CN116408647B - 汽车散热器芯体自动装配系统及其方法 - Google Patents

Abstract

一种汽车散热器芯体自动装配系统及其方法，其制作符合预定要求的散热片；将水箱和水管安装在所述散热片上以得到散热芯体；将支架安装在所述散热芯体上以得到汽车散热器芯体；对装配完成的所述汽车散热器芯体进行表面缺陷检测。这样，可以保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

Description

汽车散热器芯体自动装配系统及其方法

技术领域

本申请涉及智能化装配技术领域，并且更具体地，涉及一种汽车散热器芯体自动装配系统及其方法。

背景技术

汽车散热器芯体是汽车散热系统的核心部件，它主要由水箱、水管、散热片和支架等组成。汽车发动机运行时会产生大量的热量，如果不能及时散发，则会导致发动机过热，从而影响汽车的安全性和可靠性。因此，汽车散热器芯体具有非常重要的作用，它可以将发动机产生的热量散发到空气中，保证发动机不会过热。然而，传统的汽车散热器芯体装配方法主要采用人工操作，效率低下且容易出现质量问题。

因此，期望一种优化的汽车散热器芯体自动装配方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种汽车散热器芯体自动装配系统及其方法，其制作符合预定要求的散热片；将水箱和水管安装在所述散热片上以得到散热芯体；将支架安装在所述散热芯体上以得到汽车散热器芯体；对装配完成的所述汽车散热器芯体进行表面缺陷检测。这样，可以保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

第一方面，提供了一种汽车散热器芯体自动装配方法，其包括：

制作符合预定要求的散热片；

将水箱和水管安装在所述散热片上以得到散热芯体；

将支架安装在所述散热芯体上以得到汽车散热器芯体；

对装配完成的所述汽车散热器芯体进行表面缺陷检测。

在上述汽车散热器芯体自动装配方法中，对装配完成的所述汽车散热器芯体进行表面缺陷检测，包括：获取装配完成的所述汽车散热器芯体的表面检测图像；将所述表面检测图像进行图像分块处理以得到图像块的序列；将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；对所述分类特征图进行特征分布优化以得到优化分类特征图；以及，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷。

在上述汽车散热器芯体自动装配方法中，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵，包括：从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，将所述融合特征图沿着通道维度进行全局均值池化以得到所述多个图像块特征矩阵。

在上述汽车散热器芯体自动装配方法中，将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述分类特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维特征矩阵。

在上述汽车散热器芯体自动装配方法中，对所述分类特征图进行特征分布优化以得到优化分类特征图，包括：以如下优化公式对所述分类特征图进行流形曲面的高斯概率密度参数二次正则化以得到所述优化分类特征图；其中，所述优化公式为：

f′_i，j，k＝(μσ)f_i，j，k ²+f_i，j，kμ+(f_i，j，k-σ)μ²

其中，f_i，j，k是所述分类特征图的第(i，j，k)位置的特征值，μ和σ是所述分类特征图的各个位置特征值集合的均值和标准差，且f′_i，j，k是所述优化分类特征图的第(i，j，k)位置的特征值。

在上述汽车散热器芯体自动装配方法中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷，包括：将所述优化分类特征图按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

第二方面，提供了一种汽车散热器芯体自动装配系统，其包括：

散热片制作模块，用于制作符合预定要求的散热片；

第一安装模块，用于将水箱和水管安装在所述散热片上以得到散热芯体；

第二安装模块，用于将支架安装在所述散热芯体上以得到汽车散热器芯体；

表面缺陷检测模块，用于对装配完成的所述汽车散热器芯体进行表面缺陷检测。

在上述汽车散热器芯体自动装配系统中，所述表面缺陷检测模块，包括：图像获取单元，用于获取装配完成的所述汽车散热器芯体的表面检测图像；图像分块处理单元，用于将所述表面检测图像进行图像分块处理以得到图像块的序列；深浅特征融合单元，用于将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；特征提取单元，用于将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；特征分布优化单元，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；以及，表面结果生成单元，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷。

在上述汽车散热器芯体自动装配系统中，所述深浅特征融合单元，包括：浅层提取子单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；深层提取子单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；融合子单元，用于使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，均值池化子单元，用于将所述融合特征图沿着通道维度进行全局均值池化以得到所述多个图像块特征矩阵。

在上述汽车散热器芯体自动装配系统中，所述特征提取单元，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述分类特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维特征矩阵。

与现有技术相比，本申请提供的汽车散热器芯体自动装配系统及其方法，其制作符合预定要求的散热片；将水箱和水管安装在所述散热片上以得到散热芯体；将支架安装在所述散热芯体上以得到汽车散热器芯体；对装配完成的所述汽车散热器芯体进行表面缺陷检测。这样，可以保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本申请实施例的汽车散热器芯体自动装配方法的场景示意图。

图2为根据本申请实施例的汽车散热器芯体自动装配方法的流程图。

图3为根据本申请实施例的汽车散热器芯体自动装配方法中步骤140的子步骤的流程图。

图4为根据本申请实施例的汽车散热器芯体自动装配方法中步骤140的架构示意图。

图5为根据本申请实施例的汽车散热器芯体自动装配方法中步骤143的子步骤的流程图。

图6为根据本申请实施例的汽车散热器芯体自动装配方法中步骤146的子步骤的流程图。

图7为根据本申请实施例的汽车散热器芯体自动装配系统的框图。

图8为根据本申请实施例的汽车散热器芯体自动装配系统中所述表面缺陷检测模块的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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实施例，都属于本申请保护的范围。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

如上所述，汽车发动机运行时会产生大量的热量，如果不能及时散发，则会导致发动机过热，从而影响汽车的安全性和可靠性。因此，汽车散热器芯体具有非常重要的作用，它可以将发动机产生的热量散发到空气中，保证发动机不会过热。然而，传统的汽车散热器芯体装配方法主要采用人工操作，效率低下且容易出现质量问题。因此，期望一种优化的汽车散热器芯体自动装配方案。

应可以理解，汽车散热器芯体是汽车散热系统的核心部件，它主要由水箱、水管、散热片和支架等组成。具体来说，水箱是散热器芯体的两端部分，它连接着进水口和出水口，用于储存冷却液。水管是散热器芯体的主体部分，它贯穿水箱，形成冷却液的流动通道。散热片是散热器芯体的外围部分，它与水管紧密接触，用于增加散热面积和传递热量。支架是散热器芯体的辅助部分，它用于固定和支撑散热器芯体，防止其变形和损坏。

基于此，在本申请的技术方案中，提出了一种汽车散热器芯体自动装配方法，其包括：制作散热片：制作符合预定设计要求的散热片。安装水箱和水管：将水箱和水管安装在所述散热片上，并进行精准的定位和连接以得到散热芯体。安装支架：将支架安装在所述散热芯体上，以保证整个散热器芯体的稳固性，从而得到汽车散热器芯体。缺陷检测：对装配完成的所述汽车散热器芯体进行表面缺陷检测。

相应地，考虑到在实际进行汽车散热器芯体的装配过程中，对汽车散热器芯体进行缺陷检测是尤为重要的，其能够及时发现散热器芯体的尺寸和形状是否符合设计要求，是否有变形、裂纹、损伤等缺陷，有利于后续散热器芯体能够有效地发挥其作用，以保证发动机的正常运行。基于此，在本申请的技术方案中，期望通过所述装配完成的汽车散热器芯体的表面检测图像进行分析来实现对汽车散热器芯体的缺陷检测。然而，由于所述表面检测图像中存在有大量的关于汽车散热器芯体的特征信息量，难以对汽车散热器芯体的质量特征信息以及尺寸缺陷特征信息进行捕捉刻画，导致汽车散热器芯体的制备质量难以得到保证。因此，在此过程中，难点在于如何进行所述表面检测图像中关于汽车散热器芯体的质量隐含特征信息的充分表达，以此来保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述表面检测图像中关于汽车散热器芯体的质量隐含特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取装配完成的汽车散热器芯体的表面检测图像。接着，考虑到由于所述表面检测图像中关于汽车散热器芯体质量缺陷的隐含特征为小尺度的细微特征，为了能够提高所述表面检测图像中关于所述汽车散热器芯体质量缺陷特征的表达能力，以此来提高对汽车散热器芯体的缺陷检测精准度，在本申请的技术方案中，对所述汽车散热器芯体进行图像分块处理以得到图像块的序列。应可以理解，所述图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述汽车散热器芯体中关于小尺寸的所述汽车散热器芯体质量缺陷隐含特征在所述各个图像块中不再是小尺寸对象，以便于后续进行缺陷检测。

然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述图像块的序列中的各个图像块的特征挖掘，特别地，考虑到在对于所述图像块的序列中的各个图像块的隐藏特征进行提取时，为了能够更准确地检测出所述汽车散热器芯体的表面缺陷和尺寸，应关注于所述各个图像块中关于汽车散热器芯体的形状、轮廓和纹理等浅层特征，这些所述浅层特征对于所述汽车散热器芯体的表面缺陷检测具有重要意义。而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。因此，在本申请的技术方案中，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型进行处理以得到多个图像块特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述各个图像块中关于汽车散热器芯体的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述汽车散热器芯体表面缺陷检测的精度。

进一步地，考虑到在所述各个图像块中关于汽车散热器芯体的表面质量缺陷的深浅融合特征信息之间具有着关联关系，因此，为了能够进行所述汽车散热器芯体的表面质量缺陷特征的充分表达，以此来准确地进行缺陷检测，在本申请的技术方案中，进一步将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型中进行处理，以提取出所述各个图像块中关于汽车散热器芯体的表面质量缺陷特征的语义关联特征信息，从而得到分类特征图。

接着，进一步再将所述分类特征图通过分类器中进行分类处理，以利用所述各个图像块中基于所述表面检测图像整体的关于所述汽车散热器芯体的表面质量缺陷特征的语义关联性特征分布信息来进行分类，从而实现汽车散热器芯体的缺陷检测，以得到用于表示装配完成的汽车散热器芯体的表面是否存在缺陷的分类结果。也就是，在本申请的技术方案中，所述分类器的标签包括装配完成的汽车散热器芯体的表面存在缺陷(第一标签)，以及，装配完成的汽车散热器芯体的表面不存在缺陷(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“装配完成的汽车散热器芯体的表面是否存在缺陷”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，装配完成的汽车散热器芯体的表面是否存在缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“装配完成的汽车散热器芯体的表面是否存在缺陷”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为装配完成的汽车散热器芯体的表面是否存在缺陷的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行汽车散热器芯体的表面缺陷检测，以保证汽车散热器芯体的质量和尺寸适配性。

特别地，在本申请的技术方案中，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型得到多个图像块特征矩阵时，所述包含深浅特征融合模块的卷积神经网络模型会提取单个图像块的浅层和深层图像语义特征，但是，由于各个图像块的源图像语义内容的不同，特征提取会向不同方向收敛，从而导致所述多个图像块特征矩阵排列得到的二维特征矩阵的特征分布不规则。并且，这种特征分布不规则在经由作为特征提取器的卷积神经网络模型进行局部关联特征的特征提取之后，会使得得到的所述分类特征图的特征分布的不规则化问题更为严重，影响所述分类特征图的分类准确性。

基于此，本申请的申请人对所述分类特征图F进行流形曲面的高斯概率密度参数二次正则化，具体表示为：

f′_i，j，k＝(μσ)f_i，j，k ²+f_i，j，kμ+(f_i，j，k-σ)μ²

其中μ和σ是特征值集合f_i，j，k∈F的均值和标准差，且f_i，′_j，k是优化后的所述分类特征图F′的第(i，j，k)位置的特征值。

具体地，为了解决所述分类特征图F的特征集合的高维特征分布在高维特征空间内的分布不规则化的问题，通过特征值针对分类器的类概率分布的高斯概率密度参数的似然性进行所述分类特征图F的各个特征值的二次正则化，来将基于目标类概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升优化后的所述分类特征图F′的特征分布的规则性，以提升优化后的所述分类特征图F′通过分类器的分类准确性。这样，能够准确地进行汽车散热器芯体的表面缺陷检测，以保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

图1为根据本申请实施例的汽车散热器芯体自动装配方法的场景示意图。如图1所示，在该应用场景中，首先，获取装配完成的所述汽车散热器芯体(例如，如图1中所示意的M)的表面检测图像(例如，如图1中所示意的C)；然后，将获取的表面检测图像输入至部署有汽车散热器芯体自动装配算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于汽车散热器芯体自动装配算法对所述表面检测图像进行处理，以生成用于表示装配完成的汽车散热器芯体的表面是否存在缺陷的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

在本申请的一个实施例中，图2为根据本申请实施例的汽车散热器芯体自动装配方法的流程图。如图2所示，根据本申请实施例的汽车散热器芯体自动装配方法100，包括：110，制作符合预定要求的散热片；120，将水箱和水管安装在所述散热片上以得到散热芯体；130，将支架安装在所述散热芯体上以得到汽车散热器芯体；140，对装配完成的所述汽车散热器芯体进行表面缺陷检测。

图3为根据本申请实施例的汽车散热器芯体自动装配方法中步骤140的子步骤的流程图。如图3所示，对装配完成的所述汽车散热器芯体进行表面缺陷检测，包括：141，获取装配完成的所述汽车散热器芯体的表面检测图像；142，将所述表面检测图像进行图像分块处理以得到图像块的序列；143，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；144，将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；145，对所述分类特征图进行特征分布优化以得到优化分类特征图；以及，146，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷。

如上所述，汽车发动机运行时会产生大量的热量，如果不能及时散发，则会导致发动机过热，从而影响汽车的安全性和可靠性。因此，汽车散热器芯体具有非常重要的作用，它可以将发动机产生的热量散发到空气中，保证发动机不会过热。然而，传统的汽车散热器芯体装配方法主要采用人工操作，效率低下且容易出现质量问题。因此，期望一种优化的汽车散热器芯体自动装配方案。

应可以理解，汽车散热器芯体是汽车散热系统的核心部件，它主要由水箱、水管、散热片和支架等组成。具体来说，水箱是散热器芯体的两端部分，它连接着进水口和出水口，用于储存冷却液。水管是散热器芯体的主体部分，它贯穿水箱，形成冷却液的流动通道。散热片是散热器芯体的外围部分，它与水管紧密接触，用于增加散热面积和传递热量。支架是散热器芯体的辅助部分，它用于固定和支撑散热器芯体，防止其变形和损坏。

基于此，在本申请的技术方案中，提出了一种汽车散热器芯体自动装配方法，其包括：制作散热片：制作符合预定设计要求的散热片。安装水箱和水管：将水箱和水管安装在所述散热片上，并进行精准的定位和连接以得到散热芯体。安装支架：将支架安装在所述散热芯体上，以保证整个散热器芯体的稳固性，从而得到汽车散热器芯体。缺陷检测：对装配完成的所述汽车散热器芯体进行表面缺陷检测。

图4为根据本申请实施例的汽车散热器芯体自动装配方法中步骤140的架构示意图。如图4所示，在该网络架构中，首先，获取装配完成的所述汽车散热器芯体的表面检测图像；然后，将所述表面检测图像进行图像分块处理以得到图像块的序列；接着，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；然后，将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；接着，对所述分类特征图进行特征分布优化以得到优化分类特征图；以及，最后，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷。

具体地，在步骤141中，获取装配完成的所述汽车散热器芯体的表面检测图像。相应地，考虑到在实际进行汽车散热器芯体的装配过程中，对汽车散热器芯体进行缺陷检测是尤为重要的，其能够及时发现散热器芯体的尺寸和形状是否符合设计要求，是否有变形、裂纹、损伤等缺陷，有利于后续散热器芯体能够有效地发挥其作用，以保证发动机的正常运行。

基于此，在本申请的技术方案中，期望通过所述装配完成的汽车散热器芯体的表面检测图像进行分析来实现对汽车散热器芯体的缺陷检测。然而，由于所述表面检测图像中存在有大量的关于汽车散热器芯体的特征信息量，难以对汽车散热器芯体的质量特征信息以及尺寸缺陷特征信息进行捕捉刻画，导致汽车散热器芯体的制备质量难以得到保证。因此，在此过程中，难点在于如何进行所述表面检测图像中关于汽车散热器芯体的质量隐含特征信息的充分表达，以此来保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述表面检测图像中关于汽车散热器芯体的质量隐含特征信息提供了新的解决思路和方案。

具体地，在本申请的技术方案中，首先，获取装配完成的汽车散热器芯体的表面检测图像。

具体地，在步骤142中，将所述表面检测图像进行图像分块处理以得到图像块的序列。接着，考虑到由于所述表面检测图像中关于汽车散热器芯体质量缺陷的隐含特征为小尺度的细微特征，为了能够提高所述表面检测图像中关于所述汽车散热器芯体质量缺陷特征的表达能力，以此来提高对汽车散热器芯体的缺陷检测精准度，在本申请的技术方案中，对所述汽车散热器芯体进行图像分块处理以得到图像块的序列。应可以理解，所述图像块的序列中的各个图像块的尺度相较于原图像被缩减，因此，所述汽车散热器芯体中关于小尺寸的所述汽车散热器芯体质量缺陷隐含特征在所述各个图像块中不再是小尺寸对象，以便于后续进行缺陷检测。

具体地，在步骤143中，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述图像块的序列中的各个图像块的特征挖掘，特别地，考虑到在对于所述图像块的序列中的各个图像块的隐藏特征进行提取时，为了能够更准确地检测出所述汽车散热器芯体的表面缺陷和尺寸，应关注于所述各个图像块中关于汽车散热器芯体的形状、轮廓和纹理等浅层特征，这些所述浅层特征对于所述汽车散热器芯体的表面缺陷检测具有重要意义。而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。

因此，在本申请的技术方案中，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型进行处理以得到多个图像块特征矩阵。应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述各个图像块中关于汽车散热器芯体的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高所述汽车散热器芯体表面缺陷检测的精度。

图5为根据本申请实施例的汽车散热器芯体自动装配方法中步骤143的子步骤的流程图，如图5所示，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵，包括：1431，从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；1432，从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；1433，使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，1434，将所述融合特征图沿着通道维度进行全局均值池化以得到所述多个图像块特征矩阵。

应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留所述图像块的序列中的各个图像块的浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高分类结果的精准度。同时，深度神经网络的结构往往比较复杂，需要大量的样本数据来训练和调整，而深度网络的训练时间较长，容易过拟合。因此，在神经网络模型的设计中，通常采用浅层网络和深层网络的结合，通过深浅特征融合，可以在一定程度上降低网络的复杂度和过拟合的风险，同时提高模型的特征提取能力和泛化能力。

在使用卷积神经网络模型对所述图像块的序列中的各个图像块进行编码的过程中，首先从所述卷积神经网络模型的浅层提取出浅层特征图(例如，所述浅层指的是第一层至第六层)，并从所述卷积神经网络模型的深层提取深层特征图(例如，所述卷积神经网络模型的最后一层)，然后，通过融合所述浅层特征图和所述深层特征图以得到包含浅层特征和深层特征的特征表示。在具体编码过程中，所述浅层特征图的提取位置由所述卷积神经网络模型的整体网络深度所决定，例如，当网络深度是30时，从所述卷积神经网络模型的第3层，当网络深度是40时，从所述卷积神经网络模型的第4层，对此，并不为本申请所局限。同样地，所述深层特征图的提取位置也并不为本申请所局限，其可以是最后一层，也可以是倒数最二层，也可以是同时从最后一层和倒数第二层。

具体地，在步骤144中，将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图。进一步地，考虑到在所述各个图像块中关于汽车散热器芯体的表面质量缺陷的深浅融合特征信息之间具有着关联关系，因此，为了能够进行所述汽车散热器芯体的表面质量缺陷特征的充分表达，以此来准确地进行缺陷检测，在本申请的技术方案中，进一步将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型中进行处理，以提取出所述各个图像块中关于汽车散热器芯体的表面质量缺陷特征的语义关联特征信息，从而得到分类特征图。

其中，将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述分类特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维特征矩阵。

卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。

卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。

具体地，在步骤145中，对所述分类特征图进行特征分布优化以得到优化分类特征图。特别地，在本申请的技术方案中，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型得到多个图像块特征矩阵时，所述包含深浅特征融合模块的卷积神经网络模型会提取单个图像块的浅层和深层图像语义特征，但是，由于各个图像块的源图像语义内容的不同，特征提取会向不同方向收敛，从而导致所述多个图像块特征矩阵排列得到的二维特征矩阵的特征分布不规则。并且，这种特征分布不规则在经由作为特征提取器的卷积神经网络模型进行局部关联特征的特征提取之后，会使得得到的所述分类特征图的特征分布的不规则化问题更为严重，影响所述分类特征图的分类准确性。

基于此，本申请的申请人对所述分类特征图F进行流形曲面的高斯概率密度参数二次正则化，具体表示为：以如下优化公式对所述分类特征图进行流形曲面的高斯概率密度参数二次正则化以得到所述优化分类特征图；其中，所述优化公式为：

f′_i，j，k＝(μσ)f_i，j，k ²+f_i，j，kμ+(f_i，j，k-σ)μ²

其中，f_i，j，k是所述分类特征图的第(i，j，k)位置的特征值，μ和σ是所述分类特征图的各个位置特征值集合的均值和标准差，且f′_i，j，k是所述优化分类特征图的第(i，j，k)位置的特征值。

具体地，为了解决所述分类特征图F的特征集合的高维特征分布在高维特征空间内的分布不规则化的问题，通过特征值针对分类器的类概率分布的高斯概率密度参数的似然性进行所述分类特征图F的各个特征值的二次正则化，来将基于目标类概率的高斯概率密度参数的参数空间内的等距离分布进行特征值的平滑约束，以获得高维特征的流形曲面表达的原始概率密度似然函数在参数空间内的规则化重整，从而提升优化后的所述分类特征图F′的特征分布的规则性，以提升优化后的所述分类特征图F′通过分类器的分类准确性。这样，能够准确地进行汽车散热器芯体的表面缺陷检测，以保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

具体地，在步骤146中，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷。接着，进一步再将所述分类特征图通过分类器中进行分类处理，以利用所述各个图像块中基于所述表面检测图像整体的关于所述汽车散热器芯体的表面质量缺陷特征的语义关联性特征分布信息来进行分类，从而实现汽车散热器芯体的缺陷检测，以得到用于表示装配完成的汽车散热器芯体的表面是否存在缺陷的分类结果。

也就是，在本申请的技术方案中，所述分类器的标签包括装配完成的汽车散热器芯体的表面存在缺陷(第一标签)，以及，装配完成的汽车散热器芯体的表面不存在缺陷(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征图属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“装配完成的汽车散热器芯体的表面是否存在缺陷”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，装配完成的汽车散热器芯体的表面是否存在缺陷的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“装配完成的汽车散热器芯体的表面是否存在缺陷”的语言文本意义。

应可以理解，在本申请的技术方案中，所述分类器的分类标签为装配完成的汽车散热器芯体的表面是否存在缺陷的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行汽车散热器芯体的表面缺陷检测，以保证汽车散热器芯体的质量和尺寸适配性。

图6为根据本申请实施例的汽车散热器芯体自动装配方法中步骤146的子步骤的流程图，如图6所示，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷，包括：1461，将所述优化分类特征图按照行向量或列向量展开为分类特征向量；1462，使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，1463，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

其中，使用所述分类器以如下公式对所述优化分类特征图进行处理以得到所述分类结果；其中，所述公式为：O＝softmax{(W_n，B_n)：...：(W₁，B₁)|Project(F)}，其中，W₁到W_n为权重矩阵，B₁到B_n为偏置向量，Project(F)为将所述优化分类特征图投影为向量。

综上，基于本申请实施例的汽车散热器芯体自动装配方法100被阐明，其制作符合预定要求的散热片；将水箱和水管安装在所述散热片上以得到散热芯体；将支架安装在所述散热芯体上以得到汽车散热器芯体；对装配完成的所述汽车散热器芯体进行表面缺陷检测。这样，可以保证汽车散热器芯体的质量和尺寸适配性，进而确保汽车散热器芯体能够有效地进行发动机散热，保证发动机的正常运行。

在本申请的一个实施例中，图7为根据本申请实施例的汽车散热器芯体自动装配系统的框图。如图7所示，根据本申请实施例的汽车散热器芯体自动装配系统200，包括：散热片制作模块210，用于制作符合预定要求的散热片；第一安装模块220，用于将水箱和水管安装在所述散热片上以得到散热芯体；第二安装模块230，用于将支架安装在所述散热芯体上以得到汽车散热器芯体；表面缺陷检测模块240，用于对装配完成的所述汽车散热器芯体进行表面缺陷检测。

图8为根据本申请实施例的汽车散热器芯体自动装配系统中所述表面缺陷检测模块的框图。如图8所示，所述表面缺陷检测模块240，包括：图像获取单元241，用于获取装配完成的所述汽车散热器芯体的表面检测图像；图像分块处理单元242，用于将所述表面检测图像进行图像分块处理以得到图像块的序列；深浅特征融合单元243，用于将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；特征提取单元244，用于将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；特征分布优化单元245，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；以及，表面结果生成单元246，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷。

在一个具体示例中，在上述汽车散热器芯体自动装配系统中，所述深浅特征融合单元，包括：浅层提取子单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；深层提取子单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；融合子单元，用于使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到融合特征图；以及，均值池化子单元，用于将所述融合特征图沿着通道维度进行全局均值池化以得到所述多个图像块特征矩阵。

在一个具体示例中，在上述汽车散热器芯体自动装配系统中，所述特征提取单元，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述分类特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维特征矩阵。

在一个具体示例中，在上述汽车散热器芯体自动装配系统中，所述特征分布优化单元，用于：以如下优化公式对所述分类特征图进行流形曲面的高斯概率密度参数二次正则化以得到所述优化分类特征图；其中，所述优化公式为：

f′_i，j，k＝(μσ)f_i，j，k ²+f_i，j，kμ+(f_i，j，k-σ)μ²

其中，f_i，j，k是所述分类特征图的第(u，j，k)位置的特征值，μ和σ是所述分类特征图的各个位置特征值集合的均值和标准差，且f′_i，j，k是所述优化分类特征图的第(i，j，k)位置的特征值。

在一个具体示例中，在上述汽车散热器芯体自动装配系统中，所述表面结果生成单元，包括：展开子单元，用于将所述优化分类特征图按照行向量或列向量展开为分类特征向量；全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类结果子单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

这里，本领域技术人员可以理解，上述汽车散热器芯体自动装配系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图6的汽车散热器芯体自动装配方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的汽车散热器芯体自动装配系统200可以实现在各种终端设备中，例如用于汽车散热器芯体自动装配的服务器等。在一个示例中，根据本申请实施例的汽车散热器芯体自动装配系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该汽车散热器芯体自动装配系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该汽车散热器芯体自动装配系统200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该汽车散热器芯体自动装配系统200与该终端设备也可以是分立的设备，并且汽车散热器芯体自动装配系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。

在本申请的一个实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述所述方法的计算机程序。

应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (7)

1.一种汽车散热器芯体自动装配方法，其特征在于，包括：

制作符合预定要求的散热片；

将水箱和水管安装在所述散热片上以得到散热芯体；

将支架安装在所述散热芯体上以得到汽车散热器芯体；

对装配完成的所述汽车散热器芯体进行表面缺陷检测；

其中，对装配完成的所述汽车散热器芯体进行表面缺陷检测，包括：

获取装配完成的所述汽车散热器芯体的表面检测图像；

将所述表面检测图像进行图像分块处理以得到图像块的序列；

将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；

将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；

对所述分类特征图进行特征分布优化以得到优化分类特征图；以及

将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷；

其中，对所述分类特征图进行特征分布优化以得到优化分类特征图，包括：

以如下优化公式对所述分类特征图进行流形曲面的高斯概率密度参数二次正则化以得到所述优化分类特征图；

其中，所述优化公式为：

其中，是所述分类特征图的第/>位置的特征值，/>和/>是所述分类特征图的各个位置特征值集合的均值和标准差，且/>是所述优化分类特征图的第/>位置的特征值。

2.根据权利要求1所述的汽车散热器芯体自动装配方法，其特征在于，将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵，包括：

从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；

从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；

使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到融合特征图；以及

将所述融合特征图沿着通道维度进行全局均值池化以得到所述多个图像块特征矩阵。

3.根据权利要求2所述的汽车散热器芯体自动装配方法，其特征在于，将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述分类特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维特征矩阵。

4.根据权利要求3所述的汽车散热器芯体自动装配方法，其特征在于，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷，包括：

将所述优化分类特征图按照行向量或列向量展开为分类特征向量；

使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

5.一种汽车散热器芯体自动装配系统，其特征在于，包括：

散热片制作模块，用于制作符合预定要求的散热片；

第一安装模块，用于将水箱和水管安装在所述散热片上以得到散热芯体；

第二安装模块，用于将支架安装在所述散热芯体上以得到汽车散热器芯体；

表面缺陷检测模块，用于对装配完成的所述汽车散热器芯体进行表面缺陷检测；

其中，所述表面缺陷检测模块，包括：

图像获取单元，用于获取装配完成的所述汽车散热器芯体的表面检测图像；

图像分块处理单元，用于将所述表面检测图像进行图像分块处理以得到图像块的序列；

深浅特征融合单元，用于将所述图像块的序列中的各个图像块通过包含深浅特征融合模块的卷积神经网络模型以得到多个图像块特征矩阵；

特征提取单元，用于将所述多个图像块特征矩阵按照所述图像分块的位置排列为二维特征矩阵后通过作为特征提取器的卷积神经网络模型以得到分类特征图；

特征分布优化单元，用于对所述分类特征图进行特征分布优化以得到优化分类特征图；以及

表面结果生成单元，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示装配完成的汽车散热器芯体的表面是否存在缺陷；

其中，所述特征分布优化单元，包括：

以如下优化公式对所述分类特征图进行流形曲面的高斯概率密度参数二次正则化以得到所述优化分类特征图；

其中，所述优化公式为：

其中，是所述分类特征图的第/>位置的特征值，/>和/>是所述分类特征图的各个位置特征值集合的均值和标准差，且/>是所述优化分类特征图的第/>位置的特征值。

6.根据权利要求5所述的汽车散热器芯体自动装配系统，其特征在于，所述深浅特征融合单元，包括：

浅层提取子单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；

深层提取子单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；

融合子单元，用于使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到融合特征图；以及

均值池化子单元，用于将所述融合特征图沿着通道维度进行全局均值池化以得到所述多个图像块特征矩阵。

7.根据权利要求6所述的汽车散热器芯体自动装配系统，其特征在于，所述特征提取单元，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出为所述分类特征图，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述二维特征矩阵。