CN108268899A - 一种电子元件的检测方法、装置和设备 - Google Patents

一种电子元件的检测方法、装置和设备 Download PDF

Info

Publication number
CN108268899A
CN108268899A CN201810061078.2A CN201810061078A CN108268899A CN 108268899 A CN108268899 A CN 108268899A CN 201810061078 A CN201810061078 A CN 201810061078A CN 108268899 A CN108268899 A CN 108268899A
Authority
CN
China
Prior art keywords
feature vector
grader
electronic component
detected
component
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810061078.2A
Other languages
English (en)
Other versions
CN108268899B (zh
Inventor
王建民
刘英博
张育萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201810061078.2A priority Critical patent/CN108268899B/zh
Publication of CN108268899A publication Critical patent/CN108268899A/zh
Application granted granted Critical
Publication of CN108268899B publication Critical patent/CN108268899B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种电子元件的检测方法、装置和设备，所述方法包括：获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果。本发明通过预先构建的分类器库获取对应的分类器进行检测，无需使用待检测电子元件数据进行模型训练，而是直接利用基于历史电子元件数据构建的分类器进行检测，节省了大量的时间成本，直观有效、便于使用。

Description

一种电子元件的检测方法、装置和设备
技术领域
本发明涉及计算机数据处理领域，具体涉及一种电子元件的检测方法、装置和设备。
背景技术
在电子设备的更新换代速度日新月异的今天，如何快速而准确地检测出生产线上电子元件是否装配合格，成了很多电子制造业厂商面临的难题。
现有技术中包括人工检测、抽取特征检测等，存在很多弊端。对于人工检测来说，虽然人工检测的机动性和灵活性很高，但是厂商要花费大量的成本在人力上，同时，检测过程中也会不可避免地发生一些纰漏；而抽取电子元件的特征来进行检测，虽然节省了一部分的人力成本，但又会面临着检测的依据较为单一，检测的标准过于严格或宽松等一系列的问题，因此可能会产生大量的误判，这些误判又需要人工来修正，最后得到的效果可能并不尽如人意。
在这样的背景之下，使用机器学习等新兴的计算机算法来进行检测的方法的优势就凸显出来了；机器学习的方法，灵活性非常高，可以根据数据特征来进行调整，而不是根据单一的指标来进行检测。并且可以节省大量的人力成本。
但是，每生产一个新的电子设备，都要重新训练一个模型出来，而且机器学习需要大量的数据来进行训练，才能够保证它检测结果的准确性。然而，对于目前电子设备迭代速度越来越快的今天，一种电子产品可能在生产线上生产3个月就下线了，这个时候，可能需要花费1个月的时间才能获得足够的数据来进行训练，显然这样的时间成本过于高昂了。因此，如何才能缩短数据训练时间，这一问题亟待解决。
目前，某些电子制造业厂商采用传统方法与机器学习相结合的检测方式来对自己生产的电子设备进行检测。生产过程中，在收集到足够支撑机器学习训练的数据之前，都使用传统方法对电子元器件进行检测，这就导致了电子设备刚进行生产的一段时间内无法使用机器学习进行检测，整个生产过程中，存在两种不同的检测方式，这既不利于生产质量的控制，也浪费了大量的时间来收集数据。
发明内容
针对现有技术中存在的上述缺陷，本发明提供一种电子元件的检测方法、装置和设备。
本发明的一方面提供一种电子元件的检测方法，包括：获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
其中，所述在预先基于历史电子元件构建的分类器库中，查询与待检测电子元件的特征向量相似的目标特征向量的步骤前还包括：根据型号信息对历史电子元件进行分类，并通过计算每一类历史电子元件的元件参数对应的数据分布信息，获取每一类历史电子元件对应的特征向量；对每一类历史电子元件分别训练对应的分类器，各类历史电子元件对应的分类器组成分类器库，其中，训练过程中的输入数据为每一类历史电子元件的元件参数，对应的输出数据为检测结果。
其中，所述对每一类历史电子元件分别训练对应的分类器的步骤前还包括：对每一类历史电子元件对应的特征向量进行比较，将特征向量的相似度大于预设值的多类历史电子元件进行合并，并计算合并后新类别的历史电子元件对应的特征向量。
其中，所述数据分布信息为数据分布函数，所述特征向量由与各元件参数对应的数据分布函数组成。
其中，所述元件参数包括焊点、电阻型号、电容型号和芯片型号中的至少一个；其中，所述焊点对应的数据分布函数包括高度分布函数、面积分布函数、体积分布函数和位置分布函数中的至少一个。
其中，所述目标特征向量为分类器库中与待检测电子元件对应的特征向量相似度最高的特征向量。
本发明的另一方面提供一种电子元件的检测装置，包括：获取模块，用于获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；检索模块，用于在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；检测模块，用于将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
所述装置还包括：构建模块，用于根据型号信息对历史电子元件进行分类，并通过计算每一类历史电子元件的元件参数对应的数据分布信息，获取每一类历史电子元件对应的特征向量；对每一类历史电子元件分别训练对应的分类器，各类历史电子元件对应的分类器组成分类器库，其中，训练过程中的输入数据为每一类历史电子元件的元件参数，对应的输出数据为检测结果。
本发明的又一方面提供一种电子元件的检测设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行本发明上述方面提供的电子元件的检测方法，例如包括：获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
本发明的又一方面提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本发明上述方面提供的电子元件的检测方法，例如包括：获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
本发明提供的电子元件的检测方法、装置和设备，通过预先构建的分类器库获取对应的分类器进行检测，无需使用待检测电子元件数据进行模型训练，而是直接利用基于历史电子元件数据构建的分类器进行检测，节省了大量的时间成本，直观有效、便于使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提供的电子元件的检测方法的流程示意图；
图2为本发明实施例提供的电子元件的检测装置的结构示意图；
图3为本发明实施例提供的电子元件的检测设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例提供的方法是基于在电子元件的生产过程中，很多电子元件，如：电容、电阻等的型号都是相同的；这意味着，同样的电子元件在生产不同的设备的过程中，复用的情况很普遍；根据这一点，本发明实施例提出可以收集大量不同电子元件的数据，把这些数据作为训练数据分别对分类器进行训练；并且，将训练数据的分布当作分类器的特征值；实际使用时，若在生产过程中再遇到同样的数据分布，就不需重复训练数据，而是可以直接将该分类器应用在该电子元件的检测上，节省了大量的时间成本。
图1为本发明实施例提供的电子元件的检测方法的流程示意图，如图1所示，包括：步骤101，获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；步骤102，在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；步骤103，将待检测电子元件的元件参数输入预先训练完成的目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
在步骤101中，对于生产过程中需要检测的电子元件，可以计算电子元件在不同维度上的数据分布，并以此作为该电子元件的特征值v'，其中，不同的维度对应不同的元件参数；多个属于同一类别的待检测电子元件，每个元件的相同元件参数具有不同的数据值，因此可以获得各元件参数的数据分布信息；而特征向量则反映各元件参数在待检测电子元件中的数据分布情况。
在步骤102中，根据步骤101得到的特征向量，可以在预先建立的分类器库中进行分类器查询；其中，分类器库具有特征向量集合v'＝{v1',v2',…,vn'}，集合中的每个特征向量都具有对应的一个分类器，每个分类器都对应一个基于已经生产出来的历史电子元件的分类；通过特征向量之间的比较，检索可以得到与待检测电子元件的特征向量相似的特征向量(其中，检索可用的方法包括K-means算法，Kolmogorov–Smirnov检验等)，表明待检测电子元件与该分类对应的电子元件在元件参数的数据分布上较为相似，可以将该历史分类对应的分类器Ti作为目标分类器进行元件检测。
在步骤103中，根据步骤102中得到的目标分类器，可以将目标分类器Ti用于实际生产过程之中；对于新加工好的待检测电子元件，将元件的数据输入分类器Ti之中，分类器Ti会根据数据来做出是否合格的判断；并且，分类器是与目标特征向量对应的，是由目标特征向量对应的元件参数进行模型训练获得。
本发明实施例提供的电子元件的检测方法，通过预先构建的分类器库获取对应的分类器进行检测，无需使用待检测电子元件数据进行模型训练，而是直接利用基于历史电子元件数据构建的分类器进行检测，节省了大量的时间成本，直观有效、便于使用。
在上述任一实施例的基础上，所述在预先基于历史电子元件构建的分类器库中，查询与待检测电子元件的特征向量相似的目标特征向量的步骤前还包括：根据型号信息对历史电子元件进行分类，并通过计算每一类历史电子元件的元件参数对应的数据分布信息，获取每一类历史电子元件对应的特征向量；对每一类历史电子元件分别训练对应的分类器，各类历史电子元件对应的分类器组成分类器库，其中，训练过程中的输入数据为每一类历史电子元件的元件参数，对应的输出数据为检测结果。
具体地，首先需要先构建分类器库；即需要获取到历史生产的电子元件的元件参数，清洗生产过程中收集到的不同电子元件的数据，将检测电子元件需要用的维度单独提取出来(即元件参数)；并根据电子元件的型号对这些数据进行分类，得到原始的分类数据集D＝{d1,d2,…,dm}。然后计算每类电子元件的数据分布；即各元件参数对应的数据分布函数组合成每一类历史电子元件的特征向量。
经过上述步骤，根据电子元件型号划分的每一类历史电子元件都具有对应的一个分类器；然后对每个分类器进行模型训练，具体可用的计算学习算法有卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)等方法；将这些分类器聚合在一起，得到分类器库T＝{T1,T2,…,Tn}，而vi为第i个分类器Ti的特征向量。
在上述任一实施例的基础上，所述对每一类历史电子元件分别训练对应的分类器的步骤前还包括：对每一类历史电子元件对应的特征向量进行比较，将特征向量的相似度大于预设值的多类历史电子元件进行合并，并计算合并后新类别的历史电子元件对应的特征向量。
具体地，由于按照型号信息进行分类可能会使类别的数量过多，因此可以基于类别分类的基础上进行类别合并；因此，在得到所有类电子元件的特征向量v＝{v1,v2,…,vm}之后，两两进行比较，将特征向量相似度达到预设值(例如95％)以上的电子元件分类的数据重新聚类在一起，得到一个新的分类数据集D'＝{d1',d2',…,dn'}；这里可用的算法包括K-means算法和Kolmogorov–Smirnov检验等。
由于合并后得到的新分类中的元件发生了变化，因此需要重新计算特征向量，得到新的特征向量集合v'＝{v1',v2',…,vn'}；在训练分类器时，依据该新得到的特征向量集合进行模型训练，能够减少训练时长，并在检索时减少花费的时间。
在上述任一实施例的基础上，所述数据分布信息为数据分布函数，所述特征向量由与各元件参数对应的数据分布函数组成。
具体地，统计多个待检测电子元件的各元件参数的数据，从而获得每个参数对应的分布函数，多个分布函数按照一定顺序组成各类别电子元件对应的特征向量。
在上述任一实施例的基础上，所述元件参数包括焊点、电阻型号、电容型号和芯片型号中的至少一个；其中，所述焊点对应的数据分布函数包括高度分布函数、面积分布函数、体积分布函数和位置分布函数中的至少一个。
例如，对于电子元件的焊点的高度分布F(height)(对应焊点高度的元件参数)、面积分布F(area)(对应焊点面积的元件参数)、体积分布F(volumn)(对应焊点体积的元件参数)和位置分布F(x,y)(对应焊点位置的元件参数)等，用这些数据的分布函数作为分类器的特征向量，vi＝{F(height),F(area),F(volumn),F(x,y),…}。
在上述任一实施例的基础上，所述目标特征向量为分类器库中与待检测电子元件对应的特征向量相似度最高的特征向量。
本发明实施例提供的电子元件的检测方法，为基于模型检索的无训练过程快速机器学习方法，其优点是：
可以在不经过数据训练的前提下，使用机器学习方法对电子元件进行检测，达到了快速训练的目的，在使用准确性较高的机器学习算法来对电子元件进行检测的同时，又可以节省大量的时间成本；
极高地利用了电子制造业厂商之前的生产数据，挖掘出了历史数据的价值，将历史数据与新产生的数据联系在一起，可以帮助厂商更好地发现自己生产过程中存在的问题和缺陷；
具有很好的适用性，能够适用于多种不同的数据分布，即使是从未生产过的电子元件，只要它的特征值与分类器库中的某一个特征值十分相似，就可以直接将分类器套用在它的身上，而不需要再采集数据进行训练；
达到了一次训练，多次复用的效果，相比于前期训练所花费的时间，生产过程中节省的时间显然更为可观，为厂商减少了大量不必要的时间浪费。
图2为本发明实施例提供的电子元件的检测装置的结构示意图，如图2所示，包括：获取模块201，用于获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；检索模块202，用于在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；检测模块203，用于将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
其中，对于生产过程中需要检测的电子元件，获取模块201可以计算电子元件在不同维度上的数据分布，并以此作为该电子元件的特征值v'，其中，不同的维度对应不同的元件参数；多个属于同一类别的待检测电子元件，每个元件的相同元件参数具有不同的数据值，因此获取模块201可以获得各元件参数的数据分布信息；而特征向量则反映各元件参数在待检测电子元件中的数据分布情况。
其中，根据获取模块201得到的特征向量，检索模块202可以在预先建立的分类器库中进行分类器查询；其中，分类器库具有特征向量集合v'＝{v1',v2',…,vn'}，集合中的每个特征向量都具有对应的一个分类器，每个分类器都对应一个基于已经生产出来的历史电子元件的分类；通过特征向量之间的比较，检索模块202检索可以得到与待检测电子元件的特征向量相似的特征向量(其中，检索可用的方法包括K-means算法，Kolmogorov–Smirnov检验等)，表明待检测电子元件与该分类对应的电子元件在元件参数的数据分布上较为相似，可以将该历史分类对应的分类器Ti作为目标分类器进行元件检测。
其中，根据检索模块202中得到的目标分类器，检测模块203可以将目标分类器Ti用于实际生产过程之中；对于新加工好的待检测电子元件，检测模块203将元件的数据输入分类器Ti之中，分类器Ti会根据数据来做出是否合格的判断；并且，分类器是与目标特征向量对应的，是由目标特征向量对应的元件参数进行模型训练获得。
本发明实施例提供的电子元件的检测装置，通过预先构建的分类器库获取对应的分类器进行检测，无需使用待检测电子元件数据进行模型训练，而是直接利用基于历史电子元件数据构建的分类器进行检测，节省了大量的时间成本，直观有效、便于使用。
在上述任一实施例的基础上，所述装置还包括：构建模块，用于根据型号信息对历史电子元件进行分类，并通过计算每一类历史电子元件的元件参数对应的数据分布信息，获取每一类历史电子元件对应的特征向量；对每一类历史电子元件分别训练对应的分类器，各类历史电子元件对应的分类器组成分类器库，其中，训练过程中的输入数据为每一类历史电子元件的元件参数，对应的输出数据为检测结果。
具体地，首先需要构建模块先构建分类器库；即需要构建模块获取到历史生产的电子元件的元件参数，清洗生产过程中收集到的不同电子元件的数据，将检测电子元件需要用的维度单独提取出来(即元件参数)；构建模块根据电子元件的型号对这些数据进行分类，得到原始的分类数据集D＝{d1,d2,…,dm}。然后计算每类电子元件的数据分布；即各元件参数对应的数据分布函数组合成每一类历史电子元件的特征向量。
构建模块根据电子元件型号划分的每一类历史电子元件都具有对应的一个分类器；然后对每个分类器进行模型训练，具体可用的计算学习算法有卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)等方法；将这些分类器聚合在一起，得到分类器库T＝{T1,T2,…,Tn}，而vi为第i个分类器Ti的特征向量。
在上述任一实施例的基础上，所述装置还包括：合并模块，用于对每一类历史电子元件对应的特征向量进行比较，将特征向量的相似度大于预设值的多类历史电子元件进行合并，并计算合并后新类别的历史电子元件对应的特征向量。
在上述任一实施例的基础上，所述数据分布信息为数据分布函数，所述特征向量由与各元件参数对应的数据分布函数组成。
在上述任一实施例的基础上，所述元件参数包括焊点、电阻型号、电容型号和芯片型号中的至少一个；其中，所述焊点对应的数据分布函数包括高度分布函数、面积分布函数、体积分布函数和位置分布函数中的至少一个。
在上述任一实施例的基础上，所述目标特征向量为分类器库中与待检测电子元件对应的特征向量相似度最高的特征向量。
图3为本发明实施例提供的电子元件的检测设备的结构示意图，如图3所示，该设备包括：至少一个处理器301；以及与所述处理器301通信连接的至少一个存储器302，其中：所述存储器302存储有可被所述处理器301执行的程序指令，所述处理器301调用所述程序指令能够执行上述各实施例所提供的电子元件的检测方法，例如包括：获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
本发明实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行对应实施例所提供的电子元件的检测方法，例如包括：获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
以上所描述的电子元件的检测设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电子元件的检测方法，其特征在于，包括：
获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；
在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；
将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
2.根据权利要求1所述的方法，其特征在于，所述在预先基于历史电子元件构建的分类器库中，查询与待检测电子元件的特征向量相似的目标特征向量的步骤前还包括：
根据型号信息对历史电子元件进行分类，并通过计算每一类历史电子元件的元件参数对应的数据分布信息，获取每一类历史电子元件对应的特征向量；
对每一类历史电子元件分别训练对应的分类器，各类历史电子元件对应的分类器组成分类器库，其中，训练过程中的输入数据为每一类历史电子元件的元件参数，对应的输出数据为检测结果。
3.根据权利要求2所述的方法，其特征在于，所述对每一类历史电子元件分别训练对应的分类器的步骤前还包括：
对每一类历史电子元件对应的特征向量进行比较，将特征向量的相似度大于预设值的多类历史电子元件进行合并，并计算合并后新类别的历史电子元件对应的特征向量。
4.根据权利要求1或2所述的方法，其特征在于，所述数据分布信息为数据分布函数，所述特征向量由与各元件参数对应的数据分布函数组成。
5.根据权利要求4所述的方法，其特征在于，所述元件参数包括焊点、电阻型号、电容型号和芯片型号中的至少一个；其中，所述焊点对应的数据分布函数包括高度分布函数、面积分布函数、体积分布函数和位置分布函数中的至少一个。
6.根据权利要求1所述的方法，其特征在于，所述目标特征向量为分类器库中与待检测电子元件对应的特征向量相似度最高的特征向量。
7.一种电子元件的检测装置，其特征在于，包括：
获取模块，用于获取待检测电子元件的元件参数，并根据元件参数的数据分布信息获取待检测电子元件对应的特征向量；
检索模块，用于在预先基于历史电子元件构建的分类器库中，检索与待检测电子元件的特征向量相似的目标特征向量，并将分类器库中与目标特征向量对应的分类器作为目标分类器；
检测模块，用于将待检测电子元件的元件参数输入目标分类器中，获取目标分类器输出的检测结果，其中，目标分类器为通过与目标特征向量对应的历史电子元件的元件参数进行模型训练获得。
8.根据权利要求7所述的装置，其特征在于，还包括：
构建模块，用于根据型号信息对历史电子元件进行分类，并通过计算每一类历史电子元件的元件参数对应的数据分布信息，获取每一类历史电子元件对应的特征向量；对每一类历史电子元件分别训练对应的分类器，各类历史电子元件对应的分类器组成分类器库，其中，训练过程中的输入数据为每一类历史电子元件的元件参数，对应的输出数据为检测结果。
9.一种电子元件的检测设备，其特征在于，包括：
至少一个处理器；
以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一所述的方法。
CN201810061078.2A 2018-01-22 2018-01-22 一种电子元件的检测方法、装置和设备 Active CN108268899B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810061078.2A CN108268899B (zh) 2018-01-22 2018-01-22 一种电子元件的检测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810061078.2A CN108268899B (zh) 2018-01-22 2018-01-22 一种电子元件的检测方法、装置和设备

Publications (2)

Publication Number Publication Date
CN108268899A true CN108268899A (zh) 2018-07-10
CN108268899B CN108268899B (zh) 2019-03-01

Family

ID=62776428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810061078.2A Active CN108268899B (zh) 2018-01-22 2018-01-22 一种电子元件的检测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN108268899B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008972A (zh) * 2018-11-15 2019-07-12 阿里巴巴集团控股有限公司 用于数据增强的方法和装置
WO2022227018A1 (zh) * 2021-04-30 2022-11-03 华为数字能源技术有限公司 一种功率半导体器件的测试系统、云服务器及测试机

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1061571A3 (en) * 1999-06-15 2008-02-27 Applied Materials, Inc. Adaptative method and apparatus for automatically classifying surface defects
US20110222785A1 (en) * 2010-03-11 2011-09-15 Kabushiki Kaisha Toshiba Signal classification apparatus
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN107238508A (zh) * 2017-07-21 2017-10-10 浙江中控技术股份有限公司 一种设备状态诊断方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1061571A3 (en) * 1999-06-15 2008-02-27 Applied Materials, Inc. Adaptative method and apparatus for automatically classifying surface defects
KR100824217B1 (ko) * 1999-06-15 2008-04-24 어플라이드 머티어리얼스, 인코포레이티드 결함에 대한 하이브리드식 불변의 적응성 자동 분류 방법및 장치
US20110222785A1 (en) * 2010-03-11 2011-09-15 Kabushiki Kaisha Toshiba Signal classification apparatus
CN107004060A (zh) * 2014-11-25 2017-08-01 流动马赛克公司 用于半导体制造工艺的经改进工艺控制技术
CN107238508A (zh) * 2017-07-21 2017-10-10 浙江中控技术股份有限公司 一种设备状态诊断方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110008972A (zh) * 2018-11-15 2019-07-12 阿里巴巴集团控股有限公司 用于数据增强的方法和装置
WO2022227018A1 (zh) * 2021-04-30 2022-11-03 华为数字能源技术有限公司 一种功率半导体器件的测试系统、云服务器及测试机

Also Published As

Publication number Publication date
CN108268899B (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN109613002B (zh) 一种玻璃缺陷检测方法、装置和存储介质
CN107408209B (zh) 用于在半导体工艺中进行缺陷分类的系统和方法
CN103630244B (zh) 电力系统设备故障诊断方法及系统
CN109697434A (zh) 一种行为识别方法、装置和存储介质
CN109949286A (zh) 用于输出信息的方法和装置
CN108830285A (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN106372622A (zh) 一种人脸表情分类方法及装置
CN108564104A (zh) 产品缺陷检测方法、装置、系统、服务器及存储介质
CN109614488B (zh) 基于文本分类和图像识别的配网带电作业条件判别方法
CN108197668A (zh) 模型数据集的建立方法及云系统
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN110596506A (zh) 基于时间卷积网络的变换器故障诊断方法
CN108875819B (zh) 一种基于长短期记忆网络的物体和部件联合检测方法
CN115343676B (zh) 密封电子设备内部多余物定位技术的特征优化方法
CN108710907A (zh) 手写体数据分类方法、模型训练方法、装置、设备及介质
CN109472226A (zh) 一种基于深度学习的睡觉行为检测方法
CN113614778A (zh) 图像分析系统及使用该图像分析系统的方法
CN107247666A (zh) 一种基于特征选择和集成学习的软件缺陷个数预测方法
CN116776258B (zh) 电力设备监测数据处理方法及系统
CN108375729B (zh) 基于Fisher判别的电机SOM聚类退化状态评估方法
CN109543693A (zh) 基于正则化标签传播的弱标注数据降噪方法
CN104657574A (zh) 一种医疗诊断模型的建立方法及装置
CN108268899A (zh) 一种电子元件的检测方法、装置和设备
CN115169534A (zh) 卷积神经网络的样本优化训练方法及计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant