(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211213454.8 (22)申请日 2022.09.30 (71)申请人 深圳市创瑞 鑫科技有限公司 地址 518000 广东省深圳市光明新区公明 镇上村社区莲塘工业城铁塔旭 发科技 园B5栋三楼 (72)发明人 曾蓉蓉　彭斌　 (74)专利代理 机构 深圳深知通专利代理事务所 (普通合伙) 44783 专利代理师 高真辉 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 笔记本电脑的散热模块的绝缘性检验方法 及其系统 (57)摘要 本申请公开了一种笔记本电脑的散热模块 的绝缘性检验 方法及其系统。 其首先将获取的检 测图像和参考图像通过孪生网络以得到检测特 征图和参考特征图， 接着， 计算所述检测特征图 和参考特征图之间的差分特征图， 然后， 将所述 差分特征图沿着行向量或者列向量进行展开 以 得到分类特征向量， 最后， 将所述分类特征向量 通过分类器以得到用于表示检测图像中的绝缘 组件的组装样式是否符合预定标准的分类结果。 通过这样的方式， 可以对于笔记本电脑的散热模 块的绝缘性进行准确地检验， 进而在保证检验准 确率的基础上减少笔记本电脑 生产的报废率， 保 证笔记本电脑的生产质量。 权利要求书3页 说明书12页 附图4页 CN 115526865 A 2022.12.27 CN 115526865 A 1.一种笔记本电脑的散热模块的绝 缘性检验方法， 其特 征在于， 包括： 获取检测图像和参考图像， 所述参考图像为绝缘组件被标准地组装于芯片和散热模块 之间的图像； 将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和参考 特征图， 其中， 所述孪生网络包含具有相同网络结构的第一卷积神经网络模型和第二卷积 神经网络模型； 计算所述检测特 征图和参 考特征图之间的差分特 征图； 将所述差分特 征图沿着行向量或者列向量进行展开以得到分类特 征向量； 以及 将所述分类特征向量通过训练完成的分类器以得到分类结果， 所述分类结果用于表示 检测图像中的绝 缘组件的组装样式是否符合预定标准。 2.根据权利要求1所述的笔记本电脑的散热模块的绝缘性检验方法， 其特征在于， 所述 将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和 参考特征 图， 包括： 使用所述孪生网络的第一卷积神经网络模型的卷积编码部分对所述检测图像进行深 度卷积编码以得到检测卷积特 征图； 将所述检测卷积特征图输入所述第一卷积神经网络模型的空间注意力部分以得到第 一空间注意力图； 将所述第一空间注意力图通过Softmax激活函数以得到第一空间注意力特 征图； 以及 计算所述第一空间注意力特征图和所述检测卷积特征图的按位置点乘以得到所述检 测特征图。 3.根据权利要求2所述的笔记本电脑的散热模块的绝缘性检验方法， 其特征在于， 所述 将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测特征图和 参考特征 图， 包括： 使用所述孪生网络的第二卷积神经网络模型的卷积编码部分对所述参考图像进行深 度卷积编码以得到参 考卷积特 征图； 将所述参考卷积特征图输入所述第二卷积神经网络模型的空间注意力部分以得到第 二空间注意力图； 将所述第二空间注意力图通过Softmax激活函数以得到第二空间注意力特 征图； 以及 计算所述第二空间注意力特征图和所述参考卷积特征图的按位置点乘以得到所述参 考特征图。 4.根据权利要求3所述的笔记本电脑的散热模块的绝缘性检验方法， 其特征在于， 所述 计算所述检测特征图和参考特征图之间的差分特征图， 包括： 以如下公式来计算所述检测 特征图和所述 参考特征图之间的按位置 差分以得到所述差分特 征图； 其中， 所述公式为： 其中， F1为所述检测特征图， F2为所述参考特征 图， 表示按位置 差分。 5.根据权利要求4所述的笔记本电脑的散热模块的绝缘性检验方法， 其特征在于， 所述 将所述分类特 征向量通过训练完成的分类 器以得到分类结果， 包括： 使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果， 其权　利　要　求　书 1/3 页 2 CN 115526865 A 2中， 所述公式为： softmax{(Mc,Bc)|X}， 其中， Mc为权重矩阵， Bc为偏置向量， X为所述分类特 征向量。 6.根据权利要求5所述的笔记本电脑的散热模块的绝缘性检验方法， 其特征在于， 还包 括对所述孪生网络和所述分类 器进行训练； 其中， 所述对所述孪生网络和所述分类 器进行训练， 包括： 获取训练数据， 所述训练数据包括训练检测图像、 训练参考图像以及所述训练检测图 像中的绝 缘组件的组装样式是否符合预定标准的真实值； 将所述训练检测图像和所述训练参考图像通过所述孪生网络以得到训练检测特征图 和训练参 考特征图； 计算所述训练检测特 征图和训练参 考特征图之间的训练差分特 征图； 将所述训练差分特 征图通过分类 器以得到分类损失函数值； 计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第 二特征向量的分类模式消 解抑制损失函数值， 其中， 所述分类模式消 解抑制损失函数值与 所述第一特 征向量和所述第二特 征向量之间的差分特 征向量的二范 数的平方有关； 以及 以所述分类模式消解抑制损失函数值和所述分类损失函数值的加权和作为损失函数 值对所述孪生网络和所述分类 器进行训练。 7.根据权利要求6所述的笔记本电脑的散热模块的绝缘性检验方法， 其特征在于， 所述 计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征图展开的第二特 征向量的分类模式消解抑制 损失函数值， 包括： 以如下公式计算由所述训练检测特征图展开的第一特征向量和由所述训练参考特征 图展开的第二特 征向量的所述分类模式消解抑制 损失函数值； 其中， 所述公式为： 其中V1和V2分别表示所述训练检测特征图展开的第一特征向量和由所述训练参考特征 图展开的第二特征向量， M1和M2分别是所述分类器对于所述第一特征向量和所述第二特征 向量的权重矩阵， 且 表示向量的二范数 的平方， || ·||F表示矩阵的F范数， exp( ·)表 示矩阵的指数运算和向量的指数运行， 所述矩阵的指数运算表示以矩阵中各个位置的特征 值为幂的自然指数函数值， 所述向量的指数运算表示以向量中各个位置的特征值为幂的自 然指数函数值。 8.一种笔记本电脑的散热模块的绝 缘性检验系统， 其特 征在于， 包括： 图像获取模块， 用于获取检测图像和参考图像， 所述参考图像为绝缘组件被标准地组 装于芯片和散热模块之间的图像； 编码模块， 用于将所述检测图像和所述参考图像通过训练完成的孪生网络以得到检测 特征图和 参考特征图， 其中， 所述孪生网络包含具有相同网络结构的第一卷积神经网络模 型和第二卷积神经网络模型； 差分计算模块， 用于计算所述检测特 征图和参 考特征图之间的差分特 征图； 展开模块， 用于将所述差分特征图沿着行向量或者列向量进行展开以得到分类特征向 量； 以及权　利　要　求　书 2/3 页 3 CN 115526865 A 3