CN113191017B - 虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质 - Google Patents
虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113191017B CN113191017B CN202110559957.XA CN202110559957A CN113191017B CN 113191017 B CN113191017 B CN 113191017B CN 202110559957 A CN202110559957 A CN 202110559957A CN 113191017 B CN113191017 B CN 113191017B
- Authority
- CN
- China
- Prior art keywords
- model
- measurement point
- measurement
- key characteristic
- point locations
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本申请提供一种虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质,涉及数据处理技术的领域,虚拟量测模型构建方法包括:针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型;将测量点位划分为K个类簇,根据各第一模型的模型指标,从每个类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型;进而将第二模型与K组测量点位对应的第一模型组合,得到虚拟量测模型;从而能预测待测面板所有待测测量点位的关键特性值,无需实际测量就能控制各待测面板的质量。
Description
技术领域
本申请涉及数据处理技术的领域,尤其是涉及一种虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质。
背景技术
面板是电子产品的进行人机交流的介质。面板的制造生产过程通常包括薄膜晶体管(thin Film Transistor,TFT)面板生产、彩色滤光片(Color Filter,CF)生产、板对合(Cell)和模组等流程。现有的面板制造流程一般为:先在玻璃(glass)基板上逐层叠加电路来实现控制单元的生产,并通过红绿蓝(RGB)单元实现色彩的控制,再将glass基板进行切割得到最终的Panel板,Panel板即为最终面向客户的手机、电视机等电子产品屏幕,最后通过模组段来对Panel板添加印制电路板(Printed Circuit Board,PCB)控制等相关部件,得到面板。
在面板的每个生产过程中,为了控制产品质量,厂家通常会通过检测站点来测量面板的膜厚、亮度值等关键特性。在进行glass基板的检测时,一般使用昂贵的测量设备在glass基板的不同点位进行关键特性的测量,由于一张glass基板上的点位较多,因此测量所花费的时间较长,使得面板的生产周期较长。为了在控制产品质量的同时,缩短面板的生产周期,目前较常采用抽检的方式。然而,抽检的方式无法实现对所有面板的测量,不能掌握所有面板的关键特性。此外,现有一些虚拟量测模型仅对glass基板多个测量点位的均值进行预测,但每张glass基板通常有几十个甚至上百个测量点位,无法对所有测量点位进行全面预测,难于控制面板的质量。
发明内容
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
本申请的目的包括,提供了一种虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质,能够一定程度上实现对所有待测量点位的全面预测,以有助于控制面板的质量。
本申请的实施方式可以这样实现:
第一方面,本申请实施方式提供一种虚拟量测模型构建方法,采用如下的技术方案:
一种虚拟量测模型构建方法,包括:
针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型,所述第一模型用于表示该测量点位对应的生产参数与关键特性值的关联关系,其中,所述训练集包括量测对象全部/部分测量点位的生产参数和关键特性值;
将所述测量点位划分为K个类簇,根据各所述第一模型的模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型,所述第二模型用于表示所述锚点对应的关键特性值与所述非锚点对应的关键特性值的关联关系;
将所述第二模型与所述K组测量点位对应的第一模型组合,得到虚拟量测模型;
其中,K为正整数。
通过采用上述技术方案,基于训练集,先训练出表示生产参数和关键特性值关联关系的第一模型,再根据各第一模型的模型指标,将从K个类簇中选择的K组测量点位作为锚点,剩余测量点位作为非锚点,训练出锚点的关键特性值和非锚点的关键特性值关系的第二模型,最后将锚点对应的第一模型和第二模型组合得到虚拟量测模型,从而虚拟量测模型能够根据量测对象的生产参数,快速预测出各测量点位的关键特性值,无需进行实际测量,进而通过预测出所有量测对象的关键特性值,以实现对所有量测对象的质量评估,从而有助于控制量测对象的质量。
可选的,所述将所述测量点位划分为K个类簇,根据各所述第一模型的模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型的步骤,包括:
采用聚类算法,将各所述测量点位划分成K个类簇;
针对每个所述测量点位,基于测试集中与该测量点位对应的生产参数和关键特性值,对该测量点位对应的所述第一模型进行测试得到模型指标;
根据所述模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位;
将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型。
通过采用上述技术方案,聚类算法使得每个类簇中的测量点位的相关性较强,再根据模型指标,从每个类簇中选择测量点位作为锚点,使得锚点中均有与非锚点相关性较强的测量点位,即锚点和非锚点的关联更紧密,从而使得训练出的第二模型的预测准确度更高。
可选的,所述将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型的步骤,包括:
将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点;
以所述训练集中所述锚点对应的关键特性值作为自变量,将所述非锚点在所述训练集中所对应的关键特性值作为因变量,训练出第二模型。
通过采用上述技术方案,将锚点对应的关键特性值作为自变量,将非锚点对应的关键特性值作为因变量,使得训练出的第二模型中非锚点对应的关键特性与锚点对应的关键特性值的关联更为紧密。
可选的,所述以所述训练集中所述锚点对应的关键特性值作为自变量,将所述非锚点在所述训练集中所对应的关键特性值作为应变量,训练出第二模型的步骤包括:
采用回归算法,结合所述训练集,训练出第二模型。
通过采用上述技术方案,采用回归算法进行第二模型的训练,使得到的第二模型能够更为准确地表示锚点对应的关键特性值和非锚点对应的关键特性值之间的关联关系,从而有助于预测测量点位的关键特性值。
可选的,所述回归算法包括岭回归、线性回归、逐步回归、套索回归和elasticnet回归中的任一种。
通过采用上述技术方案,训练第二模型时可采用的回归算法多种多样,从而能够根据实际需求选取更为合适的回归算法,从而能够训练出更符合实际需求的第二模型。
可选的,所述对该测量点位对应的所述第一模型进行测试得到模型指标的步骤,包括:
以所述测试集中的生产参数作为第一模型的自变量值,得到预测特性值;
基于所述预测特性值,结合该预测特性值对应的生产参数所关联的关键特性值,采用回归评价指标算法,得到所述第一模型的模型指标。
通过采用上述技术方案,先得到第一模型预测出的预测特性值,再根据预测特性值和实际特性值得到模型指标,从而模型指标能够反映出第一模型预测的关键特性值与实际的关键特性值之间的差异,进而能够反映出第一模型的预测准确度。
可选的,所述方法还包括获取训练集和测试集,所述获得训练集和测试集的步骤包括:
获取多个所述量测对象的生产参数,以及对每个所述量测对象进行测量得到关键特性值;
将所述生产参数和关键特性值按比例划分成训练集和测试集,所述训练集和测试集中均为一组生产参数对应一组测量点位的关键特性值。
通过采用上述技术方案,训练集和测试集中均包含有相互关系的生产参数和关键特性值,从而有助于训练出第一模型和第二模型。
可选的,所述量测对象的生产参数包括量测对象各个局部的工艺参数和加工参数。
通过采用上述技术方案,由多个局部构成的量测对象,其生产参数为各个局部的工艺参数和加工参数的总和,从而使训练集和测试集中的生产参数与关键特性值的关联更为全面,从而有助于提高第一模型、第二模型和虚拟量测模型的预测准确度。
可选的,所述量测对象的生产参数包括量测对象整体的工艺参数和加工参数。
通过采用上述技术方案,为整体生产的量测对象,其生产参数为整体的工艺参数和加工参数,从而使训练集和测试集中的生产参数和关键特性值的关联更为全面,从而有助于提高第一模型、第二模型和虚拟量测模型的预测准确度。
可选的,所述针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型的步骤,包括:
针对每个测量点位,基于训练集中与该测量点位对应的生产参数和关键特性值,训练出第一模型。
通过采用上述技术方案,量测对象的每个测量点位都会有训练出一个对应的第一模型,从而使后续根据模型指标选择锚点时,能够进行全面考量,进而有助于提高第二模型和虚拟量测模型的预测准确度。
可选的,针对每个测量点位,基于训练集中与该测量点位对应的生产参数和关键特性值,采用集成学习算法,训练出第一模型。
通过采用上述技术方案,集成学习将多种机器学习技术组合,从而能够使训练出的第一模型能够更好地表示生产参数与关键特性值之间的关系,进而能够提高第一模型的预测准确度。
第二方面,本申请实施方式提供一种虚拟量测方法,采用如下的技术方案:
一种虚拟量测方法,包括:
获取待测面板的生产参数;
将所述待测面板的生产参数作为第一方面中任一种所述方法得到的虚拟量测模型中K组测量点位对应的第一模型的因变量值,得到K组测量点位的关键特性值;
将所述K组测量点位的关键特性值作为所述虚拟量测模型中第二模型的因变量值,得到剩余的M个测量点位的关键特性值;
其中,K和M均为正整数。
通过采用上述技术方案,训练出虚拟量测模型后,根据待测面板的生产参数,能够得到待测面板各测量点位的关键特性值,无需进行实际测量,从而生产的所有面板都能通过生产参数快速预测出关键特性值,进而能够根据预测的关键特性值控制面板的质量。
第三方面,本申请实施方式提供一种虚拟量测***,采用如下的技术方案:
一种虚拟量测***,包括:
生产参数获取模块,用于获取待测面板的生产参数;
特性值预测模块,用于将所述待测面板的生产参数作为虚拟量测模型中K组测量点位对应的第一模型的因变量值,得到K组测量点位的关键特性值,并将所述K组测量点位的关键特性值作为虚拟量测模型中第二模型的因变量值,得到剩余的M个测量点位的关键特性值;
其中,K和M均为正整数。
通过采用上述技术方案,训练出虚拟量测模型后,根据待测面板的生产参数,能够得到待测面板各测量点位的关键特性值,无需进行实际测量,从而生产的所有面板都能通过生产参数快速预测出关键特性值,进而能够根据预测的关键特性值控制面板的质量。
第四方面,本申请实施方式提供一种虚拟量测模型构建***,采用如下的技术方案:
一种虚拟量测模型构建***,包括:
第一模型训练模块,用于针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型,所述第一模型用于表示该测量点位对应的生产参数与关键特性值的关联关系,其中,所述训练集包括量测对象全部/部分测量点位的生产参数和关键特性值;
第二模型训练模块,用于将所述测量点位划分为K个类簇,根据各所述第一模型的模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型,所述第二模型用于表示所述锚点对应的关键特性值与所述非锚点对应的关键特性值的关联关系;
虚拟量测模型获取模块,用于将所述第二模型与所述K组测量点位对应的第一模型组合,得到虚拟量测模型;
其中,K为正整数。
通过采用上述技术方案,基于训练集,先训练出表示生产参数和关键特性值关联关系的第一模型,再根据各第一模型的模型指标,将从K个类簇中选择的K组测量点位作为锚点,剩余测量点位作为非锚点,训练出锚点的关键特性值和非锚点的关键特性值关系的第二模型,最后将锚点对应的第一模型和第二模型组合得到虚拟量测模型,从而虚拟量测模型能够根据量测对象的生产参数,快速预测出各测量点位的关键特性值,无需进行实际测量,进而通过预测出所有量测对象的关键特性值,以实现对所有量测对象的质量评估,从而有助于控制量测对象的质量。
第五方面,本申请实施方式提供一种电子设备,采用如下的技术方案:
一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面和第二方面中任一种所述的方法。
第六方面,本申请实施方式提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在的电子设备执行第一方面和第二方面中任一种所述的方法。
本申请实施方式的有益效果包括,例如:
本申请实施方式提供的虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质,采用机器学习算法,基于生产参数,构建用于表示生产参数和关键特性值关联关系的第一模型,再根据各第一模型的模型指标,从各测量点位中选择锚点,剩余测量点位作为非锚点,再构建用于表示锚点的关键特性值与非锚点的关键特性值的关联关系的第二模型,根据第一模型和第二模型得到虚拟量测模型,从而将待测面板的生产参数与虚拟量测模型结合,就能预测待测面板所有待测测量点位的关键特性值,进而无需实际测量,就能控制各待测面板的质量。
附图说明
为了更清楚地说明本公开的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本公开的某些实施方式,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施方式的电子设备的结构示意图。
图2为本申请实施方式的虚拟量测模型构建方法的第一流程示意图。
图3为图2中步骤S20的子步骤的流程示意图。
图4为本申请实施方式提供的面板的锚点和非锚点的结构示意图。
图5为本申请实施方式的虚拟量测模型构建方法的第二流程示意图。
图6为图3中步骤S202的子步骤的流程示意图。
图7为本申请实施方式的虚拟量测方法的流程示意图。
图8为本申请实施方式的虚拟量测***的结构示意图。
图9为本申请实施方式的虚拟量测模型构建***的结构示意图。
附图标记说明:100-电子设备;110-处理器;120-存储器;210-生产参数获取模块;220-特性值预测模块;310-第一模型训练模块;320-第二模型训练模块;330-虚拟量测模型获取模块。
具体实施方式
为使本申请实施方式的目的、技术方案和优点更加清楚,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整的描述,显然,所藐视的实施方式是本申请一部分实施方式,而不是全部的实施方式。通常在此处附图中描述和示出的本申请实施方式的组件可以以各自不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施方式的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施方式。基于本申请中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下获得的所有其他实施方式,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
产品生产过程中,如面板的生产,一张完整的面板生产结束之后,一般都要测量面板上的所有待测量点位的关键特性值,才能得知生产的面板是否符合质量要求。但是,大规模生产面板时,一张一张地进行面板关键特性值测量,需要耗费大量的时间,使生产效率极大降低。采用抽检的方式,则对面板的质量控制较差。因此,在保证生产效率的前提下,提高产品的质量控制是重要的问题。
参照图1,为本申请实施方式提供的一种电子设备的方框结构示意图,该电子设备100可以包括但不限于存储器120和处理器110。
其中,处理器110和存储器120均位于电子设备100中却二者分离设置。然而,应当理解的是,存储器120可以替换成计算机可读存储介质,且存储器120和计算机可读存储介质都可以是独立于电子设备100之外,且可以由处理器110通过总线接口来访问。此外,存储器120可以集成到处理器110中,例如,可以是高速缓存和/或通用寄存器。
在本实施方式中,计算机可读存储介质和存储器120均可用于存储计算机程序,处理器110执行计算机程序时,能够实现本申请实施方式给出的虚拟量测模型构建方法和/或虚拟量测方法。
需要说明的是,图1所示的电子设备100的结构示意图,电子设备100还可以包括比图1中所示更多或更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。电子设备100可以是,但不限于计算机、手机、IPad、服务器、笔记本电脑、移动上网设备等。
参照图2,为本申请实施方式提供的虚拟量测模型构建方法的流程示意图,该虚拟量测模型构建方法应用于电子设备100。需要说明的是,本申请给出的虚拟量测模型构建方法并不以图2以及以下的具体步骤顺序为限制。应当理解,本申请提供的虚拟量测模型构建方法中的部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。
参照图2,步骤S10,针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型。
步骤S20,将测量点位划分为K个类簇,根据各第一模型的模型指标,从每个类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型。
步骤S30,将第二模型与K组测量点位对应的第一模型组合,得到虚拟量测模型。
其中,第一模型用于表示该测量点位对应的生产参数与关键特性值的关联关系,训练集包括量测对象全部/部分测量点位的生产参数和关键特性值,第二模型用于表示所述锚点对应的关键特性值与非锚点对应的关键特性值的关联关系,K为正整数。
基于生产参数,构建用于表示生产参数和关键特性值关联关系的第一模型,再根据各第一模型的模型指标,从各测量点位中选择锚点,剩余测量点位作为非锚点,再构建用于表示锚点的关键特性值与非锚点的关键特性值的关联关系的第二模型,根据第一模型和第二模型得到虚拟量测模型,从而将量测对象的生产参数与虚拟量测模型结合,就能预测量测对象待测测量点位的关键特性值,进而无需实际测量,就能控制量测对象的质量。
需要说明的是,可以先将测量点位划分成K个类簇,再从每个类簇中选出部分测量点位来进行第一模型训练,再根据模型指标,从每个类簇的测量点位中选择锚点。此时,无需所有测量点位都进行第一模型训练。
可以理解的是,在产品生产过程中,一个完整的产品可能是先进行局部生产,再将各个局部组装成产品,或者,会对产品的局部进行不一样的加工,因此,生产参数可以包括量测对象各个局部的工艺参数和加工参数。此外,一个产品也可能是整体生产和/或整体加工,因此,生产参数也可以包括量测对象整体的工艺参数和加工参数。
一个量测对象的生产参数为至少一个参数的组合,即生产参数不仅仅为一个参数,一个量测对象的测量点位也不局限于一个或几个,一组生产参数也不仅仅对应一个测量点位的关键特性值,即一组生产参数对应一个量测对象所有测量点位的关键特性值,并且一个测量点位的关键特性值也不仅仅为一个。
以面板生产为例,工艺参数包括按压光学薄膜施加的压力、面板切割参数、烘烤时间、烘烤温度、环境温度、显影剂用量等任几种,加工参数包括加工工具的参数,如蚀刻工具的转速、切割刀速度等任几种,一个测量点位的关键特性值包括,但不限于是膜厚、亮度、光学常数等。
应当理解的是,一张面板的测量点位为多个,例如,可以是54个测量点位,108个测量点位等。此外,测量点位只是用于描述的术语,并不指代量测对象必须是有多个测量点位,根据量测对象的实际需求,测量点位可以为组成部件、测量区域等需要测量的测量单元。同理,生产参数也并不意味着必须只有生产参数与关键特性值有关系的量测对象才能采用这种模型构建方法,根据量测对象的实际需求,生产参数可以替换成相应的与关键特性值有关联关系的任意参数。
进一步的,训练出第一模型的具体步骤为:针对每个测量点位,基于训练集中与该测量点位对应的生产参数和关键特性值训练出第一模型。
可以理解的是,量测对象的每个测量点位,均有一个第一模型对应,从而使后续根据模型指标选择锚点时,能够进行全面考量,进而有助于提高第二模型和虚拟量测模型的预测准确度。
更进一步的,针对每个测量点位,基于训练集中与该测量点位对应的生产参数和关键特性值,采用集成学习算法,训练出第一模型。
集成学习,即分类器集成,通过构建并结合多个学习器来完成学习任务。由于集成学习将多个学习器进行结合,因此常可获得比单一学习器更加显著的泛化性能。在本实施方式中,集成学习算法包括但不限于是XGBoost算法、Boosting算法、Bagging算法等。
集成学习将多种机器学习技术组合,从而能够使训练出的第一模型能够更好地表示生产参数与关键特性值之间的关系,进而能够提高第一模型的预测准确度。
需要说明的是,集成学习算法是训练出第一模型的方法中较佳的算法,而不是唯一算法,即集成学习算法可以由其他的机器学习算法来代替。虽然采用不同的机器学习算法进行训练,得到的第一模型可能存在效果不同,但均能表示生产参数与关键特性值的关联关系。
参照图3,进一步的,步骤S20可以通过多种方式实现,在一种实现方式中,可以包括步骤S201、步骤S202、步骤S203和步骤S204,具体为:
步骤S201,采用聚类算法,将测量点位划分成K个类簇。
步骤S202,针对类簇中的每个测量点位,基于测试集中与该测量点位对应的生产参数和关键特性值,对该测量点位对应的第一模型进行测试得到模型指标。
步骤S203,根据模型指标,从每个类簇的各测量点位中选择一组测量点位,以得到K组测量点位。
步骤S204,将K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型。
其中,测试集包括量测对象各测量点位的生产参数和关键特性值。
由于锚点是模型指标具有优势的测量点位,因此得到的虚拟量测模组中的第二模型所测量的准确度更为优异,进而能够使虚拟量测模型的量测更为准确度。此外,对于虚拟量测模型而言,只要得知量测对象的生产参数,就可以对各测量点位的关键特性值进行预测。从而无需逐一对量测对象进行测量,就可以得到关键特性值,极大地节省了量测对象的生产效率。
可选的,聚类算法包括但不限于是k-means算法、k-means++算法等。通过将各测量点位划分成K个类簇,将量测对象的各测量点位以相关性划分成多个区域,从而每个类簇中的测量点位之间具有更紧密的相关性。
在本实施方式中,以k-means算法为例,计算任意两个测量点位的相关性时,先将关键特性值和测量点位两两之间的距离进行归一化计算,再进行相关性计算。其中,相关性计算公式为:
其中,α为可控参数,为所有测量点位的关键特性值均值,α表示其中一个测量点位,b表示另一个测量点位,ax表示测量点位a的横坐标,bx表示测量点位b的横坐标,ay表示测量点位a的纵坐标,by表示测量点位b的纵坐标。
从每个类簇中,选择所对应的第一模型的模型指标优异的测量点位。可以设定一个模型指标阈值,选择类簇中模型指标优异的测量点位,此时,测量点位不少于1个。也可以从类簇中选择模型指标最优的测量点位。也可以根据其他的选择方式,根据模型指标,得到K组测量点位。因此,从每个类簇中选择的测量点位的个数可以相同,也可以不相同。
可选的,在训练第二模型时,以训练集中锚点对应的关键特性值作为自变量,将非锚点在训练集中所对应的关键特性值作为因变量,训练出第二模型。
将锚点对应的关键特性值作为自变量,将非锚点对应的关键特性值作为因变量,使得训练出的第二模型中非锚点对应的关键特性与锚点对应的关键特性值的关联更为紧密。
进一步的,采用回归算法,结合训练接,训练出第二模型。
采用回归算法进行第二模型的训练,使得到的第二模型能够更为准确地表示锚点对应的关键特性值和非锚点对应的关键特性值之间的关联关系,从而有助于预测测量点位的关键特性值。
其中,回归算法包括岭回归、线性回归、逐步回归、套索回归和elasticnet回归中的任一种。
训练第二模型时可采用的回归算法多种多样,从而能够根据实际需求选取更为合适的回归算法,从而能够训练出更符合实际需求的第二模型。
参照图4,以每个类簇中选择一个对应的第一模型的模型指标最优的测量点位作为锚点为例,每个类簇中选择一个测量点位作为锚点,K个类簇有K个锚点,除K个锚点后的剩余测量点位为m个,K个锚点分别为anchor1,anchor2,anchor3,…,anchork,则构建的第二模型为:
y_m=f(y_anchor1,…,y_anchork) (2)
其中,y_m为表示m个测量点位中任一测量点位的关键特性值,y_anchor1表示锚点1的关键特性值。
参照图5,在本实施方式中,虚拟量测模型构建方法还包括获得训练接和测试集,获得测试集和训练集的步骤包括步骤S11和步骤S12,且步骤S11和步骤S12在步骤S10之前执行。
步骤S11,获取多个量测对象的生产参数,以及对每个量测对象进行测量得到关键特性值。
步骤S12,将生产参数和关键特性值按比例划分成训练集和测试集。
训练集和测试集中均为一组生产参数对应一组测量点位的关键特性值。
需要说明的是,所有量测对象都为同一类产品。
可以理解的是,训练集和测试集中的生产参数都为各量测对象的历史生产参数,即为实际参数,训练集和测试者红的关键特性值也均为各量测对象的实际值。因此,训练接和测试集中的生产参数和关键特性值都是真实的数据。
以真实的数据作为训练集和测试集,能够使得到的第一模型和第二模型更符合实际规律,进而能够提高虚拟量测模型的量测准确度。
其中,将生产参数和关键特性值划分成训练集和测试集的比例包括,但不限于是1:1。
参照图6,在本实施方式中,步骤S202中对该测量点位对应的第一模型进行测试得到模型指标的子步骤可以包括:
步骤S2021,以测试集中的生产参数作为第一模型的自变量值,得到预测特性值。
步骤S2022,基于预测特性值,结合该预测特性值对应的生产参数所关联的关键特性值,采用回归评价指标算法,得到第一模型的模型指标。
回归评价指标包括但不限于是R-square、RMSRE(root mean square error)等。先得到第一模型预测出的预测特性值,再根据预测特性值和实际特性值得到模型指标,从而模型指标能够反映出第一模型预测的关键特性值与实际的关键特性值之间的差异,即模型指标的大小,能够用来评价模型的好坏。因此,根据各第一模型的模型指标,能够选出具有优势的第一模型。
可以理解的是,当需要对产品的多个测量区域或测量点位或组成部件等进行关键特性值测量时,均可以通过上述虚拟量测模型的构建方法构建产品对应的虚拟量测模型,再通过虚拟量测模型来进行产品的关键特性值的虚拟量测。需要说明的是,不同产品有不同的关键特性值,且生产参数也可以替换成相应的与关键特性值有关联关系的参数。
参照图7,为本申请实施方式提供的虚拟量测方法的流程示意图,该虚拟量测方法应用于电子设备100。需要说明的是,本申请给出的虚拟量测方法并不以图7以及以下的具体步骤顺序为限制。应当理解,本申请提供的虚拟量测方法中的部分步骤的顺序可以根据实际需要相互交换,或者其中的部分步骤也可以省略或删除。
步骤S40,获取待测面板的生产参数。
步骤S50,将待测面板的生产参数作为虚拟量测模型构建方法得到的虚拟量测模型中K组测量点位对应的第一模型的因变量值,得到K组测量点位的关键特性值。
步骤S60,将K组测量点位的关键特性值作为虚拟量测模型中第二模型的因变量值,得到剩余的M个测量点位的关键特性值。
其中,K和M均为正整数,且K组测量点位和M个测量点位的和为待测面板的测量点位的总数。
待测面板的生产参数为一组参数,而不仅仅为一个参数,待测面板的测量点位也不局限于一个或几个。一组生产参数对应所有测量点位的关键特性值,而不仅仅对应一个测量点位的关键特性值,即一组生产参数对应待测面板所有测量点位的关键特性值,并且一个测量点位的关键特性值也不仅仅为一个。
将面板作为虚拟量测模型构建方法中的量测对象,根据虚拟量测模型构建方法即可得到第一模型、第二模型和虚拟量测模型。从而得到待测面板的生产参数,根据得到的虚拟量测模型就能得到待测面板所有测量点位的关键特性值,无需人工实际测量,且在保证生产效率的前提下,可实现所生产的任一面板的关键特性值测量,从而能够控制面板的质量。
参照图8,本申请实施方式还提供一种虚拟量测***,包括生产参数获取模块210、特性值预测模块220。
生产参数获取模块210用于获取待测面板的生产参数,即生产参数获取模块210用于执行上述步骤S40。
特性值预测模块220,用于将待测面板的生产参数作为虚拟量测模型中K组测量点位对应的第一模型的因变量值,得到K组测量点位的关键特性值,并将所述K组测量点位的关键特性值作为虚拟量测模型中第二模型的因变量值,得到剩余的M个测量点位的关键特性值。其中,K和M均为正整数。即特性值预测模型用于执行上述步骤S50和S60。
参照图9,本申请实施方式还提供一种虚拟量测模型构建***,包括第一模型训练模块310、第二模型训练模块320和虚拟量测模型获取模块330。
第一模型训练模块310,用于针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型。其中,第一模型用于表示该测量点位对应的生产参数与关键特性值的关联关系,训练集包括量测对象全部/部分测量点位的生产参数和关键特性值。即第一模型训练模块310用于执行上述步骤S10。
第二模型训练模块320,用于将测量点位划分为K个类簇,根据各第一模型的模型指标,从每个类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型。其中,第二模型用于表示锚点对应的关键特性值与非锚点对应的关键特性值的关联关系,K为正整数。即第二模型训练模型用于执行上述步骤S20。
虚拟量测模型获取模块330,用于将第二模型与K组测量点位对应的第一模型组合,得到虚拟量测模型,即虚拟量测模型获取模块330用于执行上述步骤S30。
在本公开所提供的几个实施方式中,应该理解到,所揭露的装置、***图和方法,也可以通过其它的方式实现。以上所描述的装置、***和方法实施方式仅仅是示意性的,例如,附图中的流程图和框图显示了根据本公开的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本公开各个实施方式中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本公开各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本公开的可选实施方式而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (16)
1.一种虚拟量测模型构建方法,其特征在于,包括:
针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型,所述第一模型用于表示该测量点位对应的生产参数与关键特性值的关联关系,其中,所述训练集包括量测对象全部/部分测量点位的生产参数和关键特性值;
将所述测量点位划分为K个类簇,根据各所述第一模型的模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型,所述第二模型用于表示所述锚点对应的关键特性值与所述非锚点对应的关键特性值的关联关系;
将所述第二模型与所述K组测量点位对应的第一模型组合,得到虚拟量测模型;
其中,K为正整数。
2.根据权利要求1所述的方法,其特征在于,所述将所述测量点位划分为K个类簇,根据各所述第一模型的模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型的步骤,包括:
采用聚类算法,将所述测量点位划分成K个类簇;
针对类簇中的每个所述测量点位,基于测试集中与该测量点位对应的生产参数和关键特性值,对该测量点位对应的所述第一模型进行测试得到模型指标;
根据所述模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位;
将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型。
3.根据权利要求2所述的方法,其特征在于,所述将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型的步骤,包括:
将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点;
以所述训练集中所述锚点对应的关键特性值作为自变量,将所述非锚点在所述训练集中所对应的关键特性值作为因变量,训练出第二模型。
4.根据权利要求3所述的方法,其特征在于,所述以所述训练集中所述锚点对应的关键特性值作为自变量,将所述非锚点在所述训练集中所对应的关键特性值作为应变量,训练出第二模型的步骤包括:
采用回归算法,结合所述训练集,训练出第二模型。
5.根据权利要求4所述的方法,其特征在于,所述回归算法包括岭回归、线性回归、逐步回归、套索回归和elasticnet回归中的任一种。
6.根据权利要求2所述的方法,其特征在于,所述对该测量点位对应的所述第一模型进行测试得到模型指标的步骤,包括:
以所述测试集中的生产参数作为第一模型的自变量值,得到预测特性值;
基于所述预测特性值,结合该预测特性值对应的生产参数所关联的关键特性值,采用回归评价指标算法,得到所述第一模型的模型指标。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括获得训练集和测试集,所述获得训练集和测试集的步骤包括:
获取多个所述量测对象的生产参数,以及对每个所述量测对象进行测量得到关键特性值;
将所述生产参数和关键特性值按比例划分成训练集和测试集,所述训练集和测试集中均为一组生产参数对应一组测量点位的关键特性值。
8.根据权利要求7所述的方法,其特征在于,所述量测对象的生产参数包括量测对象各个局部的工艺参数和加工参数。
9.根据权利要求7所述的方法,其特征在于,所述量测对象的生产参数包括量测对象整体的工艺参数和加工参数。
10.根据权利要求1-9中任一项所述的方法,其特征在于,所述针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型的步骤,包括:
针对每个测量点位,基于训练集中与该测量点位对应的生产参数和关键特性值,训练出第一模型。
11.根据权利要求10所述的方法,其特征在于,针对每个测量点位,基于训练集中与该测量点位对应的生产参数和关键特性值,采用集成学习算法,训练出第一模型。
12.一种虚拟量测方法,其特征在于,包括:
获取待测面板的生产参数;
将所述待测面板的生产参数作为权利要求1-11中任一项所述方法得到的虚拟量测模型中K组测量点位对应的第一模型的因变量值,得到K组测量点位的关键特性值;
将所述K组测量点位的关键特性值作为所述虚拟量测模型中第二模型的因变量值,得到剩余的M个测量点位的关键特性值;
其中,K和M均为正整数。
13.一种虚拟量测***,其特征在于,包括:
生产参数获取模块(210),用于获取待测面板的生产参数;
特性值预测模块(220),用于将所述待测面板的生产参数作为虚拟量测模型中K组测量点位对应的第一模型的因变量值,得到K组测量点位的关键特性值,并将所述K组测量点位的关键特性值作为虚拟量测模型中第二模型的因变量值,得到剩余的M个测量点位的关键特性值;
其中,K和M均为正整数,所述虚拟量测模型为采用如权利要求1-11中任一项所述的方法得到的模型。
14.一种虚拟量测模型构建***,其特征在于,包括:
第一模型训练模块(310),用于针对测量点位,基于训练集中与测量点位对应的生产参数和关键特性值,训练出第一模型,所述第一模型用于表示该测量点位对应的生产参数与关键特性值的关联关系,其中,所述训练集包括量测对象全部/部分测量点位的生产参数和关键特性值;
第二模型训练模块(320),用于将所述测量点位划分为K个类簇,根据各所述第一模型的模型指标,从每个所述类簇的各测量点位中选择一组测量点位,以得到K组测量点位,将所述K组测量点位作为锚点,将剩余的测量点位作为非锚点,训练出第二模型,所述第二模型用于表示所述锚点对应的关键特性值与所述非锚点对应的关键特性值的关联关系;
虚拟量测模型获取模块(330),用于将所述第二模型与所述K组测量点位对应的第一模型组合,得到虚拟量测模型;
其中,K为正整数。
15.一种电子设备,其特征在于,包括:存储器(120)、处理器(110)及存储在存储器(120)上并可在处理器(110)上运行的计算机程序,所述处理器(110)执行所述程序时实现权利要求1至12任一项所述的方法。
16.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括计算机程序,所述计算机程序运行时控制所述计算机可读存储介质所在的电子设备(100)执行权利要求1至12任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559957.XA CN113191017B (zh) | 2021-05-21 | 2021-05-21 | 虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559957.XA CN113191017B (zh) | 2021-05-21 | 2021-05-21 | 虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191017A CN113191017A (zh) | 2021-07-30 |
CN113191017B true CN113191017B (zh) | 2022-12-27 |
Family
ID=76984657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110559957.XA Active CN113191017B (zh) | 2021-05-21 | 2021-05-21 | 虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191017B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201205440A (en) * | 2010-07-16 | 2012-02-01 | Nat Univ Tsing Hua | Virtual measuring system and method thereof for predicting the quality of thin film transistor liquid crystal display processes |
CN101976045B (zh) * | 2010-08-25 | 2012-05-23 | 江苏大学 | 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与*** |
CN101963802B (zh) * | 2010-08-25 | 2012-08-15 | 江苏大学 | 批次制程的虚拟量测方法与*** |
KR102540941B1 (ko) * | 2017-06-18 | 2023-06-05 | 코벤터, 인크. | 가상 반도체 디바이스 제조 환경에서 키 파라미터 식별, 프로세스 모델 캘리브레이션 및 가변성 분석을 위한 시스템 및 방법 |
CN108387495B (zh) * | 2018-01-22 | 2020-03-31 | 青岛理工大学 | 一种多孔混凝土孔隙率计算和孔隙参数表征方法 |
CN109919097A (zh) * | 2019-03-08 | 2019-06-21 | 中国科学院自动化研究所 | 基于多任务学习的人脸和关键点联合检测***、方法 |
CN110782546A (zh) * | 2019-09-25 | 2020-02-11 | 上海众壹云计算科技有限公司 | 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法 |
-
2021
- 2021-05-21 CN CN202110559957.XA patent/CN113191017B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113191017A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805185B (zh) | 人脸识别方法、装置、存储介质及计算机设备 | |
US7243049B1 (en) | Method for modeling system performance | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN111143981A (zh) | 虚拟试验模型验证***及方法 | |
CN116342599A (zh) | 缺陷检测设备的点检方法、装置、设备和存储介质 | |
CN115730738A (zh) | 工艺参数确定方法、装置、计算机设备和存储介质 | |
CN111177500A (zh) | 数据对象分类方法、装置、计算机设备和存储介质 | |
CN113191017B (zh) | 虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质 | |
CN113378332A (zh) | 生产设备组分析方法、装置、电子设备及计算机可读存储介质 | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN115542236B (zh) | 电能表运行误差估计方法及装置 | |
CN111950605A (zh) | 表计识别模型的学习方法、装置、设备和表计识别方法 | |
CN113627755B (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN115222691A (zh) | 图像缺陷检测方法、***及相关装置 | |
CN115659271A (zh) | 传感器异常检测方法、模型训练方法、***、设备及介质 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN115186751A (zh) | 一种基于s变换的CVT计量误差预测方法、装置及存储介质 | |
CN114418097A (zh) | 神经网络量化处理方法、装置、电子设备及存储介质 | |
CN117157541A (zh) | 一种检测参数分析方法及装置 | |
CN105389594B (zh) | 信息处理方法及电子设备 | |
CN111754103A (zh) | 企业风险画像方法、装置、计算机设备和可读存储介质 | |
CN110389947A (zh) | 一种黑名单生成方法、装置、设备及介质 | |
CN112581250A (zh) | 模型生成方法、装置、计算机设备和存储介质 | |
JP2020194336A (ja) | 不良品の発生に寄与する装置特定のための製造条件計算装置、製造条件計算方法及び製造条件計算プログラム | |
CN116976215A (zh) | 光纤寿命预测方法、装置、计算机设备、介质和程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 610000 No. 270, floor 2, No. 8, Jinxiu street, Wuhou District, Chengdu, Sichuan Applicant after: Chengdu shuzhilian Technology Co.,Ltd. Address before: 610000 No.2, 4th floor, building 1, Jule Road intersection, West 1st section of 1st ring road, Wuhou District, Chengdu City, Sichuan Province Applicant before: CHENGDU SHUZHILIAN TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |