瑕疵检测模型的建立方法及电子装置制造方法及图纸

一种瑕疵检测模型的建立方法及电子装置。基于训练样本集来建立第一分类模型，其中训练样本集包括多个训练样本。将所述训练样本分别输入至第一分类模型，以获得训练样本各自的分类结果。基于分类结果自所述训练样本中获得分类错误的多个离群样本。自所述训练样本中删除分类错误的部分离群样本，而将剩余的训练样本作为最佳样本集。基于最佳样本集来建立第二分类模型，以通过该第二分类模型来进行一瑕疵检测。测。测。

【技术实现步骤摘要】
瑕疵检测模型的建立方法及电子装置


[0001]本专利技术是有关于一种模型训练机制，且特别是有关于一种用于品质控管的瑕疵检测模型的建立方法及电子装置。

技术介绍

[0002]目前在产线流程的产品品质检测过程中，由于品质控管的标准不一，且无系统化处理，因此产品在执行品质检测时往往会因为人为影响而导致产线下游的进料检验(Incoming Quality Control，IQC)的作业成本提升。
[0003]现有对发声元件的组装流程中，需先经由声学专家(俗称金耳朵)判定之后，再由机台进行判定，如此方能达到漏失率(leak rate)0.1％以下。即，于发声元件组装完后，检测人员于无响室(或隔音房)，利用人耳对所有的发声元件进行产品声音检测。一般来说，利用人耳进行判别的漏失率约1～1.5％。漏失率的计算方式为不良元件数量/总元件数量
×
100％。在经由人耳检测完毕之后，再利用机台对声纹、声压级(sound pressure level，SPL)的频响曲线、抗阻(Impedance，IMP)等指标检测。因此，目前产品组装流程需要耗费人耳检测以及机台两道关卡。
[0004]然而，金耳朵训练不易，加之产线人员标记时标准不一致，以及疲劳造成的检测品质不相同。再加上数据标记的标准没有对齐，造成识别模型正确率验证上的困难。目前工厂声学数据的标记流程为由人为触发设备发出声音，再由人耳进行标记。然，此作法会因发声元件的位置、角度与触发力度不一致，即使听觉维持水准，仍有机会标记结果错误(不同)。此外，金耳朵专家培训不易，加之产线人员进行标记时标准不一致，以及疲劳造成的检测品质不相同。并且，金耳朵专家并无法聆听数字音档以进行标记或复判。

技术实现思路

[0005]本专利技术提供一种瑕疵检测模型的建立方法及电子装置，采用两阶段式的模型建立，提升最终模型输出的准确度。
[0006]本专利技术的瑕疵检测模型的建立方法，包括：基于训练样本集来建立第一分类模型，其中训练样本集包括多个训练样本；将所述训练样本分别输入至第一分类模型，以获得训练样本各自的分类结果；基于分类结果自所述训练样本中获得分类错误的多个离群样本；自所述训练样本中删除分类错误的部分离群样本，而将剩余的训练样本作为最佳样本集；以及基于最佳样本集来建立第二分类模型，以通过该第二分类模型来进行一瑕疵检测。
[0007]在本专利技术的一实施例中，所述训练样本各自标记有正样本标签或负样本标签，分类结果包括对应至正样本标签的第一分数与对应至负样本标签的第二分数。基于分类结果自所述训练样本中获得分类错误的离群样本的步骤包括：基于分类结果，判断各训练样本是否分类错误；将标记有正样本标签且分类结果中的第二分数大于第一分数的训练样本判定为分类错误的离群样本；以及将标记有负样本标签且分类结果中的第一分数大于第二分数的训练样本判定为分类错误的离群样本。
[0008]在本专利技术的一实施例中，在判断各训练样本是否分类错误之后，还包括：将标记有正样本标签且分类结果中的第二分数大于第一分数的训练样本分类至第一错误群组；以及将标记有负样本标签且分类结果中的第一分数大于第二分数的训练样本分类至第二错误群组。自所述训练样本中删除分类错误的部分离群样本的步骤包括：基于第二分数，排序第一错误群组所包括的离群样本，并自排序后的第一错误群组中由高至低删除指定比例的离群样本；以及基于第一分数，排序第二错误群组所包括的离群样本，并自排序后的第二错误群组中由高至低删除指定比例的离群样本。
[0009]在本专利技术的一实施例中，所述训练样本各自标记有正样本标签或负样本标签，分类结果包括对应至正样本标签的第一分数与对应至负样本标签的第二分数。自所述训练样本中删除分类错误的部分离群样本的步骤包括：删除标记有正样本标签且第二分数大于预设门槛值的离群样本；以及删除标记有负样本标签且第一分数大于预设门槛值的离群样本。
[0010]在本专利技术的一实施例中，基于训练样本集来建立第一分类模型的步骤包括：利用对比式学习来训练第一分类模型，其中对比式学习包括下述步骤：(a1)自训练样本集中随机取出标记有正样本标签的训练样本以及标记有负样本标签的训练样本；(a2)对步骤(a1)所取出的所述训练样本进行相似度比对，借此来调整第一分类模型的参数；以及(a3)重复执行上述步骤(a1)、(a2)，直到第一分类模型分类所述训练样本的准确率高于指定值。
[0011]在本专利技术的一实施例中，在步骤(a1)中标记有正样本标签的训练样本的数量为1个或2个，标记有负样本标签的训练样本的数量为1个。
[0012]在本专利技术的一实施例中，基于最佳样本集来建立第二分类模型的步骤包括：利用对比式学习来训练第二分类模型，其中对比式学习包括下述步骤：(b1)自最佳样本集中随机取出标记有正样本标签的训练样本以及标记有负样本标签的训练样本；(b2)对步骤(b1)所取出的所述训练样本进行相似度比对，借此来调整第二分类模型的参数；以及(b3)重复执行上述步骤(b1)、(b2)，直到第二分类模型分类所述训练样本的漏失率小于或等于指定比率(例如为0.1)。
[0013]在本专利技术的一实施例中，在步骤(b1)中标记有正样本标签的训练样本的数量为1个或2个，标记有负样本标签的训练样本的数量为1个。
[0014]在本专利技术的一实施例中，各训练样本为时谱图，所述瑕疵检测模型的建立方法还包括：收集多个音频信号，其中各音频信号已标记有正样本标签或负样本标签；对各音频信号执行傅立叶转换；以及将执行傅立叶转换后的音频信号转换为时谱图，并将时谱图及其对应的正样本标签或负样本标签加入至训练样本集。
[0015]在本专利技术的一实施例中，所述瑕疵检测模型的建立方法还包括：对该训练样本集中的各时谱图执行数据增强处理。
[0016]在本专利技术的一实施例中，在建立第二分类模型之后，还包括：接收录制音档；转换录制音档为时谱图；将时谱图输入至第二分类模型，以获得预测结果，借此判断录制音档是否有异音；以及基于预测结果输出报表至使用者界面。
[0017]本专利技术的电子装置，包括：存储装置，包括训练样本集以及多个模块，其中训练样本集包括多个训练样本；以及处理器，耦接至存储装置，且经配置以执行所述模块来完成下述动作：基于训练样本集来建立第一分类模型；将所述训练样本分别输入至第一分类模型，
Logic Device，PLD)或其他类似装置。
[0043]存储装置120例如是任意型式的固定式或可移动式随机存取存储器、只读存储器、快闪存储器、安全数位卡、硬盘或其他类似装置或这些装置的组合。存储装置120中包括训练样本集121、数据转换模块122、第一训练模块123、筛选模块124以及第二训练模块125。其中，训练样本集121包括多个训练样本，这些训练样本各自标记有正样本标签或负样本标签。数据转换模块122、第一训练模块123、筛选模块124以及第二训练模块125例如由一或多个程序片段组成，在上述程序片段在被安装后，由处理器110来执行以实现各模块的动作。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种瑕疵检测模型的建立方法，包括：基于一训练样本集来建立一第一分类模型，其中该训练样本集包括多个训练样本；将所述训练样本分别输入至该第一分类模型，以获得所述训练样本各自的一分类结果；基于该分类结果自所述训练样本中获得分类错误的多个离群样本；自所述训练样本中删除分类错误的部分所述离群样本，而将剩余的训练样本作为一最佳样本集；以及基于该最佳样本集来建立一第二分类模型，以通过该第二分类模型来进行一瑕疵检测。2.如权利要求1所述的瑕疵检测模型的建立方法，其中所述训练样本各自标记有一正样本标签或一负样本标签，该分类结果包括对应至该正样本标签的一第一分数与对应至该负样本标签的一第二分数，其中，基于该分类结果自所述训练样本中获得分类错误的所述离群样本的步骤包括：基于该分类结果，判断每一所述训练样本是否分类错误；将标记有该正样本标签且该分类结果中的该第二分数大于该第一分数的训练样本判定为分类错误的所述离群样本；以及将标记有该负样本标签且该分类结果中的该第一分数大于该第二分数的训练样本判定为分类错误的所述离群样本。3.如权利要求2所述的瑕疵检测模型的建立方法，其中在判断每一所述训练样本是否分类错误之后，还包括：将标记有该正样本标签且该分类结果中的该第二分数大于该第一分数的训练样本分类至一第一错误群组；以及将标记有该负样本标签且该分类结果中的该第一分数大于该第二分数的训练样本分类至一第二错误群组；其中，自所述训练样本中删除分类错误的部分所述离群样本的步骤包括：基于该第二分数，排序该第一错误群组所包括的所述离群样本，并自排序后的该第一错误群组中由高至低删除一指定比例的所述离群样本；以及基于该第一分数，排序该第二错误群组所包括的所述离群样本，并自排序后的该第二错误群组中由高至低删除该指定比例的所述离群样本。4.如权利要求1所述的瑕疵检测模型的建立方法，其中所述训练样本各自标记有一正样本标签或一负样本标签，该分类结果包括对应至该正样本标签的一第一分数与对应至该负样本标签的一第二分数，其中，自所述训练样本中删除分类错误的部分所述离群样本的步骤包括：删除标记有该正样本标签且该第二分数大于一预设门槛值的所述离群样本；以及删除标记有该负样本标签且该第一分数大于该预设门槛值的所述离群样本。5.如权利要求1所述的瑕疵检测模型的建立方法，其中基于该训练样本集来建立该第一分类模型的步骤包括：利用一对比式学习来训练该第一分类模型，其中该对比式学习包括下述步骤：(a1)自该训练样本集中随机取出标记有一正样本标签的训练样本以及标记有一负样
本标签的训练样本；(a2)对步骤(a1)所取出的所述训练样本进行相似度比对，借此来调整该第一分类模型的参数；以及(a3)重复执行上述步骤(a1)、(a2)，直到该第一分类模型分类所述训练样本的准确率高于一指定值。6.如权利要求5所述的瑕疵检测模型的建立方法，其中在步骤(a1)中标记有该正样本标签的训练样本的数量为1个或2个，标记有该负样本标签的训练样本的数量为1个。7.如权利要求1所述的瑕疵检测模型的建立方法，其中基于该最佳样本集来建立该第二分类模型的步骤包括：利用一对比式学习来训练该第二分类模型，其中该对比式学习包括下述步骤：(b1)自该最佳样本集中随机取出标记有一正样本标签的训练样本以及标记有一负样本标签的训练样本；(b2)对步骤(b1)所取出的所述训练样本进行相似度比对，借此来调整该第二分类模型的参数；以及(b3)重复执行上述步骤(b1)、(b2)，直到该第二分类模型分类所述训练样本的一漏失率小于或等于一指定比率。8.如权利要求7所述的瑕疵检测模型的建立方法，其中在步骤(b1)中标记有该正样本标签的训练样本的数量为1个或2个，标记有该负样本标签的训练样本的数量为1个。9.如权利要求1所述的瑕疵检测模型的建立方法，其中每一所述训练样本为一时谱...

【专利技术属性】
技术研发人员：张家泓，赵士仪，
申请(专利权)人：纬创资通股份有限公司，
类型：发明
国别省市：