用于对制造缺陷进行分类的系统和方法技术方案

本发明专利技术涉及用于对制造缺陷进行分类的系统和方法。用训练数据集训练第一机器学习模型，并且从训练数据集中识别满足标准的数据样本。训练第二机器学习模型以学习数据样本的特征。当接收到包括第一产品数据和第二产品数据的输入数据集时，调用第二机器学习模型以用于基于所学习的数据样本的特征预测第一产品数据的置信度和第二产品数据的置信度。响应于预测第一产品数据的置信度和第二产品数据的置信度，从输入数据集中去除第一产品数据并且调用第一机器学习模型以用于基于第二产品数据生成分类。生成分类。生成分类。

【技术实现步骤摘要】
用于对制造缺陷进行分类的系统和方法
[0001]相关申请的交叉引用
[0002]本申请要求于2021年4月23日提交的题为“用于识别制造显示图像缺陷类型的高效单阶段置信过滤模型”的美国临时申请第63/179,111号的优先权和权益，其全部内容通过引用并入本文。本申请还与于2021年4月1日提交的题为“利用基于两阶段拒绝的方法识别制造显示图像缺陷类型”的美国临时申请第63/169,621号和于2021年5月3日提交的题为“用于识别制造缺陷的系统和方法”的美国申请第17/306,737号相关，两者的内容通过引用并入本文。


[0003]根据本公开的实施例的一个或多个方面涉及分类器，并且更具体地，涉及过滤掉低置信数据样本的、用于识别制造缺陷的机器学习(ML)分类器。

技术介绍

[0004]近年来，移动显示产业已经迅速发展。随着新型显示面板模块和生产方法的部署，仅使用传统机制已经更难以检查表面缺陷。期望采用人工智能(AI)来自动预测制造的显示面板模块是否是故障的。事实上，期望采用AI来预测在其他硬件产品而不仅是显示面板模块中的缺陷。
[0005]在本
技术介绍
部分中公开的以上信息仅用于增强对本公开的背景的理解，并且因此，它可能包含不构成现有技术的信息。

技术实现思路

[0006]本公开的实施例针对一种用于对制造缺陷进行分类的方法。用训练数据集训练第一机器学习模型，并且从训练数据集中识别满足标准的数据样本。训练第二机器学习模型以学习数据样本的特征。当接收到包括第一产品数据和第二产品数据的输入数据集时，调用第二机器学习模型以用于基于所学习的数据样本的特征预测第一产品数据的置信度和第二产品数据的置信度。响应于预测第一产品数据的置信度和第二产品数据的置信度，从输入数据集中去除第一产品数据并且调用第一机器学习模型以用于基于第二产品数据生成分类。
[0007]根据一个实施例，标准是低于设定阈值的置信度水平。
[0008]根据一个实施例，第一产品数据与低于设定阈值的置信度水平相关联，并且第二产品数据与高于设定阈值的置信度水平相关联。
[0009]根据一个实施例，训练第二机器学习模型包括基于所学习的数据样本的特征调用监督学习。
[0010]根据一个实施例，训练第二机器学习模型进一步包括识别用于将具有数据样本的特征的数据与其他数据分开的决策边界。
[0011]根据一个实施例，用于对制造缺陷进行分类的方法进一步包括基于调整阈值来调
整决策边界。
[0012]根据一个实施例，用于对制造缺陷进行分类的方法进一步包括基于分类生成信号，其中，信号用于触发动作。
[0013]本公开的实施例进一步针对一种用于对制造缺陷进行分类的系统。该系统包括处理器以及存储器。存储器具有存储在其中的指令，指令当由处理器执行时，使处理器：用训练数据集训练第一机器学习模型；从训练数据集中识别满足标准的数据样本；训练第二机器学习模型以学习数据样本的特征；接收包括第一产品数据和第二产品数据的输入数据集；调用第二机器学习模型以用于基于所学习的数据样本的特征预测第一产品数据的置信度和第二产品数据的置信度；以及响应于预测第一产品数据的置信度和第二产品数据的置信度，从输入数据集中去除第一产品数据并且调用第一机器学习模型以用于基于第二产品数据生成分类。
[0014]本公开的实施例还针对一种用于对制造缺陷进行分类的系统。该系统包括：数据收集电路，被配置成收集输入数据集；以及耦接到数据收集电路的处理电路。该处理电路包括逻辑以用于：用训练数据集训练第一机器学习模型；从训练数据集中识别满足标准的数据样本；训练第二机器学习模型以学习数据样本的特征；接收包括第一产品数据和第二产品数据的输入数据集；调用第二机器学习模型以用于基于所学习的数据样本的特征预测第一产品数据的置信度和第二产品数据的置信度；以及响应于预测第一产品数据的置信度和第二产品数据的置信度，从输入数据集中去除第一产品数据并且调用第一机器学习模型以用于基于第二产品数据生成分类。
[0015]如本领域技术人员应该认识到的，在推断期间过滤掉低置信数据样本的所要求保护的系统和方法有助于增加对覆盖的数据样本的预测的准确性，同时最小化分布外样本的影响。
[0016]当参考以下详细描述、所附权利要求和附图考虑时，将更充分地理解本公开的实施例的这些和其他特征、方面和优点。当然，本专利技术的实际范围由所附权利要求限定。
附图说明
[0017]参照以下附图描述本公开的非限制性和非穷举性的实施例，其中，除非另外指明，否则贯穿各个视图，相同的附图标记指代相同的部件。
[0018]图1是根据一个实施例的关于经由制造过程制造的产品进行预测的系统的框图。
[0019]图2是根据一个实施例的关于经由制造过程制造的产品进行预测的过程的流程图。
[0020]图3是根据一个实施例的置信学习过程的更详细流程图。
[0021]图4是根据一个实施例的示例混淆矩阵。
[0022]图5是根据一个实施例的实现为联合融合模型的缺陷检测的框图。
[0023]图6是根据一个实施例的示例性训练数据集在它经历置信学习和异常值检测学习时的概念布局图。
具体实施方式
[0024]在下文中，将参照附图更详细地描述示例实施例，在附图中，相同的附图标记始终
指代相同的元件。然而，本公开可以以各种不同的形式体现，并且不应被解释为仅限于在本文中所图示的实施例。相反，提供这些实施例作为示例，以便本公开将是透彻的和完整的，并且将向本领域技术人员充分传达本公开的方面和特征。因此，可以不描述对于本领域普通技术人员完全理解本公开的方面和特征而言不是必需的过程、元件和技术。除非另有说明，否则在整个附图和书面描述中，相同的附图标记表示相同的元件，并且因此，可以不重复对其的描述。进一步，在附图中，为了清楚起见，可能夸大和/或简化元件、层和区域的相对尺寸。
[0025]随着新型显示模块和产品方法的部署以及产品规格的收紧，可能期望增强设备和质量控制方法以保持生产质量。例如，可能期望在生产期间监控制造缺陷。
[0026]监控制造缺陷的一种方式是雇用具有识别缺陷专业知识的人工检查员。在这方面，可以在缺陷区域周围获取高分辨率(亚微米级)图像。然后，人工检查员可以审查所获取的图像以根据缺陷的类型以及缺陷可能如何影响生产良率将缺陷分类成类别。更详细地，人工检查员可以对许多缺陷图像进行采样，并且花费大量时间来搜索特征以将未分类的缺陷图像分成类别。然而，培训人工检查员需要时间。即使经过培训，人工检查员也可能花费数周时间来识别当前批次图像中的制造缺陷，使得难以将人工检查员的工作一次扩展到多个实例。
[0027]可以一次扩展到多个实例的机器学习(ML)模型可以用于更快地检测制造缺陷。然而，为了使ML模型有用，在它们的预测中，它们应该是准确的。另外，模型应该被推广，以便即使在先前没有遇到过的新的数据集上也可以进行准确的预测。
[0028]一般而言，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于对制造缺陷进行分类的方法，包括：用训练数据集训练第一机器学习模型；从所述训练数据集中识别满足标准的数据样本；训练第二机器学习模型以学习所述数据样本的特征；接收包括第一产品数据和第二产品数据的输入数据集；调用所述第二机器学习模型以用于基于所学习的所述数据样本的所述特征预测所述第一产品数据的置信度和所述第二产品数据的置信度；以及响应于预测所述第一产品数据的所述置信度和所述第二产品数据的所述置信度，从所述输入数据集中去除所述第一产品数据并且调用所述第一机器学习模型以用于基于所述第二产品数据生成分类。2.根据权利要求1所述的方法，其中，所述标准是低于设定阈值的置信度水平。3.根据权利要求1所述的方法，其中，所述第一产品数据与低于设定阈值的置信度水平相关联，并且所述第二产品数据与高于所述设定阈值的置信度水平相关联。4.根据权利要求1所述的方法，其中，训练所述第二机器学习模型包括基于所学习的所述数据样本的所述特征调用监督学习。5.根据权利要求4所述的方法，其中，训练所述第二机器学习模型进一步包括识别用于将具有所述数据样本的所述特征的数据与其他数据分开的决策边界。6.根据权利要求5所述的方法，进一步包括：基于调整阈值来调整所述决策边界。7.根据权利要求1至6中任一项所述的方法，进一步包括：基于所述分类生成信号，其中，所述信号用于触发动作。8.一种用于对制造缺陷进行分类的系统，所述系统包括：处理器；以及存储器，其中，所述存储器具有存储在其中的指令，所述指令当由所述处理器执行时，使所述处理器：用训练数据集训练第一机器学习模型；从所述训练数据集中识别满足标准的数据样本；训练第二机器学习模型以学习所述数据样本的特征；接收包括第一产品数据和第二产品数据的输入数据集；调用所述第二机器学习模型以用于基于所学习的所述数据样本的所述特征预测所述第一产品数据的置信度和所述第二产品数据的置信度；以及响应于预测所述第一产品数据的所述置信度和所述第二产品数据的所述置信度，从所述输入数据集中去除所述第一产品数据并且调用所述第一机器学习模型以用于基于所述第二产品数据生成分类。9.根据权利要求8所述的系统，其中，所述第一产品数据与低于设定阈值的置信度水平相关联，并且所述第二产品数据与高于所述设定阈值的置信度水平相关联。10.根据权利...

【专利技术属性】
技术研发人员：瞿树晖，李章焕，亢岩，
申请(专利权)人：三星显示有限公司，
类型：发明
国别省市：