用于加热装置的石墨烯电热膜接触检测方法与流程

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。

技术实现要素：

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。

在上述用于加热装置的石墨烯电热膜接触检测方法中，将所述训练图像通过卷积神经网络获得训练特征图，包括：从所述卷积神经网络的第n层提取出纹理特征图作为所述训练特征图，n为大于等于4且小于等于6的正整数。

在上述用于加热装置的石墨烯电热膜接触检测方法中，，所述卷积神经网络为resnet50。

在上述用于加热装置的石墨烯电热膜接触检测方法中，将所述训练特征图通过分类器以获得分类损失函数值，包括：将所述训练特征图通过一个或多个全连接层以获得分类特征向量；以及，将所述分类特征向量输入分类函数以获得所述分类损失函数值。

在上述用于加热装置的石墨烯电热膜接触检测方法中，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，包括：对所述外力的数值进行归一化处理；以及，将经归一化处理的所述外力的数值按特定顺序进行排列，以获得所述标签向量。

根据本申请的另一方面，提供了一种用于加热装置的石墨烯电热膜接触检测系统，包括：

训练模块，包括：

训练图像获取单元，用于获取训练图像，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；

训练特征图生成单元，用于将所述训练图像获取单元获得的所述训练图像通过卷积神经网络获得训练特征图；

分类损失函数值计算单元，用于将所述训练特征图生成单元获得的所述训练特征图通过分类器以获得分类损失函数值；

交叉熵损失函数值计算单元，用于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

参数更新单元，用于基于所述分类损失函数值计算单元获得的所述分类损失函数值和所述交叉熵损失函数值计算单元获得的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

推断模块，包括：

待检测图像获取单元，用于获取待检测图像，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；

检测特征图生成单元，用于将所述待检测图像获取单元获得的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

分类结果生成单元，用于将所述检测特征图生成单元获得的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系统中，所述训练特征图生成单元，进一步用于：从所述卷积神经网络的第n层提取出纹理特征图作为所述训练特征图，n为大于等于4且小于等于6的正整数。

在上述用于加热装置的石墨烯电热膜接触检测系统中，所述分类损失函数值计算单元，进一步用于：将所述训练特征图通过一个或多个全连接层以获得分类特征向量；以及，将所述分类特征向量输入分类函数以获得所述分类损失函数值。

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加热装置的石墨烯电热膜接触检测方法。

根据本申请的又一方面，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加热装置的石墨烯电热膜接触检测方法。

根据本申请提供的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。

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图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法的场景示意图。

图2图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法的流程图。

图3图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法中训练阶段的架构示意图。

图4图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法中推断阶段的架构示意图。

图5图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法中，将所述训练特征图通过分类器以获得分类损失函数值的流程图。

图6图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测系统的框图。

图7图示了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

如前所述，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。

本申请的申请人通过基于深度学习的机器视觉方案来实现石墨烯电热膜的检测。然而，在构思方案的过程中，本申请发明人意识到：由于石墨烯电热膜是柔性透明的并且被安装于加热装置的保护层中，因此，很难直接获取关于石墨烯电热膜的图像数据来作为机器视觉的处理数据。

进一步地，本申请的技术方案中，实质要检测的对象是：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。本质上，石墨烯电热膜与保护层的内腔壁接触的状态与石墨烯电热膜与保护层的内腔壁不相接触的状态一定存在表征层面的差异，如何寻找这种表征层面的差异是构建本申请技术方案的关键。

具体地，在本申请的技术方案中，通过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，以用作分类器的分类基础。更具体地，将在外力作用下保护层的截面图像通过卷积神经网络获得特征图，再将该特征图通过分类器，并以分类损失函数进行训练。进一步地，由于该高维图像特征是与施加的外力相关的，可以使用施加的外力的数值作为标签值，通过标签向量与特征图的交叉熵损失函数对卷积神经网络进行训练，这是因为交叉熵损失函数可以表征特征图的特征分布与标签信息的一致的概率，因此通过使用交叉熵损失函数对卷积神经网络进行训练可以帮助卷积神经网络学习到符合该标签向量的图像特征的高维表达。

因此，在本申请的技术方案中，在训练过程中，通过使用分类函数和交叉熵损失函数的加权和来对卷积神经网络进行训练，而在推断过程中，仅获取在外力作用下保护层的截面图像，并通过卷积神经网络和分类器获得分类结果，该分类结果表示石墨烯电热膜是否与保护层的内腔壁发生接触的检测结果。

基于此，本申请提出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。

图1图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法的场景示意图。

如图1所示，在该应用场景中，在训练阶段中，通过摄像头(例如，如图1中所示意的c)获取已知石墨烯电热膜(例如，如图1中所示意的2)的接触状态下的、在外力作用下所述加热装置的保护层(例如，如图1中所示意的1)的截面图像作为训练图像；然后，将所述训练图像输入至部署有用于加热装置的石墨烯电热膜接触检测算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够用于加热装置的石墨烯电热膜接触检测算法以所述训练图像对用于检测的卷积神经网络进行训练。

在训练完成后，在推断阶段中，通过摄像头(例如，如图1中所示意的c)获取待检测的加热装置在外力作用下的保护层的截面图像；然后，将所述待检测图像输入部署有用于加热装置的石墨烯电热膜接触检测算法的服务器(例如，如图1中所示意的s)，其中，其中，所述服务器能够用于加热装置的石墨烯电热膜接触检测算法对所述待检测图像进行处理，以生成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检测结果。

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图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法的流程图。如图2所示，根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法，包括：训练阶段，包括：s110,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；s120，将所述训练图像通过卷积神经网络获得训练特征图；s130，将所述训练特征图通过分类器以获得分类损失函数值；s140，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，s150，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：s160,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；s170，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，s180，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。

图3图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法中训练阶段的架构示意图。如图3所示，在训练阶段中，在该网络架构中，首先将获取的训练图像(例如，如图3中所示意的in0)输入到卷积神经网络(例如，如图3中所示意的cnn)中以获得训练特征图(例如，如图3中所示意的ft)，其中，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。接着，将所述训练特征图通过分类器以获得分类损失函数值，其中，所述分类器包括全连接层(例如，如图3中所示意的fcl)和分类函数(例如，如图3中所示意的圈s)。接着，计算所述外力的数值的标签向量(例如，如图3中所示意的vb)与所述训练特征图之间的交叉熵损失函数值。进而，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。

图4图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法中推断阶段的架构示意图。如图4所示，在推断阶段中，在该网络结构中，首先，将获取的待检测图像(例如，如图4中所示意的in1)输入卷积神经网络(例如，如图4中所示意的cnn)以获得检测特征图(例如，如图4中所示意的f1)，其中，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。接着，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。

更具体地，在训练阶段中，在步骤s110中，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。如前所述，在本申请的技术方案中，实质要检测的对象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。本质上，石墨烯电热膜与保护层的内腔壁接触的状态与石墨烯电热膜与保护层的内腔壁不相接触的状态一定存在表征层面的差异，如何寻找这种表征层面的差异是构建本申请技术方案的关键。

相应地，在本申请的技术方案中，以在外力作用下保护层的截面图像作为表征石墨烯电热膜与保护层的内腔壁接触的状态与石墨烯电热膜与保护层的内腔壁不相接触的状态之间的源数据。也就是，在外力作用下，如果石墨烯电热膜与保护层的内腔壁接触其截面图像与石墨烯电热膜与保护层的内腔壁不相接触的截面图像存在差异。

更具体地，在训练阶段中，在步骤s120中，将所述训练图像通过卷积神经网络获得训练特征图。也就是，以卷积神经网络提取出所述训练图像中的高维特征。本领域普通技术人员应知晓，卷积神经网络在提取图像局部空间特征上具有优异的性能表面。

优选地，在本申请实施例中，所述卷积神经网络被实施为深度残差网络，例如，resnet50。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。

更具体地，在训练阶段中，在步骤s130中，将所述训练特征图通过分类器以获得分类损失函数值。具体地，在本申请实施例中，所述分类器包括编码器和分类函数，其中，所述编码器用于对所述训练特征图进行编码以利用所述训练特征图中的信息将所述训练特征图映射到标签空间中，以生成分类特征向量；所述分类特征向量在通过所述分类函数后可分类结果，从而基于所述分类结果与真实值之间的差异通过损失函数就可以获得分类损失函数值。

在本申请实施例中，所述编码器包括一个或者多个全连接层，所述全连接层能够充分地利用所述训练特征图中各个位置的信息，以使得所获得的分类特征向量具有更佳的表征能力。

图5图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测方法中，将所述训练特征图通过分类器以获得分类损失函数值的流程图。如图5所示，将所述训练特征图通过分类器以获得分类损失函数值，包括：s210，将所述训练特征图通过一个或多个全连接层以获得分类特征向量；以及，s220，将所述分类特征向量输入分类函数以获得所述分类损失函数值。

更具体地，在训练阶段中，在步骤s140中，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。由于该高维图像特征是与施加的外力相关的，可以使用施加的外力的数值作为标签值，通过标签向量与特征图的交叉熵损失函数对卷积神经网络进行训练，这是因为交叉熵损失函数可以表征特征图的特征分布与标签信息的一致的概率，因此通过使用交叉熵损失函数对卷积神经网络进行训练可以帮助卷积神经网络学习到符合该标签向量的图像特征的高维表达。

在本申请一个具体的示例中，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的过程，包括：首先，对所述外力的数值进行归一化处理；然后，将经归一化处理的所述外力的数值按特定顺序进行排列，以获得所述标签向量。通过归一化处理，在相同的学习速率下，可以更快地通过梯度下降找到最优解，并且，更不容易出现梯度消失的现象。

在步骤s150中，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。更具体地，以预设步长减少所述分类损失函数值和所述交叉熵损失函数值的加权和，通过梯度下降的反向传播来更新所述卷积神经网络的参数。值得一提的是，所述分类损失函数值和所述交叉熵损失函数值的加权和权重可作为超参数参与到训练过程中。

综上，根据本申请的用于加热装置的石墨烯电热膜接触检测方法中的训练阶段并阐明，其以在外力作用下保护层的截面图像作为训练图像集，并结合分类损失函数值和交叉熵损失函数值来训练用于提取特征的卷积神经网络。在训练完成后，进入推断阶段。

更具体地，在推断阶段中，在步骤s160中，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。也就是，获取在外力作用下所述保护层的截面图像。

更具体地，在推断阶段中，在步骤s170中，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。也就是，以训练完成的所述卷积神经网络提取所述待检测图像中的高维特征，其中，所述高维特征虽然不能为人所识别，但其能够在抽象层面充分地表征所述石墨烯电热膜是否与所述保护层的内腔壁发生接触。

更具体地，在推断阶段中，在步骤s180中，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。也就是，首先通过所述分类器中的编码器对所述检测特征图进行编码，以将所述检测特征图映射到标签空间中，以获得分类特征向量；进而，将所述分类特征向量通过softmax分类函数，以获得所述分类结果。

综上，基于本申请实施例的用于加热装置的石墨烯电热膜接触检测方法被阐明，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。

示例性系统

图6图示了根据本申请实施例的用于加热装置的石墨烯电热膜接触检测系统的框图。

如图6所示，根据本申请实施例的用于加热装置的石墨烯电热膜接触检测系统600，包括：训练模块610，包括：训练图像获取单元611，用于获取训练图像，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；训练特征图生成单元612，用于将所述训练图像获取单元611获得的所述训练图像通过卷积神经网络获得训练特征图；分类损失函数值计算单元613，用于将所述训练特征图生成单元612获得的所述训练特征图通过分类器以获得分类损失函数值；交叉熵损失函数值计算单元614，用于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，参数更新单元615，用于基于所述分类损失函数值计算单元613获得的所述分类损失函数值和所述交叉熵损失函数值计算单元614获得的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，推断模块620，包括：待检测图像获取单元621，用于获取待检测图像，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；检测特征图生成单元622，用于将所述待检测图像获取单元621获得的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，分类结果生成单元623，用于将所述检测特征图生成单元622获得的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。

在一个示例中，在上述检测系统600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。

在一个示例中，在上述检测系统600中，所述训练特征图生成单元612，进一步用于：从所述卷积神经网络的第n层提取出纹理特征图作为所述训练特征图，n为大于等于4且小于等于6的正整数。

在一个示例中，在上述检测系统600中，所述卷积神经网络为resnet50。

在一个示例中，在上述检测系统600中，所述分类损失函数值计算单元613，进一步用于：将所述训练特征图通过一个或多个全连接层以获得分类特征向量；以及，将所述分类特征向量输入分类函数以获得所述分类损失函数值。

在一个示例中，在上述检测系统600中，所述交叉熵损失函数值计算单元614，进一步用于：对所述外力的数值进行归一化处理；以及，将经归一化处理的所述外力的数值按特定顺序进行排列，以获得所述标签向量。

这里，本领域技术人员可以理解，上述检测系统600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5的用于加热装置的石墨烯电热膜接触检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检测系统600可以实现在各种终端设备中，例如用于石墨烯电热膜接触检测的控制器等。在一个示例中，根据本申请实施例的检测系统600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，该检测系统600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，该检测系统600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，该检测系统600与该终端设备也可以是分立的设备，并且该检测系统600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。

图7图示了根据本申请实施例的电子设备的框图。

如图7所示，电子设备10包括一个或多个处理器11和存储器12。

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加热装置的石墨烯电热膜接触检测方法以及/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训练图像、分类结果等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置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。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置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加热装置的石墨烯电热膜接触检测方法中的步骤。

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”部分中描述的根据本申请各种实施例的用于加热装置的石墨烯电热膜接触检测方法中的步骤。

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、装置或器件，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。