特征在于，包括：/n训练阶段，包括：/n获取训练图像，所述训练图像包括扭矩轮在外力作用下匀速转动过程中的第一图像和第二图像；/n将所述第一图像和所述第二图像通过卷积神经网络以分别从所述第一图像中提取出第一特征图和从所述第二图像中提取出第二特征图；/n计算所述第一特征图与所述第二特征图之间的均方误差损失函数值；/n计算所述第一特征图与所述外力的标签向量之间的第一交叉熵损失函数值和所述第二特征图与所述外力的标签向量之间的第二交叉熵损失函数值；以及/n基于所述第一交叉熵损失函数值、所述第二交叉熵损失函数值和所述均方误差...
【技术特征摘要】
1.一种基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法，其特征在于，包括：
训练阶段，包括：
获取训练图像，所述训练图像包括扭矩轮在外力作用下匀速转动过程中的第一图像和第二图像；
将所述第一图像和所述第二图像通过卷积神经网络以分别从所述第一图像中提取出第一特征图和从所述第二图像中提取出第二特征图；
计算所述第一特征图与所述第二特征图之间的均方误差损失函数值；
计算所述第一特征图与所述外力的标签向量之间的第一交叉熵损失函数值和所述第二特征图与所述外力的标签向量之间的第二交叉熵损失函数值；以及
基于所述第一交叉熵损失函数值、所述第二交叉熵损失函数值和所述均方误差损失函数值来训练所述卷积神经网络；以及
推断阶段，包括：
获取所述扭矩轮在外力作用下转动时的第一时间段的第一组多个图像帧和第二时间段的第二组多个图像帧；
将所述第一组多个图像帧和所述第二组多个图像帧分别通过训练完成的所述卷积神经网络以获得第一特征图和第二特征图；
计算所述第一特征图和所述第二特征图之间的均方误差；以及
基于所述均方误差和预设阈值之间的比较，确定石墨烯润滑剂的润滑性能是否符合标准。
2.根据权利要求1所述的基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法，其中，基于所述第一交叉熵损失函数值、所述第二交叉熵损失函数值和所述均方误差损失函数值来训练所述卷积神经网络，包括：
基于所述第一交叉熵损失函数值与所述第二交叉熵损失函数值的加权和更新所述卷积神经网络的参数；以及
基于所述均方误差损失函数值更新所述卷积神经网络的参数。
3.根据权利要求2所述的基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法，其中，所述卷积神经网络为深度残差神经网络。
4.根据权利要求1所述的基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法，其中，在获取所述扭矩轮在外力作用下转动时的第一时间段的第一组多个图像帧和第二时间段的第二组多个图像帧中，所述第一时间段等于所述第二时间段，且所述第一组多个图像帧在所述第一时间段内的时序分布与所述第二组多个图像帧在所述第二时间段内的时序分布相同。
5.根据权利要求1所述的基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测方法，其中，基于所述均方误差和预设阈值之间的比较，确定石墨烯润滑剂的润滑性能是否符合标准，包括：
响应于所述均方误差大于或等于所述预设阈值，确定石墨烯润滑剂的润滑性能不符合标准；以及
响应于所述均方误差小于所述预设阈值，确定石墨烯润滑剂的润滑性能符合标准。
6.一种基于扭矩轮的匀速转动识别的润滑剂的润滑性能检测系统，其特征在于，包括：
训练模块，包括：
训...
【专利技术属性】
技术研发人员：秦晓军，
申请(专利权)人：南京怿游网络科技有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。