[发明专利]用于工业互联网的设备膜片性能监测方法

说明书

本申请涉及工业互联网领域，更具体地涉及一种工业互联网领域下的设备膜性能检测方法。具体地，所述方法基于工业互联网技术将包括膜片的工业设备数据化并以基于深度学习的计算机视觉技术来通过对膜片的表面纹理特征的高维特征学习来进行分类和预测以确定膜片的性能，通过这样的方式，确保了工业设备运行的稳定性。

技术领域

本发明涉及工业互联网领域下的设备膜片监测，且更为具体地，涉及一种用于工业互联网的设备膜片性能监测方法、用于工业互联网的设备膜片性能监测系统和电子设备。

背景技术

随着工业化与信息化的不断发展，越来越多的信息技术也应用到了工业领域，且在信息技术使用的过程中，大部分都需要进行联网。工业互联网的本质就是通过开放的、全球化的工业级网络平台把设备、生产线、工厂、供应商、产品和客户紧密地连接和融合起来，高效共享工业经济中的各种要素资源，从而通过自动化、智能化的生产方式降低成本、增加效率，帮助制造业延长产业链，推动制造业转型发展。

在基于工业互联网的自动产线中，许多工业设备都需要用到各种各样的膜片，例如，在基于工业互联网的燃料电池中需隔离膜。这些膜片的制备方法主要是将液态烃或一些小分子物质与聚烯烃树脂混合，加热熔融后，形成均匀的混合物，然后降温进行相分离，压制得膜片，再进行双向拉伸使分子链取向后得到膜材料。

但是，在工业设备的使用过程当中，原本平整的膜片会因为外力作用以及环境变化，比如温度湿度等的变化而在膜片表面产生不同程度的皱缩，从而影响膜片的性能，进而影响工业设备的正常工作。

因此，期望能够提供一种基于膜片表面的皱缩来监测膜片性能的方法。

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工业互联网的设备膜片性能监测方法、用于工业互联网的设备膜片性能监测系统和电子设备，其基于工业互联网技术将包括膜片的工业设备数据化并以基于深度学习的计算机视觉技术来通过对膜片的表面纹理特征的高维特征学习来进行分类和预测以确定膜片的性能，通过这样的方式，确保了工业设备运行的稳定性。

根据本申请的一个方面，提供了一种用于工业互联网的设备膜片性能监测方法，其包括：

通过工业互联网从部署在终端的摄像头中获取工业设备中待检测膜片的表面图像；

将所述表面图像通过卷积神经网络，以获得从用于提取纹理特征的第4层到第6层得到的第一特征图、第二特征图和第三特征图和从最后一层输出的最后特征图；

分别以Sigmoid激活函数对所述第一特征图、所述第二特征图、所述第三特征图和所述最后特征图进行激活，以获得第一激活特征图、第二激活特征图、第三激活特征图和最后激活特征图；

计算所述第一激活特征图相对于所述最后激活特征图的第一交叉熵系数，所述第一交叉熵系数为所述最后激活特征图中各个位置的特征值与所述第一激活特征图中各个位置的特征值的对数值之间的乘积之和；

计算所述第二激活特征图相对于所述最后激活特征图的第二交叉熵系数，所述第二交叉熵系数为所述最后激活特征图中各个位置的特征值与所述第二激活特征图中各个位置的特征值的对数值之间的乘积之和；

计算所述第三激活特征图相对于所述最后激活特征图的第三交叉熵系数，所述第三交叉熵系数为所述最后激活特征图中各个位置的特征值与所述第三激活特征图中各个位置的特征值的对数值之间的乘积之和；

以所述第一交叉熵系数、所述第二交叉熵系数和所述第三交叉熵系数作为权重计算所述第一激活特征图、所述第二激活特征图和所述第三激活特征图之间的加权和以获得分类特征图；以及

将所述分类特征图通过分类器以获得分类结果，所述分类结果用于表示膜片性能是否符合预定标准。