CN115526865A - 笔记本电脑的散热模块的绝缘性检验方法及其系统 - Google Patents

笔记本电脑的散热模块的绝缘性检验方法及其系统 Download PDF

Info

Publication number
CN115526865A
CN115526865A CN202211213454.8A CN202211213454A CN115526865A CN 115526865 A CN115526865 A CN 115526865A CN 202211213454 A CN202211213454 A CN 202211213454A CN 115526865 A CN115526865 A CN 115526865A
Authority
CN
China
Prior art keywords
feature map
detection
training
vector
convolution
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211213454.8A
Other languages
English (en)
Other versions
CN115526865B (zh
Inventor
曾蓉蓉
彭斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Chuang Ruixin Technology Co ltd
Original Assignee
Shenzhen Chuang Ruixin Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Chuang Ruixin Technology Co ltd filed Critical Shenzhen Chuang Ruixin Technology Co ltd
Priority to CN202211213454.8A priority Critical patent/CN115526865B/zh
Publication of CN115526865A publication Critical patent/CN115526865A/zh
Application granted granted Critical
Publication of CN115526865B publication Critical patent/CN115526865B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种笔记本电脑的散热模块的绝缘性检验方法及其系统。其首先将获取的检测图像和参考图像通过孪生网络以得到检测特征图和参考特征图，接着，计算所述检测特征图和参考特征图之间的差分特征图，然后，将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示检测图像中的绝缘组件的组装样式是否符合预定标准的分类结果。通过这样的方式，可以对于笔记本电脑的散热模块的绝缘性进行准确地检验，进而在保证检验准确率的基础上减少笔记本电脑生产的报废率，保证笔记本电脑的生产质量。

Description

笔记本电脑的散热模块的绝缘性检验方法及其系统
技术领域
本申请涉及智能检测技术领域，且更为具体地，涉及一种笔记本电脑的散热模块的绝缘性检验方法及其系统。
背景技术
传统笔记本电脑的主机板具有芯片及多个电性接点，该些电性接点邻近芯片设置。为散逸芯片的产热，一散热模块覆盖芯片并设于主机板上。绝缘组件设于芯片与散热模块之间，以避免散热模块的金属外壳因接触到芯片周围的电性接点所发生的短路。
然而，绝缘组件在生产或重工过程中常会被漏装或误装，使笔记本电脑在测试(例如是烧机)后发生短路，因此导致整批产品须重工，徒增重工的成本及工时。
因此，期待一种优化的用于笔记本电脑的散热模块的绝缘性检验方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种笔记本电脑的散热模块的绝缘性检验方法及其系统。其首先将获取的检测图像和参考图像通过孪生网络以得到检测特征图和参考特征图，接着，计算所述检测特征图和参考特征图之间的差分特征图，然后，将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示检测图像中的绝缘组件的组装样式是否符合预定标准的分类结果。通过这样的方式，可以对于笔记本电脑的散热模块的绝缘性进行准确地检验，进而在保证检验准确率的基础上减少笔记本电脑生产的报废率，保证笔记本电脑的生产质量。
根据本申请的一个方面，提供了一种笔记本电脑的散热模块的绝缘性检验方法，其包括：
获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；
将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；
计算所述检测特征图和参考特征图之间的差分特征图；
将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；以及
将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
在上述的笔记本电脑的散热模块的绝缘性检验方法中，所述将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，包括：
使用所述孪生网络的第一卷积神经网络模型的卷积编码部分对所述检测图像进行深度卷积编码以得到检测卷积特征图；
将所述检测卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；
将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及
计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
在上述的笔记本电脑的散热模块的绝缘性检验方法中，所述将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，包括：
使用所述孪生网络的第二卷积神经网络模型的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；
将所述参考卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；
将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及
计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
在上述的笔记本电脑的散热模块的绝缘性检验方法中，所述计算所述检测特征图和参考特征图之间的差分特征图，包括：以如下公式来计算所述检测特征图和所述参考特征图之间的按位置差分以得到所述差分特征图；
其中，所述公式为：
Figure BDA0003875865030000031
其中，F1为所述检测特征图，F2为所述参考特征图，
Figure BDA0003875865030000032
表示按位置差分。
在上述的笔记本电脑的散热模块的绝缘性检验方法中，所述将所述分类特征向量通过训练完成的分类器以得到分类结果，包括：
使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Mc,Bc)|X}，其中，Mc为权重矩阵，Bc为偏置向量，X为所述分类特征向量。
在上述的笔记本电脑的散热模块的绝缘性检验方法中，还包括对所述孪生网络和所述分类器进行训练；
其中，所述对所述孪生网络和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括训练检测图像、训练参考图像以及所述训练检测图像中的绝缘组件的组装样式是否符合预定标准的真实值；
将所述训练检测图像和所述训练参考图像通过所述孪生网络以得到训练检测特征图和训练参考特征图；
计算所述训练检测特征图和训练参考特征图之间的训练差分特征图；
将所述训练差分特征图通过分类器以得到分类损失函数值；
计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的分类模式消解抑制损失函数值，其中，所述分类模式消解抑制损失函数值与所述第一特征向量和所述第二特征向量之间的差分特征向量的二范数的平方有关；以及
以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络和所述分类器进行训练。
在上述的笔记本电脑的散热模块的绝缘性检验方法中，所述计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的分类模式消解抑制损失函数值，包括：
以如下公式计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的所述分类模式消解抑制损失函数值；
其中，所述公式为：
Figure BDA0003875865030000033
其中V1和V2分别表示所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量，M1和M2分别是所述分类器对于所述第一特征向量和所述第二特征向量的权重矩阵，且
Figure BDA0003875865030000041
表示向量的二范数的平方，||·||F表示矩阵的F范数，exp(·)表示矩阵的指数运算和向量的指数运行，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值。
根据本申请的另一方面，提供了一种笔记本电脑的散热模块的绝缘性检验系统，其包括：
图像获取模块，用于获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；
编码模块，用于将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；
差分计算模块，用于计算所述检测特征图和参考特征图之间的差分特征图；
展开模块，用于将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；以及
分类结果生成模块，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
在上述的笔记本电脑的散热模块的绝缘性检验系统中，所述编码模块，包括：
第一卷积编码单元，用于使用所述孪生网络的第一卷积神经网络模型的卷积编码部分对所述检测图像进行深度卷积编码以得到检测卷积特征图；
第一空间注意力图获取单元，用于将所述检测卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；
第一空间注意力特征图获取单元，用于将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及
检测特征图获取单元，用于计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
在上述的笔记本电脑的散热模块的绝缘性检验系统中，所述编码模块，包括：
第二卷积编码单元，用于使用所述孪生网络的第二卷积神经网络模型的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；
第二空间注意力图获取单元，用于将所述参考卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；
第二空间注意力特征图获取单元，用于将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及
参考特征图获取单元，用于计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
与现有技术相比，本申请提供的笔记本电脑的散热模块的绝缘性检验方法及其系统，其首先将获取的检测图像和参考图像通过孪生网络以得到检测特征图和参考特征图，接着，计算所述检测特征图和参考特征图之间的差分特征图，然后，将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示检测图像中的绝缘组件的组装样式是否符合预定标准的分类结果。通过这样的方式，可以对于笔记本电脑的散热模块的绝缘性进行准确地检验，进而在保证检验准确率的基础上减少笔记本电脑生产的报废率，保证笔记本电脑的生产质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法的场景示意图。
图2为根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法的流程图。
图3为根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法的架构示意图。
图4为根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法中步骤S120的第一部分子步骤的流程图。
图5为根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法中步骤S120的第二部分子步骤的流程图。
图6为根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法进一步包括的所述对所述孪生网络和所述分类器进行训练的子步骤的流程图。
图7为根据本申请实施例的笔记本电脑的散热模块的绝缘性检验系统的框图。
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如上所述，传统笔记本电脑的主机板具有芯片及多个电性接点，该些电性接点邻近芯片设置。为散逸芯片的产热，一散热模块覆盖芯片并设于主机板上。绝缘组件设于芯片与散热模块之间，以避免散热模块的金属外壳因接触到芯片周围的电性接点所发生的短路。
然而，绝缘组件在生产或重工过程中常会被漏装或误装，使笔记本电脑在测试(例如是烧机)后发生短路，因此导致整批产品须重工，徒增重工的成本及工时。因此，期待一种优化的用于笔记本电脑的散热模块的绝缘性检验方案。
相应地，由于在对于笔记本电脑的散热模块的绝缘性进行检测时，如果绝缘组件在生产或重工过程中被漏装或误装，会导致检测时笔记本电脑发生短路而造成烧机，增加报废率。因此，为了能够在避免发生短路的情况下对于所述笔记本电脑的散热模块的绝缘性进行较好地检测，在本申请的技术方案中，采用非电变量，即图像数据来进行绝缘组件的检测判断。并且，采用基于深度学习的人工智能检测技术来对于实际检测图像和标准参考图像进行隐含的特征挖掘，进而以这两个图像的高维隐含特征之间的差分特征来进行一致性比较，以此来进行所述绝缘组件的组装样式是否符合预定标准的检测。这样，能够对于所述笔记本电脑的散热模块的绝缘性进行准确地检验，进而在保证检验准确率的基础上减少笔记本电脑生产的报废率，保证笔记本电脑的生产质量。
具体地，在本申请的技术方案中，首先，通过摄像头获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像。接着，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述检测图像和所述参考图像的图像特征提取，但是，传统的卷积神经网络模型在对于绝缘组件的组装样式检测上的性能并不好，会导致在对于所述笔记本电脑的散热模块的绝缘性判断上出现误差。并且，考虑到在所述检测图像和所述参考图像中，需要更加关注于所述绝缘组件的空间位置上的组装特征信息。
基于此，进一步将所述检测图像和所述参考图像通过孪生网络中进行处理，所述孪生网络能够使用具有空间注意力机制的卷积神经网络模型来对于所述检测图像和所述参考图像进行处理，以分别提取出所述检测图像和所述参考图像中的绝缘组件、芯片与散热模块的空间位置上的隐含关联特征信息，从而突出所述绝缘组件的组装样式的空间位置特征，以得到检测特征图和参考特征图。特别地，这里，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型，所述第一卷积神经网络模型能够提取出所述检测图像中的关于所述绝缘组件的组装样式的空间隐含特征分布特征，所述第二卷积神经网络模型能够提取出所述参考图像中的关于所述绝缘组件的组装样式的空间隐含特征分布特征。
然后，为了能够准确地对于所述绝缘组件的组装样式是否符合预定标准进行检测，将所述检测图像和所述参考图像在高维特征空间中的特征分布信息进行一致性比较，也就是，使用所述孪生网络来生成所述检测图像和所述参考图像之间的差分特征，以此来进行绝缘性检测。具体地，计算所述检测特征图和参考特征图之间的差分特征图。接着，在将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量后，输入分类器中进行分类处理，以得到用于表示检测图像中的绝缘组件的组装样式是否符合预定标准的分类结果。
特别地，在本申请的技术方案中，这里，在将所述差分特征图通过分类器时，由于在训练过程当中，损失函数的梯度在反向传播过程当中通过所述孪生网络的具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型的分支点时，会由于异常的梯度发散而导致所述检测特征图和所述参考特征图所表达的模式的消解，因此，在本申请的技术方案中，进一步引入分类模式消解抑制损失函数，表示为：
Figure BDA0003875865030000081
V1和V2分别是所述检测特征图和所述参考特征图展开后得到的特征向量，且M1和M2分别是分类器对于V1和V2的权重矩阵，且
Figure BDA0003875865030000082
表示向量的二范数的平方。
这里，通过引入分类模式消解抑制损失函数，可以将分类器权重的伪差异推向所述检测特征图和所述参考特征图的真实的特征分布差异，从而保证梯度反向传播时的定向导数在梯度分支点附近得到正则化，也就是，将梯度在所述检测特征图和所述参考特征图的模式之间进行过加权，以对所述第一卷积神经网络模型和所述第二卷积神经网络模型所提取出的特征的分类模式消解进行抑制，这样，就提高所述检测特征图和所述参考特征图的分类表达能力，从而提高了所述差分特征图的分类准确性。这样，能够对于所述笔记本电脑的散热模块的绝缘性进行准确地检验，进而在保证检验准确率的同时减少笔记本电脑生产的报废率，保证笔记本电脑的生产质量。
基于此，本申请提供了一种笔记本电脑的散热模块的绝缘性检验方法，其包括：获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；计算所述检测特征图和参考特征图之间的差分特征图；将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；以及，将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
图1图示了根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法的应用场景图。如图1所示，在该应用场景中，通过摄像头(例如，如图1中所示意的C)获取检测图像(例如，如图1中所示意的D1)和参考图像(例如，如图1中所示意的D2)，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像，然后，将所述检测图像和所述参考图像输入至部署有笔记本电脑的散热模块的绝缘性检验算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于所述笔记本电脑的散热模块的绝缘性检验算法生成用于表示检测图像中的绝缘组件的组装样式是否符合预定标准的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法的流程图。如图2所示，根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法，包括步骤：S110，获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；S120，将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；S130，计算所述检测特征图和参考特征图之间的差分特征图；S140，将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；以及,S150，将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
图3图示了根据本申请实施例的笔记本电脑的散热模块的绝缘性检验方法的架构示意图。如图3所示，在该网络架构中，首先，获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；接着，将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；然后，计算所述检测特征图和参考特征图之间的差分特征图；接着，将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；最后，将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
更具体地，在步骤S110中，获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像。由于在对于笔记本电脑的散热模块的绝缘性进行检测时，如果绝缘组件在生产或重工过程中被漏装或误装，会导致检测时笔记本电脑发生短路而造成烧机，增加报废率。因此，为了能够在避免发生短路的情况下对于所述笔记本电脑的散热模块的绝缘性进行较好地检测，获取检测图像以及参考图像，其中，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像。
更具体地，在步骤S120中，将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型。传统的卷积神经网络模型在对于绝缘组件的组装样式检测上的性能并不好，会导致在对于所述笔记本电脑的散热模块的绝缘性判断上出现误差，考虑到在所述检测图像和所述参考图像中，需要更加关注于所述绝缘组件的空间位置上的组装特征信息。进一步将所述检测图像和所述参考图像通过孪生网络中进行处理，所述孪生网络能够使用具有空间注意力机制的卷积神经网络模型来对于所述检测图像和所述参考图像进行处理，以分别提取出所述检测图像和所述参考图像中的绝缘组件、芯片与散热模块的空间位置上的隐含关联特征信息，从而突出所述绝缘组件的组装样式的空间位置特征，以得到检测特征图和参考特征图。特别地，这里，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型，所述第一卷积神经网络模型能够提取出所述检测图像中的关于所述绝缘组件的组装样式的空间隐含特征分布特征，所述第二卷积神经网络模型能够提取出所述参考图像中的关于所述绝缘组件的组装样式的空间隐含特征分布特征。
相应地，在一个具体示例中，如图4所示，在所述的笔记本电脑的散热模块的绝缘性检验方法中，所述将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，包括：使用所述孪生网络的第一卷积神经网络模型的卷积编码部分对所述检测图像进行深度卷积编码以得到检测卷积特征图；将所述检测卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及，计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
相应地，在一个具体示例中，如图5所示，在所述的笔记本电脑的散热模块的绝缘性检验方法中，所述将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，包括：使用所述孪生网络的第二卷积神经网络模型的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；将所述参考卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及，计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
更具体地，在步骤S130中，计算所述检测特征图和参考特征图之间的差分特征图。为了能够准确地对于所述绝缘组件的组装样式是否符合预定标准进行检测，将所述检测图像和所述参考图像在高维特征空间中的特征分布信息进行一致性比较，也就是，使用所述孪生网络来生成所述检测图像和所述参考图像之间的差分特征，以此来进行绝缘性检测。
相应地，在一个具体示例中，在所述的笔记本电脑的散热模块的绝缘性检验方法中，所述计算所述检测特征图和参考特征图之间的差分特征图，包括：以如下公式来计算所述检测特征图和所述参考特征图之间的按位置差分以得到所述差分特征图；
其中，所述公式为：
Figure BDA0003875865030000111
其中，F1为所述检测特征图，F2为所述参考特征图，
Figure BDA0003875865030000112
表示按位置差分。
更具体地，在步骤S140中，将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量。
更具体地，在步骤S150中，将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
相应地，在一个具体示例中，在所述的笔记本电脑的散热模块的绝缘性检验方法中，所述将所述分类特征向量通过训练完成的分类器以得到分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Mc,Bc)|X}，其中，Mc为权重矩阵，Bc为偏置向量，X为所述分类特征向量。
相应地，在一个具体示例中，如图6所示，在所述的笔记本电脑的散热模块的绝缘性检验方法中，所述的笔记本电脑的散热模块的绝缘性检验方法还包括对所述孪生网络和所述分类器进行训练；其中，所述对所述孪生网络和所述分类器进行训练，包括：S210，获取训练数据，所述训练数据包括训练检测图像、训练参考图像以及所述训练检测图像中的绝缘组件的组装样式是否符合预定标准的真实值；S220，将所述训练检测图像和所述训练参考图像通过所述孪生网络以得到训练检测特征图和训练参考特征图；S230，计算所述训练检测特征图和训练参考特征图之间的训练差分特征图；S240，将所述训练差分特征图通过分类器以得到分类损失函数值；S250，计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的分类模式消解抑制损失函数值，其中，所述分类模式消解抑制损失函数值与所述第一特征向量和所述第二特征向量之间的差分特征向量的二范数的平方有关；以及，S260，以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络和所述分类器进行训练。
特别地，在本申请的技术方案中，这里，在将所述差分特征图通过分类器时，由于在训练过程当中，损失函数的梯度在反向传播过程当中通过所述孪生网络的具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型的分支点时，会由于异常的梯度发散而导致所述检测特征图和所述参考特征图所表达的模式的消解，因此，在本申请的技术方案中，进一步引入分类模式消解抑制损失函数。
相应地，在一个具体示例中，在所述的笔记本电脑的散热模块的绝缘性检验方法中，所述计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的分类模式消解抑制损失函数值，包括：以如下公式计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的所述分类模式消解抑制损失函数值；
其中，所述公式为：
Figure BDA0003875865030000121
其中V1和V2分别表示所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量，M1和M2分别是所述分类器对于所述第一特征向量和所述第二特征向量的权重矩阵，且
Figure BDA0003875865030000122
表示向量的二范数的平方，||·||F表示矩阵的F范数，exp(·)表示矩阵的指数运算和向量的指数运行，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值。
这里，通过引入分类模式消解抑制损失函数，可以将分类器权重的伪差异推向所述检测特征图和所述参考特征图的真实的特征分布差异，从而保证梯度反向传播时的定向导数在梯度分支点附近得到正则化，也就是，将梯度在所述检测特征图和所述参考特征图的模式之间进行过加权，以对所述第一卷积神经网络模型和所述第二卷积神经网络模型所提取出的特征的分类模式消解进行抑制，这样，就提高所述检测特征图和所述参考特征图的分类表达能力，从而提高了所述差分特征图的分类准确性。这样，能够对于所述笔记本电脑的散热模块的绝缘性进行准确地检验，进而在保证检验准确率的同时减少笔记本电脑生产的报废率，保证笔记本电脑的生产质量。
综上，基于本申请实施例的笔记本电脑的散热模块的绝缘性检验方法，其首先将获取的检测图像和参考图像通过孪生网络以得到检测特征图和参考特征图，接着，计算所述检测特征图和参考特征图之间的差分特征图，然后，将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示检测图像中的绝缘组件的组装样式是否符合预定标准的分类结果。通过这样的方式，可以对于笔记本电脑的散热模块的绝缘性进行准确地检验，进而在保证检验准确率的基础上减少笔记本电脑生产的报废率，保证笔记本电脑的生产质量。
示例性系统
图7图示了根据本申请实施例的笔记本电脑的散热模块的绝缘性检验系统100的框图。如图7所示，根据本申请实施例的笔记本电脑的散热模块的绝缘性检验系统100，包括：图像获取模块110，用于获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；编码模块120，用于将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；差分计算模块130，用于计算所述检测特征图和参考特征图之间的差分特征图；展开模块140，用于将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；以及，分类结果生成模块150，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
在一个示例中，在上述笔记本电脑的散热模块的绝缘性检验系统100中，所述编码模块120，包括：第一卷积编码单元，用于使用所述孪生网络的第一卷积神经网络模型的卷积编码部分对所述检测图像进行深度卷积编码以得到检测卷积特征图；第一空间注意力图获取单元，用于将所述检测卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；第一空间注意力特征图获取单元，用于将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及，检测特征图获取单元，用于计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
在一个示例中，在上述笔记本电脑的散热模块的绝缘性检验系统100中，所述编码模块120，包括：第二卷积编码单元，用于使用所述孪生网络的第二卷积神经网络模型的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；第二空间注意力图获取单元，用于将所述参考卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；第二空间注意力特征图获取单元，用于将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及，参考特征图获取单元，用于计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
在一个示例中，在上述笔记本电脑的散热模块的绝缘性检验系统100中，所述差分计算模块130，包括：以如下公式来计算所述检测特征图和所述参考特征图之间的按位置差分以得到所述差分特征图；
其中，所述公式为：
Figure BDA0003875865030000141
其中，F1为所述检测特征图，F2为所述参考特征图，
Figure BDA0003875865030000142
表示按位置差分。
在一个示例中，在上述笔记本电脑的散热模块的绝缘性检验系统100中，所述分类结果生成模块150，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Mc,Bc)|X}，其中，Mc为权重矩阵，Bc为偏置向量，X为所述分类特征向量。
在一个示例中，在上述笔记本电脑的散热模块的绝缘性检验系统100中，所述的笔记本电脑的散热模块的绝缘性检验系统100，还包括对所述孪生网络和所述分类器进行训练的训练模块；其中，所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括训练检测图像、训练参考图像以及所述训练检测图像中的绝缘组件的组装样式是否符合预定标准的真实值；训练编码单元，用于将所述训练检测图像和所述训练参考图像通过所述孪生网络以得到训练检测特征图和训练参考特征图；训练差分单元，用于计算所述训练检测特征图和训练参考特征图之间的训练差分特征图；分类损失函数值获取单元，用于将所述训练差分特征图通过分类器以得到分类损失函数值；消解抑制损失函数值计算单元，用于计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的分类模式消解抑制损失函数值，其中，所述分类模式消解抑制损失函数值与所述第一特征向量和所述第二特征向量之间的差分特征向量的二范数的平方有关；以及，孪生网络和分类器训练单元，用于以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络和所述分类器进行训练。
在一个示例中，在上述笔记本电脑的散热模块的绝缘性检验系统100中，所述消解抑制损失函数值计算单元，进一步用于：以如下公式计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的所述分类模式消解抑制损失函数值；
其中，所述公式为：
Figure BDA0003875865030000151
其中V1和V2分别表示所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量，M1和M2分别是所述分类器对于所述第一特征向量和所述第二特征向量的权重矩阵，且
Figure BDA0003875865030000152
表示向量的二范数的平方，||·||F表示矩阵的F范数，exp(·)表示矩阵的指数运算和向量的指数运行，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值。
这里，本领域技术人员可以理解，上述笔记本电脑的散热模块的绝缘性检验系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的笔记本电脑的散热模块的绝缘性检验方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的笔记本电脑的散热模块的绝缘性检验系统100可以实现在各种无线终端中，例如笔记本电脑的散热模块的绝缘性检验系统的服务器等。在一个示例中，根据本申请实施例的笔记本电脑的散热模块的绝缘性检验系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该笔记本电脑的散热模块的绝缘性检验系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该笔记本电脑的散热模块的绝缘性检验系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该笔记本电脑的散热模块的绝缘性检验系统100与该无线终端也可以是分立的设备，并且该笔记本电脑的散热模块的绝缘性检验系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的笔记本电脑的散热模块的绝缘性检验以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如检测图像和参考图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种笔记本电脑的散热模块的绝缘性检验方法，其特征在于，包括：
获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；
将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；
计算所述检测特征图和参考特征图之间的差分特征图；
将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；以及
将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
2.根据权利要求1所述的笔记本电脑的散热模块的绝缘性检验方法，其特征在于，所述将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，包括：
使用所述孪生网络的第一卷积神经网络模型的卷积编码部分对所述检测图像进行深度卷积编码以得到检测卷积特征图；
将所述检测卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；
将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及
计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
3.根据权利要求2所述的笔记本电脑的散热模块的绝缘性检验方法，其特征在于，所述将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，包括：
使用所述孪生网络的第二卷积神经网络模型的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；
将所述参考卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；
将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及
计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
4.根据权利要求3所述的笔记本电脑的散热模块的绝缘性检验方法，其特征在于，所述计算所述检测特征图和参考特征图之间的差分特征图，包括：以如下公式来计算所述检测特征图和所述参考特征图之间的按位置差分以得到所述差分特征图；
其中，所述公式为：
Figure FDA0003875865020000021
其中，F1为所述检测特征图，F2为所述参考特征图，
Figure FDA0003875865020000022
表示按位置差分。
5.根据权利要求4所述的笔记本电脑的散热模块的绝缘性检验方法，其特征在于，所述将所述分类特征向量通过训练完成的分类器以得到分类结果，包括：
使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果，其中，所述公式为：softmax{(Mc,Bc)|X}，其中，Mc为权重矩阵，Bc为偏置向量，X为所述分类特征向量。
6.根据权利要求5所述的笔记本电脑的散热模块的绝缘性检验方法，其特征在于，还包括对所述孪生网络和所述分类器进行训练；
其中，所述对所述孪生网络和所述分类器进行训练，包括：
获取训练数据，所述训练数据包括训练检测图像、训练参考图像以及所述训练检测图像中的绝缘组件的组装样式是否符合预定标准的真实值；
将所述训练检测图像和所述训练参考图像通过所述孪生网络以得到训练检测特征图和训练参考特征图；
计算所述训练检测特征图和训练参考特征图之间的训练差分特征图；
将所述训练差分特征图通过分类器以得到分类损失函数值；
计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的分类模式消解抑制损失函数值，其中，所述分类模式消解抑制损失函数值与所述第一特征向量和所述第二特征向量之间的差分特征向量的二范数的平方有关；以及
以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数值对所述孪生网络和所述分类器进行训练。
7.根据权利要求6所述的笔记本电脑的散热模块的绝缘性检验方法，其特征在于，所述计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的分类模式消解抑制损失函数值，包括：
以如下公式计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量的所述分类模式消解抑制损失函数值；
其中，所述公式为：
Figure FDA0003875865020000031
其中V1和V2分别表示所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特征向量，M1和M2分别是所述分类器对于所述第一特征向量和所述第二特征向量的权重矩阵，且
Figure FDA0003875865020000032
表示向量的二范数的平方，||·||F表示矩阵的F范数，exp(·)表示矩阵的指数运算和向量的指数运行，所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值，所述向量的指数运算表示以向量中各个位置的特征值为幂的自然指数函数值。
8.一种笔记本电脑的散热模块的绝缘性检验系统，其特征在于，包括：
图像获取模块，用于获取检测图像和参考图像，所述参考图像为绝缘组件被标准地组装于芯片和散热模块之间的图像；
编码模块，用于将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考特征图，其中，所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积神经网络模型；
差分计算模块，用于计算所述检测特征图和参考特征图之间的差分特征图；
展开模块，用于将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向量；以及
分类结果生成模块，用于将所述分类特征向量通过训练完成的分类器以得到分类结果，所述分类结果用于表示检测图像中的绝缘组件的组装样式是否符合预定标准。
9.根据权利要求8所述的笔记本电脑的散热模块的绝缘性检验系统，其特征在于，所述编码模块，包括：
第一卷积编码单元，用于使用所述孪生网络的第一卷积神经网络模型的卷积编码部分对所述检测图像进行深度卷积编码以得到检测卷积特征图；
第一空间注意力图获取单元，用于将所述检测卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第一空间注意力图；
第一空间注意力特征图获取单元，用于将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特征图；以及
检测特征图获取单元，用于计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检测特征图。
10.根据权利要求9所述的笔记本电脑的散热模块的绝缘性检验系统，其特征在于，所述编码模块，包括：
第二卷积编码单元，用于使用所述孪生网络的第二卷积神经网络模型的卷积编码部分对所述参考图像进行深度卷积编码以得到参考卷积特征图；
第二空间注意力图获取单元，用于将所述参考卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第二空间注意力图；
第二空间注意力特征图获取单元，用于将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特征图；以及
参考特征图获取单元，用于计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参考特征图。
CN202211213454.8A 2022-09-30 2022-09-30 笔记本电脑的散热模块的绝缘性检验方法及其系统 Active CN115526865B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211213454.8A CN115526865B (zh) 2022-09-30 2022-09-30 笔记本电脑的散热模块的绝缘性检验方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211213454.8A CN115526865B (zh) 2022-09-30 2022-09-30 笔记本电脑的散热模块的绝缘性检验方法及其系统

Publications (2)

Publication Number Publication Date
CN115526865A true CN115526865A (zh) 2022-12-27
CN115526865B CN115526865B (zh) 2024-09-10

Family

ID=84701766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211213454.8A Active CN115526865B (zh) 2022-09-30 2022-09-30 笔记本电脑的散热模块的绝缘性检验方法及其系统

Country Status (1)

Country Link
CN (1) CN115526865B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115901794A (zh) * 2023-02-17 2023-04-04 广州达普绅智能设备有限公司 一种条形光源检测瓶口瑕疵的系统及方法
CN116030048A (zh) * 2023-03-27 2023-04-28 山东鹰眼机械科技有限公司 灯检机及其方法
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN117008557A (zh) * 2023-09-28 2023-11-07 苏州顶材新材料有限公司 共混型互穿网络热塑性弹性体的生产控制方法及系统
CN117726574A (zh) * 2023-09-13 2024-03-19 东莞市言科新能源有限公司 聚合物锂离子电池生产用封装系统及其方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018293922A1 (en) * 2017-06-28 2020-01-23 Capricornia Contact Lens Pty Ltd Improvements to fitting orthokeratology lenses
CN112767342A (zh) * 2021-01-14 2021-05-07 成都缇娣莉科技有限公司 基于双分支推断机制的瓦斯气体智能检测方法
CN113706581A (zh) * 2021-08-13 2021-11-26 河南大学 基于残差通道注意与多层次分类回归的目标跟踪方法
CN114580515A (zh) * 2022-02-28 2022-06-03 上海味伊思技术有限公司 用于半导体脱焊智能检测的神经网络训练方法
CN114724023A (zh) * 2021-12-04 2022-07-08 电子科技大学长三角研究院(湖州) 一种基于孪生网络的水体变化检测方法
CN114926746A (zh) * 2022-05-25 2022-08-19 西北工业大学 基于多尺度差分特征注意力机制的sar图像变化检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2018293922A1 (en) * 2017-06-28 2020-01-23 Capricornia Contact Lens Pty Ltd Improvements to fitting orthokeratology lenses
CN112767342A (zh) * 2021-01-14 2021-05-07 成都缇娣莉科技有限公司 基于双分支推断机制的瓦斯气体智能检测方法
CN113706581A (zh) * 2021-08-13 2021-11-26 河南大学 基于残差通道注意与多层次分类回归的目标跟踪方法
CN114724023A (zh) * 2021-12-04 2022-07-08 电子科技大学长三角研究院(湖州) 一种基于孪生网络的水体变化检测方法
CN114580515A (zh) * 2022-02-28 2022-06-03 上海味伊思技术有限公司 用于半导体脱焊智能检测的神经网络训练方法
CN114926746A (zh) * 2022-05-25 2022-08-19 西北工业大学 基于多尺度差分特征注意力机制的sar图像变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LONG CHEN, ET AL.: "Deep Integration:A Multi-Label Architecture for Road Scene Recognition", IEEE TRANSACTIONS ON IMAGE PROCESSING, 7 May 2019 (2019-05-07), pages 4883 - 4898 *
罗善威;陈黎;: "基于双重相似度孪生网络的小样本实例分割", 武汉科技大学学报, no. 01, 31 December 2020 (2020-12-31), pages 62 - 69 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051506A (zh) * 2023-01-28 2023-05-02 东莞市言科新能源有限公司 聚合物锂离子电池的智能化生产系统及其方法
CN115901794A (zh) * 2023-02-17 2023-04-04 广州达普绅智能设备有限公司 一种条形光源检测瓶口瑕疵的系统及方法
CN116030048A (zh) * 2023-03-27 2023-04-28 山东鹰眼机械科技有限公司 灯检机及其方法
CN117726574A (zh) * 2023-09-13 2024-03-19 东莞市言科新能源有限公司 聚合物锂离子电池生产用封装系统及其方法
CN117726574B (zh) * 2023-09-13 2024-04-26 东莞市言科新能源有限公司 聚合物锂离子电池生产用封装系统及其方法
CN117008557A (zh) * 2023-09-28 2023-11-07 苏州顶材新材料有限公司 共混型互穿网络热塑性弹性体的生产控制方法及系统
CN117008557B (zh) * 2023-09-28 2023-12-15 苏州顶材新材料有限公司 共混型互穿网络热塑性弹性体的生产控制方法及系统

Also Published As

Publication number Publication date
CN115526865B (zh) 2024-09-10

Similar Documents

Publication Publication Date Title
CN115526865A (zh) 笔记本电脑的散热模块的绝缘性检验方法及其系统
CN115375691B (zh) 基于图像的半导体扩散纸源缺陷检测系统及其方法
US8176454B2 (en) Non-invasive timing characterization of integrated circuits using sensitizable signal paths and sparse equations
US8555236B2 (en) Non-invasive leakage power device characterization of integrated circuits using device grouping and compressive sensing
US9805158B1 (en) Efficient extraction of K-sigma corners from Monte Carlo simulation
CN115761642A (zh) 基于图像处理的破碎作业监控方法及其系统
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
CN114581767A (zh) 图像处理系统、方法及其计算机装置
US20200125959A1 (en) Autoencoder Neural Network for Signal Integrity Analysis of Interconnect Systems
CN116797533B (zh) 电源适配器的外观缺陷检测方法及其系统
CN115146676A (zh) 电路故障检测方法及其系统
CN115100427A (zh) 锂电池制造的石墨矿石破碎装置及其处理方法
CN116109630A (zh) 基于传感器采集和人工智能的图像分析方法及系统
CN113593598B (zh) 音频放大器在待机状态下的降噪方法、装置和电子设备
CN113808072A (zh) 集成电路板测试点布局方法及其系统
CN113821094A (zh) 增强散热装置及运行方法
CN114492517B (zh) 电梯检测方法、电梯检测装置、电子设备及存储介质
CN114839466B (zh) 用于水泵的emc电磁兼容性测试系统及其测试方法
CN115143128B (zh) 小型潜水电泵的故障诊断方法及其系统
CN115775601A (zh) 一种材料力热试验的异常数据监测方法及系统
CN114913156B (zh) 变压器故障诊断系统及其诊断方法
CN115932140A (zh) 一种电子级六氟丁二烯的质检系统及其方法
CN115741475A (zh) 五金件的抛光装置及其抛光方法
CN115510900A (zh) 电路故障自动诊断方法及其诊断系统
CN115138713A (zh) 五金工具配件的冲压设备及其冲压方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant