【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。