[发明专利]一种数据驱动的SMT生产线上SPI缺陷类别智能识别方法

摘要

一种数据驱动的SMT生产线上SPI缺陷类别智能识别方法，第一阶段：SPI历史质量检测数据集聚类处理，对所得K类训练数据集采用Bagging算法独立抽样20次，利用BP神经网络模型对K类共计K×20组训练集分别训练独立缺陷分类器，得到K×20个独立缺陷分类器构成分类器集合；第二阶段：SPI在线检测6个锡膏印刷质量参数，对比历史训练数据集对该检测记录“T”进行归类，确定实时检测点属于K类训练数据集中的哪一个类别，当T恰好处于两类或多类训练数据集的边界上，则同时从多类K类训练数据集以约等量选择总计20个独立缺陷分类器进行检测记录T的类别判定；将T输入各独立缺陷分类器对输出结果按照集成规则进行集成预测，判定缺陷类别。本发明降低了人在自动检测中的作用，提高在线实时检测效率与准确度。

主权项

1.一种数据驱动的SMT生产线上SPI缺陷类别智能识别方法，用于实现锡膏印刷质量在线自动检测与预测，包括以下步骤：步骤一：训练SPI历史质量检测记录容量确定，总数据量≥10000条，该总数据量中包含各类的缺陷类别记录信息；步骤二：数据标准化处理；步骤三：K‑means聚类，将SPI历史质量检测数据集进行K组划分，形成K类训练数据集，K取值≤7；步骤四：对K类训练数据集采用Bagging算法抽样20次，每次样本容量为该组内数据量的70％‑80％；步骤五：利用BP神经网络模型对K组共计K×20组训练集分类训练独立缺陷分类器，得到K×20个独立缺陷分类器构成分类器集合；步骤六：SPI在线检测6个锡膏印刷质量参数，按照欧氏空间距离最近法对检测记录“T”进行归类，确定实时检测点属于K类训练数据集中的哪一个类别，当T恰好处于两类K类训练数据集或多类K类训练数据集的边界上，则同时从多类K类训练数据集以约等量选择总计20个独立缺陷分类器进行检测记录T的类别判定，锡膏印刷质量参数包括锡膏面积、体积、高度、X偏移量、Y偏移量、拉尖；步骤七：选择T所属类别中的20个独立缺陷分类器，将T输入各独立缺陷分类器对输出结果进行集成预测，判定缺陷类别。