IGBT功率模块散热器表面缺陷识别方法技术

本发明专利技术公开了一种基于深度学习的IGBT功率模块散热器表面缺陷识别方法，涉及机器学习与模式识别技术领域，能够提升IGBT功率模块散热器表面缺陷识别性能，包括以下步骤：1)通过检测工位安装的监控摄像头垂直拍摄IGBT功率模块散热器正面图像来构建训练样本；2)将ResNet34深度残差网络与自注意力模块相融合来构建自注意力残差学习模型3)将代表IGBT功率模块散热器两种不同类别(良品、非良品)的训练样本送入设计好的自注意力残差学习模型中进行训练，应用交叉熵损失函数监督网络的训练，通过随机梯度下降法优化网络模型参数，以获取用于IGBT功率模块散热器表面缺陷识别的优选模型。本发明专利技术能大幅度提高IGBT功率模块散热器表面缺陷识别的性能。热器表面缺陷识别的性能。热器表面缺陷识别的性能。

【技术实现步骤摘要】
IGBT功率模块散热器表面缺陷识别方法


[0001]本专利技术涉及机器学习与模式识别
，具体涉及一种基于深度学习的IGBT功率模块散热器表面缺陷识别方法。

技术介绍

[0002]IGBT功率模块是以绝缘栅双极型晶体管(IGBT)构成的功率模块，被广泛应用于交流电机、变频器、开关电源、照明电路、牵引传动等领域。IGBT功率模块在工作的过程中会产生大量的热量，随着工作时间的延长，其自身温度会逐渐上升，当温度超过额定工作温度时，IGBT功率模块将会出现故障，因此对IGBT功率模块配备散热器对其进行散热降温处理，有助于IGBT功率模块的正常稳定运行，可极大地延长IGBT功率模块的使用周期。
[0003]由于散热器在生产和运输中因各种不可控因素会导致表面出现缺陷，因此需对散热器表面质量进行排查。现阶段，多数企业采用人工在线测试法识别散热器表面缺陷，但是受工作环境和时间的影响，人工在线测试法无法维持较高的准确率。随着深度学习技术的快速发展，基于深度学习的产品表面缺陷识别方法因对产品具有非接触、无损伤，并可在恶劣环境下长期工作、识别效率高的优势本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.IGBT功率模块散热器表面缺陷识别方法，其特征在于，包括以下步骤：步骤1，通过检测工位安装的监控摄像头垂直拍摄IGBT功率模块散热器正面图像，构建数据集；在历史拍摄图像中随机选取设定尺寸的RGB图像块作为IGBT功率模块散热器的训练样本，涵盖良品和非良品2种类别，分别用0，1代表良品标签和非良品标签；步骤2，将ResNet34深度残差网络与自注意力模块相融合来构建自注意力残差学习模型；所述自注意力残差学习模型包括6级子网络，具体包括：第1级子网络以分辨率为(3,224,224)的IGBT功率模块散热器图像作为输入，依次经过64通道7*7卷积层、批标准化层、ReLU激活层、3*3最大池化层，输出分辨率为(64,56,56)的特征图；第2级子网络以分辨率为(64,56,56)的特征图作为输入，其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(64,56,56)的特征图；第3级子网络以分辨率为(64,56,56)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过3个第一残差模块，另一分支先后经过3个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(128,28,28)的特征图；第4级子网络以分辨率为(128,28,28)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过5个第一残差模块，另一分支先后经过5个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(256,14,14)的特征图；第5级子网络以分辨率为(256,14,14)的特征图作为输入，首先经过1个第二残差模块，然后其中一个分支先后经过2个第一残差模块，另一分支先后经过2个自注意力模块，再将两个分支的输出进行逐元素相加，输出分辨率为(512,7,7)的特征图；第6级子网络以分辨率为(512,7,7)的特征图作为输入，先后经过全局平均池化层，2个全连接层、Softmax标准化层，输出2维的特征向量，用于表示IGBT功率模块散热器两种类别的概率；步骤3，将步骤1代表IGBT功率模块散热器两种不同类别的训练样本送入步骤2设计好的自注意力残差学习模型中进行训练，应用交叉熵损失函数监督网络的训练，通过随机梯度下降法优化网络模型参数，以获取用于IGBT功率模块散热器表面缺陷识别的优选模型，利用该模型进行IGBT功率模块散热器表面缺陷识别。2.根据权利要求1所述的I...

【专利技术属性】
技术研发人员：侯丽，刘琦，周斌，鲍婕，张俊武，许媛，
申请(专利权)人：黄山谷捷股份有限公司，
类型：发明
国别省市：