[发明专利]基于深度学习的热管吸液芯氧化分级方法

权利要求书

1.基于深度学习的热管吸液芯氧化分级方法，其特征在于，包括以下步骤：

S1、根据热管实际生产情况，选取热管吸液芯氧化分级指标，确定吸液芯氧化分级标准，包括：

S11、搭建视觉采集装置，采用视觉采集装置采集吸液芯图像，对吸液芯图像进行预处理和分析；

S12、搭建吸液芯毛细爬升高度红外测试装置，对吸液芯毛细爬升高度进行测量，获取测量数据及数据处理分析；

S13、搭建热管功率测试装置，进行热管功率测试，功率测试结果分析；

S14、制作不同类型吸液芯样本并闲置于空气中，采用隔天取样方式，每天选取一定数量同种类型的吸液芯样本，按数量平均分为三份，分别进行步骤S11、S12、S13，持续取样若干天，直到样本表面出现人眼可见的氧化区域，停止取样，终止实验，对最终所得数据进行整体分析，选取氧化分级指标，确定吸液芯氧化分级标准；

S2、根据吸液芯氧化分级标准，构建吸液芯分级样本数据集；利用BP神经网络和深度学习模型进行初步分级，并对分级结果分析，引入注意力机制，将分级效果较好的深度学习模型与注意力机制相结合，同时将卷积特征与样本传统颜色特征值相融合，构建吸液芯新的氧化分级模型，采用新的氧化分级模型进行分级。

2.基于权利要求1所述的基于深度学习的热管吸液芯氧化分级方法，其特征在于，搭建视觉采集装置，具体为：

以无氧铜、不同配比不同目数的纯铜粉末作为为原材料，根据热管生产工艺制作吸液芯样本，对样本进行反光分析，选取双条光作为光源，通过打光测试，确定光照强度，光源、相机布置方式、角度、距离，搭建了图像采集装置。

3.基于权利要求1所述的基于深度学习的热管吸液芯氧化分级方法，其特征在于，对吸液芯样本图像进行预处理包括：

图像增强、图像分割、图像二值化、形态学变换、边缘检测、骨架提取及图像重组；

图像分割包括图像粗分割与精分割；粗分割为阈值分割，具体为图像灰度变化、图像灰度值直方图提取、图像阈值选取以及图像分割，通过如下公式实现：

其中，g(x,y)为分割后图像的灰度值，f(x,y)为初始图像的灰度值，T为图像分割阈值，1和0分别代表目标与背景；

精分割是在粗分割的基础上，对图像进行膨胀、腐蚀及开闭运算后，将单通道灰度图像重组为三通道图像，利用图像乘法运算，将重组图像与粗分割图像相乘，获得精分割图像，具体实现公式为：

O(i,j)＝I₁(i,j)⊙I₂(i,j)

其中，O(i,j)为图像精分割的结果，I₁(i,j)为粗分割图像，I₂(i,j)重组得到的三通道图像。

4.基于权利要求3所述的基于深度学习的热管吸液芯氧化分级方法，其特征在于，对吸液芯图像进行分析，具体为：

提取预处理后吸液芯样本图像的6个颜色特征值，即R、G、B、H、S、I，对颜色特征值进行统计分析，以取样时间为横轴，图像颜色特征值为纵轴，绘制折线图，并添加趋势拟合线，明确吸液芯样本图像的颜色特征值与氧化程度之间的相互关系，并将颜色特征值作为后续吸液芯氧化分级的初选特征。

5.基于权利要求1所述的基于深度学习的热管吸液芯氧化分级方法，其特征在于，根据红外热像的工作原理，搭建吸液芯毛细爬升高度红外测试装置并进行测量；

吸液芯毛细爬升高度红外测试测试装置外围采用黑色幕布服帖，里面设有升降台，通过铁架台的固定夹子对吸液芯样本进行夹持；测试装置正前方开口处设有红外相机，用于获取液体在吸液芯内实时的爬升高度；红外相机由多功能支架脚架支撑；

采用红外相机对吸液芯毛细爬升高度进行测量，通过软件获得一定时间内吸液芯的毛细爬升高度，明确吸液芯毛细爬升高度值与其氧化程度之间的相互关系。