CN113139520A - 用于工业互联网的设备膜片性能监测方法 - Google Patents

用于工业互联网的设备膜片性能监测方法 Download PDF

Info

Publication number
CN113139520A
CN113139520A CN202110530156.0A CN202110530156A CN113139520A CN 113139520 A CN113139520 A CN 113139520A CN 202110530156 A CN202110530156 A CN 202110530156A CN 113139520 A CN113139520 A CN 113139520A
Authority
CN
China
Prior art keywords
feature map
activation
feature
cross entropy
entropy coefficient
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110530156.0A
Other languages
English (en)
Other versions
CN113139520B (zh
Inventor
朱卸莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Zhongtian Internet Technology Co ltd
Original Assignee
Hangzhou Xuyan Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Xuyan Technology Co ltd filed Critical Hangzhou Xuyan Technology Co ltd
Priority to CN202110530156.0A priority Critical patent/CN113139520B/zh
Publication of CN113139520A publication Critical patent/CN113139520A/zh
Application granted granted Critical
Publication of CN113139520B publication Critical patent/CN113139520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • G06F7/5443—Sum of products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

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。

Description

用于工业互联网的设备膜片性能监测方法
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。
在上述用于工业互联网的设备膜片性能监测方法中，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，包括：以如下公式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，所述公式为：a1＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是第一激活特征图中的每个位置的特征值。
在上述用于工业互联网的设备膜片性能监测方法中，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，包括：以如下公式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，所述公式为：a2＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第二激活特征图中的每个位置的特征值。
在上述用于工业互联网的设备膜片性能监测方法中，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，包括：以如下公式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，所述公式为：a3＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第三激活特征图中的每个位置的特征值。
在上述用于工业互联网的设备膜片性能监测方法中，将所述分类特征图通过分类器以获得分类结果，包括：将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述用于工业互联网的设备膜片性能监测方法中，所述卷积神经网络为深度残差网络。
根据本申请的另一方面，提供了一种用于工业互联网的设备膜片性能监测系统，其包括：
表面图像获取单元，用于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；
特征图提取单元，用于将所述表面图像获取单元获得的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；
特征图激活单元，用于分别以Sigmoid激活函数对所述特征图提取单元获得的所述第一特征图、所述特征图提取单元获得的所述第二特征图、所述特征图提取单元获得的所述第三特征图和所述特征图提取单元获得的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；
第一交叉熵系数计算单元，用于计算所述特征图激活单元获得的所述第一激活特征图相对于所述特征图激活单元获得的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；
第二交叉熵系数计算单元，用于计算所述特征图激活单元获得的所述第二激活特征图相对于所述特征图激活单元获得的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；
第三交叉熵系数计算单元，用于计算所述特征图激活单元获得的所述第三激活特征图相对于所述特征图激活单元获得的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；
分类特征图生成单元，用于以所述第一交叉熵系数计算单元获得的所述第一交叉熵系数、所述第二交叉熵系数计算单元获得的所述第二交叉熵系数和所述第三交叉熵系数计算单元获得的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
分类结果生成单元，用于将所述分类特征图生成单元获得的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。
在上述用于工业互联网的设备膜片性能监测系统中，所述第一交叉熵系数计算单元，进一步用于：以如下公式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，所述公式为：a1＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是第一激活特征图中的每个位置的特征值。
在上述用于工业互联网的设备膜片性能监测系统中，所述第二交叉熵系数计算单元，进一步用于：以如下公式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，所述公式为：a2＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第二激活特征图中的每个位置的特征值。
在上述用于工业互联网的设备膜片性能监测系统中，所述第三交叉熵系数计算单元，进一步用于：以如下公式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，所述公式为：a3＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第三激活特征图中的每个位置的特征值。
在上述用于工业互联网的设备膜片性能监测系统中，所述分类结果生成单元，包括：分类特征向量计算子单元，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，分类结果计算子单元，用于将所述分类特征向量计算子单元获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在上述用于工业互联网的设备膜片性能监测系统中，所述卷积神经网络为深度残差网络。
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工业互联网的设备膜片性能监测方法。
根据本申请的再又一方面，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工业互联网的设备膜片性能监测方法。
与现有技术相比，本申请提供的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。
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为根据本申请实施例的用于工业互联网的设备膜片性能监测方法的应用场景图；
图2为根据本申请实施例的用于工业互联网的设备膜片性能监测方法的流程图；
图3为根据本申请实施例的用于工业互联网的设备膜片性能监测方法的系统架构示意图；
图4为根据本申请实施例的用于工业互联网的设备膜片性能监测方法中，将所述分类特征图通过分类器以获得分类结果的流程图；
图5为根据本申请实施例的用于工业互联网的设备膜片性能监测系统的框图；
图6为根据本申请实施例的用于工业互联网的设备膜片性能监测系统中分类结果生成单元的框图；
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，在许多工业设备中，都需要用到各种各样的膜片，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。
由于膜片表面的皱缩直接表现为膜片图像上的视觉特征，具体地，膜片图像中的膜片对象的表面纹理特征，本申请的申请人考虑采用基于深度学习的计算机视觉技术，来通过对表面纹理特征的高维特征学习来进行基于高维特征的分类，从而确定膜片的性能。
因此，在本申请的技术方案中，需要融合用于表示纹理特征的浅层特征图和用于表达高维特征的深层特征图，由于两个特征的概率分布之间的交叉熵系数可以表达某个特征的概率分布表达另一特征的概率分布的难度，因此本申请的申请人考虑用表示纹理特征的浅层特征图相对于表达高维特征的深层特征图的交叉熵系数来作为浅层特征图的加权权重，以适当地融合浅层特征和深层特征。
具体地，在本申请的技术方案中，首先通过工业互联网从设置在终端的工业设备上的摄像头获取工业设备中的待检测的膜片的表面图像，并通过卷积神经网络，以获得从用于提取纹理特征的第4到6层卷积层得到的第一特征图、第二特征图、第三特征图和最后一层输出的最后特征图。这里，在从卷积层提取出特征图之后，分别通过sigmoid函数激活以得到概率分布形式表达的特征图。然后，分别计算第一特征图、第二特征图、第三特征图相对于最后特征图的交叉熵系数，即a＝∑(i,j)p(i)logq(j)，其中p(i)是最后特征图中的每个位置的特征值，且q(j)是第一、第二或者第三特征图中的每个位置的特征值。
然后，分别以a1，a2和a3作为第一、第二或者第三特征图的加权权重，并以a1，a2和a3的平均值作为最后特征图的加权权重来计算加权和，以获得分类特征图，并通过分类器以获得分类结果，该分类结果用于表示膜片性能是否符合预定标准，从而作为工业设备是否能够正常工作的判断依据。
基于此，本申请提出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。
图1图示了根据本申请实施例的用于工业互联网的设备膜片性能监测方法的应用场景图。如图1所示，在该应用场景中，首先通过摄像头(例如，如图1中所示意的C)获取工业设备中的待检测的膜片的表面图像；然后，将所述待检测的膜片图像输入至部署有用于工业互联网的设备膜片性能监测算法的云服务器中(例如，如图1中所示意的S)，其中，所述服务器能够以用于工业互联网的设备膜片性能监测算法对所述待检测的膜片图像进行处理，以生成用于表示膜片性能是否符合预定标准的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了用于工业互联网的设备膜片性能监测方法的流程图。如图2所示，根据本申请实施例的用于工业互联网的设备膜片性能监测方法，包括：S110，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；S120，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；S130，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；S140，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；S150，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；S160，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；S170，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，S180，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。
图3图示了根据本申请实施例的用于工业互联网的设备膜片性能监测方法的架构示意图。如图3所示，在所述用于工业互联网的设备膜片性能监测方法的网络架构中，首先，将获取的工业设备中待检测膜片的表面图像(例如，如图3中所示意的IN0)通过卷积神经网络(例如，如图3中所示意的CNN)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(例如，如图3中所示意的F1)、第二特征图(例如，如图3中所示意的F2)和第三特征图(例如，如图3中所示意的F3)和从最后一层输出的最后特征图(例如，如图3中所示意的F4)；接着，分别以Sigmoid激活函数(例如，如图3中所示意的圈Si)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(例如，如图3中所示意的Fa1)、第二激活特征图(例如，如图3中所示意的Fa2)、第三激活特征图(例如，如图3中所示意的Fa3)和最后激活特征图(例如，如图3中所示意的Fa4)；然后，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(例如，如图3中所示意的CEC1)，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；接着，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(例如，如图3中所示意的CEC2)，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；然后，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(例如，如图3中所示意的CEC3)，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；接着，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(例如，如图3中所示意的Fc)；最后，将所述分类特征图通过分类器(例如，如图3中所示意的分类器)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。
在步骤S110中，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。如前所述，本申请的技术构思是通过基于深度学习的计算机视觉技术来提取所述待检测的膜片表面图像中的特征并进行分类。因此，在本申请的技术方案中首先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。
在步骤S120中，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。也就是，以深度卷积神经网络对所述待检测的膜片表面图像进行处理，以提取出所述待检测的膜片表面图像中的局部特征在高维空间中的特征分布表示。
这里，由于膜片表面的皱缩直接表现为膜片图像上的视觉特征，具体地，膜片图像中的膜片对象的表面纹理特征，因此，在本申请的技术方案中，从卷积神经网络的4～6层分别提取出所述第一特征图、所述第二特征图和所述第三特征图，其中，所述第一特征图、所述第二特征图和所述第三特征图聚焦于所述膜片的表面纹理特征。本领域普通技术人员应知晓，卷积神经网络在提取特征方面随着其层数的增加其所提取的特征更为抽象，具体地，卷积神经网络的1到3层提取的是对象的形状和边缘特征图，其4到6层提取的是对象的纹理特征。
并且，在本申请的技术方案中，考虑到融合用于表示纹理特征的浅层特征图和用于表达高维特征的深层特征图来进行分类预测。因此，进一步地从所述卷积神经网络的最后一层中提取出所述最后特征图，其中，所述最后特征图聚焦于所述膜片对象的高维特征。
在本申请一个具体的示例中，所述卷积神经网络可被实施为深度残差网络，例如，ResNet 150。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N-1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。
在步骤S130中，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。如前所述，在本申请的技术方案中，需要融合用于表示纹理特征的浅层特征图和用于表达高维特征的深层特征图，由于两个特征的概率分布之间的交叉熵系数可以表达某个特征的概率分布表达另一特征的概率分布的难度，因此考虑用表示纹理特征的浅层特征图相对于表达高维特征的深层特征图的交叉熵系数来作为浅层特征图的加权权重，以适当地融合浅层特征和深层特征。
在计算浅层特征图相对于深层特征图的交叉熵系数时，需首先将所述第一特征图、所述第二特征图、所述第三特征图和所述最后特征图概率化，即，将所述第一特征图、所述第二特征图、所述第三特征图和所述最后特征图中各个位置的特征值调整到0到1的区间内。具体地，在该实施例中，用Sigmoid函数分别对所述第一特征图、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得到概率分布形式表达的特征图(即，所述第一激活特征图、所述第二激活特征图、所述第三激活特征图和所述最后激活特征图)，从而便于后续对交叉熵系数的计算。
在步骤S140中，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；在步骤S150中，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；以及，在步骤S160中，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。也就是，分别计算所述第一激活特征图、所述第二激活特征图、所述第三激活特征图相对于所述最后激活特征图的交叉熵系数，以得到第一交叉熵系数、第二交叉熵系数和第三交叉熵系数。
应可以理解，由于两个特征的概率分布之间的交叉熵系数可以表达某个特征的概率分布表达另一特征的概率分布的难度，因此，为了适当地融合用于表示纹理特征的浅层特征图和用于表达高维特征的深层特征图以提高分类的准确性，选择用表示纹理特征的浅层特征图相对于表达高维特征的深层特征图的交叉熵系数来作为浅层特征图的加权权重。
具体地，在本申请实施例中，分别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相对于所述最后激活特征图的第一交叉熵系数、第二交叉熵系数和第三交叉熵系数的过程，包括：以如下公式分别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相对于所述最后激活特征图的第一交叉熵系数、第二交叉熵系数和第三交叉熵系数，所述公式为：a＝∑(i,j)p(i)logq(j)，其中p(i)是所述最后特征图中的每个位置的特征值，且q(j)是第一、第二或者第三激活特征图中的每个位置的特征值。这里，所述第一交叉熵系数表示第一浅层特征概率分布表达高维深层特征概率分布的难度；所述第二交叉熵系数表示第二浅层特征概率分布表达高维深层特征概率分布的难度；所述第三交叉熵系数表示第三浅层特征概率分布表达高维深层特征概率分布的难度。
在步骤S170中，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。也就是，在具体实施中，分别以第一交叉熵系数a1、第二交叉熵系数a2和第三交叉熵系数a3作为第一、第二和第三特征图的加权权重，并以a1、a2和a3的平均值作为最后特征图的加权权重来计算加权和，以获得分类特征图。应可以理解，在本申请的技术方案中，为了融合用于表示纹理特征的浅层特征图和用于表达高维特征的深层特征图以得到最终准确性较高的分类结果，就需要以交叉熵系数作为各个特征图的权重，然后再进行加权和计算，从而得到用于精准分类的分类特征图。
在步骤S180中，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。
具体地，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果，包括：首先，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量。也就是，通过一个或多个全连接层作为编码器对所述分类特征图进行编码以充分利用所述分类特征图中每个位置的信息，以生成分类特征向量。然后，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。也就是，将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于分类标签的概率值，具体地，包括该膜片性能符合预定标准的第一概率和该膜片性能不符合预定标准的第二概率；再基于所述第一概率和所述第二概率确定所述分类结果，具体地，当所述第一概率大于所述第二概率时，所述分类结果为膜片性能符合预定标准，当所述第一个概率小于所述第二概率时，所述分类结果为膜片性能不符合预定标准。
图4图示了根据本申请实施例的用于工业互联网的设备膜片性能监测方法中，将所述分类特征图通过分类器以获得分类结果的流程图。如图4所示，在本申请实施例中，将所述分类特征图通过分类器以获得分类结果，包括：S210，将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，S220，将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
综上，本申请实施例的用于工业互联网的设备膜片性能监测方法被阐明，其采用基于深度学习的计算机视觉技术来通过对表面纹理特征的高维特征学习以进行基于高维特征的分类，从而确定膜片的性能。通过这样的方式，确保了工业设备的稳定安全运行。
示例性系统
图5图示了根据本申请实施例的用于工业互联网的设备膜片性能监测系统的框图。如图5所示，根据本申请实施例的用于工业互联网的设备膜片性能监测系统500，包括：表面图像获取单元510，用于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；特征图提取单元520，用于将所述表面图像获取单元510获得的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；特征图激活单元530，用于分别以Sigmoid激活函数对所述特征图提取单元520获得的所述第一特征图、所述特征图提取单元520获得的所述第二特征图、所述特征图提取单元520获得的所述第三特征图和所述特征图提取单元520获得的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；第一交叉熵系数计算单元540，用于计算所述特征图激活单元530获得的所述第一激活特征图相对于所述特征图激活单元530获得的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；第二交叉熵系数计算单元550，用于计算所述特征图激活单元530获得的所述第二激活特征图相对于所述特征图激活单元530获得的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；第三交叉熵系数计算单元560，用于计算所述特征图激活单元530获得的所述第三激活特征图相对于所述特征图激活单元530获得的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；分类特征图生成单元570，用于以所述第一交叉熵系数计算单元540获得的所述第一交叉熵系数、所述第二交叉熵系数计算单元550获得的所述第二交叉熵系数和所述第三交叉熵系数计算单元560获得的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，分类结果生成单元580，用于将所述分类特征图生成单元570获得的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。
在一个示例中，在上述用于工业互联网的设备膜片性能监测系统500中，所述第一交叉熵系数计算单元540，进一步用于：以如下公式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，所述公式为：a1＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是第一激活特征图中的每个位置的特征值。
在一个示例中，在上述用于工业互联网的设备膜片性能监测系统500中，所述第二交叉熵系数计算单元550，进一步用于：以如下公式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，所述公式为：a2＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第二激活特征图中的每个位置的特征值。
在一个示例中，在上述用于工业互联网的设备膜片性能监测系统500中，所述第三交叉熵系数计算单元560，进一步用于：以如下公式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，所述公式为：a3＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第三激活特征图中的每个位置的特征值。
在一个示例中，在上述用于工业互联网的设备膜片性能监测系统500中，如图6所示，所述分类结果生成单元580，包括：分类特征向量计算子单元581，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及，分类结果计算子单元582，用于将所述分类特征向量计算子单元获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
在一个示例中，在上述用于工业互联网的设备膜片性能监测系统500中，所述卷积神经网络为深度残差网络。
这里，本领域技术人员可以理解，上述用于工业互联网的设备膜片性能监测系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于工业互联网的设备膜片性能监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的用于工业互联网的设备膜片性能监测系统500可以实现在各种终端设备中，例如用于水泥加工的智能控制的服务器等。在一个示例中，根据本申请实施例的用于工业互联网的设备膜片性能监测系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于工业互联网的设备膜片性能监测系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于工业互联网的设备膜片性能监测系统500同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该用于工业互联网的设备膜片性能监测系统500与该终端设备也可以是分立的设备，并且该用于工业互联网的设备膜片性能监测系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图7来描述根据本申请实施例的电子设备。如图7所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的用于工业互联网的设备膜片性能监测方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第一交叉熵系数、第二交叉熵系数、第三交叉熵系数等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图7中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，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本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的用于工业互联网的设备膜片性能监测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，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本说明书上述“示例性方法”部分中描述的用于工业互联网的设备膜片性能监测方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种用于工业互联网的设备膜片性能监测方法，其特征在于，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。
2.根据权利要求1所述的用于工业互联网的设备膜片性能监测方法，其中，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，包括：
以如下公式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，所述公式为：a1＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是第一激活特征图中的每个位置的特征值。
3.根据权利要求1所述的用于工业互联网的设备膜片性能监测方法，其中，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，包括：
以如下公式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，所述公式为：a2＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第二激活特征图中的每个位置的特征值。
4.根据权利要求1所述的用于工业互联网的设备膜片性能监测方法，其中，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，包括：
以如下公式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，所述公式为：a3＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是所述第三激活特征图中的每个位置的特征值。
5.根据权利要求1所述的用于工业互联网的设备膜片性能监测方法，其中，将所述分类特征图通过分类器以获得分类结果，包括：
将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及
将所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
6.根据权利要求1所述的用于工业互联网的设备膜片性能监测方法，其中，所述卷积神经网络为深度残差网络。
7.一种用于工业互联网的设备膜片性能监测系统，其特征在于，包括：
表面图像获取单元，用于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；
特征图提取单元，用于将所述表面图像获取单元获得的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；
特征图激活单元，用于分别以Sigmoid激活函数对所述特征图提取单元获得的所述第一特征图、所述特征图提取单元获得的所述第二特征图、所述特征图提取单元获得的所述第三特征图和所述特征图提取单元获得的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；
第一交叉熵系数计算单元，用于计算所述特征图激活单元获得的所述第一激活特征图相对于所述特征图激活单元获得的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；
第二交叉熵系数计算单元，用于计算所述特征图激活单元获得的所述第二激活特征图相对于所述特征图激活单元获得的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；
第三交叉熵系数计算单元，用于计算所述特征图激活单元获得的所述第三激活特征图相对于所述特征图激活单元获得的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；
分类特征图生成单元，用于以所述第一交叉熵系数计算单元获得的所述第一交叉熵系数、所述第二交叉熵系数计算单元获得的所述第二交叉熵系数和所述第三交叉熵系数计算单元获得的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
分类结果生成单元，用于将所述分类特征图生成单元获得的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。
8.根据权利要求7所述的用于工业互联网的设备膜片性能监测系统，其中，所述分类结果生成单元，包括：
分类特征向量计算子单元，用于将所述分类特征图通过一个或多个全连接层以通过所述一个或多个全连接层对所述分类特征图进行编码，以获得分类特征向量；以及
分类结果计算子单元，用于将所述分类特征向量计算子单元获得的所述分类特征向量输入Softmax分类函数，以获得所述分类结果。
9.根据权利要求7所述的用于工业互联网的设备膜片性能监测系统，其中，所述第一交叉熵系数计算单元，进一步用于：以如下公式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，所述公式为：a1＝∑(i,j)p(i)logq(j)，其中，p(i)是所述最后激活特征图中的每个位置的特征值，q(j)是第一激活特征图中的每个位置的特征值。
10.一种电子设备，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权利要求1-6中任一项所述的用于工业互联网的设备膜片性能监测方法。
CN202110530156.0A 2021-05-14 2021-05-14 用于工业互联网的设备膜片性能监测方法 Active CN113139520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110530156.0A CN113139520B (zh) 2021-05-14 2021-05-14 用于工业互联网的设备膜片性能监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110530156.0A CN113139520B (zh) 2021-05-14 2021-05-14 用于工业互联网的设备膜片性能监测方法

Publications (2)

Publication Number Publication Date
CN113139520A true CN113139520A (zh) 2021-07-20
CN113139520B CN113139520B (zh) 2022-07-29

Family

ID=76817889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110530156.0A Active CN113139520B (zh) 2021-05-14 2021-05-14 用于工业互联网的设备膜片性能监测方法

Country Status (1)

Country Link
CN (1) CN113139520B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702156A (zh) * 2023-06-20 2023-09-05 安徽百方云科技有限公司 信息安全风险评价系统及其方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435513A (zh) * 2011-09-14 2012-05-02 华东理工大学 一种脆性薄膜断裂强度及韧性的预测方法
US20170224270A1 (en) * 2016-02-10 2017-08-10 Balter, Inc. Optical transfer diagnosis for detection and monitoring of tissue disorders
US20180046903A1 (en) * 2016-08-12 2018-02-15 DeePhi Technology Co., Ltd. Deep processing unit (dpu) for implementing an artificial neural network (ann)
CN109242830A (zh) * 2018-08-18 2019-01-18 苏州翔升人工智能科技有限公司 一种基于深度学习的机器视觉技术检测方法
CN109961442A (zh) * 2019-03-25 2019-07-02 腾讯科技（深圳）有限公司 神经网络模型的训练方法、装置和电子设备
CN110136126A (zh) * 2019-05-17 2019-08-16 东南大学 基于全卷积神经网络的织物纹理瑕疵检测方法
CN110715941A (zh) * 2018-12-06 2020-01-21 住华科技股份有限公司 自动光学检测方法及应用其的自动光学检测系统
CN112001300A (zh) * 2020-08-21 2020-11-27 杭州追猎科技有限公司 基于按位置交叉熵的楼宇监控方法、装置和电子设备
CN112001301A (zh) * 2020-08-21 2020-11-27 杭州追猎科技有限公司 基于全局交叉熵加权的楼宇监控方法、装置和电子设备
CN112418353A (zh) * 2020-12-11 2021-02-26 中山瑞恒网络科技有限公司 用于电池隔膜异常检测的神经网络的训练方法
CN112465805A (zh) * 2020-12-11 2021-03-09 中山亿铭网络科技有限公司 用于钢筋冲压折弯的质量检测的神经网络的训练方法
CN112489044A (zh) * 2020-12-21 2021-03-12 南京美漾网络科技有限公司 用于加热装置的石墨烯电热膜接触检测方法
CN112580576A (zh) * 2020-12-28 2021-03-30 华南理工大学 基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统
CN112580724A (zh) * 2020-12-21 2021-03-30 南京怿游网络科技有限公司 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
CN112766363A (zh) * 2021-01-18 2021-05-07 南京多金网络科技有限公司 用于崩落状态的智能预测的神经网络的训练方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102435513A (zh) * 2011-09-14 2012-05-02 华东理工大学 一种脆性薄膜断裂强度及韧性的预测方法
US20170224270A1 (en) * 2016-02-10 2017-08-10 Balter, Inc. Optical transfer diagnosis for detection and monitoring of tissue disorders
US20180046903A1 (en) * 2016-08-12 2018-02-15 DeePhi Technology Co., Ltd. Deep processing unit (dpu) for implementing an artificial neural network (ann)
CN109242830A (zh) * 2018-08-18 2019-01-18 苏州翔升人工智能科技有限公司 一种基于深度学习的机器视觉技术检测方法
CN110715941A (zh) * 2018-12-06 2020-01-21 住华科技股份有限公司 自动光学检测方法及应用其的自动光学检测系统
CN109961442A (zh) * 2019-03-25 2019-07-02 腾讯科技（深圳）有限公司 神经网络模型的训练方法、装置和电子设备
CN110136126A (zh) * 2019-05-17 2019-08-16 东南大学 基于全卷积神经网络的织物纹理瑕疵检测方法
CN112001300A (zh) * 2020-08-21 2020-11-27 杭州追猎科技有限公司 基于按位置交叉熵的楼宇监控方法、装置和电子设备
CN112001301A (zh) * 2020-08-21 2020-11-27 杭州追猎科技有限公司 基于全局交叉熵加权的楼宇监控方法、装置和电子设备
CN112418353A (zh) * 2020-12-11 2021-02-26 中山瑞恒网络科技有限公司 用于电池隔膜异常检测的神经网络的训练方法
CN112465805A (zh) * 2020-12-11 2021-03-09 中山亿铭网络科技有限公司 用于钢筋冲压折弯的质量检测的神经网络的训练方法
CN112489044A (zh) * 2020-12-21 2021-03-12 南京美漾网络科技有限公司 用于加热装置的石墨烯电热膜接触检测方法
CN112580724A (zh) * 2020-12-21 2021-03-30 南京怿游网络科技有限公司 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
CN112580576A (zh) * 2020-12-28 2021-03-30 华南理工大学 基于多尺度光照不变性纹理特征的人脸欺骗检测方法及系统
CN112766363A (zh) * 2021-01-18 2021-05-07 南京多金网络科技有限公司 用于崩落状态的智能预测的神经网络的训练方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
邓堡元 等: "光伏电池图像序列的深度学习检测方法", 《机械工程学报》, vol. 57, no. 8, 30 April 2021 (2021-04-30), pages 1 - 9 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116702156A (zh) * 2023-06-20 2023-09-05 安徽百方云科技有限公司 信息安全风险评价系统及其方法
CN116702156B (zh) * 2023-06-20 2024-04-09 任丽娜 信息安全风险评价系统及其方法

Also Published As

Publication number Publication date
CN113139520B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN109101537B (zh) 基于深度学习的多轮对话数据分类方法、装置和电子设备
CN109471944B (zh) 文本分类模型的训练方法、装置及可读存储介质
CN110852426A (zh) 基于知识蒸馏的预训练模型集成加速方法及装置
CN105069424A (zh) 面部快速识别系统和方法
CN111522916A (zh) 一种语音服务质量检测方法、模型训练方法及装置
CN113139520B (zh) 用于工业互联网的设备膜片性能监测方法
CN112528029A (zh) 文本分类模型处理方法、装置、计算机设备及存储介质
CN113887580A (zh) 一种考虑多粒度类相关性的对比式开放集识别方法及装置
CN112347787A (zh) 方面级别情感分类方法、装置、设备及可读存储介质
CN111611386A (zh) 文本分类方法和装置
JP2023012406A (ja) 情報処理装置、情報処理方法及びプログラム
CN115471216A (zh) 智慧实验室管理平台的数据管理方法
CN117494051A (zh) 一种分类处理的方法、模型训练的方法以及相关装置
CN113449840A (zh) 神经网络训练方法及装置、图像分类的方法及装置
CN115205788A (zh) 食材质量监控系统
CN114359582A (zh) 一种基于神经网络的小样本特征提取方法及相关设备
CN112733751A (zh) 用于余热回收的智能进水控制方法
CN114037648A (zh) 基于类Softmax函数信息熵的智能速率参数控制方法
CN112418353A (zh) 用于电池隔膜异常检测的神经网络的训练方法
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN112380369B (zh) 图像检索模型的训练方法、装置、设备和存储介质
CN112819040A (zh) 基于权值生成机制的用于水泥加工的智能控制方法
CN115018194A (zh) 电动汽车故障等级预测的方法、系统、电子设备和存储介质
CN112767342A (zh) 基于双分支推断机制的瓦斯气体智能检测方法
CN114117037A (zh) 意图识别方法、装置、设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right

Effective date of registration: 20220628

Address after: 226001 4th and 5th floors of building 10B, Zilang science and Technology City, No. 60, Chongzhou Avenue, Nantong City, Jiangsu Province

Applicant after: Jiangsu Zhongtian Internet Technology Co.,Ltd.

Address before: 310000 No.48, Jiuhuan Road, Jianggan District, Hangzhou City, Zhejiang Province

Applicant before: Hangzhou Xuyan Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant