一种基于深度学习的铜复铝散热底板生产评价方法及系统技术方案

本发明专利技术公开了一种基于深度学习的铜复铝散热底板生产评价方法及系统，通过获取铜复铝散热底板图像信息，基于深度学习构建瑕疵检测模型，对铜复铝散热底板进行瑕疵检测，得到检测结果，构建散热性能检测系统，获取合格的铜复铝散热底板，获取合格铜复铝散热底板上各个区域的热图像，对热图像进行图像处理，得出各个区域的温度分布情况，基于温度分布，计算合格铜复铝散热底板的整体散热性能指标，并进行评估，得出散热性能的定量结果。本发明专利技术的方法通过利用深度学习技术进行瑕疵检测，能够高效准确地评估铜复铝散热底板的质量状况，同时，散热性能检测系统结合热成像设备和图像处理技术，能够实现对合格铜复铝散热底板的散热性能进行全面评估。能进行全面评估。能进行全面评估。

【技术实现步骤摘要】
一种基于深度学习的铜复铝散热底板生产评价方法及系统


[0001]本专利技术涉及深度学习
，特别涉及一种基于深度学习的铜复铝散热底板生产评价方法及系统。

技术介绍

[0002]散热底板是广泛应用于电子设备中的重要部件，用于散热和温度控制，以确保电子元件的正常工作。铜复铝散热底板由铝基板和铜箔构成，具有优异的导热性能和机械强度。目前，传统的质量检测方法主要依赖于人工目视检查，这种方法存在着主观性高、效率低、易产生误判等问题，无法满足高效准确评估散热底板质量的需求。近年来，深度学习技术在图像处理和模式识别领域取得了显著进展。深度学习模型能够学习复杂的特征表示，具有较高的自动化和泛化能力。这为散热底板生产评价提供了新的可能性。通过利用深度学习算法，可以将铜复铝散热底板图像输入模型进行瑕疵检测，实现对瑕疵品和合格品的准确分类和识别，从而提高生产质量控制的效率和准确性。因此，亟需一种基于深度学习的铜复铝散热底板生产评价方法及系统。

技术实现思路

[0003]为了解决上述至少一个技术问题，本专利技术提出了一种基于深度学习的铜复铝散热底板生产评价方法及系统。
[0004]本专利技术第一方面提供了一种基于深度学习的铜复铝散热底板生产评价方法，包括：对铜复铝散热底板进行预处理，获取预处理后的铜复铝散热底板图像信息、预处理后的铜复铝散热底板历史图像信息；基于深度学习构建瑕疵检测模型，将铜复铝散热底板图像信息导入瑕疵检测模型中进行检测，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息；根据检测结果生成生产评价报告；构建散热性能检测系统，根据合格品信息，获取合格铜复铝散热底板，将合格铜复铝散热底板导入散热性能检测系统中；利用热成像设备获取所述合格铜复铝散热底板上各个区域的热图像，对所述热图像进行图像处理，得出各个区域的温度分布；根据温度分布计算合格铜复铝散热底板的整体散热性能指标，根据散热性能指标进行评估，得出散热性能。
[0005]本方案中，所述对铜复铝散热底板进行预处理，获取预处理后的铜复铝散热底板图像信息、预处理后的铜复铝散热底板历史图像信息，具体为：准备铜复铝散热底板样品，在铜复铝散热底板上涂覆磁粉，然后进行磁场激励，得到预处理铜复铝散热底板样品；将预处理铜复铝散热底板样品放置在图像采集设备中；
依次对预处理铜复铝散热底板的六个表面进行图像采集，得到铜复铝散热底板的图像信息；获取预处理后的铜复铝散热底板历史图像信息，所述历史图像信息包括预处理后的瑕疵品历史图像、合格品历史图像。
[0006]本方案中，所述基于深度学习构建瑕疵检测模型，将铜复铝散热底板图像信息导入瑕疵检测模型中进行检测，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息，具体为：基于深度学习技术构建瑕疵检测模型；提取瑕疵品历史图像和合格品历史图像的关键特征信息，所述关键特征信息为第一关键特征信息；将所述第一关键特征信息导入瑕疵检测模型中进行训练；将铜复铝散热底板的图像信息导入瑕疵检测模型中进行检测，提取铜复铝散热底板的图像信息的关键特征信息，所述铜复铝散热底板的图像信息的关键特征信息为第二关键特征信息，将第一关键特征信息与第二关键特征信息进行对比，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息。
[0007]本方案中，所述根据检测结果生成生产评价报告，具体为：根据瑕疵品信息生成瑕疵品报告，所述瑕疵品报告包括瑕疵的类型、大小、位置；根据合格品信息生成合格品报告，所述合格品报告包括合格品数量；将瑕疵品报告与合格品报告进行整合，得到生产评价报告。
[0008]本方案中，所述构建散热性能检测系统，根据合格品信息，获取合格铜复铝散热底板，将合格铜复铝散热底板导入散热性能检测系统中，具体为：构建散热性能检测系统，所述散热性能检测系统包括热成像设备、温度传感器、数据采集装置、加热装置；根据合格品信息，获取合格铜复铝散热底板；将合格铜复铝散热底板导入散热性能检测系统进行加热处理；将所述温度传感器连接到合格品中。
[0009]本方案中，所述利用热成像设备获取所述合格铜复铝散热底板上各个区域的热图像，对所述热图像进行图像处理，得出各个区域的温度分布，具体为：使用热成像设备对合格铜复铝散热底板进行扫描，得到热图像；对所述热图像进行预处理，所述预处理包括图像去噪、增强、校正操作；利用预设图像处理算法对预处理后的热图像进行分割和特征提取，得到各个区域的温度信息；根据温度信息，计算出合格铜复铝散热底板上各个区域的温度分布；将温度分布进行可视化处理。
[0010]本方案中，所述根据温度分布计算合格铜复铝散热底板的整体散热性能指标，根据散热性能指标进行评估，得出散热性能，具体为：根据温度分布，计算合格铜复铝散热底板的整体散热性能指标，所述散热性能指标包括最高温度、最低温度、平均温度、温度梯度；根据预设评估标准，对所述散热性能指标进行评估，判断合格铜复铝散热底板的
散热性能的好坏，得到评估结果；根据评估结果，得到合格铜复铝散热底板的散热性能评价，所述散热性能评价包括优秀、良好、合格、不合格。
[0011]本专利技术第二方面还提供了一种基于深度学习的铜复铝散热底板生产评价系统，该系统包括：存储器、处理器，所述存储器中包括基于深度学习的铜复铝散热底板生产评价方法程序，所述基于深度学习的铜复铝散热底板生产评价方法程序被所述处理器执行时，实现如下步骤：对铜复铝散热底板进行预处理，获取预处理后的铜复铝散热底板图像信息、预处理后的铜复铝散热底板历史图像信息；基于深度学习构建瑕疵检测模型，将铜复铝散热底板图像信息导入瑕疵检测模型中进行检测，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息；根据检测结果生成生产评价报告；构建散热性能检测系统，根据合格品信息，获取合格铜复铝散热底板，将合格铜复铝散热底板导入散热性能检测系统中；利用热成像设备获取所述合格铜复铝散热底板上各个区域的热图像，对所述热图像进行图像处理，得出各个区域的温度分布；根据温度分布计算合格铜复铝散热底板的整体散热性能指标，根据散热性能指标进行评估，得出散热性能。
[0012]本方案中，所述基于深度学习构建瑕疵检测模型，将铜复铝散热底板图像信息导入瑕疵检测模型中进行检测，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息，具体为：基于深度学习技术构建瑕疵检测模型；提取瑕疵品历史图像和合格品历史图像的关键特征信息，所述关键特征信息为第一关键特征信息；将所述第一关键特征信息导入瑕疵检测模型中进行训练；将铜复铝散热底板的图像信息导入瑕疵检测模型中进行检测，提取铜复铝散热底板的图像信息的关键特征信息，所述铜复铝散热底板的图像信息的关键特征信息为第二关键特征信息，将第一关键特征信息与第二关键特征信息进行对比，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息。
[0013]本方案中，所述利用热成像设备获取所述合格铜复铝散热底板上各个区域的热图像，对所述热图像进行图像处理，得出各个区域的温度分布，具体为：使用热成像设备对合格铜复铝散热底板进行扫描，得到热图像；对所述热图像进行预处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的铜复铝散热底板生产评价方法，其特征在于，包括以下步骤：对铜复铝散热底板进行预处理，获取预处理后的铜复铝散热底板图像信息、预处理后的铜复铝散热底板历史图像信息；基于深度学习构建瑕疵检测模型，将铜复铝散热底板图像信息导入瑕疵检测模型中进行检测，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息；根据检测结果生成生产评价报告；构建散热性能检测系统，根据合格品信息，获取合格铜复铝散热底板，将合格铜复铝散热底板导入散热性能检测系统中；利用热成像设备获取所述合格铜复铝散热底板上各个区域的热图像，对所述热图像进行图像处理，得出各个区域的温度分布；根据温度分布计算合格铜复铝散热底板的整体散热性能指标，根据散热性能指标进行评估，得出散热性能。2.根据权利要求1所述的一种基于深度学习的铜复铝散热底板生产评价方法，其特征在于，所述对铜复铝散热底板进行预处理，获取预处理后的铜复铝散热底板图像信息、预处理后的铜复铝散热底板历史图像信息，具体为：准备铜复铝散热底板样品，在铜复铝散热底板上涂覆磁粉，然后进行磁场激励，得到预处理铜复铝散热底板样品；将预处理铜复铝散热底板样品放置在图像采集设备中；依次对预处理铜复铝散热底板的六个表面进行图像采集，得到铜复铝散热底板的图像信息；获取预处理后的铜复铝散热底板历史图像信息，所述历史图像信息包括预处理后的瑕疵品历史图像、合格品历史图像。3.根据权利要求2所述的一种基于深度学习的铜复铝散热底板生产评价方法，其特征在于，所述基于深度学习构建瑕疵检测模型，将铜复铝散热底板图像信息导入瑕疵检测模型中进行检测，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息，具体为：基于深度学习技术构建瑕疵检测模型；提取瑕疵品历史图像和合格品历史图像的关键特征信息，所述关键特征信息为第一关键特征信息；将所述第一关键特征信息导入瑕疵检测模型中进行训练；将铜复铝散热底板的图像信息导入瑕疵检测模型中进行检测，提取铜复铝散热底板的图像信息的关键特征信息，所述铜复铝散热底板的图像信息的关键特征信息为第二关键特征信息，将第一关键特征信息与第二关键特征信息进行对比，得到检测结果，所述检测结果包括瑕疵品信息、合格品信息。4.根据权利要求1所述的一种基于深度学习的铜复铝散热底板生产评价方法，其特征在于，所述根据检测结果生成生产评价报告，具体为：根据瑕疵品信息生成瑕疵品报告，所述瑕疵品报告包括瑕疵的类型、大小、位置；根据合格品信息生成合格品报告，所述合格品报告包括合格品数量；将瑕疵品报告与合格品报告进行整合，得到生产评价报告。5.根据权利要求1所述的一种基于深度学习的铜复铝散热底板生产评价方法，其特征
在于，所述构建散热性能检测系统，根据合格品信息，获取合格铜复铝散热底板，将合格铜复铝散热底板导入散热性能检测系统中，具体为：构建散热性能检测系统，所述散热性能检测系统包括热成像设备、温度传感器、数据采集装置、加热装置；根据合格品信息，获取合格铜复铝散热底板；将合格铜复铝散热底板导入散热性能检测系统进行加热处理；将所述温度传感器连接到合格品中。6.根据权利要求1所述的一种基于深度学习的铜复铝散热底板生产评价方法，其特征在于，所述利用热成像设备获取所述合格铜复铝散热底板上各个区域的热图像，对所述热图像进行图像处理，得出各个区域的温度分布，具体为：使用热成像设...

【专利技术属性】
技术研发人员：李俊飞，王威威，
申请(专利权)人：深圳市鑫典金光电科技有限公司，
类型：发明
国别省市：