CN117452191A - 基于深度学习实现厚膜电路板的耐高温测试方法及系统 - Google Patents
基于深度学习实现厚膜电路板的耐高温测试方法及系统 Download PDFInfo
- Publication number
- CN117452191A CN117452191A CN202311780243.7A CN202311780243A CN117452191A CN 117452191 A CN117452191 A CN 117452191A CN 202311780243 A CN202311780243 A CN 202311780243A CN 117452191 A CN117452191 A CN 117452191A
- Authority
- CN
- China
- Prior art keywords
- architecture
- information
- image
- deep learning
- circuit board
- 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
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000010998 test method Methods 0.000 title abstract description 11
- 239000000463 material Substances 0.000 claims abstract description 299
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 238000013136 deep learning model Methods 0.000 claims abstract description 66
- 238000010438 heat treatment Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 239000013077 target material Substances 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 25
- 239000002994 raw material Substances 0.000 claims description 24
- 125000000524 functional group Chemical group 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008646 thermal stress Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 239000004035 construction material Substances 0.000 claims description 5
- 230000035882 stress Effects 0.000 claims description 5
- 238000003776 cleavage reaction Methods 0.000 claims description 3
- 238000004299 exfoliation Methods 0.000 claims description 3
- 230000007017 scission Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 43
- 238000003860 storage Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000919 ceramic Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- JRBRVDCKNXZZGH-UHFFFAOYSA-N alumane;copper Chemical compound [AlH3].[Cu] JRBRVDCKNXZZGH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/2851—Testing of integrated circuits [IC]
- G01R31/2855—Environmental, reliability or burn-in testing
- G01R31/2872—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation
- G01R31/2874—Environmental, reliability or burn-in testing related to electrical or environmental aspects, e.g. temperature, humidity, vibration, nuclear radiation related to temperature
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Toxicology (AREA)
- Analytical Chemistry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及集成电路技术领域,揭露了一种基于深度学习实现厚膜电路板的耐高温测试方法及系统,包括:分析架构材料对应的材料信息,确定架构材料对应的材料特征;提取电路板架构中架构器件对应的器件参数,计算架构材料对应的导热系数,设置架构器件对应的升温速率;采集架构器件对应的器件图像,对器件图像进行图像增强处理,得到增强图像,对增强图像中的器件进行纹理特征提取,得到器件纹理特征,对器件纹理特征进行非线性变换,得到线性纹理特征,利用深度学习模型中的输出层计算增强图像中每个器件的热稳定系数;制定厚膜电路板的耐高温测试方案。本发明在于提高厚膜电路板的耐高温测试准确率。
Description
技术领域
本发明涉及集成电路技术领域,尤其涉及一种基于深度学习实现厚膜电路板的耐高温测试方法及系统。
背景技术
厚膜电路板是一种电子元件,主要用于电路连接和信号传输,它是通过在导电陶瓷基底上制作厚膜电路,形成导线、电阻器、电容器等电子元件的结构,厚膜电路板应用在医疗设备、汽车工业以及电子设备等多个领域中,因此对于厚膜电路板的质量要求较为严格,目前厚膜电路板的质量测试项目一般都是测试厚膜电路板的耐高温性能。
现有厚膜电路板的耐高温测试方法是采用热冲击测试法,该方式是通过在高温和低温之间频繁切换来模拟实际使用中的温度变化,如测试过程中,将厚膜电路板放置于高温环境中,然后迅速转移到低温环境中,重复多次并记录测试数据,根据测试数据分析厚膜电路板是否出现损坏或性能下降,但是由于厚膜电路板中每个器件对应的温度适应性不同,且不同器件之间的耐热性能都不一致,从而导致厚膜电路板的耐高温测试准确率下降,因此需要一种能够提高厚膜电路板的耐高温测试准确率的方法。
发明内容
本发明提供一种基于深度学习实现厚膜电路板的耐高温测试方法及系统,其主要目的在于提高厚膜电路板的耐高温测试准确率。
为实现上述目的,本发明提供的一种基于深度学习实现厚膜电路板的耐高温测试方法,包括:
查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征;
提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率;
采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到线性纹理特征,根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数;
根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
可选地,所述根据所述材料信息,确定所述架构材料对应的材料特征,包括:
对所述材料信息进行信息筛选处理,得到目标材料信息,确定所述目标材料信息对应的信息类别;
计算所述目标材料信息中每个信息对应的信息熵值,根据所述信息熵值,确定所述目标材料信息中的关键材料信息;
结合所述信息类别,提取所述关键材料信息中的特征材料信息,根据所述特征材料信息,确定所述架构材料对应的材料特征。
可选地,所述计算所述目标材料信息中每个信息对应的信息熵值,包括:
通过下述公式计算所述目标材料信息中每个信息对应的信息熵值:
其中,表示目标材料信息中每个信息对应的信息熵值,/>表示目标材料信息的信息序列号,/>表示目标材料信息的信息数量,/>表示目标材料信息中第a个信息出现的概率值,/>表示目标材料信息中第a个信息中的线性值b在目标材料信息中出现的概率值。
可选地,所述根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,包括:
根据所述材料特征,确定所述架构器件对应的器件特征属性;
结合所述器件参数和所述器件特征属性,构建所述架构材料对应的材料几何模型;
利用预设的有限元分析法对所述材料几何模型进行加热模拟,并记录所述材料几何模型中每个器件模型在加热模拟中的温度变化数据;
根据所述温度变化数据,计算所述材料几何模型中每个器件模型对应的器件导热系数;
根据所述器件导热系数,计算出所述架构材料对应的导热系数。
可选地,所述根据所述温度变化数据,计算所述材料几何模型中每个器件模型对应的器件导热系数,包括:
通过下述公式计算所述材料几何模型中每个器件模型对应的器件导热系数:
其中,表示材料几何模型中每个器件模型对应的器件导热系数,/>表示材料几何模型中第i个器件模型对应的热扩散率,/>表示材料几何模型中器件模型的序列号,/>表示材料几何模型中第i个器件模型对应的温度值,/>、/>分别表示温度对三个空间坐标轴的二次导数。
可选地,所述利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,包括:
利用所述深度学习模型中的输入层中的滤波器对所述器件图像进行降噪处理,得到降噪器件图像;
利用所述输入层中的目标识别算法识别所述降噪器件图像中的器件主体图像;
利用所述输入层中的背景去除算法对所述器件主体图像进行背景去除处理,得到目标器件图像;
利用所述输入层中的像素均衡算法对所述目标器件图像进行像素均衡处理,得到所述器件图像对应的增强图像。
可选地,所述利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,包括:
获取所述深度学习模型中的卷积层对应的卷积核,提取所述增强图像中的图像像素点;
根据所述图像像素点,对所述卷积核进行参数调整,得到目标卷积核;
利用所述目标卷积核对所述增强图像进行纹理特征提取,得到第一纹理特征;
对所述目标卷积核进行镜像处理,得到镜像卷积核,并利用所述镜像卷积核对所述增强图像进行纹理特征提取,得到第二纹理特征;
对所述第一纹理特征和所述第二纹理特征进行特征合并,得到目标纹理特征,将所述目标纹理特征作为所述增强图像中的器件对应的器件纹理特征。
可选地,所述根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数,包括:
计算所述线性纹理特征对应的纹理复杂度,查询所述增强图像中每个器件的器件原材料;
根据所述纹理复杂度和预设的纹理-热应力系数表,得到所述器件原材料的热应力;
根据所述热应力,通过下述公式计算所述器件原材料对应的膨胀系数:
其中,是器件原材料对应的膨胀系数,/>表示热应力,/>表示器件原材料的弹性模量,ΔT是温度变化;
分配所述器件原材料对应的权重值,根据所述权重值,利用所述输出层中的输出函数对所述膨胀系数进行加权求和,得到目标膨胀系数;
将所述目标膨胀系数作为所述增强图像中每个器件的热稳定系数。
可选地,所述计算所述架构材料对应的材料能量值,包括:
通过下述公式计算所述架构材料对应的材料能量值:
其中,表示架构材料对应的材料能量值,/>表示架构材料中第e个官能团的能量值,e表示架构材料中的官能团序列号,t表示架构材料中的官能团数量,/>表示架构材料中第e个官能团的表面剥离能量,/>表示架构材料中第e个官能团的剥离力,/>表示架构材料中第e个官能团的表面面积,/>表示架构材料中第e个官能团的断裂面积。
一种基于深度学习实现厚膜电路板的耐高温测试系统,所述系统包括:
材料特征分析模块,用于查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征;
升温速率设置模块,用于提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率;
热稳定系数计算模块,用于采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到线性纹理特征,根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数;
测试方案制定模块,用于根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
本发明通过获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,可以通过所述材料信息增加对所述架构材料的了解,进而可以准确的得到所述架构材料对应的材料特征,本发明通过提取所述电路板架构中架构器件对应的器件参数,可以得到所述架构器件对应的信息,通过计算所述架构材料对应的导热系数,进而可以得到所述架构材料的传递热量的能力,以便于后续设置所述架构器件对应的升温速率,进而可以提高所述厚膜电路板耐高温测试时的温度适应性,本发明通过利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,可以提高所述器件图像的图像质量,降低了后续的纹理特征提取的计算量,本发明通过根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,可以使所述架构器件在不同的温度中测试的时间达到最佳,同时对所述架构器件起到保护的作用,提高了所述厚膜电路板的耐高温测试准确性。因此,本发明实施例提供的一种基于深度学习实现厚膜电路板的耐高温测试方法及系统,能够提高厚膜电路板的耐高温测试准确率。
附图说明
图1为本发明一实施例提供的一种基于深度学习实现厚膜电路板的耐高温测试方法的流程示意图;
图2为本发明一实施例提供的一种基于深度学习实现厚膜电路板的耐高温测试系统的功能模块图;
图3为本发明一实施例提供的实现所述一种基于深度学习实现厚膜电路板的耐高温测试方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于深度学习实现厚膜电路板的耐高温测试方法。本申请实施例中,所述一种基于深度学习实现厚膜电路板的耐高温测试方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述一种基于深度学习实现厚膜电路板的耐高温测试方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的一种基于深度学习实现厚膜电路板的耐高温测试方法的流程示意图。在本实施例中,所述一种基于深度学习实现厚膜电路板的耐高温测试方法包括步骤S1—S4。
S1、查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征。
本发明通过获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,可以通过所述材料信息增加对所述架构材料的了解,进而可以准确的得到所述架构材料对应的材料特征,其中,所述厚膜电路板是通过在陶瓷、金属或玻璃基板上通过层压或印刷方法制备的电路板,所述电路板架构是所述厚膜电路板对应的层次结构,如基板、保护层以及导线层等结构,所述架构材料是所述电路板架构对应的基本组成材料,所述材料信息是所述架构材料对应的材料介绍信息,如材料名称和材料属性等等信息,可选地,查询待测试的厚膜电路板对应的电路板架构可以通过人机交互的方式从相应的制造厂商官的网中查询得到,所述架构材料对应的材料信息可以通过分析材料标识得到。
本发明通过根据所述材料信息,确定所述架构材料对应的材料特征,进而可以得到所述架构材料对应的特有属性,如物理属性或者化学属性等,为后续导热系数的计算提供了准确性,其中,所述材料特征是所述架构材料具有表征性的属性。
作为本发明的一个实施例,所述根据所述材料信息,确定所述架构材料对应的材料特征,包括:对所述材料信息进行信息筛选处理,得到目标材料信息,确定所述目标材料信息对应的信息类别,计算所述目标材料信息中每个信息对应的信息熵值,根据所述信息熵值,确定所述目标材料信息中的关键材料信息,结合所述信息类别,提取所述关键材料信息中的特征材料信息,根据所述特征材料信息,确定所述架构材料对应的材料特征。
其中,所述目标材料信息是所述材料信息中的无效信息经过去除后得到的信息,所述信息类别是所述目标材料信息对应的信息所述类型,如物理方面或者化学方面等类别,所述信息熵值表示所述目标材料信息中每个信息对应的出现概率的高低,用于描述所述目标材料信息对应的复杂程度和多样性,所述关键材料信息是所述目标材料信息对应的所述信息熵值数值最大的信息,具有代表性的重要信息,所述特征材料信息是所述关键材料信息中的关于描述材料的独特性能的信息。
可选的,可以通过关键字搜索方法去除所述材料信息中的无效信息,进而得到目标材料信息,所述信息类别可以通过所述目标材料信息中的描述内容进行确定,如描述的是物理相关的信息或者化学相关的信息,所述特征材料信息可以通过根据所述信息类别与所述关键材料信息的关联性进行确定得到。
进一步的,作为本发明的一个可选实施例,所述计算所述目标材料信息中每个信息对应的信息熵值,包括:
通过下述公式计算所述目标材料信息中每个信息对应的信息熵值:
其中,表示目标材料信息中每个信息对应的信息熵值,/>表示目标材料信息的信息序列号,/>表示目标材料信息的信息数量,/>表示目标材料信息中第a个信息出现的概率值,/>表示目标材料信息中第a个信息中的线性值b在目标材料信息中出现的概率值。
S2、提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率。
本发明通过提取所述电路板架构中架构器件对应的器件参数,可以得到所述架构器件对应的信息,通过计算所述架构材料对应的导热系数,进而可以得到所述架构材料的传递热量的能力,以便于后续设置所述架构器件对应的升温速率,进而可以提高所述厚膜电路板耐高温测试时的温度适应性,其中,所述器件参数是所述电路板架构中架构器件的器件介绍信息,如器件材质、器件尺寸以及器件的电学参数等,所述导热系数表示所述架构材料对于热量传递的快慢,所述升温速率是所述架构器件在后续耐高温测试时对应的温度调整速度,可选的,提取所述电路板架构中架构器件对应的器件参数可以通过参数提取工具实现,所述参数提取工具是由脚本语言编译,所述架构器件对应的升温速率可以通过根据所述导热系数的数值大小设置。
作为本发明的一个实施例,所述根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,包括:根据所述材料特征,确定所述架构器件对应的器件特征属性,结合所述器件参数和所述器件特征属性,构建所述架构材料对应的材料几何模型,利用预设的有限元分析法对所述材料几何模型进行加热模拟,并记录所述材料几何模型中每个器件模型在加热模拟中的温度变化数据,根据所述温度变化数据,计算所述材料几何模型中每个器件模型对应的器件导热系数,根据所述器件导热系数,计算出所述架构材料对应的导热系数。
其中,所述器件特征属性是所述架构器件对应的属性表征,如物理特性,以便于可以准确的构建材料几何模型,所述材料几何模型是所述架构材料对应的仿真虚拟模型,所述有限元分析法是利用数学近似的方法对真实物理系统或几何模型进行模拟分析的方法,可以用有限数量的未知量去逼近无限未知量的真实值,所述温度变化数据是所述材料几何模型中每个器件模型在加热模拟中对应的温度和时间的变化情况的数据,所述器件导热系数表示所述材料几何模型中每个器件模型对应的热量变化程度。
可选的,确定所述架构器件对应的器件特征属性可以通过分析所述材料特征的属性得到,构建所述架构材料对应的材料几何模型可以通过建模软件实现,如3ds max软件,对所述材料几何模型进行加热模拟可以通过所述有限元分析法建立相应的数学模型,根据数学模型,利用所述有限元法的基本原理,通过积分和插值方法计算每个有限元的刚度矩阵和荷载向量,并将所有有限元的刚度矩阵和荷载向量装配到所述材料几何模型中去,所述架构材料对应的导热系数可以通过对所述器件导热系数的求和得到。
可选的,作为本发明的一个可选实施例,所述根据所述温度变化数据,计算所述材料几何模型中每个器件模型对应的器件导热系数,包括:
通过下述公式计算所述材料几何模型中每个器件模型对应的器件导热系数:
其中,表示材料几何模型中每个器件模型对应的器件导热系数,/>表示材料几何模型中第i个器件模型对应的热扩散率,/>表示材料几何模型中器件模型的序列号,/>表示材料几何模型中第i个器件模型对应的温度值,/>、/>、/>分别表示温度对三个空间坐标轴的二次导数。
S3、采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到目标纹理特征,根据所述目标纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数。
本发明通过利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,可以提高所述器件图像的图像质量,降低了后续的纹理特征提取的计算量,其中,所述器件图像是所述架构器件对应的图像,所述深度学习模型是一种基于人工神经网络的机器学习模型,可以提高对所述器件图像的处理效率和准确性,所述增强图像是所述器件图像中的噪声、模糊和失真经过一些列对应的处理后得到的图像,可选地,采集所述架构器件对应的器件图像可以通过图像采集器实现。
作为本发明的一个实施例,所述利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,包括:利用所述深度学习模型中的输入层中的滤波器对所述器件图像进行降噪处理,得到降噪器件图像,利用所述输入层中的目标识别算法识别所述降噪器件图像中的器件主体图像,利用所述输入层中的背景去除算法对所述器件主体图像进行背景去除处理,得到目标器件图像,利用所述输入层中的像素均衡算法对所述目标器件图像进行像素均衡处理,得到所述器件图像对应的增强图像。
其中,所述降噪器件图像是所述器件图像经过所述输入层中的滤波器将噪声干扰去除后得到的图像,所述滤波器是图像降噪的工具,如均值滤波器,所述器件主体图像是所述降噪器件图像中每个器件对应的单独图像,所述目标识别算法是图像中自动识别和定位特定的目标物体的算法,如Blob分析法,所述背景去除算法是用于对所述器件主体图像进行背景去除处理的算法,如阈值分割法,所述目标器件图像是所述器件主体图像中的背景经过去除后得到的图像,所述像素均衡算法是用于对所述目标器件图像中的像素点进行均衡处理的算法,进而达到提高所述目标器件图像中的清晰度的目的。
可选的,作为本发明的一个可选实施例,所述利用所述输入层中的背景去除算法对所述器件主体图像进行背景去除处理,得到目标器件图像,包括:
所述背景去除算法的具体计算过程如下:
其中,表示目标器件图像,/>表示图像生成函数,/>表示像素点剔除函数,/>表示器件主体图像中的第E个像素点的坐标,/>分别表示器件主体图像中的第E个像素点的像素坐标值,/>表示像素点的分割阈值。
本发明通过利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,可以增加对所述增强图像的局部和全局特征的了解,进而便于后续计算所述增强图像中每个器件的热稳定系数,其中,所述卷积层是用于提取输入所述深度学习模型中的数据的特征的神经网络,是由多个卷积核构成,所述器件纹理特征是所述增强图像中的器件对应的纹理表征。
作为本发明的一个实施例,所述利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,包括:获取所述深度学习模型中的卷积层对应的卷积核,提取所述增强图像中的图像像素点,根据所述图像像素点,对所述卷积核进行参数调整,得到目标卷积核,利用所述目标卷积核对所述增强图像进行纹理特征提取,得到第一纹理特征,对所述目标卷积核进行镜像处理,得到镜像卷积核,并利用所述镜像卷积核对所述增强图像进行纹理特征提取,得到第二纹理特征,对所述第一纹理特征和所述第二纹理特征进行特征合并,得到目标纹理特征,将所述目标纹理特征作为所述增强图像中的器件对应的器件纹理特征。
其中,所述卷积核是所述深度学习模型中的卷积层的基本组成单位,所述图像像素点是所述增强图像的基本组成元素,所述目标卷积核是所述卷积核的尺寸大小根据所述图像像素点的数量调整后得到的卷积核,所述第一纹理特征是通过所述目标卷积核对所述增强图像提取的纹理特征,所述镜像卷积核是所述目标卷积核经过上下或者左右翻转后得到的卷积核,所述目标纹理特征是所述第一纹理特征和所述第二纹理特征经过合并后得到的特征。
可选的,所述卷积核可以通过查询所述深度学习模型的应用程序查询得到,提取所述增强图像中的图像像素点可以通过像素点提取器实现,所述像素点提取器是由Java语言编译,对所述卷积核进行参数调整可以通过根据所述图像像素点的像素点数量进行设置,如卷积核的大小、数量以及步长参数等,所述第一纹理特征可以通过将所述目标卷积核按照相应的固定步长平移对所述增强图像进行纹理特征提取得到,所述镜像卷积核可以通过对所述目标卷积核进行水平镜像、垂直镜像以及对角线镜像处理得到,对所述第一纹理特征和所述第二纹理特征进行特征合并可以通过早融合法实现。
本发明通过利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,可以使所述深度学习模型学习更加复杂的特征,从而提高所述深度学习模型对所述器件纹理特征的识别和表达能力,其中,所述线性纹理特征是所述器件纹理特征经过非线性变换后得到的特征,表达了所述器件纹理特征之间的线性关系,所述激活函数是通过对所述器件纹理特征进行非线性变换,使所述深度学习模型能够拟合更复杂的数据分布和特征空间,这有助于模型更好地捕捉数据中的非线性关系,所述激活函数包括ReLU函数。
本发明通过根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数,可以准确地了解每个器件在不同温度条件下的稳定性,并为后续的耐高温测试提供了重要参考,其中,所述热稳定系数表示所述增强图像中每个器件在不同温度条件下的稳定程度。
作为本发明的一个实施例,所述根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数,包括:计算所述线性纹理特征对应的纹理复杂度,查询所述增强图像中每个器件的器件原材料,根据所述纹理复杂度和预设的纹理-热应力系数表,得到所述器件原材料的热应力,根据所述热应力,计算所述器件原材料对应的膨胀系数,分配所述器件原材料对应的权重值,根据所述权重值,利用所述输出层中的输出函数对所述膨胀系数进行加权求和,得到目标膨胀系数,将所述目标膨胀系数作为所述增强图像中每个器件的热稳定系数。
其中,所述纹理复杂度表示所述线性纹理特征对应的复杂程度,所述器件原材料是所述增强图像中每个器件构成的基本材料,如铜铝合金材料,所述纹理-热应力系数表是通过大量的纹理复杂度和对应的热应力的数据统计得到的表格,所述热应力表示温度变化而导致的物体内部产生的应力,即物体发生膨胀时的承受力,所述膨胀系数表示所述器件原材料对温度变化的敏感程度的量度,可选地,所述线性纹理特征对应的纹理复杂度可以通过灰度共生矩阵计算得到,分配所述器件原材料对应的权重值可以通过所述器件原材料的材料配比计算得到。
可选地,作为本发明的一个可选实施例,所述根据所述热应力,计算所述器件原材料对应的膨胀系数,包括:
通过下述公式计算所述器件原材料对应的膨胀系数:
其中,是器件原材料对应的膨胀系数,/>表示热应力,/>表示器件原材料的弹性模量,ΔT是温度变化。
S4、根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
本发明通过根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,可以使所述架构器件在不同的温度中测试的时间达到最佳,同时对所述架构器件起到保护的作用,提高了所述厚膜电路板的耐高温测试准确性,其中,所述升温周期是所述架构器件中每个器件在不同的温度中的测试周期。
本发明通过计算所述架构材料对应的材料能量值,可以得到所述架构材料对应的材料能量大小,进而可以得到所述架构材料破坏时需要的能量大小,为后续测试温度阈值的设置提供了保障,其中,所述材料能量值表示所述架构材料中每个材料的强度程度。
作为本发明的一个实施例,所述计算所述架构材料对应的材料能量值,包括:
通过下述公式计算所述架构材料对应的材料能量值:
其中,表示架构材料对应的材料能量值,/>表示架构材料中第e个官能团的能量值,e表示架构材料中的官能团序列号,t表示架构材料中的官能团数量,/>表示架构材料中第e个官能团的表面剥离能量,/>表示架构材料中第e个官能团的剥离力,/>表示架构材料中第e个官能团的表面面积,/>表示架构材料中第e个官能团的断裂面积。
本发明通过根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,可以准确的得到所述架构材料中每个材料对应的最高承受温度,从而避免温度过高或者过低,降低了所述厚膜电路板的耐高温测试的准确性,其中,所述测试温度阈值是所述架构材料中每个材料对应的最高承受温度值,所述耐高温测试方案是通过结合所述测试温度阈值、所述升温周期以及所述升温速率,制定关于所述厚膜电路板的最佳测试方案,可选地,可以通过将所述材料能量值作为温度能量值,然后利用温度能量值计算出该能量对应的温度值,从而得到所述测试温度阈值。
本发明通过获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,可以通过所述材料信息增加对所述架构材料的了解,进而可以准确的得到所述架构材料对应的材料特征,本发明通过提取所述电路板架构中架构器件对应的器件参数,可以得到所述架构器件对应的信息,通过计算所述架构材料对应的导热系数,进而可以得到所述架构材料的传递热量的能力,以便于后续设置所述架构器件对应的升温速率,进而可以提高所述厚膜电路板耐高温测试时的温度适应性,本发明通过利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,可以提高所述器件图像的图像质量,降低了后续的纹理特征提取的计算量,本发明通过根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,可以使所述架构器件在不同的温度中测试的时间达到最佳,同时对所述架构器件起到保护的作用,提高了所述厚膜电路板的耐高温测试准确性。因此,本发明实施例提供的一种基于深度学习实现厚膜电路板的耐高温测试方法,能够提高厚膜电路板的耐高温测试准确率。
如图2所示,是本发明一实施例提供的一种基于深度学习实现厚膜电路板的耐高温测试系统的功能模块图。
本发明所述一种基于深度学习实现厚膜电路板的耐高温测试系统100可以安装于电子设备中。根据实现的功能,所述一种基于深度学习实现厚膜电路板的耐高温测试系统100可以包括材料特征分析模块101、升温速率设置模块102、热稳定系数计算模块103及测试方案制定模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述材料特征分析模块101,用于查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征;
所述升温速率设置模块102,用于提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率;
所述热稳定系数计算模块103,用于采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到线性纹理特征,根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数;
所述测试方案制定模块104,用于根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
详细地,本申请实施例中所述一种基于深度学习实现厚膜电路板的耐高温测试系统100中所述的各模块在使用时采用与上述图1中所述的一种基于深度学习实现厚膜电路板的耐高温测试方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图3所示,是本发明一实施例提供的实现一种基于深度学习实现厚膜电路板的耐高温测试方法的电子设备1的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如一种基于深度学习实现厚膜电路板的耐高温测试方法程序。
其中,所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing Unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备1的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行一种基于深度学习实现厚膜电路板的耐高温测试方法程序等),以及调用存储在所述存储器11内的数据,以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据,例如一种基于深度学习实现厚膜电路板的耐高温测试方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备1与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理系统与所述至少一个处理器10逻辑相连,从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的一种基于深度学习实现厚膜电路板的耐高温测试方法程序是多个指令的组合,在所述处理器10中运行时,可以实现:
查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征;
提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率;
采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到线性纹理特征,根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数;
根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
具体地,所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征;
提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率;
采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到线性纹理特征,根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数;
根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述方法包括:
查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征;
提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率;
采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到线性纹理特征,根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数;
根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
2.如权利要求1所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述根据所述材料信息,确定所述架构材料对应的材料特征,包括:
对所述材料信息进行信息筛选处理,得到目标材料信息,确定所述目标材料信息对应的信息类别;
计算所述目标材料信息中每个信息对应的信息熵值,根据所述信息熵值,确定所述目标材料信息中的关键材料信息;
结合所述信息类别,提取所述关键材料信息中的特征材料信息,根据所述特征材料信息,确定所述架构材料对应的材料特征。
3.如权利要求2所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述计算所述目标材料信息中每个信息对应的信息熵值,包括:
通过下述公式计算所述目标材料信息中每个信息对应的信息熵值:
其中,表示目标材料信息中每个信息对应的信息熵值,/>表示目标材料信息的信息序列号,/>表示目标材料信息的信息数量,/>表示目标材料信息中第a个信息出现的概率值,/>表示目标材料信息中第a个信息中的线性值b在目标材料信息中出现的概率值。
4.如权利要求1所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,包括:
根据所述材料特征,确定所述架构器件对应的器件特征属性;
结合所述器件参数和所述器件特征属性,构建所述架构材料对应的材料几何模型;
利用预设的有限元分析法对所述材料几何模型进行加热模拟,并记录所述材料几何模型中每个器件模型在加热模拟中的温度变化数据;
根据所述温度变化数据,计算所述材料几何模型中每个器件模型对应的器件导热系数;
根据所述器件导热系数,计算出所述架构材料对应的导热系数。
5.如权利要求4所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述根据所述温度变化数据,计算所述材料几何模型中每个器件模型对应的器件导热系数,包括:
通过下述公式计算所述材料几何模型中每个器件模型对应的器件导热系数:
其中,表示材料几何模型中每个器件模型对应的器件导热系数,/>表示材料几何模型中第i个器件模型对应的热扩散率,/>表示材料几何模型中器件模型的序列号,/>表示材料几何模型中第i个器件模型对应的温度值,/>、/>分别表示温度对三个空间坐标轴的二次导数。
6.如权利要求1所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,包括:
利用所述深度学习模型中的输入层中的滤波器对所述器件图像进行降噪处理,得到降噪器件图像;
利用所述输入层中的目标识别算法识别所述降噪器件图像中的器件主体图像;
利用所述输入层中的背景去除算法对所述器件主体图像进行背景去除处理,得到目标器件图像;
利用所述输入层中的像素均衡算法对所述目标器件图像进行像素均衡处理,得到所述器件图像对应的增强图像。
7.如权利要求1所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,包括:
获取所述深度学习模型中的卷积层对应的卷积核,提取所述增强图像中的图像像素点;
根据所述图像像素点,对所述卷积核进行参数调整,得到目标卷积核;
利用所述目标卷积核对所述增强图像进行纹理特征提取,得到第一纹理特征;
对所述目标卷积核进行镜像处理,得到镜像卷积核,并利用所述镜像卷积核对所述增强图像进行纹理特征提取,得到第二纹理特征;
对所述第一纹理特征和所述第二纹理特征进行特征合并,得到目标纹理特征,将所述目标纹理特征作为所述增强图像中的器件对应的器件纹理特征。
8.如权利要求1所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数,包括:
计算所述线性纹理特征对应的纹理复杂度,查询所述增强图像中每个器件的器件原材料;
根据所述纹理复杂度和预设的纹理-热应力系数表,得到所述器件原材料的热应力;
根据所述热应力,通过下述公式计算所述器件原材料对应的膨胀系数:
其中,是器件原材料对应的膨胀系数,/>表示热应力,/>表示器件原材料的弹性模量,ΔT是温度变化;
分配所述器件原材料对应的权重值,根据所述权重值,利用所述输出层中的输出函数对所述膨胀系数进行加权求和,得到目标膨胀系数;
将所述目标膨胀系数作为所述增强图像中每个器件的热稳定系数。
9.如权利要求1所述的一种基于深度学习实现厚膜电路板的耐高温测试方法,其特征在于,所述计算所述架构材料对应的材料能量值,包括:
通过下述公式计算所述架构材料对应的材料能量值:
其中,表示架构材料对应的材料能量值,/>表示架构材料中第e个官能团的能量值,e表示架构材料中的官能团序列号,t表示架构材料中的官能团数量,/>表示架构材料中第e个官能团的表面剥离能量,/>表示架构材料中第e个官能团的剥离力,/>表示架构材料中第e个官能团的表面面积,/>表示架构材料中第e个官能团的断裂面积。
10.一种基于深度学习实现厚膜电路板的耐高温测试系统,其特征在于,所述系统包括:
材料特征分析模块,用于查询待测试的厚膜电路板对应的电路板架构,并获取所述电路板架构对应的架构材料,分析所述架构材料对应的材料信息,根据所述材料信息,确定所述架构材料对应的材料特征;
升温速率设置模块,用于提取所述电路板架构中架构器件对应的器件参数,根据所述材料特征和所述器件参数,计算所述架构材料对应的导热系数,根据所述导热系数,设置所述架构器件对应的升温速率;
热稳定系数计算模块,用于采集所述架构器件对应的器件图像,将所述器件图像输入到预先训练好的深度学习模型中,利用所述深度学习模型中的输入层对所述器件图像进行图像增强处理,得到增强图像,利用所述深度学习模型中的卷积层对所述增强图像中的器件进行纹理特征提取,得到器件纹理特征,利用所述深度学习模型中的激活函数对所述器件纹理特征进行非线性变换,得到线性纹理特征,根据所述线性纹理特征,利用所述深度学习模型中的输出层计算所述增强图像中每个器件的热稳定系数;
测试方案制定模块,用于根据所述热稳定系数,设置所述架构器件中每个器件对应的升温周期,计算所述架构材料对应的材料能量值,根据所述材料能量值,设置所述架构材料中每个材料对应的测试温度阈值,结合所述测试温度阈值、所述升温周期以及所述升温速率,制定所述厚膜电路板的耐高温测试方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311780243.7A CN117452191B (zh) | 2023-12-22 | 2023-12-22 | 基于深度学习实现厚膜电路板的耐高温测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311780243.7A CN117452191B (zh) | 2023-12-22 | 2023-12-22 | 基于深度学习实现厚膜电路板的耐高温测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117452191A true CN117452191A (zh) | 2024-01-26 |
CN117452191B CN117452191B (zh) | 2024-04-12 |
Family
ID=89584113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311780243.7A Active CN117452191B (zh) | 2023-12-22 | 2023-12-22 | 基于深度学习实现厚膜电路板的耐高温测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117452191B (zh) |
Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007183126A (ja) * | 2006-01-05 | 2007-07-19 | Espec Corp | 熱疲労評価方法、並びに、熱疲労評価装置 |
US20090077508A1 (en) * | 2004-01-28 | 2009-03-19 | Rubin Daniel I | Accelerated life testing of semiconductor chips |
JP2010504537A (ja) * | 2006-09-25 | 2010-02-12 | イー. ラード、ピーター | 集積回路の熱特性評価実施用サーモグラフィ測定システム |
JP2013149379A (ja) * | 2012-01-17 | 2013-08-01 | Mitsubishi Electric Corp | 蓄電デバイスの熱安定性評価試験方法およびその装置 |
CN104148434A (zh) * | 2014-07-28 | 2014-11-19 | 张督民 | 一种新型均热恒温加热炉 |
CN203964663U (zh) * | 2014-05-28 | 2014-11-26 | 徐州九鼎锻造科技有限公司 | 新型测温加热炉 |
CN205450198U (zh) * | 2016-06-03 | 2016-08-10 | 威科电子模块(深圳)有限公司 | 厚膜混合集成电路测试仪 |
JP2017211371A (ja) * | 2016-05-20 | 2017-11-30 | 株式会社豊田自動織機 | 温度異常判定装置 |
CN108254404A (zh) * | 2017-11-30 | 2018-07-06 | 彩虹(合肥)液晶玻璃有限公司 | 一种玻璃退火及线性膨胀系数一体测试装置及方法 |
CN108318517A (zh) * | 2017-12-14 | 2018-07-24 | 石河子大学 | 基于样品参数变化稳定升温的热分析方法和装置 |
CN109324079A (zh) * | 2018-10-23 | 2019-02-12 | 中国特种设备检测研究院 | 一种基于超声的材料热膨胀系数的测量方法 |
GB201906560D0 (en) * | 2018-08-24 | 2019-06-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
KR102014911B1 (ko) * | 2019-03-26 | 2019-08-27 | 주식회사 케이에스엠 | 전기전도성 판재의 가열장치 |
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
CN113533424A (zh) * | 2021-07-29 | 2021-10-22 | 东南大学 | 一种测试多层薄膜结构热物理性质的无损电测方法 |
CN114022407A (zh) * | 2021-09-18 | 2022-02-08 | 国营芜湖机械厂 | 一种基于红外热像和深度学习的电路板智能检测诊断方法 |
CN115079562A (zh) * | 2022-07-20 | 2022-09-20 | 中国飞机强度研究所 | 空天飞机热强度测试温变控制方法的确定方法 |
CN115980116A (zh) * | 2022-11-22 | 2023-04-18 | 宁波博信电器有限公司 | 一种仪表盘耐高温检测方法、系统、存储介质及智能终端 |
CN116309555A (zh) * | 2023-05-15 | 2023-06-23 | 中国船舶集团有限公司第七〇七研究所 | 一种基于多物理量融合的集成电路特征提取方法 |
US20230314352A1 (en) * | 2022-03-31 | 2023-10-05 | University Of Tennessee Research Foundation | Systems and methods for measuring thermal characteristics of an object |
CN117025246A (zh) * | 2023-08-10 | 2023-11-10 | 北京三只小熊建筑设计有限公司 | 一种沥青生产质量提升方法及装置 |
CN220063906U (zh) * | 2023-06-21 | 2023-11-21 | 江西万年晶半导体有限公司 | 一种hemt功率芯片耐高温性能的检测装置 |
CN117148893A (zh) * | 2023-09-08 | 2023-12-01 | 广州计测检测技术股份有限公司 | 一种汽车冷热冲击检测的温度控制方法及系统 |
CN117169682A (zh) * | 2023-07-22 | 2023-12-05 | 国营芜湖机械厂 | 基于深度卷积网络的实验环境电路板故障诊断方法 |
-
2023
- 2023-12-22 CN CN202311780243.7A patent/CN117452191B/zh active Active
Patent Citations (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090077508A1 (en) * | 2004-01-28 | 2009-03-19 | Rubin Daniel I | Accelerated life testing of semiconductor chips |
JP2007183126A (ja) * | 2006-01-05 | 2007-07-19 | Espec Corp | 熱疲労評価方法、並びに、熱疲労評価装置 |
JP2010504537A (ja) * | 2006-09-25 | 2010-02-12 | イー. ラード、ピーター | 集積回路の熱特性評価実施用サーモグラフィ測定システム |
JP2013149379A (ja) * | 2012-01-17 | 2013-08-01 | Mitsubishi Electric Corp | 蓄電デバイスの熱安定性評価試験方法およびその装置 |
CN203964663U (zh) * | 2014-05-28 | 2014-11-26 | 徐州九鼎锻造科技有限公司 | 新型测温加热炉 |
CN104148434A (zh) * | 2014-07-28 | 2014-11-19 | 张督民 | 一种新型均热恒温加热炉 |
JP2017211371A (ja) * | 2016-05-20 | 2017-11-30 | 株式会社豊田自動織機 | 温度異常判定装置 |
CN205450198U (zh) * | 2016-06-03 | 2016-08-10 | 威科电子模块(深圳)有限公司 | 厚膜混合集成电路测试仪 |
CN108254404A (zh) * | 2017-11-30 | 2018-07-06 | 彩虹(合肥)液晶玻璃有限公司 | 一种玻璃退火及线性膨胀系数一体测试装置及方法 |
CN108318517A (zh) * | 2017-12-14 | 2018-07-24 | 石河子大学 | 基于样品参数变化稳定升温的热分析方法和装置 |
GB201906560D0 (en) * | 2018-08-24 | 2019-06-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
US20200089826A1 (en) * | 2018-09-14 | 2020-03-19 | Northwestern University | Integrated process-structure-property modeling frameworks and methods for design optimization and/or performance prediction of material systems and applications of same |
CN109324079A (zh) * | 2018-10-23 | 2019-02-12 | 中国特种设备检测研究院 | 一种基于超声的材料热膨胀系数的测量方法 |
KR102014911B1 (ko) * | 2019-03-26 | 2019-08-27 | 주식회사 케이에스엠 | 전기전도성 판재의 가열장치 |
CN113533424A (zh) * | 2021-07-29 | 2021-10-22 | 东南大学 | 一种测试多层薄膜结构热物理性质的无损电测方法 |
CN114022407A (zh) * | 2021-09-18 | 2022-02-08 | 国营芜湖机械厂 | 一种基于红外热像和深度学习的电路板智能检测诊断方法 |
US20230314352A1 (en) * | 2022-03-31 | 2023-10-05 | University Of Tennessee Research Foundation | Systems and methods for measuring thermal characteristics of an object |
CN115079562A (zh) * | 2022-07-20 | 2022-09-20 | 中国飞机强度研究所 | 空天飞机热强度测试温变控制方法的确定方法 |
CN115980116A (zh) * | 2022-11-22 | 2023-04-18 | 宁波博信电器有限公司 | 一种仪表盘耐高温检测方法、系统、存储介质及智能终端 |
CN116309555A (zh) * | 2023-05-15 | 2023-06-23 | 中国船舶集团有限公司第七〇七研究所 | 一种基于多物理量融合的集成电路特征提取方法 |
CN220063906U (zh) * | 2023-06-21 | 2023-11-21 | 江西万年晶半导体有限公司 | 一种hemt功率芯片耐高温性能的检测装置 |
CN117169682A (zh) * | 2023-07-22 | 2023-12-05 | 国营芜湖机械厂 | 基于深度卷积网络的实验环境电路板故障诊断方法 |
CN117025246A (zh) * | 2023-08-10 | 2023-11-10 | 北京三只小熊建筑设计有限公司 | 一种沥青生产质量提升方法及装置 |
CN117148893A (zh) * | 2023-09-08 | 2023-12-01 | 广州计测检测技术股份有限公司 | 一种汽车冷热冲击检测的温度控制方法及系统 |
Non-Patent Citations (5)
Title |
---|
孙方宏 等: "内孔金刚石涂层的制备及应用", 31 December 2021, 上海交通大学出版社, pages: 168 * |
安汝平 等: "层合结构复合材料热膨胀系数的有限元计算", 塑料, vol. 42, no. 6, 18 December 2013 (2013-12-18), pages 80 - 82 * |
李爽: "基于多特征融合和深度学习的图像分类算法", 河南科技学院学报(自然科学版), vol. 46, no. 4, 7 September 2018 (2018-09-07), pages 50 - 55 * |
蔡立明 等: "基于多特征图像增强深度卷积神经网络的航天用电子元器件分类算法", 导航与控制, vol. 19, no. 2, 5 April 2020 (2020-04-05), pages 112 - 119 * |
高玉双: "深度学习在计算机视觉领域的应用发展探究", 电脑编程技巧与维护, no. 9, 18 September 2020 (2020-09-18), pages 125 - 127 * |
Also Published As
Publication number | Publication date |
---|---|
CN117452191B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
Bo et al. | Particle pollution estimation from images using convolutional neural network and weather features | |
CN113219341A (zh) | 一种模型生成及电池劣化推测装置、方法、介质及设备 | |
Li et al. | A PCB electronic components detection network design based on effective receptive field size and anchor size matching | |
CN113255255A (zh) | 一种集成电路热真空试验系统 | |
CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
CN112559923A (zh) | 网址资源推荐方法、装置、电子设备及计算机存储介质 | |
Zhao et al. | Image quality assessment based on complementary local feature extraction and quantification | |
CN117452191B (zh) | 基于深度学习实现厚膜电路板的耐高温测试方法及系统 | |
CN113742069A (zh) | 基于人工智能的容量预测方法、装置及存储介质 | |
Tang et al. | Application of convolutional neural network transfer learning in partial discharge pattern recognition | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
CN113627755B (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
CN113486238A (zh) | 基于用户画像的信息推送方法、装置、设备及存储介质 | |
CN114626267A (zh) | 芯片失效分析方法、装置、电子设备及存储介质 | |
Xiong et al. | Research on image recognition of power inspection robot based on improved YOLOv3 model | |
CN117373580B (zh) | 基于时序网络实现钛合金产品的性能分析方法及系统 | |
CN112132810B (zh) | 基于感知逻辑和特征对比的图像显著性检测方法 | |
CN116167829B (zh) | 一种多维多粒度用户行为分析方法 | |
CN117074628B (zh) | 一种多传感器空气质量检测设备故障定位方法 | |
CN113139129B (zh) | 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质 | |
CN117576535B (zh) | 一种图像识别方法、装置、设备以及存储介质 | |
Zhang et al. | Heat Treatment Management of Radio Frequency Integrated Circuit IC Based on Deep Learning | |
CN116340558A (zh) | 图文跨模态检索方法、装置、设备及存储介质 |
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 |