CN115705409A - 一种缺陷识别方法、装置、设备及存储介质 - Google Patents
一种缺陷识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115705409A CN115705409A CN202110893431.5A CN202110893431A CN115705409A CN 115705409 A CN115705409 A CN 115705409A CN 202110893431 A CN202110893431 A CN 202110893431A CN 115705409 A CN115705409 A CN 115705409A
- Authority
- CN
- China
- Prior art keywords
- defect
- aggregation
- analyzed
- data
- product
- 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.)
- Pending
Links
Images
Landscapes
- General Factory Administration (AREA)
Abstract
本申请提供一种缺陷识别方法、装置、设备及存储介质,涉及了显示技术领域,解决了无法及时确认异常原因,导致大批量的产品报废的问题,包括获取多个待识别缺陷产品的待分析缺陷数据,待分析缺陷数据包含待识别缺陷产品的产品制程机台信息;对多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,缺陷分析结果为具有缺陷聚集性的待分析缺陷数据;根据多个缺陷分析结果,确定异常高发产品制程机台信息和多个待识别缺陷产品的缺陷类型。本申请可以快速定位出待识别缺陷产品的缺陷类型以及异常高发的产品制程机台,能够及时确认异常原因,缩短异常处理时间,降低产品报废率。
Description
技术领域
本申请涉及显示技术领域,具体涉及一种缺陷识别方法、装置、设备及存储介质。
背景技术
在显示屏生产的过程中,机台发生异常导致产品异常,用户无法及时确认异常原因,产品出现异常后,不仅会导致大批量的产品报废,后续通过人工检查异常原因和调整机台的时间也较长,严重影响生产进度。
发明内容
本申请提供一种在出现产品异常时,能够及时定位异常高发机台和异常原因,缩短异常发现及处理时间,减少因产品异常对生产机台进行调整所需的时间的一种缺陷识别方法、装置、设备及存储介质。
一方面,本申请提供一种缺陷识别方法,包括:
获取多个待识别缺陷产品的待分析缺陷数据,所述待分析缺陷数据包含所述待识别缺陷产品的产品制程机台信息;
对所述多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,所述缺陷分析结果为具有缺陷聚集性的所述待分析缺陷数据;
根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型。
在本申请一种可能的实现方式中,获取多个待识别缺陷产品的待分析缺陷数据之前,所述方法包括:
获取多个待分析缺陷产品的基础缺陷数据;
将多个所述基础缺陷数据分别按照预设的数据类型进行标记,得到多个带有不同数据类型标签的待分析缺陷数据;
所述数据类型包括与所述待分析缺陷产品对应的产品制程机台信息。
在本申请一种可能的实现方式中,所述对所述待分析缺陷数据进行聚集性分析,得到具有缺陷聚集性的缺陷分析结果,包括:
采用预设的蔓延式基于密度聚类的算法模型对所述待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果。
在本申请一种可能的实现方式中,所述采用预设的蔓延式基于密度聚类的算法模型对所述待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果,包括:
将所述待分析缺陷数据与所述算法模型内预设的聚集性参数阈值进行比较,得到缺陷聚集性比较结果;
当所述缺陷聚集性比较结果为所述待分析缺陷数据小于所述聚集性参数阈值时,所述聚集性比较结果为所述待分析缺陷数据不具有缺陷聚集性;
当所述缺陷聚集性比较结果为所述待分析缺陷数据大于或者等于所述聚集性参数阈值时,所述聚集性比较结果为所述待分析缺陷数据具有缺陷聚集性;
将具有缺陷聚集性的所述待分析缺陷数据作为所述缺陷分析结果。
在本申请一种可能的实现方式中,所述根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型,包括:
获取多个所述缺陷分析结果对应的产品制程机台信息;
将多个所述产品制程机台信息的总数与预设的机台聚集性阈值进行比较,得到机台聚集性比较结果;
当机台聚集性比较结果为多个产品制程机台信息的总数小于所述机台聚集性阈值时,所述机台聚集性比较结果为所述产品制程机台信息不具有机台聚集性;
当机台聚集性比较结果为多个产品制程机台信息的总数大于或者等于所述机台聚集性阈值时,所述机台聚集性比较结果为所述产品制程机台信息具有机台聚集性;
将具有机台聚集性的所述产品制程机台信息作为异常高发产品制程机台信息。
在本申请一种可能的实现方式中,根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型,所述方法还包括:
将所述具有缺陷聚集性的缺陷分析结果与预设的坐标特征图进行匹配,得到缺陷坐标特征图;
根据所述缺陷坐标特征图中的聚集点分布状态,确定所述待识别缺陷产品的缺陷类型。
在本申请一种可能的实现方式中,通过预设的通讯方式将所述缺陷坐标特征图发送至用户终端。
在本申请一种可能的实现方式中,根据多个所述缺陷分析结果和所述异常高发产品制程机台信息,生成异常告警信息表。
另一方面,本申请提供一种缺陷识别装置,所述装置包括:
输入模块,用于获取多个待识别缺陷产品的待分析缺陷数据,所述待分析缺陷数据包含所述待识别缺陷产品的产品制程机台信息;
分析模块,用于对所述多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,所述缺陷分析结果为具有缺陷聚集性的所述待分析缺陷数据;
输出模块,用于根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型。
所述装置还包括数据存储模块,所述存储模块具体为:
用于获取多个待分析缺陷产品的基础缺陷数据;
用于将多个所述基础缺陷数据分别按照预设的数据类型进行标记,得到多个带有不同数据类型标签的待分析缺陷数据;
所述数据类型包括与所述待分析缺陷产品对应的产品制程机台信息。
所述分析模块具体为:
用于采用预设的蔓延式基于密度聚类的算法模型对所述待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果。
所述分析模块还具体为:
用于将所述待分析缺陷数据与所述算法模型内预设的聚集性参数阈值进行比较,得到缺陷聚集性比较结果;
当所述缺陷聚集性比较结果为所述待分析缺陷数据小于所述聚集性参数阈值时,所述聚集性比较结果为所述待分析缺陷数据不具有缺陷聚集性;
当所述缺陷聚集性比较结果为所述待分析缺陷数据大于或者等于所述聚集性参数阈值时,所述聚集性比较结果为所述待分析缺陷数据具有缺陷聚集性;
用于将具有缺陷聚集性的所述待分析缺陷数据作为所述缺陷分析结果。
所述输出模块具体为:
获取多个所述缺陷分析结果对应的产品制程机台信息;
用于将多个所述产品制程机台信息的总数与预设的机台聚集性阈值进行比较,得到机台聚集性比较结果;
当机台聚集性比较结果为多个产品制程机台信息的总数小于所述机台聚集性阈值时,所述机台聚集性比较结果为所述产品制程机台信息不具有机台聚集性;
当机台聚集性比较结果为多个产品制程机台信息的总数大于或者等于所述机台聚集性阈值时,所述机台聚集性比较结果为所述产品制程机台信息具有机台聚集性;
用于将具有机台聚集性的所述产品制程机台信息作为异常高发产品制程机台信息。
所述输出模块还具体为:
用于将所述具有缺陷聚集性的缺陷分析结果与预设的坐标特征图进行匹配,得到缺陷坐标特征图;
用于根据所述缺陷坐标特征图中的聚集点分布状态,确定所述待识别缺陷产品的缺陷类型。
所述装置还包括发送模块,所述发送模块具体为:
用于通过预设的通讯方式将所述缺陷坐标特征图发送至用户终端。
所述装置还包括告警模块,所述告警模块具体为:
用于根据多个所述缺陷分析结果和所述异常高发产品制程机台信息,生成异常告警信息表。
另一方面,本申请还提供一种设备,所述设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现所述的缺陷识别方法。
另一方面,一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行所述的缺陷识别方法中的步骤。
本申请中通过分析待识别缺陷产品的待分析缺陷数据是否具有聚集性,以确定待识别缺陷产品的缺陷类型,通过分析多个具有聚集性的待分析缺陷数据对应的产品制程机台信息,来确定异常高发产品制程机台信息,即当产品制程机台信息对应的产品制程机台导致的待识别缺陷产品数量较多时,则能确定该产品制程机台为异常高发产品制程机台,即本申请可以快速定位出待识别缺陷产品的缺陷类型以及异常高发的产品制程机台,能够及时确认异常原因,缩短异常处理时间,降低产品报废率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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发明的一些实施例,对于本领域技术人员来讲,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是本申请实施例中缺陷识别方法的一个实施例流程示意图;
图2是本申请实施例中缺陷坐标特征图的结构示意图;
图3是本申请实施例中缺陷识别装置的结构示意图;
图4是本申请实施例中电子设备的一个实施例结构示意图。
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。基于本发明中的实施例,本领域技术人员在没有作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。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本申请实施例提供一种缺陷识别方法、装置、设备及存储介质,以下分别进行详细说明。
如图1所示,为本申请实施例中一种缺陷识别方法的一个实施例流程示意图,该缺陷识别方法包括步骤101~103:
101、获取多个待识别缺陷产品的待分析缺陷数据,待分析缺陷数据包含待识别缺陷产品的产品制程机台信息。
生产过程中,需要对生产的产品进行测试,并实时将检测出的具有缺陷的产品移出生产线,将具有缺陷的产品作为待识别缺陷产品,并对待识别缺陷产品进行进一步分析,以分析出待识别缺陷产品出现缺陷的具体原因。
在本实施例中,在获取多个待识别缺陷产品的待分析缺陷数据之前,方法包括:
获取多个待分析缺陷产品的基础缺陷数据。
建立缺陷产品数据库,基础缺陷数据可以是待分析缺陷产品的缺陷图像,即在对待识别缺陷产品测试的过程中,拍摄待识别缺陷产品的缺陷图像,将缺陷图像上传至缺陷产品数据库内。
将多个基础缺陷数据分别按照预设的数据类型进行标记,得到多个带有不同数据类型标签的待分析缺陷数据。
数据类型包括与待分析缺陷产品对应的产品制程机台信息,产品制程机台信息包括产品制程机台编号和产品制程机台的位置分布信息,数据类型还包括待分析缺陷产品的产品类型、生产编号。
在缺陷产品数据库内,将待分析数据产品的基础缺陷数据按照不同的数据类型进行分组,得到多个基础缺陷数据组。
获取多个待识别缺陷产品的待分析缺陷数据,包括:
通过缺陷聚集软件从缺陷产品数据库内的进行基础缺陷数据的收集。
102、对多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,缺陷分析结果为具有缺陷聚集性的待分析缺陷数据。
在本实施例中,通过对待分析缺陷数据中的缺陷进行聚集性分析,以快速分析出待分析缺陷数据的缺陷类型。
对多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,包括:
采用预设的蔓延式基于密度聚类的算法模型对待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果。
蔓延式基于密度聚类的算法模型(DBSCAN)是一种具有噪声的基于密度的聚类方法,将具有足够密度的区域划分为簇,将簇定义为密度相连的点的最大集合,并在具有噪声的空间数据库内识别任意形状的簇。
通过DBSCAN算法模型对待分析缺陷数据进行聚类分析,识别待分析缺陷数据中相似值,并将多个相似值划分为缺陷数据簇,通过判断缺陷数据簇的值与预设的阈值的大小,以判断该缺陷数据簇是否具有聚集性。
103、根据多个缺陷分析结果,确定异常高发产品制程机台信息和多个待识别缺陷产品的缺陷类型。
当缺陷数据簇具有聚集性时,则DBSCAN算法模型输出具有缺陷聚集性的缺陷分析结果,通过缺陷分析结果中缺陷聚集情况分析出待分析数据的缺陷类型,当多个待分析缺陷数据经DBSCAN算法模型分析后得到的缺陷分析结果相似时,则可以判断多个待分析缺陷数据的缺陷类型相同,即可判断该缺陷类型在生产过程中是单个异常出现还是批量高发。
当分析多个缺陷分析结果为该缺陷类型为批量高发时,根据该待分析缺陷数据包含待识别缺陷产品的产品制程机台信息,得到对应的缺陷高发的产品制程机台,即可确定异常高发产品制程机台信息。
本申请中通过分析待识别缺陷产品的待分析缺陷数据是否具有聚集性,以确定待识别缺陷产品的缺陷类型,通过分析多个具有聚集性的待分析缺陷数据对应的产品制程机台信息,来确定异常高发产品制程机台信息,即当产品制程机台信息对应的产品制程机台导致的待识别缺陷产品数量较多时,则能确定该产品制程机台为异常高发产品制程机台,即本申请可以快速定位出待识别缺陷产品的缺陷类型以及异常高发的产品制程机台,能够及时确认异常原因,缩短异常处理时间,降低产品报废率。
在本申请的另一个实施例中,采用预设的蔓延式基于密度聚类的算法模型对待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果,包括:
将待分析缺陷数据与算法模型内预设的聚集性参数阈值进行比较,得到缺陷聚集性比较结果。
在本实施例中,缺陷聚集性比较结果包括待分析缺陷数据小于聚集性参数阈值以及待分析缺陷数据大于或者等于聚集性参数阈值。
当缺陷聚集性比较结果为待分析缺陷数据小于聚集性参数阈值时,聚集性比较结果为待分析缺陷数据不具有缺陷聚集性;
当缺陷聚集性比较结果为待分析缺陷数据大于或者等于聚集性参数阈值时,聚集性比较结果为待分析缺陷数据具有缺陷聚集性;
将具有缺陷聚集性的待分析缺陷数据作为缺陷分析结果。
其中,聚集性参数阈值可以是用户自行根据所分析待分析缺陷数据的不同进行设置。示例性的,当所分析的待识别缺陷产品为显示面板的玻璃面板时,对应的待分析缺陷数据为玻璃面板的缺陷图像,对玻璃面板的缺陷图像的聚集性分析则为对待分析缺陷数据中有缺陷的位置所对应的像素数量进行分析。将预设的聚集性参数阈值设为800个像素数量,当分析出的玻璃面板的缺陷图像的像素数量为900时,则得出该玻璃面板的缺陷图像具有聚集性,即可判断该玻璃面板的缺陷图像具有缺陷,可以通过设备自动识别或者认为识别出该缺陷图像中缺陷的缺陷类型。
在本申请的另一个实施例中,根据多个缺陷分析结果,确定异常高发产品制程机台信息和多个待识别缺陷产品的缺陷类型,包括:
获取多个缺陷分析结果对应的产品制程机台信息。
由于缺陷分析结果为具有缺陷聚集性的待分析缺陷数据,得到多个缺陷分析结果后,根据缺陷分析结果内标记的产品制程机台信息进行分组,将缺陷分析结果终同类型的产品制程机台信息分为一组,并统计对应相同类型的组内产品制程机台信息的总数。
将多个产品制程机台信息的总数与预设的机台聚集性阈值进行比较,得到机台聚集性比较结果。
当机台聚集性比较结果为多个产品制程机台信息的总数小于机台聚集性阈值时,机台聚集性比较结果为产品制程机台信息不具有机台聚集性;
当机台聚集性比较结果为多个产品制程机台信息的总数大于或者等于机台聚集性阈值时,机台聚集性比较结果为产品制程机台信息具有机台聚集性;
将具有机台聚集性的产品制程机台信息作为异常高发产品制程机台信息。
其中,机台聚集性阈值可以是用户自行根据所分析待分析缺陷数据的不同进行设置。示例性的,当所分析的待识别缺陷产品为显示面板的玻璃面板,且分析出多个玻璃面板的缺陷图像所标记的产品制程机台信息的类型相同,则将该多个产品制程机台信息的总数与预设的机台聚集性阈值进行比较,当机台聚集性阈值预设为5台,多个产品制程机台信息的总数为8台,则得出的机台聚集性比较结果为产品制程机台信息具有机台聚集性,即可判断该产品制程机台信息对应的产品制程机台为异常高发的产品制程机台。
在本申请的另一个实施例中,根据多个缺陷分析结果,确定异常高发产品制程机台信息和多个待识别缺陷产品的缺陷类型,方法还包括:
将具有缺陷聚集性的缺陷分析结果与预设的坐标特征图进行匹配,得到缺陷坐标特征图。
由于在本申请的实施例中,基础缺陷数据是待分析缺陷产品的缺陷图像,对待分析缺陷数据进行分析即对待分析缺陷产品的缺陷图像进行分析,将具有缺陷聚集性的缺陷分析结果与坐标特征图进行匹配,得到具有坐标特征点和聚集点的缺陷坐标特征图,示例性的,缺陷坐标特征图如图2所示。
根据缺陷坐标特征图中的聚集点分布状态,确定待识别缺陷产品的缺陷类型。
通过具有坐标特征点和聚集点的缺陷坐标特征图,通过聚集点的分布,方便系统或者用户更加快速地识别出待识别缺陷产品的缺陷类型。示例性的,如图2所示,该缺陷坐标特征图中突出显示的聚集点为刮痕的形状,从而可以判断待识别缺陷产品的缺陷类型为刮痕缺陷。
在本申请的另一个实施例中,通过预设的通讯方式将缺陷坐标特征图发送至用户终端。
通讯方式可以是邮件、通讯软件、第三方开发工具等,可以根据实际情况进行设备,在得到缺陷坐标特征图后,通过预设的通讯方式将缺陷坐标特征图发送至用户的用户终端,便于用户更加及时和便捷的获取待分析缺陷数据的缺陷类型和异常原因,缩短产品缺陷发现和处理时间。
在本申请的另一个实施例中,根据多个缺陷分析结果和异常高发产品制程机台信息,生成异常告警信息表。
在得到多个缺陷分析结果和异常高发产品制程机台信息,将多个缺陷分析结果和异常高发产品制程机台信息进行数据融合,并生成异常告警信息表,通过该异常告警信息表对生产过程中出现的产品缺陷进行统计整合,便于用户及时对产品和产线统一进行改善调整,降低产品报废率和成本浪费率。
为了更好实施本申请实施例中缺陷识别方法,在缺陷识别方法基础之上,本申请实施例中还提供一种缺陷识别装置200,如图3所示,所述缺陷识别装置200包括:
输入模块201,用于获取多个待识别缺陷产品的待分析缺陷数据,待分析缺陷数据包含待识别缺陷产品的产品制程机台信息;
分析模块202,用于对多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,缺陷分析结果为具有缺陷聚集性的待分析缺陷数据;
输出模块203,用于根据多个缺陷分析结果,确定异常高发产品制程机台信息和多个待识别缺陷产品的缺陷类型。
装置还包括数据存储模块,存储模块具体为:
用于获取多个待分析缺陷产品的基础缺陷数据;
用于将多个基础缺陷数据分别按照预设的数据类型进行标记,得到多个带有不同数据类型标签的待分析缺陷数据;
数据类型包括与待分析缺陷产品对应的产品制程机台信息。
分析模块202具体为:
用于采用预设的蔓延式基于密度聚类的算法模型对待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果。
分析模块202还具体为:
用于将待分析缺陷数据与算法模型内预设的聚集性参数阈值进行比较,得到缺陷聚集性比较结果;
当缺陷聚集性比较结果为待分析缺陷数据小于聚集性参数阈值时,聚集性比较结果为待分析缺陷数据不具有缺陷聚集性;
当缺陷聚集性比较结果为待分析缺陷数据大于或者等于聚集性参数阈值时,聚集性比较结果为待分析缺陷数据具有缺陷聚集性;
用于将具有缺陷聚集性的待分析缺陷数据作为缺陷分析结果。
输出模块203具体为:
获取多个缺陷分析结果对应的产品制程机台信息;
用于将多个产品制程机台信息的总数与预设的机台聚集性阈值进行比较,得到机台聚集性比较结果;
当机台聚集性比较结果为多个产品制程机台信息的总数小于机台聚集性阈值时,机台聚集性比较结果为产品制程机台信息不具有机台聚集性;
当机台聚集性比较结果为多个产品制程机台信息的总数大于或者等于机台聚集性阈值时,机台聚集性比较结果为产品制程机台信息具有机台聚集性;
用于将具有机台聚集性的产品制程机台信息作为异常高发产品制程机台信息。
输出模块203还具体为:
用于将具有缺陷聚集性的缺陷分析结果与预设的坐标特征图进行匹配,得到缺陷坐标特征图;
用于根据缺陷坐标特征图中的聚集点分布状态,确定待识别缺陷产品的缺陷类型。
装置还包括发送模块,发送模块具体为:
用于通过预设的通讯方式将缺陷坐标特征图发送至用户终端。
装置还包括告警模块,告警模块具体为:
用于根据多个缺陷分析结果和异常高发产品制程机台信息,生成异常告警信息表。
在本申请的另一个实施例中,还提供了一种设备,如图4所示,其示出了本申请实施例所涉及的设备的结构示意图,具体来讲:
该设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图4中示出的该设备结构并不构成对该设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该该设备的控制中心,利用各种接口和线路连接整个该设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行该设备的各种功能和处理数据,从而对该设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;处理器401可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Progra mmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据该设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
该设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该该设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,该设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,该设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取多个待识别缺陷产品的待分析缺陷数据,待分析缺陷数据包含待识别缺陷产品的产品制程机台信息;
对多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,缺陷分析结果为具有缺陷聚集性的待分析缺陷数据;
根据多个缺陷分析结果,确定异常高发产品制程机台信息和多个待识别缺陷产品的缺陷类型。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
在本申请一些实施例中,本申请还提供一种计算机可读存储介质,该存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random AccessMemory)、磁盘或光盘等。其上存储有计算机程序,计算机程序被处理器进行加载,以执行本申请实施例所提供的缺陷识别方法中的步骤。例如,计算机程序被处理器进行加载可以执行如下步骤:
获取多个待识别缺陷产品的待分析缺陷数据,待分析缺陷数据包含待识别缺陷产品的产品制程机台信息;
对多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,缺陷分析结果为具有缺陷聚集性的待分析缺陷数据;
根据多个缺陷分析结果,确定异常高发产品制程机台信息和多个待识别缺陷产品的缺陷类型。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见上文针对其他实施例的详细描述,此处不再赘述。
具体实施时,以上各个单元或结构可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元或结构的具体实施可参见前面的方法实施例,在此不再赘述。
以上对本申请实施例所提供的一种缺陷识别方法、装置、设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (11)
1.一种缺陷识别方法,其特征在于,包括:
获取多个待识别缺陷产品的待分析缺陷数据,所述待分析缺陷数据包含所述待识别缺陷产品的产品制程机台信息;
对所述多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,所述缺陷分析结果为具有缺陷聚集性的所述待分析缺陷数据;
根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型。
2.如权利要求1所述的一种缺陷识别方法,其特征在于,获取多个待识别缺陷产品的待分析缺陷数据之前,所述方法包括:
获取多个待分析缺陷产品的基础缺陷数据;
将多个所述基础缺陷数据分别按照预设的数据类型进行标记,得到多个带有不同数据类型标签的待分析缺陷数据;
所述数据类型包括与所述待分析缺陷产品对应的产品制程机台信息。
3.如权利要求1所述的方法,其特征在于,所述对所述待分析缺陷数据进行聚集性分析,得到具有缺陷聚集性的缺陷分析结果,包括:
采用预设的蔓延式基于密度聚类的算法模型对所述待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果。
4.如权利要求3所述的方法,其特征在于,所述采用预设的蔓延式基于密度聚类的算法模型对所述待分析缺陷数据进行聚集性分析,输出具有缺陷聚集性的缺陷分析结果,包括:
将所述待分析缺陷数据与所述算法模型内预设的聚集性参数阈值进行比较,得到缺陷聚集性比较结果;
当所述缺陷聚集性比较结果为所述待分析缺陷数据小于所述聚集性参数阈值时,所述聚集性比较结果为所述待分析缺陷数据不具有缺陷聚集性;
当所述缺陷聚集性比较结果为所述待分析缺陷数据大于或者等于所述聚集性参数阈值时,所述聚集性比较结果为所述待分析缺陷数据具有缺陷聚集性;
将具有缺陷聚集性的所述待分析缺陷数据作为所述缺陷分析结果。
5.如权利要求1所述的方法,其特征在于,所述根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型,包括:
获取多个所述缺陷分析结果对应的产品制程机台信息;
将多个所述产品制程机台信息的总数与预设的机台聚集性阈值进行比较,得到机台聚集性比较结果;
当机台聚集性比较结果为多个产品制程机台信息的总数小于所述机台聚集性阈值时,所述机台聚集性比较结果为所述产品制程机台信息不具有机台聚集性;
当机台聚集性比较结果为多个产品制程机台信息的总数大于或者等于所述机台聚集性阈值时,所述机台聚集性比较结果为所述产品制程机台信息具有机台聚集性;
将具有机台聚集性的所述产品制程机台信息作为异常高发产品制程机台信息。
6.如权利要求1所述的方法,其特征在于,根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型,所述方法还包括:
将所述具有缺陷聚集性的缺陷分析结果与预设的坐标特征图进行匹配,得到缺陷坐标特征图;
根据所述缺陷坐标特征图中的聚集点分布状态,确定所述待识别缺陷产品的缺陷类型。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
通过预设的通讯方式将所述缺陷坐标特征图发送至用户终端。
8.如权利要求1所述的方法,其特征在于,所述方法还包括:
根据多个所述缺陷分析结果和所述异常高发产品制程机台信息,生成异常告警信息表。
9.一种缺陷识别装置,其特征在于,所述装置包括:
输入模块,用于获取多个待识别缺陷产品的待分析缺陷数据,所述待分析缺陷数据包含所述待识别缺陷产品的产品制程机台信息;
分析模块,用于对所述多个待分析缺陷数据进行聚集性分析,得到多个缺陷分析结果,所述缺陷分析结果为具有缺陷聚集性的所述待分析缺陷数据;
输出模块,用于根据多个所述缺陷分析结果,确定异常高发产品制程机台信息和多个所述待识别缺陷产品的缺陷类型。
10.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器;以及
一个或多个应用程序,其中所述一个或多个应用程序被存储于所述存储器中,并配置为由所述处理器执行以实现权利要求1至8中任一项所述的缺陷识别方法。
11.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至8任一项所述的缺陷识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893431.5A CN115705409A (zh) | 2021-08-04 | 2021-08-04 | 一种缺陷识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110893431.5A CN115705409A (zh) | 2021-08-04 | 2021-08-04 | 一种缺陷识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115705409A true CN115705409A (zh) | 2023-02-17 |
Family
ID=85178755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110893431.5A Pending CN115705409A (zh) | 2021-08-04 | 2021-08-04 | 一种缺陷识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115705409A (zh) |
-
2021
- 2021-08-04 CN CN202110893431.5A patent/CN115705409A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697468B (zh) | 样本图像的标注方法、装置及存储介质 | |
TWI621191B (zh) | 晶圓測試機台的遠端監控方法及系統 | |
CN113743688A (zh) | 质量管控方法、装置、计算机装置及存储介质 | |
CN113205237A (zh) | 玻璃生产信息处理方法、装置、电子设备及其存储介质 | |
CN115239626A (zh) | 缺陷检测方法、光学检测设备、电子设备以及存储介质 | |
US20220139744A1 (en) | Wafer defect analysis method and system, device and medium | |
CN103913150B (zh) | 智能电能表电子元器件一致性检测方法 | |
CN113568833A (zh) | 测试用例确定方法、装置、计算机设备及可读存储介质 | |
CN114429256A (zh) | 数据监测方法、装置、电子设备及存储介质 | |
CN114881425A (zh) | 一种生产实时监测的方法、装置、电子设备及介质 | |
CN114356900A (zh) | 一种电力数据异常检测方法、装置、设备及介质 | |
CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
CN115705409A (zh) | 一种缺陷识别方法、装置、设备及存储介质 | |
KR20190081843A (ko) | 웨이퍼 데이터를 처리하는 방법 및 장치 | |
CN114880628B (zh) | 晶圆测试数据的处理方法、装置以及绘制晶圆图的方法 | |
CN116467360A (zh) | 产品信息分析方法、装置及电子设备 | |
CN113587980A (zh) | 一种适用于工业互联网的生产线监测方法 | |
CN114740284A (zh) | 触摸屏面板的检测方法及装置 | |
TWI686810B (zh) | 記憶體晶片超頻測試方法 | |
TWI832403B (zh) | 用於多維動態部件平均測試之方法、設備及非暫時性電腦可讀媒體 | |
CN103971194A (zh) | 送验材料清单的产生装置及方法 | |
Breaux et al. | Integration of automated defect classification into integrated circuit manufacturing | |
CN114167223B (zh) | 供电异常的检测方法、装置及计算机可读存储介质 | |
CN117554385B (zh) | 同向连续报废的允收告警方法、装置、设备及存储介质 | |
TWI754304B (zh) | 缺陷分析方法及裝置、電子裝置及電腦可讀存儲介質 |
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 |