【技术实现步骤摘要】
本专利技术涉及led半导体封装切割，具体涉及一种led封装结构的制备方法。
技术介绍
1、led封装过程为制备led结构的重要流程，通过对结构的切割将led结构修正为预设的结构，进而产生一定的物料效果。在现有的led封装过程中可通过自动化的激光切割过程完成大批量的led切割。但是在实际进行的批量切割过程中，因为托盘上led的姿态不同，在切割过程中会频繁改变切割路径，因此每个封装过程中的加工时间是不定的，如果无法设置准确的加工时间就会导致切割不完全或者过切割，影响最终成品。现有技术中可通过托盘上led的图像信息作为特征信息，训练预测模型进而识别加工时间，但是一个批量切割过程中的待封装切割led结构较多，直接利用图像特征作为预测模型的训练数据会因为图像特征信息量较大且特征不清晰导致预测模型的准确度受到影响，并且现有技术中未考虑到预测模型的泛化能力，对于无法预测加工时长的封装过程仍使用模型输出的预测加工时长进行切割会进一步影响成品质量。
技术实现思路
1、为了解决现有技术中加工时长预测模型的不准确导致影响led封装成品质量技术问题，本专利技术的目的在于提供一种led封装结构的制备方法，所采用的技术方案具体如下：
2、本专利技术提出了一种led封装结构的制备方法，所述方法包括：
3、获取历史封装过程中承载有多个待封装切割led的振动托盘上的led分布图像；
4、获得所述led分布图像中的第一特征向量，所述第一特征向量包括纹理特征向量和led姿态特征向量；
5、对所述led分布图像对应的激光切割数控代码的加工时间进行均分，获得每个均分时间段内对应的切割坐标；根据每个所述均分时间段内所述切割坐标的分布特征，以及所述加工时间，获得加工代价值；
6、根据所述加工代价值在多个led分布图像中筛选出两类第一训练样本，将两类第一训练样本的所述第一特征向量作为孪生网络的训练数据，根据孪生网络获得每个第一特征向量的第二特征向量；基于所述孪生网络中的隐含层，将所述第二特征向量及其对应的加工时长作为训练数据，获得预测专家模型；根据预测专家模型输出的加工时长筛选出复杂样本，根据所述复杂样本训练样本分类器；
7、将实时led分布图像的实时第二特征向量输入所述样本分类器中，若判定为复杂样本，则启动振动托盘进行振动，重新获取所述实时第二特征向量；若判定为非复杂样本，则将所述实时第二特征向量输入所述预测专家模型中，根据所述预测专家模型输出预测加工时长，根据所预测加工时长对振动托盘上的所有待封装切割led进行封装切割。
8、进一步地，所述纹理特征向量的获取方法包括：
9、获得所述led分布图像不同预设方向下的梯度图像，获取每个梯度图像的梯度直方图，根据所述梯度直方图中的统计信息构建直方图向量，将所有方向下的所述直方图向量相连，获得所述纹理特征向量。
10、进一步地，所述led姿态特征向量的获取方法包括：
11、将所述led分布图像中每个待封装切割led的与模板led进行匹配，获得每个待封装切割led的相对偏移角度；构建所述相对偏移角度的偏移角度直方图并获得偏移角度直方图向量，将偏移角度直方图向量作为所述led姿态特征向量。
12、进一步地，所述获得每个均分时间段内对应的切割坐标包括：
13、统计每个均分时间段内激光切割数控代码中激光器开启状态下的坐标；统计连续激光器开启状态下的坐标的起点坐标和终止坐标，作为所述切割坐标。
14、进一步地，所述加工代价值的获取方法包括：
15、将所述led分布图像均匀划分为多个子区域；
16、在一个均分时间段内，统计每个子区域内的切割坐标数量，将所有子区域内的切割坐标数量平均值与切割坐标数量最大值的比值作为初始切割坐标值分布特征值；
17、将所有均分时间段的所述初始切割坐标值分布特征值累加，获得整体切割坐标值分布特征值；将激光切割数控代码的加工时间与所述整体切割坐标值分布特征值的比值作为所述加工代价值。
18、进一步地，所述第一训练样本的获取方法包括：
19、根据所述加工代价值由小到大地将所述led分布图像进行排序，获得样本集合；选择样本集合中的前预设比例个样本作为第一类第一训练样本，选择样本集合中后预设比例个样本作为第二类第一训练样本。
20、进一步地，筛选出两类第一训练样本之后还包括训练集扩充操作，将扩充后的第一训练样本作为孪生网络的训练数据。
21、进一步地，所述根据预测专家模型输出的加工时长筛选出复杂样本，包括：
22、在训练过程中，将历史封装过程的真实加工时长乘以预设容忍比例，获得对比时长，若所述预测专家模型输出的加工时长小于对应的对比时长，则将对应的所述第一训练样本作为复杂样本。
23、进一步地，所述方法还包括模型更新过程，所述模型更新过程包括：
24、将筛选出的所有所述复杂样本存放至复杂样本集合，所述复杂样本集合中的最大元素数量为预设固定数量，若所述复杂样本集合中的元素数量达到了最大元素数量，则后续每次存放一个复杂样本，将时序上最早的封装过程对应的复杂样本剔除；
25、利用所述复杂样本集合重新训练所述样本分类器。
26、进一步地，led的封装结构为：
27、所述封装结构为一个六面体；安装有led芯片的基板为梯形基板，所述梯形基板正上方包含与梯形基板平行且大小相等的正面胶体结构，根据所述梯形基板和所述正面胶体结构获得其他侧面胶体结构。
28、本专利技术具有如下有益效果：
29、本专利技术实施例首先提取led分布图像的第一特征向量，因为第一特征向量为维度较高信息量较为复杂的初始特征，不能直接参与模型训练中，因此利用加工代价值筛选出两类第一训练样本并进行孪生网络的训练，利用孪生网络对第一特征向量进行进一步的特征提取与训练，获得准确度较高参考性较强的预测专家模型。考虑到预测专家模型的预测能力具有一定的上限，因此进一步通过样本筛选与训练获得样本分类器，在后续实时进行批量封装过程中，首先根据样本分类器判断是否为预测专家模型无法预测的复杂样本，进而利用托盘的振动改变led的分布，使得预测专家模型的预测结果总能具有较强的参考性，进而根据预测出的加工时间进行led封装切割即可获得品质优秀的产品。
本文档来自技高网...【技术保护点】
1.一种LED封装结构的制备方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，所述纹理特征向量的获取方法包括：
3.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，所述LED姿态特征向量的获取方法包括：
4.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，所述获得每个均分时间段内对应的切割坐标包括：
5.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，所述加工代价值的获取方法包括：
6.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，所述第一训练样本的获取方法包括：
7.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，筛选出两类第一训练样本之后还包括训练集扩充操作，将扩充后的第一训练样本作为孪生网络的训练数据。
8.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，所述根据预测专家模型输出的加工时长筛选出复杂样本，包括：
9.根据权利要求1所述的一种LED
10.根据权利要求1所述的一种LED封装结构的制备方法，其特征在于，LED的封装结构为：
...【技术特征摘要】
1.一种led封装结构的制备方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种led封装结构的制备方法，其特征在于，所述纹理特征向量的获取方法包括：
3.根据权利要求1所述的一种led封装结构的制备方法，其特征在于，所述led姿态特征向量的获取方法包括：
4.根据权利要求1所述的一种led封装结构的制备方法，其特征在于，所述获得每个均分时间段内对应的切割坐标包括：
5.根据权利要求1所述的一种led封装结构的制备方法，其特征在于，所述加工代价值的获取方法包括：
6.根据权利要求1所述的一种led封装结构的制备方法...
【专利技术属性】
技术研发人员：王国宏，李璟，郭德博，
申请(专利权)人：南京阿吉必信息科技有限公司，
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。