CN112487707B - 一种基于lstm的点胶图形智能生成方法 - Google Patents

一种基于lstm的点胶图形智能生成方法 Download PDF

Info

Publication number
CN112487707B
CN112487707B CN202011268584.2A CN202011268584A CN112487707B CN 112487707 B CN112487707 B CN 112487707B CN 202011268584 A CN202011268584 A CN 202011268584A CN 112487707 B CN112487707 B CN 112487707B
Authority
CN
China
Prior art keywords
lstm
dispensing
vector
features
input
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
Application number
CN202011268584.2A
Other languages
English (en)
Other versions
CN112487707A (zh
Inventor
杜仲辉
刘德喜
井津域
史磊
康楠
刘洋
景翠
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.)
Beijing Research Institute of Telemetry
Aerospace Long March Launch Vehicle Technology Co Ltd
Original Assignee
Beijing Research Institute of Telemetry
Aerospace Long March Launch Vehicle Technology Co Ltd
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 Beijing Research Institute of Telemetry, Aerospace Long March Launch Vehicle Technology Co Ltd filed Critical Beijing Research Institute of Telemetry
Priority to CN202011268584.2A priority Critical patent/CN112487707B/zh
Publication of CN112487707A publication Critical patent/CN112487707A/zh
Application granted granted Critical
Publication of CN112487707B publication Critical patent/CN112487707B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/18—Chip packaging
    • 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

Landscapes

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

Abstract

本发明提供一种基于LSTM的点胶图形智能生成方法，包括：收集自动贴装数据的输入特征和输出特征形成数据集，对输入特征进行预处理得到输入特征属性向量，对输出特征进行预处理得到输出特征属性向量，设计LSTM结构及超参数建立LSTM模型，设计LSTM模型的损失函数和优化算法，分别使用输入特征属性向量和输出特征属性向量进行LSTM模型训练，修正超参数，直至训练结束得到最终LSTM模型，调用最终LSTM模型，生成点胶图形。本发明提供一种电子封装领域点胶图形的智能生成方法，该方法将人工智能领域的循环神经网络RNN中的长短时记忆单元LSTM与点胶图形生成过程相结合，为带有时间序列的参数生成提供了可行方案，从而克服了单纯依靠工艺试验进行点胶图形选取和使用前馈神经网络生成图形所带来的时间信息丢失问题。

Description

一种基于LSTM的点胶图形智能生成方法
技术领域
本发明涉及半导体器件技术领域，具体涉及一种基于LSTM的点胶图形智能生成方法。
背景技术
自动贴片是决定电子封装产品性能及精度的关键工序，而自动贴片的结果是由自动点胶和贴片的多个参数共同决定的，其中点胶图形的确定是影响自动贴片效果的关键步骤。传统工艺流程中，工程师会根据以往经验选取点胶图形，随后进行大量工艺试验，根据贴装效果不断调整点胶图形，同一芯片往往需要迭代多次，造成大量的时间成本和材料成本浪费，工程师也没有建立起芯片固有特征与点胶图形之间的关系。华中科技大学用机理法建模并结合有限元方法近似点胶过程模型，但其并非精确模型，且无法得出点胶图形与芯片特征之间的关系。利用人工智能的思想进行点胶图形的智能生成是解决上述问题的一种有效途径，但目前国内没有团队将人工智能算法引入电子封装的参数决策系统。
发明内容
本发明是为了解决未能将人工智能算法引入电子封装的参数决策系统的问题，提供一种电子封装领域点胶图形的智能生成方法。该方法将人工智能领域的循环神经网络RNN中的长短时记忆单元LSTM与点胶图形生成过程相结合，为带有时间序列的参数生成提供了可行方案，从而克服了单纯依靠工艺试验进行点胶图形选取和使用前馈神经网络生成图形所带来的时间信息丢失问题。
本发明提供一种基于LSTM的点胶图形智能生成方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征和输出特征形成数据集，将数据集划分为训练集、验证集和测试集；
S2、建立输入特征属性向量：对输入特征进行预处理得到输入特征属性向量；
S3、建立输出特征属性向量：对输出特征进行预处理得到输出特征属性向量，以解决点胶线段不连续、样本坐标序列长度不同和坐标取值范围过大问题；
S4、建立LSTM模型：设计LSTM结构及超参数建立LSTM模型；
S5、训练LSTM模型：设计LSTM模型的损失函数和优化算法，分别使用输入特征属性向量和输出特征属性向量进行LSTM模型训练，修正超参数，直至训练结束得到最终LSTM模型；
S6、生成点胶图形：调用最终LSTM模型，输入新产品的输入特征属性向量，生成新产品点胶图形的输出特征属性向量，并得到新产品的输出特征，生成点胶图形。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S1中输入特征包括：数值型特征、序数特征和标称特征；步骤S1中输出特征是点胶图形的坐标序列。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S1中数据集的样本总数不少于1000组，训练集、验证集和测试集的比例依次为：70％，20％，10％。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S2包括：
S21、定义数值型特征，并将数值型特征进行归一化处理，得到数值型特征向量；
S22、将序数特征进行编码，得到序数特征向量；
S23、将标称特征进行One-hot编码，得到标称特征向量；One-hot编码又称“独热编码”。其实就是用N位状态寄存器编码N个状态，每个状态都有独立的寄存器位，且这些寄存器位中只有一位有效，说白了就是只能有一个状态；
S24、将数值型特征向量、序数特征向量和标称特征向量组合，得到输入特征属性向量。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S21中数值型特征为芯片尺寸和针头尺寸，步骤S22中序数特征为贴装表面粗糙度，步骤S23中标称特征为贴片胶体类别。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S3包括：
S31、将第三维度(二进制0/1)增加进输出特征得到三维输出特征，第三维度为针头抬起状态，解决点胶线段不连续的问题；
S32、填充三维输出特征，使所有三维输出特征长度一致；
S33、归一化三维输出特征，将取值范围缩放到[0，1]，得到输出特征属性向量。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S4中，LSTM结构为：输入层是向量重复层，即RepeatVector层，输入层之后为两层LSTM。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S4中，LSTM模型的激活函数分别为双曲正切函数(即tanh函数)和修正线性单元函数(即ReLU函数)，LSTM模型的每层均进行批标准化处理(即Batch Normalization处理)和dropout处理(即以一定概率随机去掉部分神经元的处理)。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S5中，损失函数为均方误差函数(即MSE函数)。
本发明所述的一种基于LSTM的点胶图形智能生成方法，作为优选方式，步骤S5中，优化算法为RMSprop(全称是root mean square prop算法)。
本发明具有以下优点：
(1)缩短试验周期，节约工艺试验所需物料成本。对于需要自动点胶的产品，不再需要盲目地选择点胶图形和进行大量的工艺试验。只需输入特征属性值，即可给出一组点胶图形坐标序列并生成二维点胶图形。每种芯片点胶图形平均确认时间从10小时缩短至10分钟，工艺迭代次数由20次缩短为不超过4次。
(2)采用LSTM网络，循环共享权重系数，与传统的前馈神经网络相比，大幅减少训练参数，且对时间序列数据之间的前后关系建立起了联系。
(3)将人工智能算法用于电子封装领域的自动点胶图形生成，建立了从芯片固有特征属性到点胶序列的模型。工程师经验以人工智能算法模型的形式保存了下来，工艺数据得到了充分的挖掘和利用。
附图说明
图1为一种基于LSTM的点胶图形智能生成方法实施例1-3流程图；
图2为一种基于LSTM的点胶图形智能生成方法的循环神经网络RNN的拓扑示意图；
图3为一种基于LSTM的点胶图形智能生成方法的长短时记忆单元LSTM的示意图；
图4为一种基于LSTM的点胶图形智能生成方法步骤S2流程图；
图5为一种基于LSTM的点胶图形智能生成方法步骤S3流程图；
图6为一种基于LSTM的点胶图形智能生成方法实施例3最终生成的点胶图形。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1
如图1所示，一种基于LSTM的点胶图形智能生成方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征和输出特征形成数据集，将数据集划分为训练集、验证集和测试集；
S2、建立输入特征属性向量：对输入特征进行预处理得到输入特征属性向量；
S3、建立输出特征属性向量：对输出特征进行预处理得到输出特征属性向量；
S4、建立LSTM模型：如图2-3所示，设计LSTM结构及超参数建立LSTM模型；
S5、训练LSTM模型：设计LSTM模型的损失函数和优化算法，分别使用输入特征属性向量和输出特征属性向量进行LSTM模型训练，修正超参数，直至训练结束得到最终LSTM模型；
S6、生成点胶图形：调用最终LSTM模型，输入新产品的输入特征属性向量，生成新产品点胶图形的输出特征属性向量，并得到新产品的输出特征，生成点胶图形。
实施例2
如图1所示，一种基于LSTM的点胶图形智能生成方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征和输出特征形成数据集，将数据集划分为训练集、验证集和测试集；输入特征包括：数值型特征、序数特征和标称特征；输出特征是点胶图形的坐标序列；数据集的样本总数不少于1000组，训练集、验证集和测试集的比例依次为：70％，20％，10％；
S2、建立输入特征属性向量：如图4所示，对输入特征进行预处理得到输入特征属性向量；
S21、定义数值型特征，并将数值型特征进行归一化处理，得到数值型特征向量；数值型特征为芯片尺寸和针头尺寸；
S22、将序数特征进行编码，得到序数特征向量；序数特征为贴装表面粗糙度；
S23、将标称特征进行One-hot编码，得到标称特征向量；标称特征为贴片胶体类别；
S24、将数值型特征向量、序数特征向量和标称特征向量组合，得到输入特征属性向量；
S3、建立输出特征属性向量：如图5所示，对输出特征进行预处理得到输出特征属性向量；
S31、将第三维度增加进输出特征得到三维输出特征，第三维度为针头抬起状态；
S32、填充三维输出特征，使所有三维输出特征长度一致；
S33、归一化三维输出特征，得到输出特征属性向量；
S4、建立LSTM模型：如图2-3所示，设计LSTM结构及超参数建立LSTM模型；输入层是向量重复层，输入层之后为两层LSTM；LSTM模型的激活函数分别为双曲正切函数和修正线性单元函数，LSTM模型的每层均进行批标准化处理和dropout处理；
S5、训练LSTM模型：设计LSTM模型的损失函数和优化算法，分别使用输入特征属性向量和输出特征属性向量进行LSTM模型训练，修正超参数，直至训练结束得到最终LSTM模型；损失函数为均方误差函数；优化算法为RMSprop；
S6、生成点胶图形：调用最终LSTM模型，输入新产品的输入特征属性向量，生成新产品点胶图形的输出特征属性向量，并得到新产品的输出特征，生成点胶图形。
实施例3
如图1所示，针对一组现有的自动贴装工艺参数以及对应的点胶贴片效果(根据GJB548B评价标准给出)，数据集样本量为1000，设计一种基于LSTM的点胶图形智能生成方法，包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征和输出特征形成数据集，将数据集划分为训练集、验证集和测试集；输入特征包括：数值型特征、序数特征和标称特征；输出特征是点胶图形的坐标序列；数据集的样本总数不少于1000组，训练集、验证集和测试集的比例依次为：70％，20％，10％；
S2、建立输入特征属性向量：如图4所示，对输入特征进行预处理得到输入特征属性向量；
S21、定义数值型特征，并将数值型特征进行归一化处理，得到数值型特征向量；数值型特征包括芯片长度(4mm)、芯片宽度(2.5mm)、芯片高度(0.3mm)、针头内径(0.1mm)，归一化到区间[0，1]；
S22、将序数特征进行编码，得到序数特征向量；序数特征为贴装表面粗糙度；对序数属性贴装表面粗糙度进行编码，分别为{0，1，2}；
S23、将标称特征进行One-hot编码，得到标称特征向量；标称特征为贴片胶体类别；
S24、将数值型特征向量、序数特征向量和标称特征向量组合，得到一个输入特征属性向量；[4，2.5，0.3，0.16，1，1，0]T，共7维。
S3、建立输出特征属性向量：如图5所示，对输出特征进行预处理得到输出特征属性向量；
S31、将第三维度增加进输出特征得到三维输出特征，第三维度为针头抬起状态；用二进制位0/1表示，针头在某一坐标抬起，设置为1，否则为0；
S32、填充三维输出特征，使所有三维输出特征长度一致；具体为用padding操作将所有样本的坐标序列填充为最大长度，使所有样本的序列长度一致；
S33、归一化三维输出特征，得到输出特征属性向量，具体方法如步骤S21；
S4、建立LSTM模型：如图2-3所示，设计LSTM结构及超参数建立LSTM模型；输入层是向量重复层(即RepeatVector层)，接着进行批标准化处理(即Batch Normalization)处理，随后是一个LSTM层，输出设定为9维，激活函数为双曲正切函数(即tanh函数)，并加入dropout，接着进行Batch Normalization，随后再添加一个LSTM层，输出为3维，激活函数为修正线性单元函数(即ReLU函数)，并加入dropout(即以一定概率随机去掉部分神经元的处理)；
S5、训练LSTM模型：设计LSTM模型的损失函数和优化算法，分别使用输入特征属性向量和输出特征属性向量进行LSTM模型训练，修正超参数，直至训练结束得到最终LSTM模型；具体方法为：损失函数为均方误差函数(即MSE函数)；优化算法为RMSprop(全称是rootmean square prop算法)；超参数学习速率η设为0.01，衰减速率β设为0.9；首先将迭代次数epochs设为100，保存模型。随后将优化器改为Adam，用early stopping策略寻找最优模型，直到训练结束并保存模型；
S6、生成点胶图形：调用最终LSTM模型，输入新产品的输入特征属性向量[4，2.5，0.3，0.16，1，1，0]T，生成新产品点胶图形的输出特征属性向量，并得到新产品的输出特征，生成预测的点胶图形，如图6所示，点胶图形坐标序列为：(0,1)，(5,5)，(-5，-5)，(0,0)，(5，-5)，(-5,5)，(0,0)，(2,0)，(-2,0)，(0,0)，(0,2)，(0，-2)，(0,0)，并展示点胶图形。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于LSTM的点胶图形智能生成方法，其特征在于：包括如下步骤：
S1、数据准备：收集自动贴装数据的输入特征和输出特征形成数据集，将所述数据集划分为训练集、验证集和测试集；
所述输入特征包括：数值型特征、序数特征和标称特征，所述输出特征是点胶图形的坐标序列；
S2、建立输入特征属性向量：对所述输入特征进行预处理得到输入特征属性向量；
S21、定义所述数值型特征，并将所述数值型特征进行归一化处理，得到数值型特征向量，所述数值型特征为芯片尺寸和针头尺寸；
S22、将所述序数特征进行编码，得到序数特征向量，所述序数特征为贴装表面粗糙度；
S23、将所述标称特征进行One-hot编码，得到标称特征向量，所述标称特征为贴片胶体类别；
S24、将所述数值型特征向量、所述序数特征向量和所述标称特征向量组合，得到所述输入特征属性向量；
S3、建立输出特征属性向量：对所述输出特征进行预处理得到输出特征属性向量；
S31、将第三维度增加进所述输出特征得到三维输出特征，所述第三维度为针头抬起状态；
S32、填充所述三维输出特征，使所有所述三维输出特征长度一致；
S33、归一化所述三维输出特征，得到所述输出特征属性向量；
S4、建立LSTM模型：设计LSTM结构及超参数建立LSTM模型；
S5、训练LSTM模型：设计所述LSTM模型的损失函数和优化算法，分别使用所述输入特征属性向量和所述输出特征属性向量进行LSTM模型训练，修正所述超参数，直至训练结束得到最终LSTM模型；
S6、生成点胶图形：调用所述最终LSTM模型，输入新产品的所述输入特征属性向量，生成新产品点胶图形的所述输出特征属性向量，并得到所述新产品的所述输出特征，生成点胶图形。
2.根据权利要求1所述的一种基于LSTM的点胶图形智能生成方法，其特征在于：步骤S1中所述数据集的样本总数不少于1000组，所述训练集、所述验证集和所述测试集的比例依次为：70%，20%，10%。
3.根据权利要求1所述的一种基于LSTM的点胶图形智能生成方法，其特征在于：步骤S4中，所述LSTM结构为：输入层是向量重复层，所述输入层之后为两层LSTM。
4.根据权利要求1所述的一种基于LSTM的点胶图形智能生成方法，其特征在于：步骤S4中，所述LSTM模型的激活函数分别为双曲正切函数和修正线性单元函数，所述LSTM模型的每层均进行批标准化处理和dropout处理。
5.根据权利要求1所述的一种基于LSTM的点胶图形智能生成方法，其特征在于：步骤S5中，所述损失函数为均方误差函数。
6.根据权利要求1所述的一种基于LSTM的点胶图形智能生成方法，其特征在于：步骤S5中，所述优化算法为RMSprop。
CN202011268584.2A 2020-11-13 2020-11-13 一种基于lstm的点胶图形智能生成方法 Active CN112487707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011268584.2A CN112487707B (zh) 2020-11-13 2020-11-13 一种基于lstm的点胶图形智能生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011268584.2A CN112487707B (zh) 2020-11-13 2020-11-13 一种基于lstm的点胶图形智能生成方法

Publications (2)

Publication Number Publication Date
CN112487707A CN112487707A (zh) 2021-03-12
CN112487707B true CN112487707B (zh) 2023-10-17

Family

ID=74930098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011268584.2A Active CN112487707B (zh) 2020-11-13 2020-11-13 一种基于lstm的点胶图形智能生成方法

Country Status (1)

Country Link
CN (1) CN112487707B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100673298B1 (ko) * 2006-05-25 2007-01-24 주식회사 탑 엔지니어링 페이스트 도포기를 위한 도포 패턴 데이터 생성 장치 및방법
CN110152938A (zh) * 2019-04-02 2019-08-23 华中科技大学 一种元器件点胶轨迹提取方法及自动控制机器人系统
CN110328107A (zh) * 2019-07-24 2019-10-15 广州番禺职业技术学院 用于led透镜贴装的点胶轨迹规划方法、装置及点胶设备
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN110773378A (zh) * 2018-07-30 2020-02-11 阿里巴巴集团控股有限公司 点胶方法、设备、系统、服务端装置及存储介质
CN111192237A (zh) * 2019-12-16 2020-05-22 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN111460955A (zh) * 2020-03-26 2020-07-28 欣辰卓锐（苏州）智能装备有限公司 一种自动跟踪点胶设备上的图像识别及处理系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190392322A1 (en) * 2018-06-22 2019-12-26 FootPrintKu Inc. Electronic component packaging type classification system using artificial neural network
US20200200621A1 (en) * 2018-12-20 2020-06-25 Bebop Sensors, Inc. Modeling nonlinear characteristics of materials for sensor applications

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100673298B1 (ko) * 2006-05-25 2007-01-24 주식회사 탑 엔지니어링 페이스트 도포기를 위한 도포 패턴 데이터 생성 장치 및방법
CN110773378A (zh) * 2018-07-30 2020-02-11 阿里巴巴集团控股有限公司 点胶方法、设备、系统、服务端装置及存储介质
CN110152938A (zh) * 2019-04-02 2019-08-23 华中科技大学 一种元器件点胶轨迹提取方法及自动控制机器人系统
CN110328107A (zh) * 2019-07-24 2019-10-15 广州番禺职业技术学院 用于led透镜贴装的点胶轨迹规划方法、装置及点胶设备
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN111192237A (zh) * 2019-12-16 2020-05-22 重庆大学 一种基于深度学习的涂胶检测系统和方法
CN111460955A (zh) * 2020-03-26 2020-07-28 欣辰卓锐（苏州）智能装备有限公司 一种自动跟踪点胶设备上的图像识别及处理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于ACO-PSO算法的点胶路径规划与分析;张铁虎;俞经虎;王琨;;计算机应用(第S2期);全文 *
基于M-Sift特征的元器件目标检测及其在点胶机中的应用;漆志亮;贾楠;张烨;吴建华;;现代电子技术(第23期);全文 *

Also Published As

Publication number Publication date
CN112487707A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN111008502B (zh) 一种数字孪生驱动的复杂装备故障预测方法
AU2018267755B2 (en) Array element arrangement method for L-type array antenna based on inheritance of acquired characteristics
CN100458607C (zh) 一种丙稀聚合工业生产熔融指数软测量方法
CN107271925A (zh) 基于深度卷积网络的模块化五电平换流器故障定位方法
CN108510063B (zh) 一种应用于卷积神经网络的加速方法和加速器
CN108805193B (zh) 一种基于混合策略的电力缺失数据填充方法
CN109817267A (zh) 一种基于深度学习的闪存寿命预测方法、系统及计算机可读存取介质
CN109840628A (zh) 一种短时多区域车速预测方法及系统
Chinnathambi et al. Deep neural networks (DNN) for day-ahead electricity price markets
CN112801281A (zh) 基于量子化生成模型和神经网络的对抗生成网络构建方法
CN108198268B (zh) 一种生产设备数据标定方法
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及系统
CN114757286A (zh) 一种基于条件对抗生成网络的多类别故障数据生成方法
CN108108883A (zh) 一种基于聚类算法的车辆调度网络弹性简化方法
CN112487707B (zh) 一种基于lstm的点胶图形智能生成方法
CN109670582A (zh) 一种全定点化神经网络的设计方法
CN109116300A (zh) 一种基于非充分指纹信息的极限学习定位方法
CN104504441A (zh) 基于敏感性的madaline神经网络构建方法及其装置
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN103679267A (zh) 基于无标记样本的rbf神经网络构建方法及其装置
CN116542385A (zh) 一种针对风、光功率预测的集成学习方法及系统
CN109323677A (zh) 改进布谷鸟搜索算法的圆度误差评定算法
CN114799561A (zh) 基于案例推理和模型推理的激光切割工艺参数优化方法
Prudêncio et al. Neural network hybrid learning: genetic algorithms & Levenberg-Marquardt
CN114638421A (zh) 一种发电机组备件需求的预测方法

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