[发明专利]用于加热装置的石墨烯电热膜接触检测方法

说明书

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。

技术领域

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。

背景技术

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。

发明内容

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。