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与流程

1.本发明涉及深度学习技术领域，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。


背景技术：

2.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。


技术实现要素：

3.为了解决上述至少一个技术问题，本发明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。
4.本发明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。
5.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。
6.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。
7.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。
8.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。
9.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。
10.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。
11.本发明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。
12.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。
13.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。
14.本发明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。
附图说明
15.图1示出了本发明一种基于深度学习的铜复铝散热底板生产评价方法的流程图；图2示出了本发明对铜复铝散热底板进行检测流程图；图3示出了本发明得到温度分布流程图；图4示出了本发明一种基于深度学习的铜复铝散热底板生产评价系统的框图。
具体实施方式
16.为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本技术的实施例及实施例中的特征可以相互组合。
17.在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
18.图1示出了本发明一种基于深度学习的铜复铝散热底板生产评价方法的流程图。
19.如图1所示，本发明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：s102，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；s104，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；s106，根据检测结果生成生产评价报告；s108，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；s110，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；s112，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。
20.根据本发明实施例，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。
21.需要说明的是，所述涂覆磁粉是将磁粉溶解在溶剂中，然后使用喷涂的方法将磁粉均匀地涂覆在铜复铝散热底板的表面上；所述磁场激励是在已涂覆磁粉的铜复铝散热底板上使用电磁铁施加一个均匀的磁场，使磁粉在铜复铝散热底板表面形成一个规则的磁纹图案；所述预处理后的铜复铝散热底板历史图像信息是指在瑕疵铜复铝散热底板和合格铜复铝散热底板表面涂覆磁粉，进行磁场激励后所形成的不同磁粉分布形状的历史图像；通过观察磁纹图案，可识别出铜复铝散热底板存在的缺陷，所述缺陷包括裂纹、气泡、凹陷。
22.图2示出了本发明对铜复铝散热底板进行检测流程图。
23.根据本发明实施例，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：s202，基于深度学习技术构建瑕疵检测模型；s204，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；s206，将所述第一关键特征信息导入瑕疵检测模型中进行训练；s208，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。
24.需要说明的是，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，能够判断铜复铝散热底板是否存在瑕疵；所述深度学习技术是指卷积神经网络，通过卷积层、池化层和全连接层等组件来提取图像特征和进行分类；所述关键特征信息是指磁粉的分布状况和分布形状；所述将所述第一关键特征信息导入瑕疵检测模型中进行训练，在训练过程中，模型将学习瑕疵品和合格品的特征，以便进行准确的瑕疵检测；瑕疵检测模型通过对历史瑕疵铜复铝散热底板的磁粉分布状况进行学习，分析预处理后的铜复铝散热底板是否存在缺陷。
25.根据本发明实施例，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。
26.需要说明的是，通过生成评价报告，可以对铜复铝散热底板的生产质量进行全面评估和监控，为生产过程提供指导和改进的依据，确保产品的质量和性能符合要求。
27.根据本发明实施例，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。
28.需要说明的是，所述热成像设备用于检测散热底板表面的温度分布情况。它能够通过红外辐射的测量，生成热成像图像，显示不同区域的温度差异；所述温度传感器用于实时监测散热底板的温度变化。通过将温度传感器连接到合格铜复铝散热底板中，可以精确地测量散热底板的温度；所述加热装置用于对合格铜复铝散热底板进行加热处理。通过控制加热装置的加热功率和时间，可以模拟实际使用中的热负荷，以评估散热底板的散热性能。
29.图3示出了本发明得到温度分布流程图。
30.根据本发明实施例，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：s302，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；s304，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；s306，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；s308，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；s310，将温度分布进行可视化处理。
31.需要说明的是，增强操作可以提升图像的对比度和细节，校正操作可以校正热图像的色彩偏移和几何失真；利用预设的图像处理算法对经过预处理的热图像进行分割和特征提取。分割操作将热图像分成不同的区域或对象，以便分析每个区域的温度情况。特征提取操作通过识别热图像中的特定模式或结构，提取出每个区域的温度信息；所述将温度分布进行可视化处理，通过可视化的方式，所述可视化方式包括绘制温度热图、等温线、温度分布图，可以直观地展示合格铜复铝散热底板上各个区域的温度情况，帮助操作人员理解和分析散热性能；所述预设图像处理算法包括图像分割算法、直方图均衡化算法。
32.根据本发明实施例，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。
33.需要说明的是，所述最高温度反映了底板上温度最高的区域，最低温度表示了底板上温度最低的区域，平均温度是所有区域温度的平均值，温度梯度则表示了温度在底板上的变化速率。
34.根据本发明实施例，还包括：获取铜复铝散热底板碾压成型前的半成品工件；对所述半成品工件进行加热处理，并保持恒定温度；
获取半成品工件的热图像，测量半成品工件表面的温度分布；基于所述温度分布，计算半成品工件的平均温度和散热功率；根据平均温度和散热功率计算半成品工件的散热系数，判定半成品工件的散热性能指标；若散热性能指标未达到预设指标，对半成品进行重新加工。
35.需要说明的是，本发明实施例是在铜复铝散热底板加工成型之前，对半成品工件进行检测，若半成品工件未达到加工成型的标准，则将半成品工件进行重新加工后再次检测，直到符合加工成型的标准，有利于提高铜复铝散热底板的质量，减少生产不合格品带来的经济损失；所述获取半成品工件的热图像有利于监测半成品工件的温度变化；所述预设指标指的是铜复铝散热底板生产标准设定的散热系数阈值。
36.根据本发明实施例，还包括：获取预处理后的铜复铝散热底板的图像信息；根据图像信息检测铜复铝散热底板的缺陷位置和类型，得到检测结果；根据检测结果，确定修复策略；根据修复策略，通过激光加热技术在缺陷位置施加热源，控制热源的温度和加热时间，在预设温度下，对缺陷位置进行自动修复；检测修复后的铜复铝散热底板的修复结果。
37.需要说明的是，本发明实施例在铜复铝散热底板检测出缺陷的情况下对铜复铝散热底板进行缺陷自动修复，减少铜复铝散热底板的废品率，降低生产成本；所述修复策略是根据缺陷类型制定的不同修复方案，修复策略包括对温度的控制、加热时间的长短，不同的缺陷修复温度和加热时间长短都会不同；所述修复结果是指修复后是否达到标准。
38.根据本发明实施例，还包括：采集存在缺陷的铜复铝散热底板的六个面的图像；将所述图像导入缺陷检测模型中，确定缺陷的类型、大小、位置；对存在缺陷的铜复铝散热底板进行加热处理，获取存在缺陷的铜复铝散热底板的热图像；根据热图像获取每个面的温度分布，根据温度分布分析出每个面的散热性能；获取合格品每个面的散热性能；将存在缺陷的铜复铝散热底板的每个面的散热性能与合格品相同位置的面的散热性能进行对比，得到每个面的缺陷影响系数；根据每个面的缺陷影响系数，生成不同面的生产评价标准。
39.需要说明的是，本发明实施例检测出每个面的瑕疵对散热性能的影响，得到影响系数，影响越小，影响系数越低，若该面的瑕疵对散热性能影响较小，可对该面瑕疵不进行处理，若影响较大，则进行返工处理；根据本发明实施例，可大大减少对存在缺陷的面进行处理，提高生产效率；所述缺陷影响系数包括缺陷类型、大小、位置对每个面的散热性能的影响系数；所述生产评价标准是对铜复铝散热底板的每个面的生产标准；本发明实施例也适用于其他类型散热底板产品的生产评价标准。
40.图4示出了本发明一种基于深度学习的铜复铝散热底板生产评价系统的框图。
41.本发明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4，
该系统包括：存储器41、处理器42，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。
42.根据本发明实施例，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。
43.需要说明的是，所述涂覆磁粉是将磁粉溶解在溶剂中，然后使用喷涂的方法将磁粉均匀地涂覆在铜复铝散热底板的表面上；所述磁场激励是在已涂覆磁粉的铜复铝散热底板上使用电磁铁施加一个均匀的磁场，使磁粉在铜复铝散热底板表面形成一个规则的磁纹图案；所诉预处理后的铜复铝散热底板历史图像信息是指在瑕疵铜复铝散热底板和合格铜复铝散热底板表面涂覆磁粉，进行磁场激励后所形成的不同磁粉分布形状的历史图像；通过观察磁纹图案，可识别出铜复铝散热底板存在的缺陷，所述缺陷包括裂纹、气泡、凹陷。
44.根据本发明实施例，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。
45.需要说明的是，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，能够判断铜复铝散热底板是否存在瑕疵；所述深度学习技术是指卷积神经网络，通过卷积层、池化层和全连接层等组件来提取图像特征和进行分类；所述关键特征信息是指磁粉的分布状况和分布形状；所述将所述第一关键特征信息导入瑕疵检测模型中进行训练，在训练过程中，模型将学习瑕疵品和合格品的特征，以便进行准确的瑕疵检测；瑕疵检测模型通过对历史瑕疵铜复铝散热底板的磁粉分布状况进行学习，分析预处理后的铜复铝散热底板是否存在缺陷。
46.根据本发明实施例，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。
47.需要说明的是，通过生成评价报告，可以对铜复铝散热底板的生产质量进行全面评估和监控，为生产过程提供指导和改进的依据，确保产品的质量和性能符合要求。
48.根据本发明实施例，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。
49.需要说明的是，所述热成像设备用于检测散热底板表面的温度分布情况。它能够通过红外辐射的测量，生成热成像图像，显示不同区域的温度差异；所述温度传感器用于实时监测散热底板的温度变化。通过将温度传感器连接到合格铜复铝散热底板中，可以精确地测量散热底板的温度；所述加热装置用于对合格铜复铝散热底板进行加热处理。通过控制加热装置的加热功率和时间，可以模拟实际使用中的热负荷，以评估散热底板的散热性能。
50.根据本发明实施例，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。
51.需要说明的是，增强操作可以提升图像的对比度和细节，校正操作可以校正热图像的色彩偏移和几何失真；利用预设的图像处理算法对经过预处理的热图像进行分割和特征提取。分割操作将热图像分成不同的区域或对象，以便分析每个区域的温度情况。特征提取操作通过识别热图像中的特定模式或结构，提取出每个区域的温度信息；所述将温度分
布进行可视化处理，通过可视化的方式，所述可视化方式包括绘制温度热图、等温线、温度分布图，可以直观地展示合格铜复铝散热底板上各个区域的温度情况，帮助操作人员理解和分析散热性能。
52.根据本发明实施例，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。
53.需要说明的是，所述最高温度反映了底板上温度最高的区域，最低温度表示了底板上温度最低的区域，平均温度是所有区域温度的平均值，温度梯度则表示了温度在底板上的变化速率。
54.根据本发明实施例，还包括：获取铜复铝散热底板碾压成型前的半成品工件；对所述半成品工件进行加热处理，并保持恒定温度；获取半成品工件的热图像，测量半成品工件表面的温度分布；基于所述温度分布，计算半成品工件的平均温度和散热功率；根据平均温度和散热功率计算半成品工件的散热系数，判定半成品工件的散热性能指标；若散热性能指标未达到预设指标，对半成品进行重新加工。
55.需要说明的是，本发明实施例是在铜复铝散热底板加工成型之前，对半成品工件进行检测，若半成品工件未达到加工成型的标准，则将半成品工件进行重新加工后再次检测，直到符合加工成型的标准，有利于提高铜复铝散热底板的质量，减少生产不合格品带来的经济损失；所述获取半成品工件的热图像有利于监测半成品工件的温度变化；所述预设指标指的是铜复铝散热底板生产标准设定的散热系数阈值。
56.根据本发明实施例，还包括：获取预处理后的铜复铝散热底板的图像信息；根据图像信息检测铜复铝散热底板的缺陷位置和类型；根据检测结果，确定修复策略；通过激光加热技术在缺陷位置施加热源，控制热源的温度和加热时间；根据修复策略，在预设温度下，对缺陷位置进行自动修复；检测修复后的铜复铝散热底板的修复结果。
57.需要说明的是，本发明实施例在铜复铝散热底板检测出缺陷的情况下对铜复铝散热底板进行缺陷自动修复，减少铜复铝散热底板的废品率，降低生产成本；所述修复策略是根据缺陷类型制定的不同修复方案；所述修复结果是指修复后是否达到标准。
58.根据本发明实施例，还包括：采集存在缺陷的铜复铝散热底板的六个面的图像；
将所述图像导入缺陷检测模型中，确定缺陷的类型、大小、位置；对存在缺陷的铜复铝散热底板进行加热处理，获取存在缺陷的铜复铝散热底板的热图像；根据热图像获取每个面的温度分布，根据温度分布分析出每个面的散热性能；获取合格品每个面的散热性能；将存在缺陷的铜复铝散热底板的每个面的散热性能与合格品相同位置的面的散热性能进行对比，得到每个面的缺陷影响系数；根据每个面的缺陷影响系数，生成不同面的生产评价标准。
59.需要说明的是，本发明实施例检测出每个面的瑕疵对散热性能的影响，得到影响系数，影响越小，影响系数越低，若该面的瑕疵对散热性能影响较小，可对该面瑕疵不进行处理，若影响较大，则进行返工处理；根据本发明实施例，可大大减少对存在缺陷的面进行处理，提高生产效率；所述缺陷影响系数包括缺陷类型、大小、位置对每个面的散热性能的影响系数；所述生产评价标准是对铜复铝散热底板的每个面的生产标准；本发明实施例也适用于其他类型散热底板产品的生产评价标准。
60.本发明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。
61.在本技术所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
62.上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
63.另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
64.本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
65.或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
66.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
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。7.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。8.一种基于深度学习的铜复铝散热底板生产评价系统，其特征在于，所述基于深度学习的铜复铝散热底板生产评价系统包括储存器以及处理器，所述储存器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。9.根据权利要求8所述的一种基于深度学习的铜复铝散热底板生产评价系统，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。10.根据权利要求8所述的一种基于深度学习的铜复铝散热底板生产评价系统，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。

技术总结
本发明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。


技术研发人员：李俊飞 王威威
受保护的技术使用者：深圳市鑫典金光电科技有限公司
技术研发日：2023.06.28
技术公布日：2023/8/1