[發明專利]一種電子元件的檢測方法、裝置和設備

有效

• 申請號: 201810061078.2
• 申請日: 2018-01-22
• 公開（公告）號: CN108268899B
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 王建民;劉英博;張育萌
• 申請（專利權）人: 清華大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;李相雨

本發明提供了一種電子元件的檢測方法、裝置和設備，所述方法包括：獲取待檢測電子元件的元件參數，并根據元件參數的數據分布信息獲取待檢測電子元件對應的特征向量；在預先基于歷史電子元件構建的分類器庫中，檢索與待檢測電子元件的特征向量相似的目標特征向量，并將分類器庫中與目標特征向量對應的分類器作為目標分類器；將待檢測電子元件的元件參數輸入目標分類器中，獲取目標分類器輸出的檢測結果。本發明通過預先構建的分類器庫獲取對應的分類器進行檢測，無需使用待檢測電子元件數據進行模型訓練，而是直接利用基于歷史電子元件數據構建的分類器進行檢測，節省了大量的時間成本，直觀有效、便于使用。

技術領域

本發明涉及計算機數據處理領域，具體涉及一種電子元件的檢測方法、裝置和設備。

背景技術

在電子設備的更新換代速度日新月異的今天，如何快速而準確地檢測出生產線上電子元件是否裝配合格，成了很多電子制造業廠商面臨的難題。

現有技術中包括人工檢測、抽取特征檢測等，存在很多弊端。對于人工檢測來說，雖然人工檢測的機動性和靈活性很高，但是廠商要花費大量的成本在人力上，同時，檢測過程中也會不可避免地發生一些紕漏；而抽取電子元件的特征來進行檢測，雖然節省了一部分的人力成本，但又會面臨著檢測的依據較為單一，檢測的標準過于嚴格或寬松等一系列的問題，因此可能會產生大量的誤判，這些誤判又需要人工來修正，最后得到的效果可能并不盡如人意。

在這樣的背景之下，使用機器學習等新興的計算機算法來進行檢測的方法的優勢就凸顯出來了；機器學習的方法，靈活性非常高，可以根據數據特征來進行調整，而不是根據單一的指標來進行檢測。并且可以節省大量的人力成本。

但是，每生產一個新的電子設備，都要重新訓練一個模型出來，而且機器學習需要大量的數據來進行訓練，才能夠保證它檢測結果的準確性。然而，對于目前電子設備迭代速度越來越快的今天，一種電子產品可能在生產線上生產3個月就下線了，這個時候，可能需要花費1個月的時間才能獲得足夠的數據來進行訓練，顯然這樣的時間成本過于高昂了。因此，如何才能縮短數據訓練時間，這一問題亟待解決。

目前，某些電子制造業廠商采用傳統方法與機器學習相結合的檢測方式來對自己生產的電子設備進行檢測。生產過程中，在收集到足夠支撐機器學習訓練的數據之前，都使用傳統方法對電子元器件進行檢測，這就導致了電子設備剛進行生產的一段時間內無法使用機器學習進行檢測，整個生產過程中，存在兩種不同的檢測方式，這既不利于生產質量的控制，也浪費了大量的時間來收集數據。

發明內容

針對現有技術中存在的上述缺陷，本發明提供一種電子元件的檢測方法、裝置和設備。

本發明的一方面提供一種電子元件的檢測方法，包括：獲取待檢測電子元件的元件參數，并根據元件參數的數據分布信息獲取待檢測電子元件對應的特征向量；在預先基于歷史電子元件構建的分類器庫中，檢索與待檢測電子元件的特征向量相似的目標特征向量，并將分類器庫中與目標特征向量對應的分類器作為目標分類器；將待檢測電子元件的元件參數輸入目標分類器中，獲取目標分類器輸出的檢測結果，其中，目標分類器為通過與目標特征向量對應的歷史電子元件的元件參數進行模型訓練獲得。

其中，所述在預先基于歷史電子元件構建的分類器庫中，查詢與待檢測電子元件的特征向量相似的目標特征向量的步驟前還包括：根據型號信息對歷史電子元件進行分類，并通過計算每一類歷史電子元件的元件參數對應的數據分布信息，獲取每一類歷史電子元件對應的特征向量；對每一類歷史電子元件分別訓練對應的分類器，各類歷史電子元件對應的分類器組成分類器庫，其中，訓練過程中的輸入數據為每一類歷史電子元件的元件參數，對應的輸出數據為檢測結果。

其中，所述對每一類歷史電子元件分別訓練對應的分類器的步驟前還包括：對每一類歷史電子元件對應的特征向量進行比較，將特征向量的相似度大于預設值的多類歷史電子元件進行合并，并計算合并后新類別的歷史電子元件對應的特征向量。