1.一种基于类Softmax函数信息熵的智能速率参数控制方法，其特征在于，包括：获取正在进行涂胶操作的挡风玻璃的整体的第一图像和正在进行涂胶的涂胶位置的第二图像；

将所述第一图像和所述第二图像分别通过深度卷积神经网络，以获得对应于所述第一图像的第一特征图和对应于所述第二图像的第二特征图，其中，所述深度卷积神经网络的最后一层以Sigmoid激活函数进行激活以使得所述第一特征图和所述第二特征图中的每个位置的特征值在0到1的区间内；

对所述第二特征图中每个位置的特征值，以如下公式计算每个位置的特征值相对于所述第一特征图的类Softmax函数的信息熵，以获得所述第二特征图相对于所述第一特征图的类Softmax函数的信息熵矩阵，其中，该公式为：；

计算所述类Softmax函数的信息熵矩阵与所述第二特征图的按位置加权和，以获得融合特征图；以及

将所述融合特征图通过编码器，所述编码器的最后一层的输出位数为二，以获得二个编码值，两个所述编码值用于分别表示自动出胶装置的出胶速率和移动速率。

2.根据权利要求1所述的基于类Softmax函数信息熵的智能速率参数控制方法，其中，获取正在进行涂胶操作的挡风玻璃的整体的第一图像和正在进行涂胶的涂胶位置的第二图像，包括：

获取正在进行涂胶的涂胶位置的原始第二图像；以及将所述原始第二图像以预设倍率进行放大，以获得所述第二图像。

3.根据权利要求1所述的基于类Softmax函数信息熵的智能速率参数控制方法，其中，所述第一图像的分辨率小于所述原始第二图像的分辨率。

4.根据权利要求1所述的基于类Softmax函数信息熵的智能速率参数控制方法，其中，所述编码器为深度全连接网络。

5.根据权利要求4所述的基于类Softmax函数信息熵的智能速率参数控制方法，其中，所述深度全连接网络包括具有预设深度的全连接层，所述预设深度大于等于十。

6.根据权利要求1所述的基于类Softmax函数信息熵的智能速率参数控制方法，其中，所述深度卷积神经网络为深度残差网络。

7.一种基于类Softmax函数信息熵的智能速率参数控制系统，其特征在于，包括：图像获取单元，用于获取正在进行涂胶操作的挡风玻璃的整体的第一图像和正在进行涂胶的涂胶位置的第二图像；

特征图生成单元，用于将所述图像获取单元获得的所述第一图像和所述第二图像分别通过深度卷积神经网络，以获得对应于所述第一图像的第一特征图和对应于所述第二图像的第二特征图，其中，所述深度卷积神经网络的最后一层以Sigmoid激活函数进行激活以使得所述第一特征图和所述第二特征图中的每个位置的特征值在0到1的区间内；

信息熵矩阵生成单元，用于对所述特征图生成单元获得的所述第二特征图中每个位置的特征值，以如下公式计算每个位置的特征值相对于所述特征图生成单元获得的所述第一特征图的类Softmax函数的信息熵，以获得所述第二特征图相对于所述第一特征图的类Softmax函数的信息熵矩阵，其中，该公式为：其中，P表示所述类Softmax函数的信息熵，yi表示所述第二特征图中每个位置的特征值，xj表示所述第一特征图中每个位置的特征值；

融合特征图生成单元，用于计算所述信息熵矩阵生成单元获得的所述类Softmax函数的信息熵矩阵与所述特征图生成单元获得的所述第二特征图的按位置加权和，以获得融合特征图；以及

编码值生成单元，用于将所述融合特征图生成单元获得的所述融合特征图通过编码器，所述编码器的最后一层的输出位数为二，以获得二个编码值，两个所述编码值用于分别表示自动出胶装置的出胶速率和移动速率。

8.根据权利要求7所述的基于类Softmax函数信息熵的智能速率参数控制系统，其中，所述图像获取单元，包括：

原始第二图像获取子单元，用于获取正在进行涂胶的涂胶位置的原始第二图像；以及第二图像生成子单元，用于将所述原始第二图像获取子单元获得的所述原始第二图像以预设倍率进行放大，以获得所述第二图像。

9.根据权利要求7所述的基于类Softmax函数信息熵的智能速率参数控制系统，其中，所述第一图像的分辨率小于所述原始第二图像的分辨率。

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中任一项所述的基于类Softmax函数信息熵的智能速率参数控制方法。