基于深度学习算法的设备智能测温方法、终端、存储装置

摘要

本发明提供一种基于深度学习算法的设备智能测温方法、终端、存储装置，该设备智能测温方法包括：S101：根据设备的温度信息、工作状态信息建立数据库，通过深度学习算法对数据库进行学习训练形成温度预测模型；S102：根据温度预测模型的输出结果获取温度预测信息，判断温度预测信息是否满足预设条件，若是，则根据温度预测信息进行设备报警，若否，则执行S103；S103：获取包含设备的当前温度信息的图像，根据图像获取设备的当前温度信息；S104：根据当前温度信息进行设备预警，根据当前温度信息、工作状态信息优化温度预测模型。本发明无需人工检测，人力、物力成本低，效率高、检测时间长，而且耗能少，满足了用户需求。

说明书

技术领域

本发明涉及温度测量技术领域，尤其涉及一种基于深度学习算法的设备智能测温方法、终端、存储装置。

背景技术

温度是评价设备运行状态的重要指标之一。在一些特殊场合，设备温度异常可能会引起设备损坏、燃烧、甚至爆炸等事故。因此，需要对设备的异常温度进行监测和预警。

然而，现有技术中，很多设备并不具有温度预警功能或不能向其他设备传输自身的温度异常信息，为了能够在设备温度异常时快速发现和进行预警以防止其因温度因素导致运行异常甚至损坏，需要工作人员时常检测设备的温度或为其加装相关温度传感器。

但是，人工检测的方式具有劳动成本高、效率低、不能够长时间检测等问题，不能在设备温度异常时快速发现，加装传感器的方式需要重新铺设线路，人力、物力本高，而且，需要向传感器供电，增加了耗能，加装传感器容易造成设备损坏，以上两种方法都不能很好满足当前的异常温度检测和预警需求。

发明内容

为了克服现有技术的不足，本发明提出一种基于深度学习算法的设备智能测温方法、终端、存储装置，根据设备的温度信息、工作状态信息建立数据库，并通过深度学习算法进行学习训练形成温度预测模型，利用温度预测模型预测设备的温度，并在预测结果不满足预设条件时结合设备的图像进一步获取设备的当前温度信息，根据当前温度信息和预测结果进行设备预警，能够利用设备传输的工作状态信息对设备进行异常温度检测，无需人工检测，人力、物力成本低，效率高、检测时间长，而且，能够通过设备已有线路传输信息，不需要改造和加装传感器，耗能少，不容易损坏设备，满足了用户需求。

为解决上述问题，本发明采用的一个技术方案为：一种基于深度学习算法的设备智能测温方法，所述设备智能测温方法包括：S101：获取设备的温度信息以及与所述温度信息关联的工作状态信息，根据所述温度信息、工作状态信息建立数据库，通过深度学习算法对所述数据库进行学习训练形成温度预测模型；S102：将所述设备输入的工作状态信息输入所述温度预测模型，根据所述温度预测模型的输出结果获取温度预测信息，判断所述温度预测信息是否满足预设条件，若是，则根据所述温度预测信息进行设备报警，若否，则执行S103；S103：获取包含所述设备的当前温度信息的图像，根据所述图像获取所述设备的当前温度信息；S104：根据所述当前温度信息进行设备预警，并记录所述当前温度信息对应的工作状态信息，根据所述当前温度信息、工作状态信息优化所述温度预测模型。

进一步地，所述工作状态信息包括电压、电流、产生的声音大小、声音频率、工作状态中的至少一种。

进一步地，所述根据所述温度信息、工作状态信息建立数据库的步骤具体包括：获取所述温度信息与所述工作状态信息的关联信息，根据所述关联信息将所述温度信息、工作状态信息存储在数据库中。

进一步地，所述根据所述温度信息、工作状态信息建立数据库的步骤还包括：获取所述温度信息对应的温度检测信息，根据所述关联信息、温度检测信息将所述温度信息、工作状态信息存储在数据库中，所述温度检测信息包括环境温度、设备类型、设备所在地点、环境天气、温度检测设备类型中的至少一种。

进一步地，所述通过深度学习算法对所述数据库进行学习训练形成温度预测模型的步骤具体包括：采用深度信念网络模型以多个副本异步并行计算的方式进行模型训练，并通过dropout方法防止模型训练过拟合，对数据库中的数据进行分类训练。

进一步地，所述输出结果包括所述工作状态信息对应的不同温度信息，以及所述温度信息与所述工作状态信息的对应概率。

进一步地，所述判断所述温度预测信息是否满足预设条件的步骤具体包括：判断所述输出结果中温度信息的数量是否小于预设值且存在对应概率大于预设概率值的温度信息；若是，则确定满足预设条件；若否，则确定不满足预设条件。

进一步地，所述根据所述图像获取所述设备的当前温度信息的步骤具体包括：获取所述图像的类型，根据所述类型确定所述图像中的温度信息获取区域，根据所述温度信息获取区域的图像特征获取所述设备的当前温度信息。

基于相同的发明构思，本发明还提出一种智能终端，所述智能终端包括处理器、存储器，所述存储器存储有计算机程序，所述处理器根据所述计算机程序执行如上所述的基于深度学习算法的设备智能测温方法。

基于相同的发明构思，本发明又提出一种存储装置，存储装置存储有程序数据，所述程序数据被用于执行如上所述的基于深度学习算法的设备智能测温方法。

相比现有技术，本发明的有益效果在于：根据设备的温度信息、工作状态信息建立数据库，并通过深度学习算法进行学习训练形成温度预测模型，利用温度预测模型预测设备的温度，并在预测结果不满足预设条件时结合设备的图像进一步获取设备的当前温度信息，根据当前温度信息和预测结果进行设备预警，能够利用设备传输的工作状态信息对设备进行异常温度检测，无需人工检测，人力、物力成本低，效率高、检测时间长，而且，能够通过设备已有线路传输信息，不需要改造和加装传感器，耗能少，不容易损坏设备，满足了用户需求。

附图说明

图1为本发明基于深度学习算法的设备智能测温方法一实施例的流程图；

图2为本发明智能终端一实施例的结构图；

图3为本发明存储装置一实施例的结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其中，图1为本发明基于深度学习算法的设备智能测温方法一实施例的结构图。结合附图1对本发明的基于深度学习算法的设备智能测温方法作详细说明。

在本实施例中，基于深度学习算法的设备智能测温方法包括：

S101：获取设备的温度信息以及与温度信息关联的工作状态信息，根据温度信息、工作状态信息建立数据库，通过深度学习算法对数据库进行学习训练形成温度预测模型。

在本实施例中，执行该基于深度学习算法的设备智能测温方法的设备可以为与设备有线或无线连接的手机、电脑、控制中心、云平台、服务器以及其他能够根据训练温度预测模型的智能终端，也可以为设备中的处理器、控制器，设备通过该处理器或控制器训练温度预测模型，并根据自身的工作状态信息进行设备预警。

在本实施例中，被检测温度的设备可以为手机、电动汽车、服务器以及其他对工作温度具有要求且工作状态受温度影响的设备。

在本实施例中，工作状态信息包括工作电压、工作电流、产生的声音大小、声音频率、工作状态中的至少一种。其中，产生的声音可以为设备的风扇或其他散热器件为散热产生的声音。

在其他实施例中，工作状态信息还可以为设备的阻值、充电速率、耗电速度、出现异常的频率以及其他影响设备温度的参数。

在本实施例，设备的温度信息包括正常温度、温度高、温度低这些用于描述设备当前温度是否符合要求的数值，在其他实施例中，也可以为设备的具体温度，如10℃、20℃等数值。

在本实施例中，与温度信息关联的工作状态信息可以为该类设备在出厂前的检测数据，也可以为设备在不同温度下的历史检测数据，并在获取检测数据时将该检测数据与获取检测数据时设备的温度对应实现工作状态信息与温度信息的关联。该温度信息和工作状态信息以及二者之间的关联信息可以通过人工输入、互联网查找或传输的方式获取。

在本实施例中，根据温度信息、工作状态信息建立数据库的步骤具体包括：获取温度信息与工作状态信息的关联信息，根据关联信息将温度信息、工作状态信息一一对应，并存储在数据库中，关联信息为获取设备工作状态信息时，设备所处的温度。

在本实施例中，因设备在不同环境和工作条件下相同工作状态关联的温度也存在区别，为了提高预测结果的准确性，根据温度信息、工作状态信息建立数据库的步骤还包括：获取温度信息对应的温度检测信息，根据关联信息、温度检测信息将温度信息、工作状态信息存储在数据库中，温度检测信息包括环境温度、设备类型、设备所在地点、环境天气、温度检测设备类型中的至少一种。

在本实施例中，通过深度学习算法对数据库进行学习训练形成温度预测模型的步骤具体包括：采用深度信念网络模型以多个副本异步并行计算的方式进行模型训练，并通过dropout方法防止模型训练过拟合，对数据库中的数据进行分类训练。

在其他实施例中，也可以通过深度学习平台对数据路中的数据学习训练形成温度预测模型，还可以根据用户的选择指令确定深度学习算法或深度学习方式，根据该选定的深度学习算法或深度学习方式进行训练形成温度预测模型。

S102：将设备输入的工作状态信息输入温度预测模型，根据温度预测模型的输出结果获取温度预测信息，判断温度预测信息是否满足预设条件，若是，则根据温度预测信息进行设备报警，若否，则执行S103。

在本实施例中，输出结果包括工作状态信息对应的不同温度信息，以及温度信息与工作状态信息的对应概率。

在一个具体的实施例中，被进行温度检测的设备为电脑，电脑或相关工作状态检测设备向执行温度检测的智能终端发送电脑的耗电信息、产生的噪声信息、阻值、运行速度等工作状态信息，智能终端将该信息输入温度预测模型，温度预测模型输出该工作状态信息对应的温度信息，如正常温度对应的概率为50％，温度过高对应的概率39％，温度过低对应的概率11％。

在本实施例中，将工作状态信息输入温度预测模型前还可以获取，该工作状态信息对应的温度检测信息，并将该温度检测信息也输入温度预测模型。

在本实施例中，判断温度预测信息是否满足预设条件的步骤具体包括：判断输出结果中温度信息的数量是否小于预设值且存在对应概率大于预设概率值的温度信息；若是，则确定满足预设条件；若否，则确定不满足预设条件。在确定满足预设条件后，判断温度预测信息中概率最高的温度信息是否表示设备温度高于正常值或为异常温度，若是，则进行设备报警，若不是，则不进行设备报警。

在本实施例中，预设值可以为2，预设概率值可以为70％，在其他实施例中，预设值和预设概率值的大小可以根据设备的类型和用户需求进行设置，在此不做限定。

S103：获取包含设备的当前温度信息的图像，根据图像获取设备的当前温度信息。

在本实施例中，智能终端通过调动能够拍摄该设备的图像的摄像头获取设备的图像。在其他实施例中，也可以通过设备的管理人员，通过管理人员手动采集的方式获取包含设备当前温度信息的图像。

在本实施例中，包含设备当前温度信息的图像可以为红外图像，也可以为展示设备温度数值的显示屏或传感器的黑白图像、彩色图像，还可以为通过金属变形程度表示温度的金属膨胀传感器、通过电阻数值表示温度的电阻传感器以及其他能够检测和表示温度的温度指示设备的图像。通过该图像上的金属变形程度数值或电阻数值获取当前温度信息。

在本实施例中，根据图像获取设备的当前温度信息的步骤具体包括：获取图像的类型，根据类型确定图像中的温度信息获取区域，根据温度信息获取区域的图像特征获取设备的当前温度信息。其中，智能终端可以预存不同设备的温度信息获取区域，以及不同工作状态信息对应的设备，其根据接收的工作状态信息确定待检测的设备，并根据该设备的温度信息获取区域确定图像上的图像特征。

在本实施例中，获取当前温度信息后，还可以判断当前温度信息时温度预测信息是否匹配，若温度预测信息中对该概率最高的温度信息与当前温度信息一致或两者之间的差值不超过预设范围，则确定当前温度信息与温度预测信息匹配。

在本实施例中，确定当前温度信息与温度预测信息匹配后，判断该当前温度信息是否为异常温度信息，若是，则根据该温度信息进行设备预警。其中，设备预警的方式可以为电话预警、短信预警、响铃、紧急关闭设备以及其他预警方式。

S104：根据当前温度信息进行设备预警，并记录当前温度信息对应的工作状态信息，根据当前温度信息、工作状态信息优化温度预测模型。

在本实施例中，通过将该当前温度信息、工作状态信息添加至数据库，通过数据库中的数据再次训练温度预测模型的方式优化温度预测模型。

在一个具体的实施例中，将温度预测模型输出的温度预测信息和该工作状态信息对应的当前温度信息通过亲近类别损失函数进行梯度分析，获取该工作状态信息的梯度分析结果；将工作状态信息发送给温度预测模型进行参数调整，实现温度预测模型的优化，使得温度预测模型的精度提高，以降低温度预测错误的发生概率，其中，亲近类别损失函数包括：损失函数Softmax和亲近类别损失项。

有益效果：本发明基于深度学习算法的设备智能测温方法根据设备的温度信息、工作状态信息建立数据库，并通过深度学习算法进行学习训练形成温度预测模型，利用温度预测模型预测设备的温度，并在预测结果不满足预设条件时结合设备的图像进一步获取设备的当前温度信息，根据当前温度信息和预测结果进行设备预警，能够利用设备传输的工作状态信息对设备进行异常温度检测，无需人工检测，人力、物力成本低，效率高、检测时间长，而且，能够通过设备已有线路传输信息，不需要改造和加装传感器，耗能少，不容易损坏设备，满足了用户需求。

基于相同的发明构思，本发明还提出一种智能终端，请参阅图2，图2为本发明智能终端一实施例的结构图，结合图2对本发明的智能终端进行说明。

在本实施例中，智能终端包括处理器、存储器，存储器存储有计算机程序，处理器根据计算机程序执行如上述实施例所述的基于深度学习算法的设备智能测温方法。

有益效果：本发明的智能终端根据设备的温度信息、工作状态信息建立数据库，并通过深度学习算法进行学习训练形成温度预测模型，利用温度预测模型预测设备的温度，并在预测结果不满足预设条件时结合设备的图像进一步获取设备的当前温度信息，根据当前温度信息和预测结果进行设备预警，能够利用设备传输的工作状态信息对设备进行异常温度检测，无需人工检测，人力、物力成本低，效率高、检测时间长，而且，能够通过设备已有线路传输信息，不需要改造和加装传感器，耗能少，不容易损坏设备，满足了用户需求。

基于相同的发明构思，本发明又提出一种存储装置，请参阅图3，图3为本发明存储装置一实施例的结构图。结合图3对本发明的存储装置进行说明。

在本实施例中，存储装置存储有程序数据，所述程序数据被用于执行如上述实施例所述的基于深度学习算法的设备智能测温方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统可以通过其它的方式实现。例如，以上所描述的系统、单元、模块的实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立地产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。