一种设备霉菌侵蚀等级的判别方法及系统

本发明属于霉菌侵蚀和防护，具体属于一种设备霉菌侵蚀等级的判别方法及系统。

背景技术：

1、电子材料作为信息传输的载体和依托，广泛应用于各种电子设备。制造电子电气产品所使用的一些非金属材料是霉菌最喜欢吞噬的营养物质，长时间会造成产品结构破坏和性能下降。比如：导线绝缘层迅速老化、橡胶脆化、密封圈失效等；此外，霉菌进入电子电气产品内部后，生长的菌丝容易吸水，会形成“生物电桥”，这会造成电子电气产品故障甚至损坏，比如元器件的短路烧毁、绝缘性能失效等。伴随着电子技术的不断革新，电子电路和元器件进一步向着微型化和高度集成化方向发展，因而极微量的吸附液膜或腐蚀产物都有可能对电子电路和元器件产生影响，轻则影响产品质量和外观，严重的话还会导致产品失效甚至引发重大质量事故。如今设备霉菌侵蚀试验采用国标gjb 150.10a-2009军用设备实验室环境试验方法，但实验结果仅通过人工观察来对侵蚀等级进行判别，效率十分低，且由于人工辨别的主观性较大，所以通常导致侵蚀等级的判别结果误差较大。

2、现有中国本发明cn201510012764.7公开一种金属腐蚀速度检测方法和检测装置，该检测装置包括：检测单元和数据处理单元；检测单元连接在进样水流入口处，检测单元包括用管道串联在一起的溶解氢测量仪和电子流量计；溶解氢测量仪用来检测单位时间内进样水流中溶解氢分子的含量；电子流量计用来检测该单位时间内进样水流的体积；检测单元将单位时间内测得的溶解氢分子的含量和进样水流的体积传输给数据处理单元；所述数据处理单元接收所述溶解氢测量仪和电子流量计所测得的数值，并基于所述数值计算出所述进样水流所流经受热管道的金属腐蚀速度。该发明的金属腐蚀是针对于特定的环境结合不同的复杂参数进行计算的，过程复杂且针对于特定环境。

3、现有中国本发明cn201110394177.0公开了一种金属腐蚀检测与评定方法，该方法使用真彩共聚焦显微镜观察试样腐蚀部位的形貌，并对腐蚀微孔的深度进行统计性测量；对所采集到的金属腐蚀形貌信息和腐蚀微孔深度数据进行分析，从而对金属的局部腐蚀情况做出评定。该方法只适用于对金属腐蚀发展初期的腐蚀状况进行检测和评定，而且通过微孔深度数据进行分析，分析过程比较复杂。

4、总之，目前设备霉菌侵蚀等级判别参考的是金属腐蚀判别方法，上述方法存在着操作复杂、后期处理困难、难以兼容等问题，且目前霉菌侵蚀等级判别多为人工判别，主观性较强，效率较低，因而，现在迫切需要探究快速、准确、无损的设备霉菌侵蚀等级的评估方法。

技术实现思路

1、为了解决现有技术中存在的问题，本发明提供一种设备霉菌侵蚀等级的判别方法及系统，采用图像融合技术使图像识别准确度更高，之后使用卷积神经网络从侵蚀设备图像识别出设备的霉菌侵蚀等级，该评价方法可以快速、准确的进行设备霉菌侵蚀等级的识别。

2、为实现上述目的，本发明提供如下技术方案：一种设备霉菌侵蚀等级的判别方法，具体步骤如下：

3、s1进行霉菌侵蚀试验和现场暴露试验，获取设备霉菌侵蚀图像，对设备霉菌侵蚀图像进行图像融合，建立侵蚀图像样本库，得到预训练样本和测试样本；

4、s2基于vgg-16网络结构建立设备霉菌侵蚀等级分类网络，并利用预训练样本进行训练，得到设备霉菌侵蚀等级分类模型vgg-corrosion；其中输入层接收的图像大小为400×400；最后一个卷积层块的卷积核数量减半；vgg-16全连接层f1、f2的神经元数量减半，输出层为5个神经元对应五个侵蚀等级；

5、s3将测试样本或采集的霉菌侵蚀图像输入设备霉菌侵蚀等级分类模型vgg-corrosion中，得出设备的霉菌侵蚀等级。

6、进一步的，s1中，采用多聚焦图像融合技术对设备霉菌侵蚀图像进行预处理，多聚焦图像融合技术包括对低频系数的处理和对高频系数的处理：低频系数的处理采用haar基小波进行3层小波分解；高频系数的处理对每个高频分量的像素点用sober算子进行边缘提取。

7、进一步的，s1中，高频系数具体的融合规则如下：

8、1)获取两幅源图像a，b在同一位置上对应方向的窗口方差

9、2)对比两个窗口方差，取点(i，j)处的窗口方差数值大的小波变换系数为融合后的高频系数。

10、进一步的，s1中，窗口方差的计算规则如下：

11、

12、

13、其中，上式mi(i,j)表示m×n窗口均值，表示m×n窗口方差。

14、进一步的，预处理还包括数据增强。

15、进一步的，s2中，侵蚀等级分为0、1、2、3、4，对应霉菌生长程度为无、微量、轻度、中毒、严重。

16、进一步的，s2中，训练时损失函数采用分类交叉熵函数进行。

17、本发明提供一种设备霉菌侵蚀等级的判别系统，包括：

18、样本建立模块，用于进行霉菌侵蚀试验和现场暴露试验，获取设备霉菌侵蚀图像，对设备霉菌侵蚀图像进行预处理，建立侵蚀图像样本库，得到预训练样本和测试样本；

19、模型建立模块，用于基于vgg-16网络结构建立设备霉菌侵蚀等级分类网络，并利用预训练样本进行训练，得到设备霉菌侵蚀等级分类模型vgg-corrosion；其中输入层接收的图像大小为400×400；最后一个卷积层块的卷积核数量减半；vgg-16全连接层f1、f2的神经元数量减半，输出层为5个神经元对应五个侵蚀等级；

20、霉菌侵蚀等级判别模块，用于将测试样本或采集的霉菌侵蚀图像输入设备霉菌侵蚀等级分类模型vgg-corrosion中，得出设备的霉菌侵蚀等级。

21、本发明提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述一种设备霉菌侵蚀等级的判别方法的步骤或实现上述一种设备霉菌侵蚀等级的判别系统中各模块的功能。

22、本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的一种设备霉菌侵蚀等级的判别方法的步骤或实现上述一种设备霉菌侵蚀等级的判别系统中各模块的功能。

23、与现有技术相比，本发明至少具有以下有益效果：

24、本发明提供一种设备霉菌侵蚀等级的判别方法，通过图像融合技术使图像识别准确度更高，并以基于经典卷积神经网络vgg-16网络结构建立设备霉菌侵蚀等级分类模型，为了能够有效地捕获到图像的特征，又能减小计算的复杂度，本发明将vgg-16网络的输入层修改为接收400×400大小的侵蚀图像；在输入层接收的图像尺寸被扩大为400×400像素前提下，为了保证能够提取足够多的低层次特征来保证分类识别精度，又能降低运算量，本发明将vgg-16网络的最后一个卷积层块的卷积核数量减半，其他卷积层的卷积核数量不变；为了降低全连接层中神经元数量过多参数冗余，本发明将vgg-16全连接层f1、f2的神经元数量减半；由于本发明的目标是将霉菌侵蚀程度分为五个等级，因此本发明将vgg-16模型输出层为5个神经元，该5个神经元对应侵蚀等级分类的五个等级，与传统的采用人工辨别霉菌等级方法相比，该发明能高效且准确地从数字图像中直接评价设备的霉菌侵蚀量，大大解放了人力；且本发明的设备霉菌侵蚀等级分类模型适用场景广，适用于正常大气环境下的自然霉菌侵蚀，只要是在特定的环境中，且没有发生很大的环境变化，那么均适用于本发明的检测方法。

25、进一步的，本发明采用了室内加速霉菌试验和室外暴露试验来获取霉菌侵蚀图像，然后将获取的侵蚀图像使用以小波变换为基础的图像融合技术使图像的识别度更高，并采用了迁移学习策略来缓解样本量匮乏的问题。

26、在一些特定行业如微生物工程中，设备的无菌程度对产品的质量和生产效率具有极其重要的影响。设备上霉菌的生长和侵蚀，可能影响设备的性能和无菌状态，进而影响产品的质量。因此，对设备进行霉菌侵蚀等级的判别，可以对设备的清洁和无菌状态进行有效的评估，预防由于霉菌污染而引起的产品质量问题；本发明填补了利用卷积神经网络方法对设备侵蚀程度进行检测的空白，也为相关领域的研究及应用提供了一种新的研究思路。

27、进一步的，进行霉菌侵蚀等级判别还可以帮助企业合理安排清洁和维修计划。例如，如果发现设备上存在大量的霉菌生长，那么可能需要增加清洁和消毒的频率；相反，如果设备表面几乎看不到霉菌生长，那么可以适当减少清洁和消毒的频率。这样可以节约资源，提高设备的运行效率。