CN110837717B - 一种基于Map图的玻璃面板多元缺陷根因分析方法 - Google Patents
一种基于Map图的玻璃面板多元缺陷根因分析方法 Download PDFInfo
- Publication number
- CN110837717B CN110837717B CN201911076461.6A CN201911076461A CN110837717B CN 110837717 B CN110837717 B CN 110837717B CN 201911076461 A CN201911076461 A CN 201911076461A CN 110837717 B CN110837717 B CN 110837717B
- Authority
- CN
- China
- Prior art keywords
- defect
- glass panel
- map
- information
- production
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于Map图的玻璃面板多元缺陷根因分析方法,本方法针对某种待分析缺陷Code,将不同来源的其它缺陷测量数据和产品的各种特性值测量结果按统一标准整理为与玻璃Map坐标关联的数值信息。以玻璃Map位置关联的不良率为分析对象,为每个生产设备单元建立面板不良率与面板数据的最优拟合模型,其拟合程度取决于对应设备单元生产工具缺陷信息和产品特性值信息与不良的相关程度,借助拟合模型的R方值判断缺陷信息和特性值信息与不良是否存在关联性,并筛选最有效的几个生产设备单元,本方法能够实现快速且准确找到缺陷的技术效果。
Description
技术领域
本发明涉及智能制造与人工智能领域,具体地,涉及一种基于Map图的玻璃面板多元缺陷根因分析方法。
背景技术
现有面板制造生产过程通常包含Array、CF、Cell和模组等流程,加工流程为在玻璃Glass基板上通过逐层叠加实现控制单元生产,并通过RGB单元实现色彩控制,然后切割Glass板获得最终的Panel板,即最终面向客户的手机、电视屏幕等,最后通过模组段来添加PCB控制等相关部件。
在每个生产过程或阶段,工厂均会通过电学检测或光学检测识别产品的缺陷信息,并汇总分类缺陷,定义缺陷的Code类别。工厂基于高发缺陷Code以及产品的生产履历、参数、特性值等信息分析问题根因,以改善不良问题,提升产品良率。
在分析根因时,传统的Map图比对方式一般逐个设备对比玻璃不良发生Map图与玻璃特性值Map、其他缺陷发生Map的相似度。缺陷数据类型多样,包括玻璃本身的各种缺陷以及Mask等生产工具的缺陷;细节数据复杂,包括玻璃特性值,设备接触点位等。现有方法只能从单维度逐个人工对比分析,一方面效率很低,易遗漏某些因素;另一方面没有考虑多缺陷或者多元因素的共同作用,很难找到真正的根因。
发明内容
本发明提供了一种基于Map图的玻璃面板多元缺陷根因分析方法,目的是解决现有方式存在效率较低、易遗漏某些因素、难于找到真正根因的技术问题,实现能够快速且准确找到缺陷的技术效果。
为实现上述发明目的,本发明提供了一种基于Map图的玻璃面板多元缺陷根因分析方法,所述方法包括:
步骤1:获取待分析玻璃面板的不良信息以及玻璃面板信息;
步骤2:玻璃面板被切割为若干板块,依据玻璃面板的切割设计信息获取每个板块在玻璃面板的位置布局信息;
步骤3:针对每个生产设备单元,从生产数据中获取该生产设备单元对应生产工具的缺陷数据,利用该数据分析生产工具缺陷对玻璃面板缺陷的影响;将生产工具缺陷映射到板块区域内,获得每个板块区域生产工具缺陷发生的程度信息;
步骤4:针对每个生产设备单元,基于步骤1得到的玻璃面板信息的各测量点位特性值数据,按板块区域分别汇总每种特性值并求平均值,得到板块区域特性值的平均水平;
步骤5:针对每个生产设备单元,基于玻璃面板的不良发生数据,按板块位置汇总对应板块区域的不良发生比例;
步骤6:针对每个板块位置,将该板块区域对应的生产工具缺陷发生的程度信息和特性值数据作为回归模型的特征维度,将该板块区域的不良发生比例作为回归模型的回归目标,建立回归模型,所有板块位置对应的数据构成回归模型的训练数据集;
步骤7:针对每个生产设备单元,利用训练数据集训练回归模型,利用生产工具缺陷发生的程度信息、板块区域特性值信息拟合板块区域的不良发生比例,训练后输出拟合效果R方值;
步骤8:基于训练后的回归模型获得所有生产设备单元的R方值,利用R方值筛选出对玻璃面板缺陷影响最大的若干个生产设备单元;
步骤9:针对每个筛选出的生产设备单元,分析对应的回归模型,输出相关性最大的若干个玻璃面板缺陷影响因素。
本发明将采用Map图方式组织汇总设备信息,并通过数据的融合准备根因分析的数据,并基于机器学习模型拟合能力识别可能造成产品缺陷问题的生产设备,本发明能够快速定位问题,提升产品良率。
优选的,所述步骤1具体包括:按生产设备单元划分玻璃面板测试数据,得到每个生产设备单元加工的玻璃面板信息,包括每片玻璃面板是否有缺陷、缺陷的位置和玻璃面板特性值。
优选的,板块区域的不良发生比例等于发生不良的板块数量除以(生产设备单元生产总量。
优选的,基于生产工具缺陷位置坐标信息对应的坐标系与板块位置布局信息对应的坐标系之间的转换关系,将生产工具缺陷映射到板块区域。
优选的,所述步骤6还包括针对每个生产设备单元融合步骤3、4和5获取的数据。
优选的,针对生产工具的每种缺陷,生成生产工具缺陷的第一Map图矩阵,矩阵的每个元素对应相应板块区域生产工具缺陷发生的程度信息;。
优选的,基于步骤1得到的玻璃面板信息的各测量点位特性值数据,按板块位置分别汇总每种特性值并求平均值,得到玻璃面板各种特性值的第二Map图矩阵,矩阵的每个元素对应相应板块区域特性值的平均水平。
优选的,针对每个生产设备单元,基于玻璃面板板块位置的不良发生数据,按板块位置进行汇总对应板块区域的不良发生比例,得到玻璃面板不良发生的第三Map图矩阵,矩阵的每个元素对应该板块区域的不良发生比例。
优选的,本方法采用的模型是XGBoost回归模型。
优选的,本方法从业务系统获取玻璃面板的切割设计信息。
本发明提供了一种基于Map图的玻璃面板多元缺陷根因分析方法,通过整合不同来源的缺陷和特性值数据做多元回归分析,快速有效分析不良根因,解决传统基于Map方法不能同时考虑多因素共同效应的问题。
本发明提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过基于Map图的多元缺陷根因分析方法的实现,可以整合多种数据源信息,以一种统一、可复用、自动化的方式,同时考虑多种缺陷因素、特性值数据,快速有效分析到最可能的根因。
本方法按设备生产单元分组建模,如站点、设备、腔室,如果有更好的先验业务知识,可以实现更好的分组分析,灵活实用。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本发明的一部分,并不构成对本发明实施例的限定;
图1是本发明中一种基于Map图的玻璃面板多元缺陷根因分析方法的流程示意图;
图2是本发明中玻璃面板的切割设计示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在相互不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述范围内的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参考图1,本发明提出了一种基于Map图的玻璃面板多元缺陷根因分析方法,针对某种待分析缺陷Code,将不同来源的其它缺陷测量结果和产品的各种特性值测量结果按统一标准整理为与玻璃Map坐标关联的数值信息。以玻璃Map位置关联的不良率为分析对象,为每个生产设备单元建立面板不良率与面板数据的最优拟合模型,其拟合程度取决于对应设备单元生产工具缺陷信息和产品特性值信息与不良的相关程度,借助拟合模型的R方值判断缺陷信息和特性值信息与不良是否存在关联性,并筛选最有效的几个生产设备单元。
所述一种基于Map图的多元缺陷根因分析方法,包括步骤:
步骤1,确定需要分析的产品(玻璃面板)不良Code(类型)。按生产设备单元(设备+腔室)切分玻璃面板测试数据,得到每个生产设备单元加工的玻璃面板信息,玻璃面板信息可细化为每片玻璃面板是否有缺陷、缺陷的位置、glass(玻璃面板)特性值等信息。
步骤2,玻璃面板被切割为若干板块,基于从业务系统获取的产品Layout(切割设计)信息得到Glass(玻璃面板)切割后每个Panel(板块)在Glass(玻璃面板)的位置布局信息,如图2所示。
步骤3,针对每个生产设备单元,从生产数据中获取该生产设备单元对应生产工具(如Mask)的各种缺陷数据,用以分析生成工具缺陷对玻璃面板缺陷的影响,并利用缺陷的位置坐标信息以及坐标转换关系,将缺陷映射到Panel区域。所以,针对生产工具的每种缺陷,将会生成该缺陷的Map图矩阵,其中每个元素对应该Panel区域缺陷发生的程度信息。
步骤4,针对每个生产设备单元,基于步骤1得到的产品各测量点位特性值数据,按panel区域分别汇总每种特性值(如膜厚,线宽)并求平均值,得到产品各种特性值的Map图矩阵,其中每个元素对应该Panel区域特性值的平均水平。
步骤5,针对每个生产设备单元,基于步骤1玻璃面板的不良发生数据,按panel位置汇总对应区域的Code不良发生比例,即发生Code Panel数量除以设备单元生产总量,得到产品不良发生比例的Map图矩阵,其中每个元素对应该Panel区域的不良发生比例。
步骤6,针对每个生产设备单元,融合步骤3、4、5获取的数据。针对每个panel位置,将该区域对应的步骤3、4获取的各种其它缺陷发生信息和特性值信息数据作为回归模型的特征维度,将步骤5得到的不良发生率作为回归模型的回归目标。所有panel位置对应的数据构成回归模型的训练数据集。
步骤7,针对每个生产设备单元,基于步骤6获取的模型训练数据集,采用XGBoost回归模型实现各种生产工具缺陷信息、特性值信息与不良发生率之间的拟合模型,并输出模型拟合效果R方值。
步骤8,选择所有生产设备单元的R方值中的Top-N个最大值,即筛选出对缺陷影响最大的Top-N个生产设备单元。
步骤9,针对每个筛选出的生产设备单元,通过其拟合的回归模型,输出相关性最大的Top-k个影响因素,即特性值或者其他生产工具缺陷。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,所述方法包括:
步骤1:获取待分析玻璃面板的不良信息以及玻璃面板信息;
步骤2:玻璃面板被切割为若干板块,基于玻璃面板的切割设计信息获取每个板块在玻璃面板的位置布局信息;
步骤3:针对每个生产设备单元,从生产数据中获取该生产设备单元对应生产工具的缺陷数据,利用该数据分析生产工具缺陷对玻璃面板缺陷的影响;将生产工具缺陷映射到板块区域内,获得每个板块区域生产工具缺陷发生的程度信息;
步骤4:针对每个生产设备单元,基于步骤1得到的玻璃面板信息中的各测量点位特性值数据,按板块区域分别汇总每种特性值并求平均值,得到板块区域特性值的平均水平;
步骤5:针对每个生产设备单元,基于玻璃面板内的不良发生数据,按板块位置汇总对应板块区域的不良发生比例,得到对应板块区域的不良发生比例;
步骤6:针对每个板块位置,将该板块区域对应的生产工具缺陷发生的程度信息和特性值数据作为回归模型的特征维度,将该板块区域的不良发生比例作为回归模型的回归目标,建立回归模型,所有板块位置对应的数据构成回归模型的训练数据集;
步骤7:针对每个生产设备单元,利用训练数据集训练回归模型,利用生产工具缺陷发生的程度信息、板块区域特性值信息拟合板块区域的不良发生比例,训练后输出拟合R方值;
步骤8:基于训练后的回归模型获得所有生产设备单元的R方值,利用R方值筛选出对玻璃面板缺陷影响最大的若干个生产设备单元;
步骤9:针对每个筛选出的生产设备单元,分析对应的回归模型,输出相关性最大的若干个玻璃面板缺陷影响因素。
2.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,所述步骤1具体包括:按生产设备单元划分玻璃面板测试数据,得到每个生产设备单元加工的玻璃面板信息,包括每片玻璃面板是否有缺陷、缺陷的位置和玻璃面板特性值。
3.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,板块区域的不良发生比例等于发生不良的板块数量除以生产设备单元生产总量。
4.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,基于生产工具缺陷位置坐标信息对应的坐标系与板块位置布局信息对应的坐标系之间的转换关系,将生产工具缺陷映射到板块区域。
5.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,所述步骤6还包括针对每个生产设备单元,融合步骤3、4和5获取的数据。
6.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,针对生产工具的每种缺陷,生成生产工具缺陷的第一Map图矩阵,矩阵的每个元素对应相应板块区域生产工具缺陷发生的程度信息。
7.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,基于步骤1得到的玻璃面板信息的各测量点位特性值数据,按板块位置分别汇总每种特性值并求平均值,得到玻璃面板各种特性值的第二Map图矩阵,矩阵的每个元素对应相应板块区域特性值的平均水平。
8.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,针对每个生产设备单元,基于玻璃面板板块位置的不良发生数据,按板块位置汇总对应板块区域的不良发生比例,得到玻璃面板不良发生的第三Map图矩阵,矩阵的每个元素对应该板块区域的不良发生比例。
9.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,本方法采用的模型是XGBoost回归模型。
10.根据权利要求1所述的一种基于Map图的玻璃面板多元缺陷根因分析方法,其特征在于,从业务系统获取玻璃面板的切割设计信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076461.6A CN110837717B (zh) | 2019-11-06 | 2019-11-06 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911076461.6A CN110837717B (zh) | 2019-11-06 | 2019-11-06 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837717A CN110837717A (zh) | 2020-02-25 |
CN110837717B true CN110837717B (zh) | 2022-09-06 |
Family
ID=69576250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911076461.6A Active CN110837717B (zh) | 2019-11-06 | 2019-11-06 | 一种基于Map图的玻璃面板多元缺陷根因分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837717B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932394B (zh) * | 2020-08-10 | 2023-10-31 | 成都数之联科技股份有限公司 | 一种基于关联规则挖掘的不良根因路径分析方法及系统 |
CN112184691A (zh) * | 2020-10-13 | 2021-01-05 | 上海喆塔信息科技有限公司 | 一种基于不良Map图的缺陷模式分析方法 |
US11797557B2 (en) | 2020-12-03 | 2023-10-24 | Boe Technology Group Co., Ltd. | Data management platform, intelligent defect analysis system, intelligent defect analysis method, computer-program product, and method for defect analysis |
CN113837528B (zh) * | 2021-08-04 | 2024-03-22 | 山西光兴光电科技有限公司 | 用于判定造成基板玻璃表面缺陷的工位位置的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060039516A (ko) * | 2004-11-03 | 2006-05-09 | (주)알티에스 | 액정패널 에지면의 회귀라인 도입에 의한 에지면 결함의검사방법 |
JP2013236032A (ja) * | 2012-05-11 | 2013-11-21 | Hitachi High-Technologies Corp | 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム |
CN103793544A (zh) * | 2012-10-30 | 2014-05-14 | 三星电机株式会社 | 不良位置分析系统及方法 |
CN106501978A (zh) * | 2017-01-04 | 2017-03-15 | 京东方科技集团股份有限公司 | 一种显示面板不良信息的分析方法和分析装置 |
CN107036531A (zh) * | 2015-12-11 | 2017-08-11 | 索泰克公司 | 用于检测缺陷的方法和关联装置 |
CN107907815A (zh) * | 2017-10-10 | 2018-04-13 | 芯海科技(深圳)股份有限公司 | 一种单板双通道产测及良率分析系统及方法 |
CN108073497A (zh) * | 2018-01-29 | 2018-05-25 | 上海洞识信息科技有限公司 | 一种基于数据中心数据采集平台的多指标异动分析方法 |
CN108596226A (zh) * | 2018-04-12 | 2018-09-28 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的显示面板缺陷训练方法及系统 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN109711659A (zh) * | 2018-11-09 | 2019-05-03 | 成都数之联科技有限公司 | 一种工业生产的良率提升管理系统和方法 |
CN110390677A (zh) * | 2019-09-17 | 2019-10-29 | 成都数之联科技有限公司 | 一种基于滑动自匹配的缺陷定位方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100558943B1 (ko) * | 2004-01-14 | 2006-03-10 | 삼성전자주식회사 | 평판 디스플레이 검사방법 |
US8607169B2 (en) * | 2011-12-28 | 2013-12-10 | Elitetech Technology Co., Ltd. | Intelligent defect diagnosis method |
CN106200047B (zh) * | 2016-08-29 | 2019-03-22 | 武汉精测电子集团股份有限公司 | 一种基于GPU的TFT-LCD Mura缺陷检测的方法 |
US11016035B2 (en) * | 2017-09-18 | 2021-05-25 | Elite Semiconductor Inc. | Smart defect calibration system and the method thereof |
-
2019
- 2019-11-06 CN CN201911076461.6A patent/CN110837717B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060039516A (ko) * | 2004-11-03 | 2006-05-09 | (주)알티에스 | 액정패널 에지면의 회귀라인 도입에 의한 에지면 결함의검사방법 |
JP2013236032A (ja) * | 2012-05-11 | 2013-11-21 | Hitachi High-Technologies Corp | 欠陥解析支援装置、欠陥解析支援装置で実行されるプログラム、および欠陥解析システム |
CN103793544A (zh) * | 2012-10-30 | 2014-05-14 | 三星电机株式会社 | 不良位置分析系统及方法 |
CN107036531A (zh) * | 2015-12-11 | 2017-08-11 | 索泰克公司 | 用于检测缺陷的方法和关联装置 |
CN106501978A (zh) * | 2017-01-04 | 2017-03-15 | 京东方科技集团股份有限公司 | 一种显示面板不良信息的分析方法和分析装置 |
CN107907815A (zh) * | 2017-10-10 | 2018-04-13 | 芯海科技(深圳)股份有限公司 | 一种单板双通道产测及良率分析系统及方法 |
CN108073497A (zh) * | 2018-01-29 | 2018-05-25 | 上海洞识信息科技有限公司 | 一种基于数据中心数据采集平台的多指标异动分析方法 |
CN108596226A (zh) * | 2018-04-12 | 2018-09-28 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的显示面板缺陷训练方法及系统 |
CN109711659A (zh) * | 2018-11-09 | 2019-05-03 | 成都数之联科技有限公司 | 一种工业生产的良率提升管理系统和方法 |
CN109683360A (zh) * | 2019-02-14 | 2019-04-26 | 宁波轻蜓视觉科技有限公司 | 液晶面板缺陷检测方法及装置 |
CN110390677A (zh) * | 2019-09-17 | 2019-10-29 | 成都数之联科技有限公司 | 一种基于滑动自匹配的缺陷定位方法及系统 |
Non-Patent Citations (4)
Title |
---|
Machine Learning-based Methods for Detecting Defects in Glass Substrate from Non-contact Electrical Sensor Data;Ryota Wakamatsu等;《Proceedings of the World Congress on Engineering 2018》;20180706;第1卷;第1-6页 * |
TFT-LCD Mura defects automatic inspection system using linear regression;S-L Chen等;《Proceedings of the Institution of Mechanical Engineers,Part B:Journal of Engineering Manufacture》;20081124;第222卷(第11期);第1489-1501页 * |
基于深度模型的手机屏幕缺陷检测和分类算法研究;沈红佳;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20190115(第01期);第I138-4357页 * |
平板显示基板玻璃中的固态缺陷;李青等;《材料导报》;20170525;第31卷(第S1期);第108-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110837717A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837717B (zh) | 一种基于Map图的玻璃面板多元缺陷根因分析方法 | |
KR102229594B1 (ko) | 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 | |
EP3502966B1 (en) | Data generation apparatus, data generation method, and data generation program | |
CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
TWI603074B (zh) | 光學薄膜缺陷辨識方法及其系統 | |
CN111127571B (zh) | 一种小样本缺陷分类方法和装置 | |
CN105335963A (zh) | 一种边缘缺陷检测方法及装置 | |
CN103885218B (zh) | 一种基板的检测方法及检测装置 | |
KR20190075707A (ko) | 딥러닝을 이용한 양품 선별 방법 | |
CN106054421A (zh) | 一种液晶面板缺陷的检测方法及装置 | |
CN111160432A (zh) | 一种面板生产制造缺陷的自动分类方法及系统 | |
CN114219799A (zh) | 一种智能制造用次品分析方法及系统 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN116805204B (zh) | 一种智慧厂务监控方法及系统 | |
CN111103307A (zh) | 一种基于深度学习的pcb板缺陷检测方法 | |
CN115907279A (zh) | 基于物联网的工业生产产品用质量检测系统及方法 | |
CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN107330454B (zh) | 非线性海量高维序列数据分类特性可视化及定量分析方法 | |
CN115457541A (zh) | 一种基于图像识别的珠宝质量鉴定方法和装置 | |
Lyu et al. | A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study | |
CN107967401A (zh) | 一种版图重复单元匹配性检查方法及系统 | |
CN109919154A (zh) | 一种字符智能识别方法及识别装置 | |
CN115564726A (zh) | Led发光装置的检测方法、装置、电子设备及存储介质 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Applicant after: Chengdu shuzhilian Technology Co.,Ltd. Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |