CN116563280B - 一种基于数据分析的复合铜散热底板加工检测方法及系统 - Google Patents
一种基于数据分析的复合铜散热底板加工检测方法及系统 Download PDFInfo
- Publication number
- CN116563280B CN116563280B CN202310826567.3A CN202310826567A CN116563280B CN 116563280 B CN116563280 B CN 116563280B CN 202310826567 A CN202310826567 A CN 202310826567A CN 116563280 B CN116563280 B CN 116563280B
- Authority
- CN
- China
- Prior art keywords
- heat dissipation
- image
- defect
- composite copper
- analysis
- 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.)
- Active
Links
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 225
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 183
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 183
- 239000010949 copper Substances 0.000 title claims abstract description 183
- 239000002131 composite material Substances 0.000 title claims abstract description 178
- 238000012545 processing Methods 0.000 title claims abstract description 98
- 238000007405 data analysis Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 244
- 238000004458 analytical method Methods 0.000 claims abstract description 127
- 230000004927 fusion Effects 0.000 claims abstract description 88
- 238000001931 thermography Methods 0.000 claims abstract description 64
- 230000008439 repair process Effects 0.000 claims abstract description 39
- 238000003754 machining Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 73
- 230000005855 radiation Effects 0.000 claims description 49
- 238000010586 diagram Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 10
- 238000007621 cluster analysis Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 13
- 238000003860 storage Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 5
- 238000012098 association analyses Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 239000012535 impurity Substances 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 230000003647 oxidation Effects 0.000 description 4
- 238000007254 oxidation reaction Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000020477 pH reduction Effects 0.000 description 2
- 238000011536 re-plating Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明公开了一种基于数据分析的复合铜散热底板加工检测方法及系统，通过将复合铜初始图像的颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；将复合铜初始图像进行纹理缺陷识别分析，得到多个缺陷图像区域；获取复合铜散热底板热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；基于缺陷图像区域、融合颜色区域、散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷‑散热关联值；基于综合缺陷‑散热关联值生成加工修复方案。通过本发明能够精准地分析复合铜材料表面的颜色与纹理缺陷对散热的影响情况，从而生成目标复合铜散热底板的加工修复方案。
Description
技术领域
本发明涉及数据分析领域，更具体的，涉及一种基于数据分析的复合铜散热底板加工检测方法及系统。
背景技术
复合铜散热底板是一种通过多工序生产得到的加工材料，在各种散热器的应用非常广泛，其生产效率、良品率、散热性能是加工生产该产品的重要指标。
受制于现有技术，在复合铜散热底板的加工监测中，往往难以发现复合铜加工后的缺陷与缺陷对散热的影响，这严重降低了复合铜散热底板的生产良品率。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于数据分析的复合铜散热底板加工检测方法及系统。
本发明第一方面提供了一种基于数据分析的复合铜散热底板加工检测方法，包括：
获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像；
将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到颜色特征数据；
基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域；
将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；
基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；
基于所述综合缺陷-散热关联值生成加工修复方案。
本方案中，所述获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像，具体为：
获取目标复合铜散热底板多角度图像数据；
将所述多角度图像数据进行数据整合形成复合铜初始图像。
本方案中，所述将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到复合铜色彩特征数据，具体为：
将所述复合铜初始图像进行去噪、变换、平滑、增强预处理，得到复合铜处理图像数据；
基于所述复合铜处理图像数据，获取图像中的整体图像区域；
将整体图像区域进行网格区域划分，得到N个小区域；
基于所述N个小区域进行颜色特征提取，得到N个颜色特征数据。
本方案中，所述基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
根据整体图像区域的中心点，计算N个小区域的相对位置参数，得到N个相对位置参数；
根据预设聚类算法构建聚类模型；
将N个颜色特征数据与N个相对位置参数导入聚类模型，基于区域连续性进行聚类分析，得到M个融合颜色区域。
本方案中，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，之前包括：
构建基于卷积神经网络的图像识别模型；
获取历史纹理缺陷图像数据；
将所述历史纹理缺陷图像数据根据预设比例划分为训练数据集与测试数据集；
将所述训练数据集与测试数据集导入图像识别模型进行训练，直至所述图像识别模型通过所有测试数据集。
本方案中，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，具体为：
将所述复合铜初始图像进行去噪、灰度化处理，得到灰度化图像数据；
将所述灰度化图像数据导入图像识别模型进行纹理缺陷识别，得到多个缺陷位置信息与对应多个缺陷类别信息；
基于所述多个缺陷位置信息形成多个初始纹理缺陷区域；
对多个初始纹理缺陷区域进行图像特征提取并得到多个特征向量数据；
计算出多个初始纹理缺陷区域中，每两个区域的平面空间距离，并得到区域间距离数据；
将初始纹理缺陷区域、区域间距离数据、特征向量数据导入聚类模型，基于初始纹理缺陷区域中的空间距离与特征向量数据的相似度进行区域聚类，形成K个缺陷图像区域与K个融合缺陷类别信息。
本方案中，所述将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数，具体为：
将目标复合铜散热底板进行散热测试与实时热成像监测，得到多个时间段内的第一热成像图与温度变化信息；
基于温度变化信息，分析出其中温度恒定的时间段，在所述时间段内选取最大持续时间的时间段作为最大温度恒定时间段；
基于最大温度恒定时间段，从多个时间段内的第一热成像图进行图像截取，得到最佳热成像图；
基于预设区域温度差值，从最佳热成像图进行区域划分，得到多个散热区域；
基于最佳热成像图，计算每个散热区域的散热能力，得到对应散热能力指数。
本方案中，所述基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值，具体为：
将散热能力指数低于预设指数阈值的散热区域标记为第二散热区域；
选定一个第二散热区域作为当前分析散热区域；
将当前分析散热区域与K个缺陷图像区域进行图像重合计算分析，得到缺陷图像区域占比、缺陷图像区域包含个数；
将当前分析散热区域与M个融合颜色区域进行图像重合计算分析，得到融合颜色区域占比、融合颜色区域包含个数；
基于缺陷图像区域占比、缺陷图像区域包含个数、融合颜色区域占比、融合颜色区域包含个数计算出综合缺陷-散热关联值；
对所有第二散热区域进行关联计算分析，得到所有第二散热区域对应的综合缺陷-散热关联值。
本方案中，所述基于所述综合缺陷-散热关联值生成加工修复方案，具体为：
基于每个第二散热区域的综合缺陷-散热关联值与散热能力指数，生成目标复合铜散热底板的多个加工修复工序；
将多个加工修复工序进行整合形成加工修复方案。
本发明第二方面还提供了一种基于数据分析的复合铜散热底板加工检测系统，该系统包括：存储器、处理器，所述存储器中包括基于数据分析的复合铜散热底板加工检测程序，所述基于数据分析的复合铜散热底板加工检测程序被所述处理器执行时实现如下步骤：
获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像；
将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到颜色特征数据；
基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域；
将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；
基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；
基于所述综合缺陷-散热关联值生成加工修复方案。
本发明公开了一种基于数据分析的复合铜散热底板加工检测方法及系统，通过将复合铜初始图像的颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；将复合铜初始图像进行纹理缺陷识别分析，得到多个缺陷图像区域；获取复合铜散热底板热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；基于缺陷图像区域、融合颜色区域、散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；基于综合缺陷-散热关联值生成加工修复方案。通过本发明能够精准地分析复合铜材料表面的颜色与纹理缺陷对散热的影响情况，从而生成目标复合铜散热底板的加工修复方案。
附图说明
图1示出了本发明一种基于数据分析的复合铜散热底板加工检测方法的流程图；
图2示出了本发明复合铜初始图像获取流程图；
图3示出了本发明颜色特征数据获取流程图；
图4示出了本发明一种基于数据分析的复合铜散热底板加工检测系统的框图。
具体实施方式
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，本申请的实施例及实施例中的特征可以相互组合。
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。
图1示出了本发明一种基于数据分析的复合铜散热底板加工检测方法的流程图。
如图1所示，本发明第一方面提供了一种基于数据分析的复合铜散热底板加工检测方法，包括：
S102，获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像；
S104，将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到颜色特征数据；
S106，基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
S108，基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域；
S110，将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；
S112，基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；
S114，基于所述综合缺陷-散热关联值生成加工修复方案。
图2示出了本发明复合铜初始图像获取流程图。
根据本发明实施例，所述获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像，具体为：
S202，获取目标复合铜散热底板多角度图像数据；
S204，将所述多角度图像数据进行数据整合形成复合铜初始图像。
需要说明的是，所述多角度主要包括散热底板的正面与反面、即表面积最大的两个面、根据加工工件的形状特点、也可以对复合铜散热底板的侧面进行图像获取。
图3示出了本发明颜色特征数据获取流程图。
根据本发明实施例，所述将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到复合铜色彩特征数据，具体为：
S302，将所述复合铜初始图像进行去噪、变换、平滑、增强预处理，得到复合铜处理图像数据；
S304，基于所述复合铜处理图像数据，获取图像中的整体图像区域；
S306，将整体图像区域进行网格区域划分，得到N个小区域；
S308，基于所述N个小区域进行颜色特征提取，得到N个颜色特征数据。
根据本发明实施例，所述基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
根据整体图像区域的中心点，计算N个小区域的相对位置参数，得到N个相对位置参数；
根据预设聚类算法构建聚类模型；
将N个颜色特征数据与N个相对位置参数导入聚类模型，基于区域连续性进行聚类分析，得到M个融合颜色区域。
需要说明的是，所述预设聚类算法包括K-means、Fuzzy C-means、Hierarchical、高斯混合模型聚类算法（GMM）等一种或多种算法。一个融合颜色区域中包括多个小区域。在复合铜材料中，受保存环境、人为因素、加工工艺等影响、复合铜可能会出现氧化、锈蚀、金属镀膜不均匀等情况，进而其表面颜色会出现相应变化，从而影响后续的散热性能，本发明通过颜色特征分析，对多个复合铜区域进行颜色区域聚类，得到多个融合颜色区域，通过融合颜色区域，能够更加精准分析出复合铜材料表面的颜色变化情况与不同的颜色区域，为后续散热性能分析与复合铜修复提供数据支持。另外，相较于传统技术依靠人工经验分辨颜色差异，本发明通过聚类颜色区域，能够大大提高分析复合铜的不同区域的颜色特征差异性，从而提高后续散热性能关联分析的准确率。
所述基于区域连续性进行聚类分析中，具体为通过N个相对位置参数，对N个小区域进行区域连续性进行聚类，聚类依据为颜色特征数据，聚类后得到的融合颜色区域为连续区域。
根据本发明实施例，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，之前包括：
构建基于卷积神经网络的图像识别模型；
获取历史纹理缺陷图像数据；
将所述历史纹理缺陷图像数据根据预设比例划分为训练数据集与测试数据集；
将所述训练数据集与测试数据集导入图像识别模型进行训练，直至所述图像识别模型通过所有测试数据集。
需要说明的是，所述预设比例一般为3:1。所述历史纹理缺陷图像数据包括纹理缺陷类别信息，所述缺陷类别信息包括白边、条纹、凹凸、孔洞、划痕、杂质点等。
根据本发明实施例，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，具体为：
将所述复合铜初始图像进行去噪、灰度化处理，得到灰度化图像数据；
将所述灰度化图像数据导入图像识别模型进行纹理缺陷识别，得到多个缺陷位置信息与对应多个缺陷类别信息；
基于所述多个缺陷位置信息形成多个初始纹理缺陷区域；
对多个初始纹理缺陷区域进行图像特征提取并得到多个特征向量数据；
计算出多个初始纹理缺陷区域中，每两个区域的平面空间距离，并得到区域间距离数据；
将初始纹理缺陷区域、区域间距离数据、特征向量数据导入聚类模型，基于初始纹理缺陷区域中的空间距离与特征向量数据的相似度进行区域聚类，形成K个缺陷图像区域与K个融合缺陷类别信息。
需要说明的是，在进行纹理缺陷识别时，由于加工工艺与复合铜材料优劣的差异，有可能存在较多缺陷区域的情况，如较多的杂质点缺陷，若不加处理进行后续散热分析与修复分析，其计算量与分析数据量则会过大，导致分析时间较长，且数据离散度高，对缺陷的精准分析度变低。因此，本发明通过对缺陷区域进行有效精准聚类，形成K个缺陷图像区域与K个融合缺陷类别信息，能够对纹理缺陷区域进行合理的区域聚类分析，大大减少不必要的离散数据分析过程，有助于后续进行修复方案的精确分析。所述一个缺陷图像区域至少包括一个初始纹理缺陷区域，在进行区域聚类时，同时将聚类组成的多个初始纹理缺陷区域对应的多个缺陷类别信息进行融合，得到融合缺陷类别信息。
所述特征向量数据的相似度具体为通过标准化欧氏距离计算特征向量数据间的相似度。
根据本发明实施例，所述将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数，具体为：
将目标复合铜散热底板进行散热测试与实时热成像监测，得到多个时间段内的第一热成像图与温度变化信息；
基于温度变化信息，分析出其中温度恒定的时间段，在所述时间段内选取最大持续时间的时间段作为最大温度恒定时间段；
基于最大温度恒定时间段，从多个时间段内的第一热成像图进行图像截取，得到最佳热成像图；
基于预设区域温度差值，从最佳热成像图进行区域划分，得到多个散热区域；
基于最佳热成像图，计算每个散热区域的散热能力，得到对应散热能力指数。
需要说明的是，所述散热能力指数具体通过区域平均温度进行计算得到，所述区域平均温度越大，散热能力指数越低，散热性能越差。所述预设区域温度差值一般为1℃~5℃。
所述多个时间段内的第一热成像图与温度变化信息中，最大温度恒定时间段与所述多个时间段具有一定的重叠时间段，基于重叠时间段，可从第一热成像图内截取对应热成像图。
根据本发明实施例，所述基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值，具体为：
将散热能力指数低于预设指数阈值的散热区域标记为第二散热区域；
选定一个第二散热区域作为当前分析散热区域；
将当前分析散热区域与K个缺陷图像区域进行图像重合计算分析，得到缺陷图像区域占比、缺陷图像区域包含个数；
将当前分析散热区域与M个融合颜色区域进行图像重合计算分析，得到融合颜色区域占比、融合颜色区域包含个数；
基于缺陷图像区域占比、缺陷图像区域包含个数、融合颜色区域占比、融合颜色区域包含个数计算出综合缺陷-散热关联值；
对所有第二散热区域进行关联计算分析，得到所有第二散热区域对应的综合缺陷-散热关联值。
需要说明的是，所述缺陷图像区域占比具体为当前分析散热区域与K个缺陷图像区域的交叉重合面积与当前分析散热区域的面积之间的占比。所述缺陷图像区域包含个数为当前分析散热区域覆盖缺陷图像区域的个数。
所述融合颜色区域占比具体为当前分析散热区域与M个融合颜色区域的交叉重合面积与当前分析散热区域的面积之间的占比。所述融合颜色区域包含个数为当前分析散热区域覆盖融合颜色区域的个数。
根据本发明实施例，基于所述综合缺陷-散热关联值生成加工修复方案，具体为：
基于每个第二散热区域的综合缺陷-散热关联值与散热能力指数，生成目标复合铜散热底板的多个加工修复工序；
将多个加工修复工序进行整合形成加工修复方案。
需要说明的是，所述综合缺陷-散热关联值越大，代表其存在的颜色缺陷与纹理缺陷对散热的影响越严重，对应的加工修复工序也越多，修复成本也越高。
根据本发明实施例，所述加工修复方案，还包括：
选定一个第二散热区域作为当前分析散热区域；
基于当前分析散热区域的缺陷图像区域占比、缺陷图像区域包含个数计算出纹理缺陷关联率；
基于当前分析散热区域的融合颜色区域占比、融合颜色区域包含个数计算出颜色缺陷关联率；
判断纹理缺陷关联率是否大于第一预设关联率，若大于，则基于纹理缺陷关联率与当前分析散热区域的散热能力指数生成纹理缺陷修复工序；
判断颜色缺陷关联率是否大于第二预设关联率，若大于，则基于颜色缺陷关联率与当前分析散热区域的散热能力指数生成颜色缺陷修复工序；
根据颜色缺陷修复工序与纹理缺陷修复工序形成加工修复方案。
需要说明的是，所述修复工序包括复合铜酸化处理、氧化区域处理、纹理缺陷修复、重镀金属膜、化学喷涂修复等工序。
其中，纹理缺陷关联率具体计算公式为：
;
式中，为缺陷图像区域占比、/>为缺陷图像区域包含个数、/>为当前分析散热区域的面积、/>为纹理缺陷关联率。
其中，颜色缺陷关联率具体计算公式为：
;
式中，为融合颜色区域占比、/>为融合颜色区域包含个数、/>为当前分析散热区域的面积、/>为颜色缺陷关联率。
其中，综合缺陷-散热关联值具体计算公式为：
;
其中，为纹理缺陷关联修正系数，/>为颜色缺陷关联修正系数。/>为综合缺陷-散热关联值。
需要说明的是，纹理缺陷关联率与颜色缺陷关联率为反映目标复合铜散热底板某一区域纹理与颜色缺陷对散热的影响关联度，关联度越大，则对应影响程度越大，所需加工修复工序则越多。
根据本发明实施例，所述加工修复方案，还包括：
计算出目标复合铜散热底板中所有第二散热区域中的纹理缺陷关联率与颜色缺陷关联率的平均值，并分别得到纹理缺陷平均关联率与颜色缺陷平均关联率；
若所述纹理缺陷平均关联率与颜色缺陷平均关联率均大于预设平均关联率，则获取目标复合铜散热底板的M个融合颜色区域、K个缺陷图像区域、K个融合缺陷类别信息；
获取目标复合铜散热底板的原始加工工序信息；
基于所述M个融合颜色区域、K个缺陷图像区域、K个融合缺陷类别信息与原始加工工序信息，对原始加工工序进行基于纹理与颜色的加工缺陷分析，并得到加工缺陷信息；
将所述加工缺陷信息发送至预设终端设备。
需要说明的是，所述原始加工工序信息为目标复合铜散热底板的第一次加工完成的工序，其中包括对目标复合铜散热底板的加工流程、加工时间、加工区域等信息。本发明通过分析目标复合铜散热底板中各个缺陷区域与原始加工工序信息的关联关系，进而精准分析出存在加工缺陷的工序，能够对加工流程进行及时更正，提高加工物件的良品率。
图4示出了本发明一种基于数据分析的复合铜散热底板加工检测系统的框图。
本发明第二方面还提供了一种基于数据分析的复合铜散热底板加工检测系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于数据分析的复合铜散热底板加工检测程序，所述基于数据分析的复合铜散热底板加工检测程序被所述处理器执行时实现如下步骤：
获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像；
将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到颜色特征数据；
基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域；
将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；
基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；
基于所述综合缺陷-散热关联值生成加工修复方案。
根据本发明实施例，所述获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像，具体为：
获取目标复合铜散热底板多角度图像数据；
将所述多角度图像数据进行数据整合形成复合铜初始图像。
需要说明的是，所述多角度主要包括散热底板的正面与反面、即表面积最大的两个面、根据加工工件的形状特点、也可以对复合铜散热底板的侧面进行图像获取。
根据本发明实施例，所述将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到复合铜色彩特征数据，具体为：
将所述复合铜初始图像进行去噪、变换、平滑、增强预处理，得到复合铜处理图像数据；
基于所述复合铜处理图像数据，获取图像中的整体图像区域；
将整体图像区域进行网格区域划分，得到N个小区域；
基于所述N个小区域进行颜色特征提取，得到N个颜色特征数据。
根据本发明实施例，所述基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
根据整体图像区域的中心点，计算N个小区域的相对位置参数，得到N个相对位置参数；
根据预设聚类算法构建聚类模型；
将N个颜色特征数据与N个相对位置参数导入聚类模型，基于区域连续性进行聚类分析，得到M个融合颜色区域。
需要说明的是，所述预设聚类算法包括K-means、Fuzzy C-means、Hierarchical、高斯混合模型聚类算法（GMM）等一种或多种算法。一个融合颜色区域中包括多个小区域。在复合铜材料中，受保存环境、人为因素、加工工艺等影响、复合铜可能会出现氧化、锈蚀、金属镀膜不均匀等情况，进而其表面颜色会出现相应变化，从而影响后续的散热性能，本发明通过颜色特征分析，对多个复合铜区域进行颜色区域聚类，得到多个融合颜色区域，通过融合颜色区域，能够更加精准分析出复合铜材料表面的颜色变化情况与不同的颜色区域，为后续散热性能分析与复合铜修复提供数据支持。另外，相较于传统技术依靠人工经验分辨颜色差异，本发明通过聚类颜色区域，能够大大提高分析复合铜的不同区域的颜色特征差异性，从而提高后续散热性能关联分析的准确率。
所述基于区域连续性进行聚类分析中，具体为通过N个相对位置参数，对N个小区域进行区域连续性进行聚类，聚类依据为颜色特征数据，聚类后得到的融合颜色区域为连续区域。
根据本发明实施例，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，之前包括：
构建基于卷积神经网络的图像识别模型；
获取历史纹理缺陷图像数据；
将所述历史纹理缺陷图像数据根据预设比例划分为训练数据集与测试数据集；
将所述训练数据集与测试数据集导入图像识别模型进行训练，直至所述图像识别模型通过所有测试数据集。
需要说明的是，所述预设比例一般为3:1。所述历史纹理缺陷图像数据包括纹理缺陷类别信息，所述缺陷类别信息包括白边、条纹、凹凸、孔洞、划痕、杂质点等。
根据本发明实施例，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，具体为：
将所述复合铜初始图像进行去噪、灰度化处理，得到灰度化图像数据；
将所述灰度化图像数据导入图像识别模型进行纹理缺陷识别，得到多个缺陷位置信息与对应多个缺陷类别信息；
基于所述多个缺陷位置信息形成多个初始纹理缺陷区域；
对多个初始纹理缺陷区域进行图像特征提取并得到多个特征向量数据；
计算出多个初始纹理缺陷区域中，每两个区域的平面空间距离，并得到区域间距离数据；
将初始纹理缺陷区域、区域间距离数据、特征向量数据导入聚类模型，基于初始纹理缺陷区域中的空间距离与特征向量数据的相似度进行区域聚类，形成K个缺陷图像区域与K个融合缺陷类别信息。
需要说明的是，在进行纹理缺陷识别时，由于加工工艺与复合铜材料优劣的差异，有可能存在较多缺陷区域的情况，如较多的杂质点缺陷，若不加处理进行后续散热分析与修复分析，其计算量与分析数据量则会过大，导致分析时间较长，且数据离散度高，对缺陷的精准分析度变低。因此，本发明通过对缺陷区域进行有效精准聚类，形成K个缺陷图像区域与K个融合缺陷类别信息，能够对纹理缺陷区域进行合理的区域聚类分析，大大减少不必要的离散数据分析过程，有助于后续进行修复方案的精确分析。所述一个缺陷图像区域至少包括一个初始纹理缺陷区域，在进行区域聚类时，同时将聚类组成的多个初始纹理缺陷区域对应的多个缺陷类别信息进行融合，得到融合缺陷类别信息。
所述特征向量数据的相似度具体为通过标准化欧氏距离计算特征向量数据间的相似度。
根据本发明实施例，所述将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数，具体为：
将目标复合铜散热底板进行散热测试与实时热成像监测，得到多个时间段内的第一热成像图与温度变化信息；
基于温度变化信息，分析出其中温度恒定的时间段，在所述时间段内选取最大持续时间的时间段作为最大温度恒定时间段；
基于最大温度恒定时间段，从多个时间段内的第一热成像图进行图像截取，得到最佳热成像图；
基于预设区域温度差值，从最佳热成像图进行区域划分，得到多个散热区域；
基于最佳热成像图，计算每个散热区域的散热能力，得到对应散热能力指数。
需要说明的是，所述散热能力指数具体通过区域平均温度进行计算得到，所述区域平均温度越大，散热能力指数越低，散热性能越差。所述预设区域温度差值一般为1℃~5℃。
所述多个时间段内的第一热成像图与温度变化信息中，最大温度恒定时间段与所述多个时间段具有一定的重叠时间段，基于重叠时间段，可从第一热成像图内截取对应热成像图。
根据本发明实施例，所述基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值，具体为：
将散热能力指数低于预设指数阈值的散热区域标记为第二散热区域；
选定一个第二散热区域作为当前分析散热区域；
将当前分析散热区域与K个缺陷图像区域进行图像重合计算分析，得到缺陷图像区域占比、缺陷图像区域包含个数；
将当前分析散热区域与M个融合颜色区域进行图像重合计算分析，得到融合颜色区域占比、融合颜色区域包含个数；
基于缺陷图像区域占比、缺陷图像区域包含个数、融合颜色区域占比、融合颜色区域包含个数计算出综合缺陷-散热关联值；
对所有第二散热区域进行关联计算分析，得到所有第二散热区域对应的综合缺陷-散热关联值。
需要说明的是，所述缺陷图像区域占比具体为当前分析散热区域与K个缺陷图像区域的交叉重合面积与当前分析散热区域的面积之间的占比。所述缺陷图像区域包含个数为当前分析散热区域覆盖缺陷图像区域的个数。
所述融合颜色区域占比具体为当前分析散热区域与M个融合颜色区域的交叉重合面积与当前分析散热区域的面积之间的占比。所述融合颜色区域包含个数为当前分析散热区域覆盖融合颜色区域的个数。
根据本发明实施例，基于所述综合缺陷-散热关联值生成加工修复方案，具体为：
基于每个第二散热区域的综合缺陷-散热关联值与散热能力指数，生成目标复合铜散热底板的多个加工修复工序；
将多个加工修复工序进行整合形成加工修复方案。
需要说明的是，所述综合缺陷-散热关联值越大，代表其存在的颜色缺陷与纹理缺陷对散热的影响越严重，对应的加工修复工序也越多，修复成本也越高。
根据本发明实施例，所述加工修复方案，还包括：
选定一个第二散热区域作为当前分析散热区域；
基于当前分析散热区域的缺陷图像区域占比、缺陷图像区域包含个数计算出纹理缺陷关联率；
基于当前分析散热区域的融合颜色区域占比、融合颜色区域包含个数计算出颜色缺陷关联率；
判断纹理缺陷关联率是否大于第一预设关联率，若大于，则基于纹理缺陷关联率与当前分析散热区域的散热能力指数生成纹理缺陷修复工序；
判断颜色缺陷关联率是否大于第二预设关联率，若大于，则基于颜色缺陷关联率与当前分析散热区域的散热能力指数生成颜色缺陷修复工序；
根据颜色缺陷修复工序与纹理缺陷修复工序形成加工修复方案。
需要说明的是，所述修复工序包括复合铜酸化处理、氧化区域处理、纹理缺陷修复、重镀金属膜、化学喷涂修复等工序。
其中，纹理缺陷关联率具体计算公式为：
;
式中，为缺陷图像区域占比、/>为缺陷图像区域包含个数、/>为当前分析散热区域的面积、/>为纹理缺陷关联率。
;
式中，为融合颜色区域占比、/>为融合颜色区域包含个数、/>为当前分析散热区域的面积、/>为颜色缺陷关联率。
其中，综合缺陷-散热关联值具体计算公式为：
;
其中，为纹理缺陷关联修正系数，/>为颜色缺陷关联修正系数。/>为综合缺陷-散热关联值。
需要说明的是，纹理缺陷关联率与颜色缺陷关联率为反映目标复合铜散热底板某一区域纹理与颜色缺陷对散热的影响关联度，关联度越大，则对应影响程度越大，所需加工修复工序则越多。
根据本发明实施例，所述加工修复方案，还包括：
计算出目标复合铜散热底板中所有第二散热区域中的纹理缺陷关联率与颜色缺陷关联率的平均值，并分别得到纹理缺陷平均关联率与颜色缺陷平均关联率；
若所述纹理缺陷平均关联率与颜色缺陷平均关联率均大于预设平均关联率，则获取目标复合铜散热底板的M个融合颜色区域、K个缺陷图像区域、K个融合缺陷类别信息；
获取目标复合铜散热底板的原始加工工序信息；
基于所述M个融合颜色区域、K个缺陷图像区域、K个融合缺陷类别信息与原始加工工序信息，对原始加工工序进行基于纹理与颜色的加工缺陷分析，并得到加工缺陷信息；
将所述加工缺陷信息发送至预设终端设备。
需要说明的是，所述原始加工工序信息为目标复合铜散热底板的第一次加工完成的工序，其中包括对目标复合铜散热底板的加工流程、加工时间、加工区域等信息。本发明通过分析目标复合铜散热底板中各个缺陷区域与原始加工工序信息的关联关系，进而精准分析出存在加工缺陷的工序，能够对加工流程进行及时更正，提高加工物件的良品率。
本发明公开了一种基于数据分析的复合铜散热底板加工检测方法及系统，通过将复合铜初始图像的颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；将复合铜初始图像进行纹理缺陷识别分析，得到多个缺陷图像区域；获取复合铜散热底板热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；基于缺陷图像区域、融合颜色区域、散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；基于综合缺陷-散热关联值生成加工修复方案。通过本发明能够精准地分析复合铜材料表面的颜色与纹理缺陷对散热的影响情况，从而生成目标复合铜散热底板的加工修复方案。
在本申请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。
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。
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。
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。
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。
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。
Claims (8)
1.一种基于数据分析的复合铜散热底板加工检测方法，其特征在于，包括：
获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像；
将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到颜色特征数据；
基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域；
将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；
基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；
基于所述综合缺陷-散热关联值生成加工修复方案；
其中，所述将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数，具体为：
将目标复合铜散热底板进行散热测试与实时热成像监测，得到多个时间段内的第一热成像图与温度变化信息；
基于温度变化信息，分析出其中温度恒定的时间段，在所述时间段内选取最大持续时间的时间段作为最大温度恒定时间段；
基于最大温度恒定时间段，从多个时间段内的第一热成像图进行图像截取，得到最佳热成像图；
基于预设区域温度差值，对最佳热成像图进行区域划分，得到多个散热区域；
基于最佳热成像图，计算每个散热区域的散热能力，得到对应散热能力指数；
其中，所述基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值，具体为：
将散热能力指数低于预设指数阈值的散热区域标记为第二散热区域；
选定一个第二散热区域作为当前分析散热区域；
将当前分析散热区域与K个缺陷图像区域进行图像重合计算分析，得到缺陷图像区域占比、缺陷图像区域包含个数；
将当前分析散热区域与M个融合颜色区域进行图像重合计算分析，得到融合颜色区域占比、融合颜色区域包含个数；
基于缺陷图像区域占比、缺陷图像区域包含个数、融合颜色区域占比、融合颜色区域包含个数计算出综合缺陷-散热关联值；
对所有第二散热区域进行关联计算分析，得到所有第二散热区域对应的综合缺陷-散热关联值。
2.根据权利要求1所述的一种基于数据分析的复合铜散热底板加工检测方法，其特征在于，所述获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像，具体为：
获取目标复合铜散热底板多角度图像数据；
将所述多角度图像数据进行数据整合形成复合铜初始图像。
3.根据权利要求1所述的一种基于数据分析的复合铜散热底板加工检测方法，其特征在于，所述将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到复合铜色彩特征数据，具体为：
将所述复合铜初始图像进行去噪、变换、平滑、增强预处理，得到复合铜处理图像数据；
基于所述复合铜处理图像数据，获取图像中的整体图像区域；
将整体图像区域进行网格区域划分，得到N个小区域；
基于所述N个小区域进行颜色特征提取，得到N个颜色特征数据。
4.根据权利要求3所述的一种基于数据分析的复合铜散热底板加工检测方法，其特征在于，所述基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域，具体为：
根据整体图像区域的中心点，计算N个小区域的相对位置参数，得到N个相对位置参数；
根据预设聚类算法构建聚类模型；
将N个颜色特征数据与N个相对位置参数导入聚类模型，基于区域连续性进行聚类分析，得到M个融合颜色区域。
5.根据权利要求1所述的一种基于数据分析的复合铜散热底板加工检测方法，其特征在于，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，之前包括：
构建基于卷积神经网络的图像识别模型；
获取历史纹理缺陷图像数据；
将所述历史纹理缺陷图像数据根据预设比例划分为训练数据集与测试数据集；
将所述训练数据集与测试数据集导入图像识别模型进行训练，直至所述图像识别模型通过所有测试数据集。
6.根据权利要求5所述的一种基于数据分析的复合铜散热底板加工检测方法，其特征在于，所述基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域，具体为：
将所述复合铜初始图像进行去噪、灰度化处理，得到灰度化图像数据；
将所述灰度化图像数据导入图像识别模型进行纹理缺陷识别，得到多个缺陷位置信息与对应多个缺陷类别信息；
基于所述多个缺陷位置信息形成多个初始纹理缺陷区域；
对多个初始纹理缺陷区域进行图像特征提取并得到多个特征向量数据；
计算出多个初始纹理缺陷区域中，每两个区域的平面空间距离，并得到区域间距离数据；
将初始纹理缺陷区域、区域间距离数据、特征向量数据导入聚类模型，基于初始纹理缺陷区域中的空间距离与特征向量数据的相似度进行区域聚类，形成K个缺陷图像区域与K个融合缺陷类别信息。
7.根据权利要求1所述的一种基于数据分析的复合铜散热底板加工检测方法，其特征在于，所述基于所述综合缺陷-散热关联值生成加工修复方案，具体为：
基于每个第二散热区域的综合缺陷-散热关联值与散热能力指数，生成目标复合铜散热底板的多个加工修复工序；
将多个加工修复工序进行整合形成加工修复方案。
8.一种基于数据分析的复合铜散热底板加工检测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于数据分析的复合铜散热底板加工检测程序，所述基于数据分析的复合铜散热底板加工检测程序被所述处理器执行时实现如下步骤：
获取目标复合铜散热底板的原始图像数据，得到复合铜初始图像；
将所述复合铜初始图像进行图像预处理与图像色彩特征提取，得到颜色特征数据；
基于预设聚类算法，将颜色特征数据进行聚类分析，并根据聚类结果将复合铜初始图像划分为多个融合颜色区域；
基于图像识别模型，将复合铜初始图像进行图像灰度处理与纹理缺陷识别分析，得到多个缺陷图像区域；
将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数；
基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值；
基于所述综合缺陷-散热关联值生成加工修复方案；
其中，所述将目标复合铜散热底板进行散热测试并获取对应的热成像图，将热成像图进行区域性散热能力分析与划分，得到多个散热区域与对应多个散热能力指数，具体为：
将目标复合铜散热底板进行散热测试与实时热成像监测，得到多个时间段内的第一热成像图与温度变化信息；
基于温度变化信息，分析出其中温度恒定的时间段，在所述时间段内选取最大持续时间的时间段作为最大温度恒定时间段；
基于最大温度恒定时间段，从多个时间段内的第一热成像图进行图像截取，得到最佳热成像图；
基于预设区域温度差值，对最佳热成像图进行区域划分，得到多个散热区域；
基于最佳热成像图，计算每个散热区域的散热能力，得到对应散热能力指数；
其中，所述基于多个缺陷图像区域、多个融合颜色区域、多个散热区域进行区域重合关联度分析，得到每个散热区域对应的综合缺陷-散热关联值，具体为：
将散热能力指数低于预设指数阈值的散热区域标记为第二散热区域；
选定一个第二散热区域作为当前分析散热区域；
将当前分析散热区域与K个缺陷图像区域进行图像重合计算分析，得到缺陷图像区域占比、缺陷图像区域包含个数；
将当前分析散热区域与M个融合颜色区域进行图像重合计算分析，得到融合颜色区域占比、融合颜色区域包含个数；
基于缺陷图像区域占比、缺陷图像区域包含个数、融合颜色区域占比、融合颜色区域包含个数计算出综合缺陷-散热关联值；
对所有第二散热区域进行关联计算分析，得到所有第二散热区域对应的综合缺陷-散热关联值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310826567.3A CN116563280B (zh) | 2023-07-07 | 2023-07-07 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310826567.3A CN116563280B (zh) | 2023-07-07 | 2023-07-07 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116563280A CN116563280A (zh) | 2023-08-08 |
| CN116563280B true CN116563280B (zh) | 2023-09-12 |
Family
ID=87495017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310826567.3A Active CN116563280B (zh) | 2023-07-07 | 2023-07-07 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563280B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116776647B (zh) * | 2023-08-21 | 2024-01-16 | 深圳市鑫冠亚科技有限公司 | 一种复合镍铜铝散热底板的性能预测方法及系统 |
| CN116787022B (zh) * | 2023-08-29 | 2023-10-24 | 深圳市鑫典金光电科技有限公司 | 基于多源数据的散热铜底板焊接质量检测方法及系统 |
| CN116930196B (zh) * | 2023-09-18 | 2023-12-22 | 山东卓越精工集团有限公司 | 一种基于机器视觉的铝型材生产缺陷分析处理方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014015322A1 (de) * | 2014-10-17 | 2016-04-21 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zur Detektion von Fehlstellen in Rotorblättern |
| CN105682414A (zh) * | 2014-11-20 | 2016-06-15 | 联想(北京)有限公司 | 一种散热装置、散热方法及电子设备 |
| WO2020248345A1 (zh) * | 2019-06-14 | 2020-12-17 | 浙江大学 | 一种基于分治思想的疵病宽度实时溯源方法 |
| CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
| CN114119489A (zh) * | 2021-10-29 | 2022-03-01 | 北京宇航系统工程研究所 | 一种电连接器多余物及缩针倒针缺陷自动化检测方法 |
| CN114943736A (zh) * | 2022-07-21 | 2022-08-26 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及系统 |
| CN114993480A (zh) * | 2022-05-27 | 2022-09-02 | 东方电气集团东方电机有限公司 | 红外温度检测方法、装置、终端设备以及存储介质 |
| CN115015270A (zh) * | 2022-05-25 | 2022-09-06 | 中国民航大学 | 基于热风红外的航空发动机部件近表面缺陷在翼检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2375243B1 (de) * | 2010-04-08 | 2023-06-07 | Institut Dr. Foerster Gmbh & Co. Kg | Thermografisches Prüfverfahren und Prüfvorrichtung zur Durchführung des Prüfverfahrens |
-
2023
- 2023-07-07 CN CN202310826567.3A patent/CN116563280B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102014015322A1 (de) * | 2014-10-17 | 2016-04-21 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zur Detektion von Fehlstellen in Rotorblättern |
| CN105682414A (zh) * | 2014-11-20 | 2016-06-15 | 联想(北京)有限公司 | 一种散热装置、散热方法及电子设备 |
| WO2020248345A1 (zh) * | 2019-06-14 | 2020-12-17 | 浙江大学 | 一种基于分治思想的疵病宽度实时溯源方法 |
| CN112881467A (zh) * | 2021-03-15 | 2021-06-01 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种大尺寸复合材料损伤成像与定量识别方法 |
| CN114119489A (zh) * | 2021-10-29 | 2022-03-01 | 北京宇航系统工程研究所 | 一种电连接器多余物及缩针倒针缺陷自动化检测方法 |
| CN115015270A (zh) * | 2022-05-25 | 2022-09-06 | 中国民航大学 | 基于热风红外的航空发动机部件近表面缺陷在翼检测方法 |
| CN114993480A (zh) * | 2022-05-27 | 2022-09-02 | 东方电气集团东方电机有限公司 | 红外温度检测方法、装置、终端设备以及存储介质 |
| CN114943736A (zh) * | 2022-07-21 | 2022-08-26 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于超声红外热成像的缺陷检测与定位研究;米浩 等;振动.测试与诊断(01);第106-111页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116563280A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116563280B (zh) | 一种基于数据分析的复合铜散热底板加工检测方法及系统 | |
| WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
| CN115937199B (zh) | 一种用于电力配电柜绝缘层的喷涂质量检测方法 | |
| CN116862913B (zh) | 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统 | |
| CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN113856938B (zh) | 一种石墨烯防腐涂料的喷涂均匀性检测方法及系统 | |
| CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
| CN115330796B (zh) | 一种铜线镀锡缺陷识别方法 | |
| CN115953566B (zh) | 一种用于红外热成像仪的特征分析方法、系统及介质 | |
| CN116500086B (zh) | 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 | |
| CN114594114A (zh) | 一种锂电芯全自动在线无损检测方法 | |
| CN116152242A (zh) | 一种篮球用天然皮革缺陷可视化检测系统 | |
| CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
| CN117152123B (zh) | 一种用于锡膏印刷的检测定位优化方法、系统及存储介质 | |
| CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
| Wu et al. | Experimental analysis of image dehazing algorithms for pelletization process images | |
| CN112597865A (zh) | 热轧带钢边部缺陷智能识别方法 | |
| CN114419034A (zh) | 一种智能穿戴用硅胶材料的自动化检测方法、系统及介质 | |
| CN113591767A (zh) | 图像识别评估值的确定方法及装置、存储介质、电子装置 | |
| CN115656701B (zh) | 一种基于红外图像的电容器发热故障识别方法及装置 | |
| CN114851569B (zh) | 离子交换膜焊接成型的智能控制方法及系统 | |
| CN115937229B (zh) | 一种基于超体素和图割算法的三维自动分割方法及装置 | |
| CN117152447B (zh) | 一种冲切模具智能管理方法及系统 |
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 |