[发明专利]基于深度学习的热管吸液芯氧化分级方法

说明书

本发明公开了基于深度学习的热管吸液芯氧化分级方法，包括：S1、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和数据获取及处理分析；S13、搭建热管功率测试装置和功率测试结果分析；S14、重复进行步骤S11至S13，对最终所得数据进行整体分析，选取氧化分级指标，确定吸液芯的氧化分级标准；S2、根据吸液芯氧化分级标准，构建吸液芯图像数据集；构建吸液芯氧化分级模型，采用吸液芯氧化分级模型进行分级。本发明将机器视觉与机器学习方法相结合，可实现吸液芯氧化品质的高精度、快速、无损检测。

技术领域

本发明属于吸液芯分级技术领域，具体涉及一种基于深度学习的热管吸液芯氧化分级方法。

背景技术

吸液芯作为热管的核心部件，其性能的好坏直接影响着热管的性能。热管吸液芯氧化与否是衡量吸液芯品质好坏的一个极其重要的指标，目前备受关注。为确保热管高效可靠的工作，热管制作、样品抽检或者产品性能比对时，常需将烧结后的热管刨切，对其内部吸液芯结构的氧化程度进行判断，以确保热管的性能。然而，常规氧化检测方法主要以人工操作为主，成本较高、耗时、费力、准确度低、受主观因素影响较大且不易于在线分析，已不能满足实际生产的需要。

机器视觉集图像处理、人机接口、多媒体、传感与网络等多种技术为一体，可快速获取大量信息，反映样本材料最真实的信息，实现生产的非接触式无损检测及自动化处理与控制，具有精度高、响应速度快、简单、易操作等特点。机器学习可通过算法，使机器从大量的历史数据中学习规律，从而对新的样本做出智能识别或预测。机器视觉与机器学习相结合，已然成为当前研究的一个热点，备受各行各业关注。热管吸液芯结构多样，品质问题较多，传统方法难以实现精准检测，机器视觉与机器学习本身的特点使其具有显著优势。基于此，将机器视觉与机器学习方法相结合，对热管吸液芯的氧化问题进行分析，具有理论意义与实际价值。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于深度学习的热管吸液芯氧化分级方法，将机器视觉与机器学习方法相结合，实现对热管实际生产中吸液芯的氧化判别。

为了达到上述目的，本发明采用以下技术方案：

基于深度学习的热管吸液芯氧化分级方法，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。

进一步的，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。