TW202006652A - 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 - Google Patents

具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 Download PDF

Info

Publication number
TW202006652A
TW202006652A TW107124305A TW107124305A TW202006652A TW 202006652 A TW202006652 A TW 202006652A TW 107124305 A TW107124305 A TW 107124305A TW 107124305 A TW107124305 A TW 107124305A TW 202006652 A TW202006652 A TW 202006652A
Authority
TW
Taiwan
Prior art keywords
judgment result
machine learning
learning mode
trend line
product testing
Prior art date
Application number
TW107124305A
Other languages
English (en)
Other versions
TWI677844B (zh
Inventor
許世傑
張倍銘
趙保忠
黃偉隆
Original Assignee
致伸科技股份有限公司
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 致伸科技股份有限公司 filed Critical 致伸科技股份有限公司
Priority to TW107124305A priority Critical patent/TWI677844B/zh
Priority to US16/192,040 priority patent/US20200019853A1/en
Application granted granted Critical
Publication of TWI677844B publication Critical patent/TWI677844B/zh
Publication of TW202006652A publication Critical patent/TW202006652A/zh

Links

Images

Classifications

    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/401—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for measuring, e.g. calibration and initialisation, measuring workpiece for machining purposes
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/083—Quality monitoring using results from monitoring devices, e.g. feedback loops
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Human Computer Interaction (AREA)
  • Operations Research (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本發明為一種具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法。該系統包含有一電腦裝置與一測試治具，該電腦裝置載有一機器學習模式。該方法包含下列步驟：測試治具依序測試多個待測試產品，並分別產生一測試數據而傳送至電腦裝置，進而由電腦裝置分別產生一趨勢線形圖；作業員根據各趨勢線形圖進行判斷而分別產生一人為判斷結果；將各測試數據、趨勢線形圖與人為判斷結果輸入至機器學習模式進行一學習程序；以及當學習程序的樣本數達一預設門檻值時，使機器學習模式針對相應的測試數據與趨勢線形圖產生相應的一輔助判斷結果。

Description

具輔助判斷功能之產品測試系統及應用於其上的產品測試 輔助方法
本發明是有關於一種具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法，尤其是有關於使用機器學習模式來產生預測以提供作業員主觀判斷外的客觀參考，從而能減少作業時間和避免誤判的系統與方法。
隨著工業與科技的日益進步，人們已於日常生活中普遍地使用各種的電子產品，例如3C電子裝置。而目前的生產工廠在產品的製造上，除了需在線上進行包括電路或電性測試之產線測試以符合電氣安規外，還會進行產品出廠前的功能測試。根據目前技術，此一功能測試作業可使用相關的檢測程式來計算出其趨勢線形圖，藉以得知產品的品質。
舉例來說，陀螺儀或加速度計等裝置是一種以感測加速度方向或角速度而能感測動作的動作感測器。而針對此一產品所進行的測試可為將一動作感測器置放在一測試治具中的一測試平面上，且測試治具可對測試平面進行三維運動(包括移動與轉動)，進而藉由觀察動作感測器在不同角度上的感測結果所產生的趨勢線形圖來判斷其功能可否正常運作。
請參見第1A圖與第1B圖，分別為對兩不同的感測器以習知技術進行功能測試的趨勢線形圖。在經由線上作業員對此兩趨勢線形圖進行檢視與主觀判斷後，將其中的第1A圖判斷為品質良好，也就是相應的感測器通過檢測而被定義為「Pass」； 另外，將其中的第1B圖判斷為品質劣等，也就是相應的感測器未通過檢測而被定義為「Fail」。此兩圖在橫軸可代表轉動的角度，縱軸可代表所測量到的扭力(單位：牛頓米)。
承上所述，根據作業員的經驗累積，當看到所產生的線形是隨著轉動角度的增加變化而呈現出相應地緩慢上升趨勢時，便判斷產品為品質良好(Pass)，如其中的第1A圖所示。相對的，當看到所產生的線形是隨著轉動角度的增加變化而未呈現出相應地緩慢上升趨勢時，便判斷產品為品質劣等(Fail)，如其中的第1B圖所示。當然，品質劣等的趨勢線形圖亦可能以其他型式呈現，並不限於第1B圖的型式。
由此可知，當有大量的產品須要進行測試或者所要進行測試的項目較多時，作業員就得耗用大量時間來處理所收集到的數據並對大量的趨勢線形圖進行檢視與判斷。如此，除了會增加作業上的人力負擔外，即使只是良好(Pass)與劣等(Fail)的判斷分類，亦有可能會在龐大的工作量之下出現作業員的誤判。再者，即使有客觀的分類標準，所述的檢視與判斷仍然是人為的主觀結果。一旦所產生的趨勢線形圖有較難區分的細節時，將會影響作業員本身的判斷。
是以，如何開發出一個能足以應付產線上之大量產品測試並能提供作業員進行測試上之輔助判斷的輔助系統，以達到減少誤判機率、減少作業時間和減少生產成本之目的，將是業界所不可忽視的重要議題。
本發明之目的在於提出一種具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法。該系統與方法是使用機器學習模式來產生測試上的輔助判斷功能，也就是在線上作業員對所形成的趨勢線形圖進行檢視與主觀判斷下，可同時使該機器學習模式經過特定演算法的訓練與學習後，產生一種人工智慧性質的輔助判斷結果來提供作業員參考。如此，作業員在大量 作業時間與龐大工作量之下所可能造成的誤判就可以避免，或是一些細節無法做主觀區分等情形，就有可另外參考的資源來輔助判斷。
本發明為一種產品測試輔助方法，應用於一產品測試系統與多個待測試產品上。該系統包含有一電腦裝置與一測試治具，該電腦裝置信號連接於該測試治具，該電腦裝置載有一機器學習模式。該方法包含下列步驟：該測試治具依序測試該些待測試產品，並分別產生一測試數據而傳送至該電腦裝置；該電腦裝置將各測試數據分別產生一趨勢線形圖；作業員根據各趨勢線形圖的顯示內容進行判斷而分別產生一人為判斷結果；將各測試數據、各趨勢線形圖與各人為判斷結果輸入至該機器學習模式中以進行一學習程序；以及當該學習程序所具有的樣本數達一預設門檻值時，使該機器學習模式針對相應的該測試數據與該趨勢線形圖產生相應的一輔助判斷結果。
本發明另一方面為一種具輔助判斷功能之產品測試系統，應用於多個待測試產品上。該系統包含有一電腦裝置與一測試治具。該測試治具用以依序測試該些待測試產品，並分別產生一測試數據。該電腦裝置信號連接於該測試治具，該電腦裝置並載有一機器學習模式，用以接收該測試治具所傳送的各測試數據並分別產生一趨勢線形圖。其中，作業員根據各趨勢線形圖的顯示內容進行判斷而分別產生一人為判斷結果，進而將各測試數據、各趨勢線形圖與各人為判斷結果輸入至該機器學習模式中以進行一學習程序；當該學習程序所具有的樣本數達一預設門檻值時，該機器學習模式針對相應的該測試數據與該趨勢線形圖產生相應的一輔助判斷結果。
為了對本發明之上述及其他方面有更佳的瞭解，下文特舉實施例並配合所附圖式進行詳細說明。
100‧‧‧產品測試系統
11‧‧‧測試治具
12‧‧‧電腦裝置
20‧‧‧類神經網路
21‧‧‧輸入層
22‧‧‧隱藏層
23‧‧‧輸出層
S1~S6‧‧‧步驟
第1A圖與第1B圖，為習知技術對兩不同的感測器進行功能測試的趨勢線形圖。
第2圖，為本發明所提出的一產品測試系統100的功能方塊示意圖。
第3圖，為典型的一類神經網路20的架構圖。
第4圖，為本發明所提出的產品測試輔助方法的流程圖。
以下係提出實施例進行詳細說明，實施例僅用以作為範例說明，並不會限縮本發明欲保護之範圍。此外，實施例中之圖式係省略不必要或以通常技術即可完成之元件，以清楚顯示本發明之技術特點。
現以一實施例進行本發明所提出之具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法的實施說明。請參見第2圖，為本發明的一產品測試系統100的功能方塊示意圖。如第2圖所示，該產品測試系統100包含有一電腦裝置12與一測試治具11，該電腦裝置12信號連接於該測試治具11。其中該電腦裝置12載有一機器學習模式，而該測試治具11能對多個待測試產品(未顯示於圖式)進行測試。
於此實施例中，其中的待測試產品可為一種動作感測器，而該測試治具11則為可對這些動作感測器進行三維運動測試之裝置，但本發明並不限於此。是以，該電腦裝置12是應用於一功能測試作業之執行，例如在一產線上對相關電子產品進行出廠前的各項測試以確認其品質。另一方面，類似於先前技術，該電腦裝置12可使用相關的檢測程式來對所測試的產品計算出其趨勢線形圖(如第1A圖與第1B圖所示)，從而來判斷其功能可否正常運作。
本發明的目的在於該機器學習模式之使用而來產生測試上的輔助判斷功能，也就是在線上作業員對所形成的趨勢線形圖進行檢視與主觀判斷下，可同時使該機器學習模式經過特定 演算法的訓練與學習後，產生一種人工智慧性質的輔助判斷結果來提供作業員參考。如此，作業員在大量作業時間與龐大工作量之下所可能造成的誤判就可以避免，或是一些細節無法做主觀區分等情形，就有可另外參考的資源來輔助判斷。
於一實施例中，該機器學習模式為一類神經網路模式(Neural Network Model)或一人工神經網路模式(Artificial Neural Network Model)。根據目前技術，所謂的類神經網路是一種運用電腦來模擬生物大腦神經的人工智慧系統，具有學習、記憶和歸納等特性，並可進行辨識、判斷、控制或預測等功能之應用。
請參見第3圖，為典型的一類神經網路20的架構圖。該類神經網路20主要由神經元(neuron)(或稱節點)、層(layer)和網路(network)三個部份所組成，整個網路包含一系列通過權重(weight)相互連接並以層的方式來組織的多個基本神經元(以圓圈示意)，且每層的每個神經元會和前一層與後一層的神經元形成連接。第3圖的該類神經網路20是以三層架構做示意，包括一輸入層(Input layer)21、一隱藏層(Hidden layer)22與一輸出層(Output layer)23，而多個神經元分佈於此三層中並相互連接形成整個網路。
承上所述，該輸入層21負責接收從外部輸入的數據或資訊，且該輸入層21的每個神經元會將數據或資訊傳遞至下一層。該隱藏層22介於該輸入層21和該輸出層23之間，且該隱藏層22的每個神經元是用以進行分析，並以函數聯繫該輸入層21的變數與該輸出層23的變數來配適(fit)數據。該輸出層23則能相應地產生出結果並輸出至外部。具體而言，類神經網路的每層各有數個神經元，層與層之間的神經元彼此以連線相接，每一個連線有一權重，而神經元有一轉移函數(Transfer Function)或激發函數，可以將輸入的值經過函數計算後輸出。
大致上，類神經網路的訓練或學習過程可分為兩個 階段，即前向傳播(forward-propagation)與反向傳播(backward-propagation)。在前向傳播的階段，模式會對所得到的資料進行分析而產生預測結果，且其判斷結果可例如在「0」或「1」、「是」或「非」、「有」或「沒有」、「會」或「不會」等此種二分法或兩極化的方式中進行比重高低的選擇。在反向傳播的階段，作業員或工程師會告知模式其預測結果與真實結果之間的差距，而於誤差修正之後反向傳遞回去，以使每一個神經元都往正確的方向來調整權重。如此，當模式再次遇到相似的情況時，便能提高接近真實結果的預測或判斷成功率。
本發明的該機器學習模式所採用的該類神經網路模式可為上述第3圖所示的架構，但不限於此。舉例來說，在第3圖中是以一層的該隱藏層22作示意，但於另一實施例中還可將架構中的隱藏層設計成多層；例如兩層。或者，各層所具有的神經元數目可依應用需求做不同的設置。或者，該機器學習模式還可採用其他類似的演算法或模式；例如支持向量機(Support Vector Machines，簡稱SVM)模式。
本發明的其一特徵在於，該機器學習模式將要處理測試作業所產生的非線性的測試結果。所謂的訓練與學習，即是在擁有足夠的資料下進行歸納與收斂，進而使其輸出結果能達到期望的目標值。本發明所提出之應用於該產品測試系統100上的產品測試輔助方法將詳細說明如後。
請參見第4圖，為本發明所提出的產品測試輔助方法的流程圖。首先，該測試治具11依序測試該些待測試產品，並分別產生一測試數據而傳送至該電腦裝置12(步驟S1)；其次，該電腦裝置12將各測試數據分別產生一趨勢線形圖(步驟S2)；接著，作業員根據各趨勢線形圖的顯示內容進行判斷而分別產生一人為判斷結果(步驟S3)；接著，將各測試數據、各趨勢線形圖與各人為判斷結果輸入至該機器學習模式中以進行一學習程序(步驟S4)；接著，判斷該學習程序所具有的樣本數是否達一預設門 檻值(步驟S5)；其中，當該學習程序所具有的樣本數達該預設門檻值時，使該機器學習模式針對相應的該測試數據與該趨勢線形圖產生相應的一輔助判斷結果(步驟S6)。
於一實施例中，本發明所提出的產品測試輔助方法於該產品測試系統100上的應用，可採用軟體方式而於該電腦裝置12中儲存成一測試應用程式以提供執行。詳細來說，在該測試應用程式被執行之下，除了會監控產線上的該測試治具11對各待測試產品所進行的測試外，還會對該機器學習模式進行控制。作業員可在該電腦裝置12上得知該測試治具11所回傳的測試結果，並在該電腦裝置12上輸入相關的測試指令或判斷指令。
在所述步驟S1與S2中，該測試治具11對各待測試產品分別進行測試，而所分別得到的測試數據代表著相應的產品的品質或運作效能，並分別傳送至該電腦裝置12。如前所述，所得到的這些對應不同產品的測試數據可再使用相關的檢測程式來計算出其趨勢線形圖(如第1A圖與第1B圖所示)。
於一實施例中，習知用以產生其趨勢線形圖的檢測程式可為本發明的該測試應用程式的一部份，也就是可整合於該測試應用程式之中而能同時被執行。或者，習知用以產生其趨勢線形圖的檢測程式與本發明的該測試應用程式可互為獨立而分別載於該電腦裝置12中，但彼此會協同運作。
另一方面，本發明的該測試應用程式可於執行時於該電腦裝置12上(例如其顯示螢幕)產生一使用者操作介面(未顯示於圖式)，讓作業員除了能觀看到各個待測試產品所相應的趨勢線形圖外，還能在完成檢視與判斷後提供作業員輸入自己的判斷結果。其輸入的方式可為使用該使用者操作介面所具有的相關選取圖符進行點選，或是使用該電腦裝置12的相關輸入裝置(例如鍵盤或滑鼠)。
在所述步驟S3中，作業員進行主觀判斷而對每一趨勢線形圖分別產生一人為判斷結果。類似於先前技術，作業員是 綜觀各趨勢線形圖整體的顯示內容後才進行主觀判斷。於一實施例中，各人為判斷結果為一第一品質類別或一第二品質類別，也就是僅以二分法或兩極化的方式進行品質分類。舉例來說，觀察其線形或曲線的走向是否為相應地緩慢上升且未有任何線段陡變或雜訊等情況，從而判斷為品質良好(Pass)；反之，則為品質劣等(Fail)。
承上所述，可定義該第一品質類別代表品質良好，而該第二品質類別則代表品質劣等。作業員可在該使用者操作介面上依序輸入相應的人為判斷結果，而該使用者操作介面則可設計具有分別代表該第一品質類別與該第二品質類別的兩個選取圖符。當然，本發明的該測試應用程式於執行時所產生的該使用者操作介面的設計樣式可不限於此。
本發明的另一特徵在於，所述的各人為判斷結果將作為該機器學習模式的訓練與學習的目標或依據。因此，於一實施例中，於初步階段可儘量採用已通過檢測認證或其品質能被輕易分辨的產品作為理想樣本(Golden Sample)來進行測試，使其所產生的趨勢線形圖能成為理想的學習對象。換句話說，使用理想樣本能有助於該機器學習模式進行判斷、歸納出該第一品質類別或該第二品質類別所相應的趨勢線形圖是何種樣式。
在所述步驟S4中，當各測試數據、各趨勢線形圖與各人為判斷結果產生時，將被進一步輸入至該機器學習模式中，而該機器學習模式會以各人為判斷結果作為目標值進行一學習程序。以類神經網路模式為例，雖然本發明設計在此一步驟之階段尚不會顯示可供判斷參考的結果，但仍可在網路初始的權重配置下產生輸出資料。所謂的學習程序，即是比較輸出資料與目標值(即人為判斷結果)之間的差異。當有差異時，網路即依目標值調整各連線的權重。
詳細來說，由於一張數位化的趨勢線形圖是由多個像素點所構成的，所以該類神經網路模式可經由各像素點的內容 與分佈情形而得知其線形或曲線的走向。於一實施例中，可設計各趨勢線形圖具有相同大小與像素尺寸，並可將第3圖中的該輸入層21的神經元設計成相應於該趨勢線形圖中的像素點，也就是每一像素點所代表的值會作為輸入資料而分別輸入至該輸入層21的一個相應的神經元中。
另一方面，由網路各連線的權重與該隱藏層22的運算來歸納所輸入的資料，並將該輸出層23的輸出結果限定在該第一品質類別或該第二品質類別。就目前技術來說，該學習程序的結果可視為是在對多筆不同的輸入資料進行判斷、歸納之後，其網路各連線的權重調整結果。
承上所述，只有當該學習程序所具有的樣本數達一預設門檻值時，模式才會顯示足以提供判斷參考的結果。舉例來說，可設計該預設門檻值為20組測試數據，也就是對20個待測試產品進行測試的結果並得到相應的20張趨勢線形圖，同時作業員也相應地進行20次的人為判斷。就目前的理論來說，模式所得到的訓練與學習的樣本數愈多，就愈能對所輸入的資料進行更正確而符合預期的判斷、歸納與預測。
是以，在所述步驟S5中，當該學習程序所具有的樣本數未達該預設門檻值時，模式就必須繼續進行訓練與學習，也就是重覆前述的步驟而對更多的待測試產品進行測試。相對地，在所述步驟S5至步驟S6中，當該學習程序所具有的樣本數已達該預設門檻值時，模式針對所測試的產品就可判斷其測試數據與趨勢線形圖於該第一品質類別與該第二品質類別上所佔的權重(即根據當時網路各連線的權重配置產生輸出資料)，而產生相應的輔助判斷結果。類似地，於一實施例中，各輔助判斷結果也為該第一品質類別或該第二品質類別之定義。
承上所述，所產生的各輔助判斷結果是提供作業員進行產品測試時的判斷參考，是作為輔助、提示或建議之用，並不代表最後判斷確定的結果。然而，針對該次測試所產生的輔助 判斷結果已可提供作業員參考，並查看與所輸入的人為判斷結果有無差異。因此，可設計使該使用者操作介面再次顯示，以供作業員進行最後判斷的確認與點選。
是以，本發明的產品測試輔助方法還可包含下列步驟：該機器學習模式比對相應的該輔助判斷結果與相應的該人為判斷結果；當相應的該輔助判斷結果不同於相應的該人為判斷結果時，產生一提示訊息；其次，作業員產生相應的一修正判斷結果，並輸入至該機器學習模式中以進行調整。
所述的該提示訊息可為顯示於該電腦裝置12(例如藉由顯示螢幕或擴音器)上的文字、圖案或聲音之資訊，以提醒作業員其判斷結果與模式的判斷有所不同。另一方面，所述的該修正判斷結果可代表例如作業員認為模式的判斷才是對的，故捨棄原來的人為判斷結果而改以該輔助判斷結果做決定；或是作業員認為模式的判斷是錯的，自己的判斷才是對的，故而反向告知模式相應的該輔助判斷結果是不符實際的。
是以，本發明的產品測試輔助方法還可包含下列步驟：該機器學習模式根據相應的該修正判斷結果調整相應的該測試數據與該趨勢線形圖於該第一品質類別與該第二品質類別上所佔的權重；也就是此時可使網路將該修正判斷結果作為最新的目標值來調整各連線的權重。
本發明的又一特徵在於，以類神經網路模式為例，雖然在步驟S6的階段已能針對所測試的產品顯示可供判斷參考的結果，但仍舊可持續不斷地進行訓練與學習。換句話說，模式除了會同時輸出資料以提供參考外，作業員每次輸入的人為判斷結果或修正判斷結果將可作為模式再訓練與再學習的目標值。是以，該學習程序可視為是一種持續輸入新資料、輸出預測結果及根據目標值調整所述權重的更新結果，只要產線上的功能測試作業持續進行，該學習程序就不會結束。
本發明還可根據上述的實施例做進一步的變化。舉 例來說，當該學習程序所具有的樣本數已達該預設門檻值時，針對之後所測試的產品也可設計成尚不須由作業員產生相應的人為判斷結果，而可先參考該機器學習模式所產生的相應的輔助判斷結果為何，再由作業員做最後的判斷與決定。如此，此種方式所產生的人為判斷結果便是直接認同該輔助判斷結果，或是直接對其提出修正。
另一方面，在上述的實施例中的人為判斷結果或輔助判斷結果是以二分法或兩極化的方式來定義該第一品質類別與該第二品質類別，也就是僅粗略的將產品的品質各以一種等級來分類良好或劣等。然而，在非線性的測試議題下，所得到的測試結果通常無法由二分法的定義來精確分類。是以，本發明可在二分法的概念下進一步設計該第一品質類別與該第二品質類別還各包含有更多等級之子項目，以彌補分類的不足。
舉例來說，可將代表品質良好的該第一品質類別設計包含有「優良」、「佳」等兩種等級，並可將代表品質劣等的該第二品質類別設計包含有「不良」、「差」等兩種等級。如此，作業員在產品測試的判斷上便有更多的選擇性，也使得該機器學習模式可進行更細部的訓練與學習。
又另一方面，由上述實施例的說明可知，模式的預測結果是有可能和人為的判斷有所出入，且類神經網路的技術重點在於有足夠的資料方能有效學習與修正權重。然而，學習的資料量太多則可能會耗費相當的工時，但太少又會影響預測的準確性。是以，在測試的過程當中，可能須要多加實驗以確認模式能得到最佳的訓練，以提供未來有效的預測。
是以，本發明的產品測試輔助方法還可包含下列步驟：該機器學習模式根據相應的該輔助判斷結果、相應的該人為判斷結果與相應的該修正判斷結果產生一判斷成功率；其次，根據該判斷成功率調整該預設門檻值。
舉例來說，若如上述的將該預設門檻值設計為20 組測試數據，卻仍常在後續預測上出現判斷有誤(也就是判斷成功率不高)時，可將該預設門檻值再調高為例如100組測試數據，待到達此標準後，模式才能顯示可供判斷參考的結果。如此，可有效地確認模式已能判斷與學習到何種樣式的趨勢線形圖代表品質良好，何種樣式的趨勢線形圖代表品質劣等。
綜上所述，本發明所提出之具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法相較於先前技術能達到以下幾點的技術增進：其一，在具有足夠資料樣本數的條件下，機器學習模式所產生的輔助判斷具有一定的可信度，所以加入機器學習模式所產生的預測，能提供作業員在人為的主觀判斷外有一客觀的參考，並可有效減少作業時間與生產成本；其二，可有效避免作業員在大量作業時間與龐大工作量之下所可能造成的誤判，同時還能更客觀地區分出不同線形或曲線所存在的細節；其三，能為未來的產線智能化、人工智慧之無人工廠的目標提供了良好的發展基礎。
是故，本發明能有效解決先前技術中所提出之相關問題，而能成功地達到本案發展之主要目的。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。因此，本發明之保護範圍當視後附之申請專利範圍所界定者為準。
S1~S6‧‧‧步驟

Claims (15)

  1. 一種產品測試輔助方法，應用於一產品測試系統與多個待測試產品上，該系統包含有一電腦裝置與一測試治具，該電腦裝置信號連接於該測試治具，該電腦裝置載有一機器學習模式，而該方法包含下列步驟：該測試治具依序測試該些待測試產品，並分別產生一測試數據而傳送至該電腦裝置；該電腦裝置將各測試數據分別產生一趨勢線形圖；作業員根據各趨勢線形圖的顯示內容進行判斷而分別產生一人為判斷結果；將各測試數據、各趨勢線形圖與各人為判斷結果輸入至該機器學習模式中以進行一學習程序；以及當該學習程序所具有的樣本數達一預設門檻值時，使該機器學習模式針對相應的該測試數據與該趨勢線形圖產生相應的一輔助判斷結果。
  2. 如申請專利範圍第1項所述之產品測試輔助方法，其中該方法為於該電腦裝置中儲存成一測試應用程式以提供執行，而該方法包含下列步驟：執行該測試應用程式以控制該機器學習模式。
  3. 如申請專利範圍第1項所述之產品測試輔助方法，其中各人為判斷結果或各輔助判斷結果為一第一品質類別或一第二品質類別，而該第一品質類別或該第二品質類別包含有至少一種等級之子項目。
  4. 如申請專利範圍第3項所述之產品測試輔助方法，其中該方法還包含下列步驟：該機器學習模式判斷相應的該測試數據與該趨勢線形圖於該第一品質類別與該第二品質類別上所佔的權重，而產生相 應的該輔助判斷結果。
  5. 如申請專利範圍第1項所述之產品測試輔助方法，其中該方法還包含下列步驟：該機器學習模式比對相應的該輔助判斷結果與相應的該人為判斷結果；當相應的該輔助判斷結果不同於相應的該人為判斷結果時，產生一提示訊息；以及作業員產生相應的一修正判斷結果，並輸入至該機器學習模式中以進行調整。
  6. 如申請專利範圍第3與5項所述之產品測試輔助方法，其中該方法還包含下列步驟：該機器學習模式根據相應的該修正判斷結果調整相應的該測試數據與該趨勢線形圖於該第一品質類別與該第二品質類別上所佔的權重。
  7. 如申請專利範圍第5項所述之產品測試輔助方法，其中該方法還包含下列步驟：該機器學習模式根據相應的該輔助判斷結果、相應的該人為判斷結果與相應的該修正判斷結果產生一判斷成功率；以及根據該判斷成功率調整該預設門檻值。
  8. 如申請專利範圍第1項所述之產品測試輔助方法，其中該機器學習模式為一類神經網路模式或一人工神經網路模式。
  9. 一種具輔助判斷功能之產品測試系統，應用於多個待測試產品上，該系統包含有：一測試治具，用以依序測試該些待測試產品，並分別產生一測試數據；以及 一電腦裝置，信號連接於該測試治具，該電腦裝置並載有一機器學習模式，用以接收該測試治具所傳送的各測試數據並分別產生一趨勢線形圖；其中，作業員根據各趨勢線形圖的顯示內容進行判斷而分別產生一人為判斷結果，進而將各測試數據、各趨勢線形圖與各人為判斷結果輸入至該機器學習模式中以進行一學習程序；當該學習程序所具有的樣本數達一預設門檻值時，該機器學習模式針對相應的該測試數據與該趨勢線形圖產生相應的一輔助判斷結果。
  10. 如申請專利範圍第9項所述之產品測試系統，其中各人為判斷結果或各輔助判斷結果為一第一品質類別或一第二品質類別，而該第一品質類別或該第二品質類別包含有至少一種等級之子項目。
  11. 如申請專利範圍第10項所述之產品測試系統，其中該機器學習模式用以判斷相應的該測試數據與該趨勢線形圖於該第一品質類別與該第二品質類別上所佔的權重，而產生相應的該輔助判斷結果。
  12. 如申請專利範圍第9項所述之產品測試系統，其中該機器學習模式用以比對相應的該輔助判斷結果與相應的該人為判斷結果，並於相應的該輔助判斷結果不同於相應的該人為判斷結果時產生一提示訊息，進而提供作業員可產生相應的一修正判斷結果，並輸入至該機器學習模式中以進行調整。
  13. 如申請專利範圍第10與12項所述之產品測試系統，其中該機器學習模式用以根據相應的該修正判斷結果調整相應的該測試數據與該趨勢線形圖於該第一品質類別與該第二品質類別上所佔的權重。
  14. 如申請專利範圍第12項所述之產品測試系統，其中該機器學習模式用以根據相應的該輔助判斷結果、相應的該人為判斷結果與相應的該修正判斷結果產生一判斷成功率，進而使該預設門檻值可根據該判斷成功率做調整。
  15. 如申請專利範圍第9項所述之產品測試系統，其中該機器學習模式為一類神經網路模式或一人工神經網路模式。
TW107124305A 2018-07-13 2018-07-13 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 TWI677844B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW107124305A TWI677844B (zh) 2018-07-13 2018-07-13 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法
US16/192,040 US20200019853A1 (en) 2018-07-13 2018-11-15 Product testing system with auxiliary judging function and auxiliary testing method applied thereto

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107124305A TWI677844B (zh) 2018-07-13 2018-07-13 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法

Publications (2)

Publication Number Publication Date
TWI677844B TWI677844B (zh) 2019-11-21
TW202006652A true TW202006652A (zh) 2020-02-01

Family

ID=69138428

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107124305A TWI677844B (zh) 2018-07-13 2018-07-13 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法

Country Status (2)

Country Link
US (1) US20200019853A1 (zh)
TW (1) TWI677844B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI750572B (zh) * 2020-01-30 2021-12-21 虹光精密工業股份有限公司 運用機器學習進行文件分類的文件處理系統及方法
JP6779458B1 (ja) * 2020-04-28 2020-11-04 金子産業株式会社 機械学習装置、データ処理システム、推論装置及び機械学習方法
US12063745B2 (en) * 2020-05-05 2024-08-13 Integrated Dynamics Engineering Gmbh Method for processing substrates, in particular wafers, masks or flat panel displays, with a semi-conductor industry machine
CN113098633B (zh) * 2021-04-28 2023-03-07 德明通讯（上海）股份有限公司 一种智能耦合测试方法、装置及计算机可读存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7505862B2 (en) * 2003-03-07 2009-03-17 Salmon Technologies, Llc Apparatus and method for testing electronic systems
TWI273253B (en) * 2005-11-23 2007-02-11 Wistron Corp Intelligent test system and related method for testing an electronic product
CN107632251A (zh) * 2017-08-08 2018-01-26 上海交通大学 Pcb单板故障检测方法
CN107677949A (zh) * 2017-08-08 2018-02-09 上海交通大学 集成电路批量检测方法

Also Published As

Publication number Publication date
TWI677844B (zh) 2019-11-21
US20200019853A1 (en) 2020-01-16

Similar Documents

Publication Publication Date Title
TWI677844B (zh) 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法
JP6693938B2 (ja) 外観検査装置
WO2019176993A1 (ja) 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置
Ashrafian et al. A novel modification of the Turing test for artificial intelligence and robotics in healthcare
JP6957762B2 (ja) 異常診断システム、方法及びプログラム
WO2021225097A1 (ja) 画像検査装置、画像検査方法及びプログラム
CN109978870A (zh) 用于输出信息的方法和装置
JP2019206041A5 (ja) 情報処理装置、ロボット制御装置、情報処理方法及びプログラム
US11138805B2 (en) Quantitative quality assurance for mixed reality
JP2021103344A (ja) 学習支援装置、学習装置、学習支援方法及び学習支援プログラム
CN116894211A (zh) 用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序
Sampedro et al. 3D-AmplifAI: An ensemble machine learning approach to digital twin fault monitoring for additive manufacturing in smart factories
CN114978968A (zh) 微服务的异常检测方法、装置、计算机设备和存储介质
CN106547695A (zh) 一种规模软件的测试系统及方法
CN111126566B (zh) 基于gan模型的异常家具布局数据检测方法
JP6850313B2 (ja) シミュレーション装置、シミュレーション方法およびシミュレーションプログラム
EP3748550A1 (en) Method for learning from data with label noise
CN117435894A (zh) 一种基于云边协同的智能gis设备故障定位检测方法及系统
CN115546218B (zh) 置信度阈值确定方法和装置、电子设备和存储介质
KR20210157253A (ko) 용접의 품질 평가 모델의 학습 장치와 방법, 및 이를 이용한 평가 장치
CN110779566B (zh) 具有辅助判断功能的产品测试系统及产品测试辅助方法
KR102470520B1 (ko) 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법
JP7084520B2 (ja) シミュレーション装置、シミュレーション方法およびシミュレーションプログラム
KR20220170658A (ko) 합성곱 신경망 모델을 이용한 비전 불량 예측 방법 및 이를 수행하는 전자 장치
Zhang et al. Dynamic process in threshold weighted indecisive-voting systems

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees