散热器检测方法及装置

技术领域

本发明涉及器件检测技术领域，具体地涉及一种散热器检测方法及装置。

背景技术

散热器是现代电子科技行业广泛使用的元器件，用于把集成电路CPU、功率放大器等电子元器件产生的热量及时传导出去，避免因高温导致电子元器件无法正常工作。

对于采用水冷原理的散热器，其通常包括一进水口和一出水口。在进水口输入恒温恒压的液体，液体流流经导热管，经过散热器的热交换之后，在出水口检测输出的液体的压力及温度，以此来计算散热器的散热效率等参数。若散热器的导热管发生形变，导致导热管的通畅程度发生变化，则出水口输出的液体的压力和温度也会相应发生变化。

现有技术中，通畅通过监测出水口输出的液体的压力及温度，来判断散热器是否存在故障。然而，上述检测散热器是否存在故障的方案存在效率低下的问题。

发明内容

本发明解决的技术问题是检测散热器是否存在故障的方案效率低下。

为解决上述技术问题，本发明实施例提供了一种散热器检测方法，包括：获取待检测散热器表面的热成像图像；将所述热成像图像输入至预先训练生成的目标神经网络模型中；所述目标神经网络模型采用如下步骤生成：获取多个已确定为良品的散热器表面的热成像图像作为样本图像，将所述样本图像输入至初始神经网络模型中进行训练，得到所述目标神经网络模型；获取所述目标神经网络模型的输出，确定所述待检测散热器是否为良品。

可选的，所述获取所述目标神经网络模型的输出，确定所述待检测散热器是否为良品，包括：获取所述目标神经网络模型输出的良品置信度，根据所述良品置信度与预设阈值之间的大小关系，确定所述待检测散热器是否为良品。

可选的，在确定所述待检测散热器存在故障之后，还包括：将所述待检测散热器的热成像图像与预设的样本散热器的热成像图像进行比对，所述样本散热器为良品的散热器；根据比对结果，确定所述待检测散热器存在故障的位置。

可选的，所述将所述待检测散热器的热成像图像与预设的样本散热器的热成像图像进行比对，包括：将所述待检测散热器的热成像图像与所述样本散热器的热成像图像进行差值运算。

可选的，所述根据比对结果，确定所述待检测散热器存在故障的位置，包括：将得到的差值结果中差值最大所对应的部位，作为所述待检测散热器存在故障的位置。

本发明实施例还提供了一种散热器检测装置，包括：获取单元，用于获取待检测散热器表面的热成像图像；输入单元，用于将所述热成像图像输入至预先训练生成的目标神经网络模型中；所述目标神经网络模型采用如下步骤生成：获取多个已确定为良品的散热器表面的热成像图像作为样本图像，将所述样本图像输入至初始神经网络模型中进行训练，得到所述目标神经网络模型；第一确定单元，用于获取所述目标神经网络模型的输出，确定所述待检测散热器是否为良品。

可选的，所述第一确定单元，用于获取所述目标神经网络模型输出的良品置信度，根据所述良品置信度与预设阈值之间的大小关系，确定所述待检测散热器是否为良品。

可选的，所述散热器检测装置还包括：第二确定单元，用于将所述待检测散热器的热成像图像与预设的样本散热器的热成像图像进行比对，所述样本散热器为良品的散热器；根据比对结果，确定所述待检测散热器存在故障的位置。

可选的，所述第二确定单元，用于将所述待检测散热器的热成像图像与所述样本散热器的热成像图像进行差值运算。

可选的，所述第二确定单元，用于将得到的差值结果中差值最大所对应的部位，作为所述待检测散热器存在故障的位置。

与现有技术相比，本发明实施例的技术方案具有以下有益效果：

获取待检测散热器表面的热成像图像，经热成像图像输入至目标神经网络模型中，由目标神经网络模型对热成像图像进行分析，并根据目标神经网络模型的输出确定待检测散热器是否为良品。相较于出水口的压力和温度的获取，热成像图像的获取更为便捷。通过使用目标神经网络模型对散热器表面的热成像图像进行分析，可以提高散热器检测的效率。

进一步，在确定待检测散热器存在故障之后，将待检测散热器的热成像图像与良品的散热器的热成像图像进行比对，从而确定待检测散热器存在故障的位置。上述方案能够快速定位待检测散热器存在故障的位置。

附图说明

图1是本发明实施例的一种散热器检测方法的流程图；

图2是本发明实施例中的一种散热器的结构简图；

图3是本发明实施例中的一种散热器检测装置的结构示意图。

具体实施方式

如背景技术所言，现有技术中，检测散热器是否存在故障的方案存在效率低下的问题。

在本发明实施例中，获取待检测散热器表面的热成像图像，经热成像图像输入至目标神经网络模型中，由目标神经网络模型对热成像图像进行分析，并根据目标神经网络模型的输出确定待检测散热器是否为良品。相较于出水口的压力和温度的获取，热成像图像的获取更为便捷。通过使用目标神经网络模型对散热器表面的热成像图像进行分析，可以提高散热器检测的效率。

为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

本发明实施例提供了一种散热器检测方法，参照图1，以下通过具体步骤进行详细说明。

步骤S101，获取待检测散热器表面的热成像图像。

参见图2，给出了一种散热器的结构简图。图2中，散热器包括一进水口A、一出水口B、导热管。需要说明的是，图2中所示的仅为结构简图，并不意味着散热器仅包括上述三个部分。

在具体实施中，可以在待检测散热器的进水口A注入恒温恒压的液体，液体可以为水或者制冷液等。在注入恒温恒压的液体之后，可以通过预先设置的热成像模块，获取待检测散热器表面的热成像图像。

在实际应用中，热成像模块可以为红外线热成像仪。

步骤S102，将所述热成像图像输入至预先训练生成的目标神经网络模型中。

在具体实施中，在获取到待检测散热器表面的热成像图像之后，可以将获取到的热成像图像输入至预先训练生成的目标神经网络模型中。

在本发明实施例中，可以预先获取大量的样本图像，样本图像为以确定为良品的散热器表面的热成像图像，且已确定为良品的散热器与待检测散热器的型号相同。

也就是说，可以预先获取多个型号与待检测散热器相同且确定为良品的散热器，分别获取每一个良品的散热器对应的热成像图像，并将每一个良品的散热器对应的热成像图像作为样本图像。

在获取到大量的样本图像之后，可以将样本图像输入至初始神经网络模型中进行多次训练，最终得到目标神经网络模型。

步骤S103，获取所述目标神经网络模型的输出，确定所述待检测散热器是否为良品。

在具体实施中，可以根据目标神经网络模型的输出结果，来确定待检测散热器是良品还是存在故障。

在本发明实施例中，目标神经网络模型的输出结果可以为良品置信度。在将待检测散热器的热成像图像输入至目标神经网络模型之后，目标神经网络模型的输出结果实质上即为待检测散热器的热成像图像对应的良品置信度。

将目标神经网络模型输出端的良品置信度与预设阈值进行比较。若目标神经网络模型输出端的良品置信度大于预设阈值，则可以确定该待检测散热器为良品；反之，若目标神经网络模型输出端的良品置信度小于预设阈值，则可以确定该待检测散热器存在故障。

在具体实施中，在确定待检测散热器存在故障之后，还可以将待检测散热器的热成像图像与预设的样本散热器的热成像图像进行比对，样本散热器可以为已确定为良品的散热器。根据待检测散热器的热成像图像与样本散热器的热成像图像的比对，可以确定待检测散热器存在故障的位置。

在本发明实施例中，在将待检测散热器的热成像图像与预设的样本散热器的热成像图像进行比对时，可以将待检测散热器的热成像图像数据与样本散热器的热成像图像数据进行差值运算，得到差值结果，并将差值结果中最大差值对应的部位，作为待检测散热器存在故障的位置。

具体而言，差值运算可以为比较运算的一种。可以使用opencv等应用平台，将待检测散热器的热成像图像数据与样本散热器的热成像图像数据进行相减，图像数据相同的部分被清除，只留下图像数据不同的部分，将图像数据不同的部分对应的部位，作为待检测散热器存在故障的位置。

在本发明实施例中，可以根据散热器的结构，在待检测散热器的热成像图像中选择多个采样点，并分别获取每一个采样点对应的热成像图像数据。相应地，在样本散热器的热成像图像中选择多个采样点，并分别获取每一个采样点的热成像图像数据。在待检测散热器的热成像图像中选择的采样点对应的位置，与在样本散热器的热成像图像中选择的采样点的位置相同。

在对待检测散热器的热成像图像数据与样本散热器的热成像图像数据进行差值运算时，若得到的差值运算结果中，仅存在某一个采样点的图像数据，则可以将该采样点所对应的部位作为散热器存在故障的位置。

例如，采样点6对应为待检测散热器的出水口位置。使用opencv等应用平台，将待检测散热器的热成像图像与样本散热器的热成像图像进行相减，在得到的差值结果中，仅存在采样点6对应的热成像图像数据，则确定待检测散热器的出水口存在故障。

若待检测散热器的某一采样点存在故障，则其对应的热成像图像数据与良品散热器对应采样点的热成像图像数据肯定存在差异。若两个采样点对应的部件相邻，则与存在故障的部件相邻的部件对应的热成像图像数据也可能异常。

例如，采样点5对应的部件位置与采样点6对应的部件位置相邻。当部件6存在故障时，部件6对应的采样点6的热成像图像数据存在异常，且部件5对应的采样点5的热成像图像数据可能也会因部件6的异常而异常。因此，当使用opencv等应用平台，将待检测散热器的热成像图像与样本散热器的热成像图像进行相减时，图像数据相同的部分被清除，只留下采样点5对应的热成像图像数据与采样点6对应的热成像图像数据。由于采样点6对应的差值结果最大，且采样点5对应的差值结果较小，则判定采样点5的热成像图像数据异常是由采样点6的故障所导致，最终确定待检测散热器的出水口存在故障。

可以理解的是，在本发明实施例中，还可以存在其他确定待检测散热器存在故障的位置。

例如，可以将每一个采样点各自对应的热成像图像数据进行差值运算。若某一采样点对应的差值运算结果最大，则可以确定该采样点对应的部位为待检测散热器存在故障的位置。或者，若某一采样点对应的差值运算结果大于一预设差值结果，则可以确定该采样点对应的部位为待检测散热器存在故障的位置

例如，将待检测散热器的采样点1对应的热成像图像数据与样本散热器的采样点1的热成像图像数据进行差值运算，将待检测散热器的采样点2对应的热成像图像数据与样本散热器的采样点2的热成像图像数据进行差值运算，以此类推。

若待检测散热器与样本散热器对应的热成像图像共存在6个采样点，且检测到采样点5对应的差值运算结果值最大，则确定待检测散热器在采样点5对应的部件为存在故障的位置。

综上可见，通过使用目标神经网络模型对散热器表面的热成像图像进行分析，可以提高散热器检测的效率。

参照图3，给出了本发明实施例中的一种散热器检测装置30，包括：获取单元301、输入单元302以及第一确定单元303，其中：

获取单元301，用于获取待检测散热器表面的热成像图像；

输入单元302，用于将所述热成像图像输入至预先训练生成的目标神经网络模型中；所述目标神经网络模型采用如下步骤生成：获取多个已确定为良品的散热器表面的热成像图像作为样本图像，将所述样本图像输入至初始神经网络模型中进行训练，得到所述目标神经网络模型；

第一确定单元303，用于获取所述目标神经网络模型的输出，确定所述待检测散热器是否为良品。

在具体实施中，所述第一确定单元303，可以用于获取所述目标神经网络模型输出的良品置信度，根据所述良品置信度与预设阈值之间的大小关系，确定所述待检测散热器是否为良品。

在具体实施中，所述散热器检测装置30还可以包括：第二确定单元304，用于将所述待检测散热器的热成像图像与预设的样本散热器的热成像图像进行比对，所述样本散热器为良品的散热器；根据比对结果，确定所述待检测散热器存在故障的位置。

在具体实施中，所述第二确定单元304，可以用于将所述待检测散热器的热成像图像与所述样本散热器的热成像图像进行差值运算。

在具体实施中，所述第二确定单元304，可以用于将得到的差值结果中差值最大所对应的部位，作为所述待检测散热器存在故障的位置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指示相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。