一种基于机器学习的手机芯片热成像分析方法

技术领域

本发明涉及热成像图像分析技术领域，更具体地说，本发明涉及一种基于机器学习的手机芯片热成像分析方法。

背景技术

系统级封装(SiP)为将多个具有不同功能的有源电子元件与可选无源电子元件，以及诸如光学器件等其他器件优先组装在一起，实现一定功能的单个标准封装件，构成一个系统或者子系统，而系统级芯片(SoC)是由多个具有特定功能的集成电路组合在一个裸芯片上构成的体系或产品，在SoC上，SiP的封装没有固定的形态，芯片的叠层形式主要包括金字塔型叠层、悬臂型叠层、并排型叠层、硅通孔型叠层，通过芯片叠层能够大大降低芯片基板的面积，减小封装提及，提高封装集成度，这样能够方便实现手机芯片多种功能的高度集成，提高手机芯片的使用性能，但是芯片及电子元器件在工作时会产生热量，不及时散发这些热量会导致芯片结温升高，引起器件及系统的失效和损坏，而随着电子封装技术的发展，大功率小体积的微电子封装已经成为一种趋势，单位体积发热量的增大会导致手机芯片温度过高，进而诱导热穿击、结失效、金属化失效、电阻漂移和电迁移扩散等失效线性，而在手机芯片内部而言，PN结的反向饱和电流会随着温度的增加而变大，从而导致IC反向偏置结提供的电隔离减小，芯片的温度每升高10℃，微电子芯片器件的失效率增大一倍以上，而温度从75℃提高到125℃会导致失效率增加五倍，因此，手机芯片的热成像分析是实现手机芯片热管理的有效措施，但是现有的手机芯片热管理中，还没有一种方法，能够基于机器学习技术，利用手机芯片工作时的热成像所获得的温度场，结合手机芯片叠层的热阻矩阵以及热阻网络模型对手机芯片中叠层芯片温度进行多工作负载预测。

发明内容

为了克服现有技术的上述缺陷，本发明提供一种基于机器学习的手机芯片热成像分析方法，通过收集手机芯片的数据、热成像数据以及热红外图像，利用图像处理技术提取出热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征，基于梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场，并对手机芯片的工作负载能力进行预测，能够更准确地预测手机芯片在不同工作负载下的温度场，有助于更好地优化手机芯片的散热性能，以提高手机的性能和稳定性。

为实现上述目的，本发明提供如下技术方案：

一种基于机器学习的手机芯片热成像分析方法，包括如下步骤：

步骤一，信息收集：收集手机芯片的数据、热成像数据以及热红外图像；

步骤二，特征提取：利用图像处理技术提取出热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征；

步骤三，多工作负载预测：通过梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场，并对手机芯片的工作负载能力进行预测；

步骤四，预测结果评估：通过均方误差比较预测结果与实际温度场的差异，评估模型的性能。

作为本发明的进一步方案，手机芯片的数据通过实验测量获得，包括手机芯片厚度、手机芯片面积、手机芯片层数、粘接胶厚度以及CPU使用率、GPU使用率；热成像数据通过温度传感器、热成像仪器以及图像处理技术获得，包括温度测量值、空间分布数据、时间序列数据以及空间坐标信息。

作为本发明的进一步方案，步骤二特征提取，利用图像处理技术提取出手机芯片温度场的梯度、角点特征，提取出手机芯片温度场的梯度、角点特征的具体步骤为：

步骤Q1，数据处理：对收集的热红外图像进行预处理，包括噪声去除、图像增强以及尺度归一化，以确保热红外图像质量和一致性；

步骤Q2，手机芯片温度场的梯度特征提取：基于中心差分的方法计算热红外图像的水平梯度、垂直梯度，根据水平梯度和垂直梯度计算梯度幅度和梯度方向；

步骤Q3，手机芯片温度场的角点特征提取：通过Harris角点检测器计算热红外图像中每个像素周围的局部特征，以确定角点位置，利用SIFT局部特征描述子描述检测到的角点，其响应函数表示为：

R＝det(M)-k*trace(M)

式中：R为自相关矩阵M的行列式与迹的组合，M为2×2的自相关矩阵，k为常数，det(M)为自相关矩阵的行列式，trace(M)为自相关矩阵的迹。

作为本发明的进一步方案，利用SIFT局部特征描述子描述检测到的角点的步骤为：

步骤M1，关键点检测：使用角点检测算法检测热红外图像中的关键点，关键点表示潜在的角点位置；

步骤M2，关键点定位：确定关键点的精确位置和尺度，以确保特征在不同尺度下具有不变性；

步骤M3，关键点方向分配：通过梯度信息计算关键点的主方向，以增强旋转不变性；

步骤M4，创建特征描述子：采用直方图描述关键点周围的局部图像区域，将关键点附近的局部区域划分为4x4的子区域，对于每个子区域，计算梯度方向直方图，将梯度方向划分为16个方向区间，对于每个子区域，根据梯度方向直方图的分布，构建一个向量表示，该向量表示将包括每个方向区间的权重或幅度，将所有子区域的向量连接在一起，形成关键点的最终特征描述子；

步骤M5，特征描述子归一化：对描述子进行归一化，增加描述子的鲁棒性，以确保不同尺度和亮度条件下的一致性。

作为本发明的进一步方案，在步骤二中，步骤Q3手机芯片温度场的角点特征提取，通过Harris角点检测器计算热红外图像中每个像素周围的局部特征，以确定角点位置，确定角点位置根据R的阈值判断，当R的值大于阈值时，表示该像素周围的局部区域存在明显的角点结构，由此确定该像素是角点；当R的值小于阈值时，表示该像素周围的局部区域为平坦区域或边缘，由此确定该像素不是角点。

作为本发明的进一步方案，步骤Q2手机芯片温度场的梯度特征提取，基于中心差分的方法计算热红外图像的水平梯度、垂直梯度，计算热红外图像的水平梯度、垂直梯度的公式为：

G

G

式中：G

作为本发明的进一步方案，步骤Q2根据热红外图像的水平梯度和垂直梯度计算梯度幅度和梯度方向，梯度幅度和梯度方向的计算公式为：

式中：GD(x，y)为热红外图像中像素点位置(x，y)的梯度幅度；

式中：Gm(x，y)为热红外图像中像素点位置(x，y)的梯度方向。

作为本发明的进一步方案，步骤二特征提取，对叠层芯片热阻矩阵和热阻网络模型的特征进行提取的步骤为：

步骤S1，对叠层芯片热阻矩阵进行特征提取：热阻矩阵表示不同芯片内部的热阻值，用于描述不同叠层芯片之间的热传导关系，通过有限元分析方法获得，热阻值的计算公式为：

R＝ΔT/Q；

式中：R为芯片内部的热阻值，ΔT为温度差，Q为热传导率；

通过计算每两层叠层芯片之间的热阻值，构建整个热阻矩阵；

步骤S2，热阻网络模型特征提取：热阻网络模型用于描述叠层芯片内部温度传导的数学模型，基于电路理论，将芯片内的热传导视为电流流动，而温度差异视为电压差，使用电路分析方法计算热阻网络模型的参数，包括热阻和热容。

作为本发明的进一步方案，步骤三模型训练与验证，通过梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场的具体步骤为：

步骤W1，特征工程：将热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征作为输入特征；

步骤W2，数据拆分：将热成像数据分为训练集和验证集，使用交叉验证方法确保模型的鲁棒性；

步骤W3，初始化基础决策树：通过梯度提升算法初始化基础决策树，用于拟合训练集中的温度场数据；

步骤W4，计算训练集中每个样本的残差，即实际温度场与基础决策树的预测温度场之间的差异；

步骤W5，训练下一个决策树：在下一轮迭代中，将训练数据集的残差作为新的目标来训练另一个基础决策树，以减小残差；

步骤W6，加权组合：将基础决策树的预测结果进行加权组合，以生成最终预测模型，最终预测模型的公式为：

y

式中：y

步骤W7，重复迭代：重复步骤W3到步骤W5，直到达到预定的迭代次数；

步骤W8，模型验证：使用验证集来评估模型性能，使用均方误差指标度量模型的拟合质量。

作为本发明的进一步方案，步骤三通过手机芯片的数据建立芯片工作负载能力指标预测模型，对手机芯片的工作负载能力进行预测，手机芯片数据包括手机芯片厚度、手机芯片面积、手机芯片层数、粘接胶厚度、CPU使用率以及GPU使用率，芯片工作负载能力指标预测模型的公式为：

式中：P

本发明一种基于机器学习的手机芯片热成像分析方法的技术效果和优点：

1、本发明通过利用热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征，能够准确地预测手机芯片在不同工作负载下的温度场，有助于手机厂商更好地优化手机芯片的散热性能，提高手机的性能和稳定性；

2、本发明根据温度场预测手机芯片的工作负载能力，从而更好地平衡手机性能和功耗，提高手机的续航能力；

3、本发明通过对手机芯片温度场的分析，便于在手机设计上做出更合理的布局，以提高手机的整体性能，通过实时监控手机芯片的温度场，能够及时发现过热隐患，以确保芯片的安全性和稳定性。

附图说明

图1为本发明一种基于机器学习的手机芯片热成像分析方法的流程示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的技术方案仅仅是本发明一部分，而不是全部。基于本发明中的技术方案，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他技术方案，都属于本发明保护的范围。

一种基于机器学习的手机芯片热成像分析方法，包括如下步骤：

步骤一，信息收集：收集手机芯片的数据、热成像数据以及热红外图像；

步骤二，特征提取：利用图像处理技术提取出热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征；

步骤三，多工作负载预测：通过梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场，并对手机芯片的工作负载能力进行预测；

步骤四，预测结果评估：通过均方误差比较预测结果与实际温度场的差异，评估模型的性能。

本发明实施例中，手机芯片的数据通过实验测量获得，包括手机芯片厚度、手机芯片面积、手机芯片层数、粘接胶厚度以及CPU使用率、GPU使用率；热成像数据通过温度传感器、热成像仪器以及图像处理技术获得，包括温度测量值、空间分布数据、时间序列数据以及空间坐标信息。

本发明实施例中，步骤二特征提取，利用图像处理技术提取出手机芯片温度场的梯度、角点特征，提取出手机芯片温度场的梯度、角点特征的具体步骤为：

步骤Q1，数据处理：对收集的热红外图像进行预处理，包括噪声去除、图像增强以及尺度归一化，以确保热红外图像质量和一致性；

步骤Q2，手机芯片温度场的梯度特征提取：基于中心差分的方法计算热红外图像的水平梯度、垂直梯度，根据水平梯度和垂直梯度计算梯度幅度和梯度方向；

步骤Q3，手机芯片温度场的角点特征提取：通过Harris角点检测器计算热红外图像中每个像素周围的局部特征，以确定角点位置，利用SIFT局部特征描述子描述检测到的角点，其响应函数表示为：

R＝det(M)-k*trace(M)

式中：R为自相关矩阵M的行列式与迹的组合，M为2×2的自相关矩阵，k为常数，det(M)为自相关矩阵的行列式，trace(M)为自相关矩阵的迹。

步骤Q2梯度特征提取，有助于了解手机芯片温度场的变化趋势和方向，帮助模型识别温度场的空间分布规律，从而更准确地预测温度场在不同工作负载下的变化；步骤Q3角点特征提取，能够帮助模型捕捉到手机芯片温度场中比较显著的变化区域，通过提取角点特征，模型能够更好地识别温度场的关键区域，从而对温度场的变化进行更精确的预测。通过提取手机芯片温度场的梯度和角点特征，模型能够更好地理解温度场的分布和变化规律，从而实现更精确的温度预测和工作负载能力预测，有助于优化手机芯片的设计和性能，以提高手机的稳定性和安全性。

本发明实施例中，利用SIFT局部特征描述子描述检测到的角点的步骤为：

步骤M1，关键点检测：使用角点检测算法检测热红外图像中的关键点，关键点表示潜在的角点位置，帮助模型找到图像中的角点；

步骤M2，关键点定位：确定关键点的精确位置和尺度，以确保特征在不同尺度下具有不变性，；

步骤M3，关键点方向分配：通过梯度信息计算关键点的主方向，以增强旋转不变性，帮助模型获得更为精确的角点位置和主方向，确保特征在不同尺度和旋转下的不变性；

步骤M4，创建特征描述子：采用直方图描述关键点周围的局部图像区域，将关键点附近的局部区域划分为4x4的子区域，对于每个子区域，计算梯度方向直方图，将梯度方向划分为16个方向区间，对于每个子区域，根据梯度方向直方图的分布，构建一个向量表示，该向量表示将包括每个方向区间的权重或幅度，将所有子区域的向量连接在一起，形成关键点的最终特征描述子，有助于捕捉到图像中的局部结构信息，为模型提供有价值的特征；

步骤M5，特征描述子归一化：对描述子进行归一化，增加描述子的鲁棒性，以确保不同尺度和亮度条件下的一致性，提高模型在不同尺度和亮度条件下的预测性能。

本发明实施例中，在步骤二中，步骤Q3手机芯片温度场的角点特征提取，通过Harris角点检测器计算热红外图像中每个像素周围的局部特征，以确定角点位置，确定角点位置根据R的阈值判断，当R的值大于阈值时，表示该像素周围的局部区域存在明显的角点结构，由此确定该像素是角点；当R的值小于阈值时，表示该像素周围的局部区域为平坦区域或边缘，由此确定该像素不是角点。

本发明实施例中，步骤Q2手机芯片温度场的梯度特征提取，基于中心差分的方法计算热红外图像的水平梯度、垂直梯度，计算热红外图像的水平梯度、垂直梯度的公式为：

G

G

式中：G

本发明实施例中，步骤Q2根据热红外图像的水平梯度和垂直梯度计算梯度幅度和梯度方向，梯度幅度和梯度方向的计算公式为：

式中：GD(x，y)为热红外图像中像素点位置(x，y)的梯度幅度；

式中：Gm(x，y)为热红外图像中像素点位置(x，y)的梯度方向。

本发明实施例中，步骤Q2根据热红外图像的水平梯度和垂直梯度计算梯度幅度和梯度方向，能够有效地提取热红外图像中的梯度特征，为后续对热红外图像进行分析和处理提供基础；通过提取热红外图像的梯度特征，能够更好地识别和定位热红外图像中的目标，提高热红外图像处理算法的准确性和实时性，还能够获得图像的清晰度、对比度信息，为图像增强和恢复应用提供依据。

综上所述，本发明实施例中，步骤Q2根据热红外图像的水平梯度和垂直梯度计算梯度幅度和梯度方向，为热红外图像处理提供了有效的方法和手段，具有较高的实用价值和应用前景。

本发明实施例中，步骤二特征提取，对叠层芯片热阻矩阵和热阻网络模型的特征进行提取的步骤为：

步骤S1，对叠层芯片热阻矩阵进行特征提取：热阻矩阵表示不同芯片内部的热阻值，用于描述不同叠层芯片之间的热传导关系，通过有限元分析方法获得，热阻值的计算公式为：

R＝ΔT/Q；

式中：R为芯片内部的热阻值，ΔT为温度差，Q为热传导率；

通过计算每两层叠层芯片之间的热阻值，构建整个热阻矩阵；

步骤S2，热阻网络模型特征提取：热阻网络模型用于描述叠层芯片内部温度传导的数学模型，基于电路理论，将芯片内的热传导视为电流流动，而温度差异视为电压差，使用电路分析方法计算热阻网络模型的参数，包括热阻和热容。

步骤S1对叠层芯片热阻矩阵进行特征提取，热阻矩阵反映了不同叠层芯片之间的热传导关系，通过有限元分析方法计算每两层叠层芯片之间的热阻值，构建整个热阻矩阵，用于分析和优化叠层芯片的布局和结构，以提高系统的散热性能和可靠性；步骤S2对热阻网络模型特征提取，热阻网络模型基于电路理论，将芯片内的热传导视为电流流动，而温度差异视为电压差，使用电路分析方法计算热阻网络模型的参数，包括热阻和热容，有助于分析和优化芯片内部的热传导路径，从而降低芯片的工作温度，提高系统的稳定性和性能。对叠层芯片热阻矩阵和热阻网络模型的特征进行提取，为分析和优化叠层芯片的热传导特性提供了有效的方法和手段，具有较高的实用价值和应用前景。

本发明实施例中，步骤三模型训练与验证，通过梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场的具体步骤为：

步骤W1，特征工程：将热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征作为输入特征；

步骤W2，数据拆分：将热成像数据分为训练集和验证集，使用交叉验证方法确保模型的鲁棒性；

步骤W3，初始化基础决策树：通过梯度提升算法初始化基础决策树，用于拟合训练集中的温度场数据；

步骤W4，计算训练集中每个样本的残差，即实际温度场与基础决策树的预测温度场之间的差异；

步骤W5，训练下一个决策树：在下一轮迭代中，将训练数据集的残差作为新的目标来训练另一个基础决策树，以减小残差；

步骤W6，加权组合：将基础决策树的预测结果进行加权组合，以生成最终预测模型，最终预测模型的公式为：

y

式中：y

步骤W7，重复迭代：重复步骤W3到步骤W5，直到达到预定的迭代次数；

步骤W8，模型验证：使用验证集来评估模型性能，使用均方误差指标度量模型的拟合质量。

步骤三模型训练与验证，通过梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场的具体步骤，有助于提高模型预测的准确性和泛化能力，从而为手机芯片的温度控制和性能优化提供有力的支持。

步骤W1特征工程和步骤W2数据拆分为模型训练和验证奠定了基础，通过特征工程，将热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征作为输入特征，有效地描述手机芯片的温度场，并提供丰富的信息用于模型训练，通过数据拆分，可以使模型更具有鲁棒性，避免过拟合问题；步骤W3初始化基础决策树、步骤W4计算训练集中每个样本的残差、步骤W5训练下一个决策树和步骤W6加权组合，共同构成了梯度提升决策树的训练过程，通过迭代训练，梯度提升决策树能够拟合训练集中复杂的温度场数据，从而提高模型预测的准确性；步骤W7重复迭代和步骤W8模型验证，确保了模型训练的稳定性和泛化能力，通过重复迭代，梯度提升决策树能够不断优化模型的预测结果，提高模型的拟合质量。步骤三模型训练与验证，通过梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场，能够提高模型预测的准确性和泛化能力，为手机芯片的温度控制和性能优化提供有力的支持。

本发明实施例中，步骤三通过手机芯片的数据建立芯片工作负载能力指标预测模型，对手机芯片的工作负载能力进行预测，手机芯片数据包括手机芯片厚度、手机芯片面积、手机芯片层数、粘接胶厚度、CPU使用率以及GPU使用率，芯片工作负载能力指标预测模型的公式为：

式中：P

以下是各指标与芯片工作负载能力指标存在的一些函数关系说明：手机芯片厚度：手机芯片厚将限制散热能力，从而在高负载情况下限制工作负载能力；手机芯片面积：手机芯片面积越大能提供更多的计算资源，有助于处理更大的工作负载；手机芯片层数：手机芯片层数越多表示越多的处理单元和内存资源，有助于支持更复杂的工作负载；粘接胶厚度：粘接胶厚度越薄导热性越好，有助于提高工作负载能力；CPU使用率和GPU使用率：CPU和GPU使用率越高，工作负载能力越弱。

实施例1

当获取一组手机芯片数据，其中，手机芯片厚度为0.5毫米、手机芯片面积为1000平方厘米、手机芯片层数为10层、粘接胶厚度为0.01毫米、CPU使用率为0.8，GPU使用率为0.6，根据芯片工作负载能力指标预测模型的公式计算：

由芯片工作负载能力指标预测模型的公式计算得到，此时芯片工作负载能力指标为0.54。

实施例2

当获取一组手机芯片数据，其中，手机芯片厚度为0.3毫米、手机芯片面积为600平方厘米、手机芯片层数为6层、粘接胶厚度为0.01毫米、CPU使用率为0.7，GPU使用率为0.4，根据芯片工作负载能力指标预测模型的公式计算：

由芯片工作负载能力指标预测模型的公式计算得到，此时芯片工作负载能力指标为0.574。

本发明实施例通过收集手机芯片的数据、热成像数据以及热红外图像，利用图像处理技术提取出热红外图像的梯度、角点特征，以及叠层芯片热阻矩阵和热阻网络模型的特征，基于梯度提升决策树训练机器学习模型来预测手机芯片在不同工作负载下的温度场，并对手机芯片的工作负载能力进行预测，能够更准确地预测手机芯片在不同工作负载下的温度场，有助于更好地优化手机芯片的散热性能，以提高手机的性能和稳定性。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选方案而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。