[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

说明书

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。

技术领域

本发明生产加工质量在线检测与预测领域，具体涉及一种数据驱动的SMT生产线上SPI 缺陷类别智能识别方法。

背景技术

在智能制造中，质量在线检测与预测技术是提升质量管理能力、建设智能生产线的关键技术之一。质量在线自动检测与预测的应用减少了人工检测操作，提高了质量 检测结果的一致性与稳定性、检测速度与检测结果的准确性，一定程度上避免误报、 漏报质量问题造成的时间和成本损失。随着科技不断创新、电子产品微型化的快速发 展对表面贴装技术(SMT，Surface Mount Technology)自动化与智能化提出更高要求， 其中，锡膏印刷的质量检测SPI(Solder Paste Inspection)技术通过3D-SPI自动检 测技术检测焊盘上锡膏的体积、面积、高度、偏移及拉尖，并根据质量过程控制所设 定的各检测参数上下限进行质量结果识别，然而实际生产过程中对检测参数体积、高 度、面积、位置偏移等控制上下限的设定是操作工人按照经验来设定的，故而实际生 产中的误警率、漏报率都很高，传统过程质量控制方法的优化效果较差。

随着数据挖掘技术、机器学习等方法的兴起，更智能的基于数据的智能质量预测与控制方案被设计出来，这些方法可以有效利用质量在线检测的历史数据，充分学习 与挖掘检测数据与质量结果之间的相关关系，并以学习模型方式进行记录与展示，当 前该技术在在线检测与质量预测领域应用多集中在设备上，对SMT生产线的应用较少，SPI检测环节的质量识别仍然处于人工经验设定检测参数控制上下限的现状。

发明内容

本发明要解决的技术问题是提供一种数据驱动的SMT生产线上SPI缺陷类别智能识别方法，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。

为了解决上述技术问题，本发明采取以下技术方案：

一种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 参数包括面积、体积、高度、X偏移量、Y偏移量、拉尖；