TWI676939B - 運用類神經網路進行分類之電子零件封裝分類系統 - Google Patents
運用類神經網路進行分類之電子零件封裝分類系統 Download PDFInfo
- Publication number
- TWI676939B TWI676939B TW107121401A TW107121401A TWI676939B TW I676939 B TWI676939 B TW I676939B TW 107121401 A TW107121401 A TW 107121401A TW 107121401 A TW107121401 A TW 107121401A TW I676939 B TWI676939 B TW I676939B
- Authority
- TW
- Taiwan
- Prior art keywords
- electronic component
- data
- training
- classification
- electronic part
- Prior art date
Links
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims description 29
- 230000010354 integration Effects 0.000 claims abstract description 23
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000001537 neural effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 114
- 210000002569 neuron Anatomy 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 229910000679 solder Inorganic materials 0.000 claims description 3
- 238000000034 method Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 230000004913 activation Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012536 packaging technology Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
一種運用類神經網路進行分類之電子零件封裝分類系統，該電子零件封裝系統包含一服務資料庫、一外部資料庫、一特徵選取模組、一資料整合模組，及一分類處理模組，該服務資料庫供外部輸入電子零件圖樣，該外部資料庫儲存電子零件之封裝類型資料，該特徵選取模組紀錄有電子零件的封裝類型特徵，該資料整合模組對選取之特徵值進行資料預處理與正規化以得到待分類資料，該分類處理模組接收該待分類資料並將分類結果顯示於該服務資料庫。
Description
本發明是有關一種分類系統，特別是指一種運用類神經網路進行分類之電子零件封裝分類系統。
現今科技發展下，電子電路設計與組裝的工作流程已逐漸趨於自動化，在設計印刷電路板的過程中，需先匯入零件圖樣資料庫(Footprint Library)、設定印刷電路板參數(PCB Parameters Setup)、佈局(Placement)、走線(Routing)最後進入可製造性設計檢查(Design for Manufacture Check,DFM Check)等階段。
在執行可製造性設計檢查前，傳統的做法是由佈局工程師採用人工的方式逐一分類印刷電路板上所使用之電子零件屬於何種封裝類型，而佈局工程師判斷電子零件封裝類型的依據大多為電子零件圖樣名稱，外觀則以接腳數量與接腳擺放方式進行判斷，此過程不僅仰賴工程師本身的工作經驗，更無法確保電子零件封裝類型分類後的正確性。
隨著封裝技術演進促使電子零件的封裝類型越來越多變，有部分封裝類型的電子零件圖樣更是極為相似。對於佈局工程師而言，透過電子零件圖樣辨別封裝類型更加深其困難性，且電子零件封裝類型判斷若有錯誤，將影響佈局工程師的工作流程乃至於組裝廠的生產良率與產品品質。
上述缺點都顯現習知電子零件的封裝分類在操作過程中所衍生的種種問題，因此，發展封裝分類工具以輔助佈局工程師降低電子零件封裝類型分類錯誤的機率已成必然。
有鑑於此，本發明之目的，是提供一種運用類神經網路進行分類之電子零件封裝分類系統，該電子零件封裝分類系統，包含一服務資料庫、一外部資料庫、一特徵選取模組、一資料整合模組，及一分類處理模組。
該服務資料庫用以供外部輸入電子零件圖樣，以及接收並儲存相關聯之輸入與輸出數據的訓練數據，該外部資料庫儲存有複數筆電子零件之封裝類型資料，該特徵選取模組與該外部資料庫連接，紀錄有電子零
件的封裝類型特徵，依據該服務資料庫輸入之欲進行分類的電子零件圖樣，該特徵選取模組依照該封裝類型特徵自該外部資料庫進行特徵選取。
該資料整合模組對該特徵選取模組所選取之特徵值進行資料預處理與正規化，以清除資料中的錯誤雜訊與填補資料遺缺，並限縮該特徵之特徵值分佈於一特定區間，以得到待分類資料，該分類處理模組接收該待分類資料並將分類結果顯示於該服務資料庫。
本發明的另一技術手段，是在於上述之分類處理模組包括一儲存有執行一動作指令的處理器，所述動作包括：使用者端輸入欲進行分類之電子零件圖樣至該服務資料庫；該特徵選取模組依照該電子零件圖樣之封裝類型特徵自該外部資料庫進行特徵選取；該資料整合模組對所選取之特徵值進行資料預處理與正規化，以得到待分類資料；及該服務資料庫得到電子零件之封裝類型的分類結果。
本發明的又一技術手段，是在於上述之電子零件封裝分類系統更包含一訓練模組及一參數儲存模組，該訓練模組與該資料整合模組及該服務資料庫連接，
並決定該訓練資料集進行訓練之訓練規模及神經網路參數，以作為後續分類之依據，其中，訓練之收斂條件為當前訓練結束後累計誤差小於給定的門檻值，即停止訓練，而該參數儲存模組與該訓練模組及該服務資料庫連接，用以紀錄該訓練模組所使用之訓練參數數據。
本發明的再一技術手段，是在於上述之資料整合模組將該特徵值正規化至v a 、v b 區間中，滿足v'=
,v a <v b 關係式，其中，v'為正規化至v a 、v b 後的特徵值，v為需作正規化之特徵值，v max 為一項特徵中的最大特徵值，而v min 為一項特徵中的最小特徵值。
本發明的又一技術手段，是在於上述之神經網路參數為收斂條件、隱藏層神經元個數、隱藏層個數、初始學習率、初始動量、門檻值、權重值、偏權值等上述任一或其組合。
本發明的再一技術手段，是在於上述之隱藏層神經元個數j滿足(x×(input+output)),1.5<x<2，其中，input為輸入封裝類型特徵19個，output為分類輸出的封裝類型10個。
本發明的另一技術手段，是在於上述之封
裝類型資料記錄有電子零件外觀資訊、印刷電路板限制區域資訊、銲點資訊、幾何形狀參數、適用場域參數、電性參數、接點參數等上述任一或其組合。
本發明的又一技術手段，是在於上述之封裝類型特徵包括電子零件實體外觀、電子零件實體接腳，及電子零件圖樣。
本發明的再一技術手段，是在於上述之封裝類型特徵的權重比例為電子零件圖樣大於電子零件實體外觀，電子零件實體外觀大於電子零件實體接腳。
本發明的另一技術手段，是在於上述之電子零件實體外觀、電子零件實體接腳，及電子零件圖樣選自於電子零件的接腳數量、原始的電子零件實體長度、最大的電子零件實體長度、最小的電子零件實體長度、原始的電子零件實體寬度、最大的電子零件實體寬度、最小的電子零件實體寬度、電子零件實體高度、電子零件實體與電路板的間距、大的電子零件接腳長度、小的電子零件接腳長度、大的電子零件接腳寬度、小的電子零件接腳寬度、大的電子零件圖樣接腳長度、小的電子零件圖樣接腳長度、大的電子零件圖樣接腳寬度、小的電子零件圖樣接腳
寬度、電子零件圖樣接腳間距的X軸方向，及電子零件圖樣接腳間距的Y軸方向等19種。
本發明之有益功效在於，透過電子零件實體的特徵訓練類神經網路，找出最適合該分類系統的訓練規模以及神經網路參數，且經過正規化後的訓練結果正確率較未正規化的訓練結果高，解決以人工方式分類電子零件封裝類型容易造成之判斷錯誤、耗時且分類過程過於依賴佈局工程師本身工作經驗的問題，亦能獲得更高品質的訓練以及分類結果。
1‧‧‧服務資料庫
3‧‧‧外部資料庫
4‧‧‧特徵選取模組
5‧‧‧資料整合模組
6‧‧‧訓練模組
7‧‧‧參數儲存模組
8‧‧‧分類處理模組
91~94‧‧‧步驟
圖1是一方塊示意圖，說明本發明運用類神經網路進行分類之電子零件封裝分類系統的較佳實施例；圖2是一示意圖，說明本較佳實施例於一節點輸出計算階段的架構示意；圖3是一示意圖，說明本較佳實施例進行訓練的流程；圖4是一示意圖，說明本較佳實施例於一權重修正階段的架構示意；及圖5是一示意圖，說明本較佳實施例中一分類處理模
組執行一動作指令的流程。
有關本發明之相關申請專利特色與技術內容，在以下配合參考圖式之較佳實施例的詳細說明中，將可清楚的呈現。
參閱圖1，為本發明運用類神經網路進行分類之電子零件封裝分類系統的較佳實施例，該電子零件封裝分類系統包含一服務資料庫1、一外部資料庫3、一特徵選取模組4、一資料整合模組5、一訓練模組6、一參數儲存模組7，及一分類處理模組8。
該服務資料庫1用以供外部輸入欲進行訓練或分類之電子零件圖樣，以及接收並儲存相關聯之輸入與輸出數據的訓練數據，其中該電子零件圖樣係由電子設計自動化(Electronic Design Automatic,EDA)工具轉換之檔案格式。
該外部資料庫3儲存有複數筆電子零件之封裝類型資料，其中，該封裝類型資料記錄有電子零件外觀資訊、印刷電路板限制區域資訊、銲點資訊、幾何形狀參數、適用場域參數、電性參數、接點參數等上述任一或
其組合。
該特徵選取模組4與該外部資料庫3連接，紀錄有電子零件的封裝類型特徵，依據該服務資料庫1輸入之欲進行訓練或分類的電子零件圖樣，該特徵選取模組4依照該封裝類型特徵自該外部資料庫3進行特徵選取。
電子零件與電路板接合大致可將封裝技術分成通孔式封裝技術(Through Hole Technology，THT)與表面黏著技術(Surface Mount Technology，SMT)，於此將基本SMT類型的電子零件封裝依照接腳形式、接腳型態、尺寸大小以及功能性分成44類，而本實施例取常見之25類，並將其分類成10種封裝類型，以符合佈局工程師判斷封裝類型的需求。
此階段該特徵選取模組4從25類SMT封裝類型取得19項特徵，及取得特徵值，準備將這些特徵值由該資料整合模組5進行資料預處理。
進一步地，該封裝類型特徵包括電子零件實體外觀、電子零件實體接腳，及電子零件圖樣等共19種。其中，電子零件實體外觀特徵為電子零件的接腳數量、
原始的電子零件實體長度、最大的電子零件實體長度、最小的電子零件實體長度、原始的電子零件實體寬度、最大的電子零件實體寬度、最小的電子零件實體寬度、電子零件實體高度，及電子零件實體與電路板的間距。
電子零件實體接腳特徵為大的電子零件接腳長度、小的電子零件接腳長度、大的電子零件接腳寬度，及小的電子零件接腳寬度。電子零件圖樣特徵為大的電子零件圖樣接腳長度、小的電子零件圖樣接腳長度、大的電子零件圖樣接腳寬度、小的電子零件圖樣接腳寬度、電子零件圖樣接腳間距的X軸方向，及電子零件圖樣接腳間距的Y軸方向。
於此，該封裝類型特徵的權重比例為電子零件圖樣大於電子零件實體外觀，電子零件實體外觀大於電子零件實體接腳。
該資料整合模組5對該特徵選取模組4所選取之特徵值進行資料預處理與正規化，以清除資料中的錯誤雜訊與填補資料遺缺，並限縮該特徵之特徵值分佈於一特定區間，以得到訓練資料集。於此，當該資料整合模組5所處理之資料為欲進行訓練之電子零件圖樣，稱為訓
練資料集，供該訓練模組6進行訓練用，若該資料整合模組5所處理之資料為欲進行分類之電子零件圖樣，則稱為待分類資料，以作為封裝類型的分類結果。
進行預處理是對資料進行資料整合、資料清理與資料遺缺填補，及資料轉換，其中，資料整合目的在於解決訓練資料是由多個不同資料庫組成所造成資料不一致、單位不同與資料重複的問題，若資料不一致，可能會因為欄位內容表示方式不同而導致訓練過程中不易收斂或影響訓練結果，使資料形成一個不利於訓練的資料集，因此，資料整合為資料預處理的首要步驟。
再者，資料清理與資料遺缺填補目的在於確認資料的完整性、正確性及合理性，由於資料來源多元，因此在此階段必須檢查特徵值是否合理，於此所挑選的特徵為電子零件的參數，故使用整體平均值填補遺缺的資料。
資料轉換目的在於將資料內容轉換成易於訓練或是使訓練結果可信度提升，其中，此階段的工作包含資料一般化、建立新屬性與資料正規化，資料一般化指提升資料所代表的概念與意義，以將特徵中所包含的特徵值類型減少，而建立新屬性指利用舊有的屬性找出訓練所
需要的新屬性，資料正規化指將不同標準或單位之下所記錄的資料轉換成相同標準，正規化後資料將重新分布於一個特定且較小的區間中，以便提高訓練結果的準確度。常見的正規化方法有極值正規化、Z-分數正規化，及十進制正規化。
於此，該資料整合模組5將該特徵值正規化至v a 、v b 區間中，滿足
,v a <v b 關係式，其中，v'為正規化至v a 、v b 後的特徵值，v為需作正規化之特徵值，v max 為一項特徵中的最大特徵值，而v min 為一項特徵中的最小特徵值。
本實施例使用了正規化與未正規化的訓練資料集作為實驗比較，此資料集所挑選之特徵數、資料量以及輸出節點數量與類神經網路(亦稱為神經網路)的訓練條件如下表1所示。
參閱下表2為正規化該訓練資料集之訓練結果，下表2為未正規化該訓練資料集之訓練結果，於此使用i-j-k描述神經網路架構，其中i代表輸入層神經元數量；j代表隱藏層神經元數量；k則代表輸出層神經元數量。
由上表2、3之結果可知，正規化後之資料集No(19-50-10)的平均正確率為99.2%，未正規化之資料集No(19-53-10)的平均正確率為51.8%，因此，經過正規化後之資料集的分類結果表現為佳，且相較於未正規化資料集之分類結果高出55.9%。
再者，資料集正規化後每一項特徵中的特徵值距離縮短，使得訓練過程中類神經網路能更容易地透過正規化後的特徵值計算出神經元之間連結的權重值，若資料未正規化，可能會因權重值超過活化函數的區間而導致無法正確地調整權重值，致使類神經網路過早收斂而未達到訓練與學習的效果。
本發明利用極值正規化的方式使特徵值重新分布於特定的區間中，以提高訓練類神經網路效率，且經過正規化後的訓練結果正確率較未正規化的訓練結果高。
該訓練模組6使用前饋式神經網路(Feed-Forward Neural Network,FNN)架構搭配倒傳遞演算法，而倒傳遞演算法屬於多層前饋式網路並將神經網路分成輸入層(Input Layer)、隱藏層(Hidden Layer)與輸出層(Output Layer)。輸入層在網路架構中作為接受資料並輸入訊息的一端，輸入層有多少神經元即代表有多少種不同的訓練特徵，用以表示網路輸入的變數。
隱藏層介於輸入層與輸出層間，用以呈現各單元之間互相影響的情況。隱藏層神經元數量的多寡是以試誤法找到最適合，當隱藏層神經元數量越多收斂速度越慢、誤差值越小。輸出層在網路架構中作為處理訓練結果並輸出訊息的一端，用以表示網路輸出的變數。
倒傳遞演算法是將誤差值最小化並找出輸入層、隱藏層以及輸出層之間連結權重的關係，如圖2所示，倒傳遞類神經架構可分為輸入(Input)、權重值(Weight)和活化函數(Activation Function)三個部份，權重值又可分成權重值與偏權值。其中，x 1,x 2,x 3...x i 表示為輸入訊號；
，
，
...
表示輸入層神經元與隱藏層神經元相連的權重值；
則是隱藏層神經元之偏權值；h 1，h 2，
h 3...h j 則是輸入項x n 與權重值
之乘積總和，如公式
而後再將h j 代入活化函數f tanh 產生隱藏層的輸出並同時做為下一層的輸入。為了模擬生物神經網路的運作模式，活化函數通常是一種非線性的轉換，傳統的活化函數為Hyper tangent函數與Sigmoid函數[28]，如下公式：
隱藏層使用的活化函數為Hyper tangent函數，輸出則是採用Sigmoid函數。
，
，
...
表示隱藏層神經元與輸出層神經元相連的權重值；
則是輸出層神經元之偏權值；O 1,O 2,...,O k 則是輸入項f tanh (h j )與權重值
之乘積總和，最後將O k 代入活化函數f sig (O k )，產生神經元輸出y k ，如公式y k ( O )=f sig (O k )。
倒傳遞神經網路未達到收斂條件時，會計算輸出結果與目標結果的誤差並調整權重重新訓練，直至達到收斂條件為止，如公式w t =(w t-1+△w)。
該訓練模組6與該資料整合模組5及該服務資料庫1連接，並決定該訓練資料集進行訓練之訓練規模及神經網路參數，以作為後續分類之依據，並傳送訓練結果至該服務資料庫1，其中，訓練之收斂條件為當前訓練結束後累計誤差小於給定的門檻值，即停止訓練。
參閱圖3，在本較佳實施例中將訓練流程分成網路初始化階段、節點輸出計算階段，及權重修正階段，於此節點亦稱為神經元。首先，透過網路初始化階段將訓練資料(於此亦稱訓練資料集)、設定網路輸入參數、隨機產生權重值(Weights)與偏權值(Bias)、分配權重值與偏權值，然後，準備進入節點輸出計算階段，此階段包含計算隱藏層的節點輸出值、隱藏層的活化函數(Hyper tangent)套用、計算輸出層的節點輸出值，以及輸出層節點的活化函數(Sigmoid)套用，最後，透過權重修正階段計算誤差修正梯度，並調整權重值與偏權值、學習率至達到收斂標準的輸出結果後結束訓練流程，若無達到收斂標準則判斷是否符合終止循環次數，並再次進行權重修正階段與節點輸出計算階段至達到收斂標準的輸出結果後結束訓練流程。
進一步地，執行網路初始化階段時，系統
會先要求輸入神經網路參數並將權重值和偏權值初始化。此階段設定三項神經網路參數分別為：初始學習率、初始動量與隱藏層節點數。
初始學習率：執行初始化時，會將學習率設定在[0,1]的區間中，於此使用自適應學習率調整方法，會參考每一次執行訓練結果所累計的誤差值判斷訓練方向是否正確，若誤差值呈現下降的趨勢，表示訓練方向正確，便會增加學習率，加快學習速度，反之則會加上懲罰因子，降低學習速率，降低學習腳步修正訓練方向。
初始動量：除學習率的設定外，動量的大小也會影響神經網路的學習效率，而動量的主要功能在於穩定調整學習率後計算權重值時所造成的震盪現象。初始化的過程中，如同學習率一般可將參數設定在[0,1]的區間中，系統會在每次調整學習率與權重值時自動加入此參數進行調整。
隱藏層節點數：隱藏層節點數量的多寡將影響到收斂速率、學習效率以及訓練結果，於此隱藏層節點選擇採用試誤法。
收斂條件可設定採用達最大訓練次數或累
計誤差小於給定的門檻值後停止，其中，採用達最大訓練次數指當訓練次數達到設定的最大訓練次數即停止，說明了此次的訓練無法使神經網路確實收斂，需重新調整神經網路參數或檢查訓練資料集是否異常，上述二種條件只要有一項達成，即終止訓練流程。
於此，訓練之收斂條件為當前訓練結束後累計誤差小於前一次的
即停止訓練，
為當次訓練累積之誤差均方根RMSE，
為前次訓練累積之誤差均方根RMSE，滿足關係式：
，其中
與
滿足關係式：
，v rmse 為每次訓練結果後所累積之誤差均方根RMSE，c d 為訓練資料集的資料量，c o 為神經網路的輸出位元數，
為分類結果的目標值，
為當前分類結果的近似值。
進一步地，該神經網路參數為收斂條件、隱藏層神經元個數、隱藏層個數、初始學習率、初始動量、門檻值、權重值、偏權值等上述任一或其組合。
再請參閱圖2，進行節點輸出計算階段時，逐步算出每一個輸入節點的輸出值，並在計算完畢後加上
偏權值經過活化函數後，作為下一層的輸入值。
於此使用i-j-k描述神經網路架構，其中i代表輸入層神經元數量；j代表隱藏層神經元數量；k則代表輸出層神經元數量。x 1~x i 為輸入的特徵值，經由輸入層連結隱藏層的權重值
計算h j ，使用公式h j ( X )=
。接著將h j 經過活化函數f tanh 後所得到的值作為隱藏層連結輸出層的輸入值，再乘上隱藏層連結輸出層的權重值
可得O k ，使用公式O k ( H )=
。最後在經由活化函數，得到每一筆資料的分類結果y k ，使用公式y k ( O )=f sig (O k )。
配合參閱圖4，當進入權重修正階段時，便會參考前一次訓練完後的累計誤差調整權重值、偏權值以及學習率。經由調整這三項變數使該訓練模組6具有更佳的學習能力，此外亦得以透過每一次訓練的結果對訓練條件稍作修正，以確保學習方向正確且可得到最佳學習效果。
調整權重方法則是需由輸出層逐步向輸入層計算，分別計算輸出層偏權值梯度、隱藏層至輸出層權重值梯度、隱藏層偏權值梯度，以及隱藏層至輸入層權重值梯度，共四種梯度之後，藉由梯度計算變動量，最後再
經由變動量與動量對權重值進行修正。
調整權重時，需先計算輸出層偏權值梯度
、輸出層到隱藏層每一節點的梯度
、隱藏層偏權值梯度
以及隱藏層到輸入層每一節點的梯度
，
為第k個輸出的目標值；
則是第k個輸出的近似值，使用公式為
、
、
、
接著計算輸出層偏權值變動量
、輸出層至隱藏層權重值之變動量
、隱藏層偏權值
變動量以及輸入層至隱藏層權重值變動量
。此計算過程中，會乘上學習率η使變動量調整幅度更加明顯，使用公式為
、
、
、
。
最後可透過梯度與權重值變動量更新輸入層連結隱藏層之權重值
、隱藏層偏權值
、隱藏層連結輸出層之權重值
，以及輸出層偏權值
並乘上動量M mom ，以減緩因調整權重值而造成訓練過程的震盪，作為下一次訓練時使用之參數，公式為
、
、
、
。
本階段採用自適應學習率作為計算權重值變動量的因子，學習率的調整會參考前一次訓練結果的
與當次訓練結果的
比較，判斷當次的學習方向是否正確。若學習方向正確，則會為學習率加上獎勵因子，使下一次的學習可以更加快速，使學習過程得以更早達成收斂條件，反之則加上懲罰因子，使學習速度減慢，以維持學習效果，公式為：
透過每次訓練過程中之訓練結果所得到的RMSE值可以用來調整權重與學習率，使訓練過程朝向正確的方向前進，而不至於在訓練過程無法收斂。
在本較佳實施例中，該訓練規模包括一輸入層、一隱藏層，及一輸出層，其中，該輸入層為輸入的封裝類型特徵數目，該隱藏層數目為1，該輸出層為分類輸出的封裝類型數目，於此輸入層特徵為19個，分類輸出的封裝類型為10個。
該隱藏層神經元個數j滿足(x×(input+
output)),1.5<x<2，其中，input為輸入封裝類型特徵19個，output為分類輸出的封裝類型10個。較佳地，當隱藏層神經元數值接近上述公式，可得到較佳的訓練以及訓練之分類結果。
其中，輸出的封裝類型分別為球柵陣列(Ball Grid Array，BGA)、四邊扁平接腳延伸封裝(Quad Flat Package，QFP)、四邊扁平無延伸接腳封裝(Quad Flat No-Lead，QFN)、小外型電晶體封裝(Small Outline Integrated Transistor，SOT)、小外型積體電路(Small Outline Integrated Circuit，SOIC)、無接腳小外型積體電路(Small Outline Integrated Circuit No-Lead，SON)、兩側扁平無接腳延伸封裝(Dual Flat No-Lead，DFN)、小外型二極體封裝(Small Outline Diode，SOD)、小型貼片元件Chip，及表面黏著式的色碼電阻(Metal Electrode Leadless Face，MELF)等。
該參數儲存模組7與該訓練模組6及該服務資料庫1連接，用以紀錄該訓練模組6所使用之訓練參數數據。
參閱圖5，該分類處理模組8接收該待分類
資料並將分類結果顯示於該服務資料庫1。實際實施時，該分類處理模組8可單獨設置在使用者端，或設置於同一電子裝置中以進行電子零件封裝類型的訓練與分類，不應以此為限。而分類結果可以是待分類資料或是待分類資料經處理後之結果。
該分類處理模組8包括一儲存有執行一動作指令的處理器，所述動作包括下列步驟。
首先，進行步驟91，使用者端輸入欲進行分類之電子零件圖樣至該服務資料庫1，接著，進行步驟92，該特徵選取模組4依照該電子零件圖樣之封裝類型特徵自該外部資料庫3進行特徵選取。
然後，進行步驟93，該資料整合模組5對所選取之特徵值進行資料預處理與正規化，以得到待分類資料。
最後，進行步驟94，該服務資料庫1得到電子零件之封裝類型的分類結果。
本發明利用19項電子零件實體的特徵訓練類神經網路，找出最適合該分類系統的訓練規模及神經網路參數，且經過正規化後的訓練結果正確率較未正規化的
訓練結果高，再者，當隱藏層神經元個數滿足(x×(input+output)),1.5<x<2，可得到更佳的訓練以及訓練之分類結果。
綜上所述，本發明運用類神經網路進行分類之電子零件封裝分類系統，藉由將該服務資料庫1、該外部資料庫3、該特徵選取模組4、該資料整合模組5、該訓練模組6、該參數儲存模組7，及該分類處理模組間相互設置，結合倒傳遞類神經網路，解決以人工方式分類電子零件封裝類型容易造成之判斷錯誤、耗時且分類過程過於依賴佈局工程師本身工作經驗的問題，亦能獲得更高品質的訓練以及分類結果，故確實可以達成本發明之目的。
惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。
Claims (10)
- 一種運用類神經網路進行分類之電子零件封裝分類系統，該電子零件封裝分類系統包含：一服務資料庫，用以供外部輸入電子零件圖樣，以及接收並儲存相關聯之輸入與輸出數據的訓練數據；一外部資料庫，儲存有複數筆電子零件之封裝類型資料；一特徵選取模組，與該外部資料庫連接，紀錄有電子零件的封裝類型特徵，依據該服務資料庫輸入之欲進行分類的電子零件圖樣，該特徵選取模組依該封裝類型特徵自該外部資料庫進行特徵選取；一資料整合模組，對該特徵選取模組所選取之特徵值進行資料預處理與正規化，以清除資料中的錯誤雜訊與填補資料遺缺，並限縮該特徵之特徵值分佈於一特定區間，以得到待分類資料；及一分類處理模組，接收該待分類資料並將分類結果顯示於該服務資料庫。
- 依據申請專利範圍第1項所述之電子零件封裝分類系統，其中，該分類處理模組包括一儲存有執行一動作指令的處理器，所述動作包括：使用者端輸入欲進行分類之電子零件圖樣至該服務資料庫；該特徵選取模組依照該電子零件圖樣之封裝類型特徵自該外部資料庫進行特徵選取；該資料整合模組對所選取之特徵值進行資料預處理與正規化，以得到待分類資料；及該服務資料庫得到電子零件之封裝類型的分類結果。
- 依據申請專利範圍第2項所述之電子零件封裝分類系統，更包含一訓練模組及一參數儲存模組，該訓練模組與該資料整合模組及該服務資料庫連接，並決定該訓練資料集進行訓練之訓練規模及神經網路參數，以作為後續分類之依據，其中，訓練之收斂條件為當前訓練結束後累計誤差小於給定的門檻值，即停止訓練，而該參數儲存模組與該訓練模組及該服務資料庫連接，用以紀錄該訓練模組所使用之訓練參數數據。
- 依據申請專利範圍第3項所述之電子零件封裝分類系統，其中，該資料整合模組將該特徵值正規化至v a 、v b 區間中，滿足,v a <v b 關係式，其中，v'為正規化至v a 、v b 後的特徵值，v為需作正規化之特徵值，v max 為一項特徵中的最大特徵值，而v min 為一項特徵中的最小特徵值。
- 依據申請專利範圍第4項所述之電子零件封裝分類系統系統，其中，該神經網路參數為收斂條件、隱藏層神經元個數、隱藏層個數、初始學習率、初始動量、門檻值、權重值、偏權值等上述任一或其組合。
- 依據申請專利範圍第5項所述之電子零件封裝分類系統，其中，該隱藏層神經元個數j滿足(x×(input+output)),1.5<x<2，其中，input為輸入封裝類型特徵19個，output為分類輸出的封裝類型10個。
- 依據申請專利範圍第6項所述之電子零件封裝分類系統，其中，該封裝類型資料記錄有電子零件外觀資訊、印刷電路板限制區域資訊、銲點資訊、幾何形狀參數、適用場域參數、電性參數、接點參數等上述任一或其組合。
- 依據申請專利範圍第7項所述之電子零件封裝分類系統，其中，該封裝類型特徵包括電子零件實體外觀、電子零件實體接腳，及電子零件圖樣。
- 依據申請專利範圍第8項所述之電子零件封裝分類系統，其中，該封裝類型特徵的權重比例為電子零件圖樣大於電子零件實體外觀，電子零件實體外觀大於電子零件實體接腳。
- 依據申請專利範圍第9項所述之電子零件封裝分類系統，其中，該電子零件實體外觀、電子零件實體接腳，及電子零件圖樣選自於電子零件的接腳數量、原始的電子零件實體長度、最大的電子零件實體長度、最小的電子零件實體長度、原始的電子零件實體寬度、最大的電子零件實體寬度、最小的電子零件實體寬度、電子零件實體高度、電子零件實體與電路板的間距、大的電子零件接腳長度、小的電子零件接腳長度、大的電子零件接腳寬度、小的電子零件接腳寬度、大的電子零件圖樣接腳長度、小的電子零件圖樣接腳長度、大的電子零件圖樣接腳寬度、小的電子零件圖樣接腳寬度、電子零件圖樣接腳間距的X軸方向，及電子零件圖樣接腳間距的Y軸方向等19種。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107121401A TWI676939B (zh) | 2018-06-22 | 2018-06-22 | 運用類神經網路進行分類之電子零件封裝分類系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW107121401A TWI676939B (zh) | 2018-06-22 | 2018-06-22 | 運用類神經網路進行分類之電子零件封裝分類系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI676939B true TWI676939B (zh) | 2019-11-11 |
| TW202001698A TW202001698A (zh) | 2020-01-01 |
Family
ID=69189197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW107121401A TWI676939B (zh) | 2018-06-22 | 2018-06-22 | 運用類神經網路進行分類之電子零件封裝分類系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI676939B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI715289B (zh) * | 2019-11-14 | 2021-01-01 | 新加坡商鴻運科股份有限公司 | 產品印刷參數設定裝置、方法及電腦可讀取存儲介質 |
| CN112801328A (zh) * | 2019-11-14 | 2021-05-14 | 鸿富锦精密电子(天津)有限公司 | 产品印刷参数设定装置、方法及计算机可读存储介质 |
| CN113095540A (zh) * | 2019-12-23 | 2021-07-09 | 财团法人工业技术研究院 | 数据整合方法及数据整合系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080155483A1 (en) * | 2006-12-22 | 2008-06-26 | Inventec Corporation | Database-aided circuit design system and method therefor |
| CN100562878C (zh) * | 2006-06-23 | 2009-11-25 | 株式会社日立高新技术 | 缺陷检查系统及缺陷检查方法 |
| CN102063554A (zh) * | 2011-01-17 | 2011-05-18 | 浪新微电子系统（上海）有限公司 | Pcb设计平台 |
| CN105372581A (zh) * | 2015-11-18 | 2016-03-02 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| TW201633192A (zh) * | 2014-12-18 | 2016-09-16 | Ａｓｍｌ荷蘭公司 | 藉由機器學習之特徵搜尋 |
| CN106777612A (zh) * | 2016-12-02 | 2017-05-31 | 全球能源互联网研究院 | 一种建立pcb类型的预测模型和pcb设计的方法及装置 |
| TW201816670A (zh) * | 2016-10-14 | 2018-05-01 | 美商克萊譚克公司 | 用於經組態用於半導體應用之深度學習模型之診斷系統及方法 |
| TW201822038A (zh) * | 2016-12-12 | 2018-06-16 | 美商應用材料股份有限公司 | 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選 |
-
2018
- 2018-06-22 TW TW107121401A patent/TWI676939B/zh not_active IP Right Cessation
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100562878C (zh) * | 2006-06-23 | 2009-11-25 | 株式会社日立高新技术 | 缺陷检查系统及缺陷检查方法 |
| US20080155483A1 (en) * | 2006-12-22 | 2008-06-26 | Inventec Corporation | Database-aided circuit design system and method therefor |
| CN102063554A (zh) * | 2011-01-17 | 2011-05-18 | 浪新微电子系统（上海）有限公司 | Pcb设计平台 |
| TW201633192A (zh) * | 2014-12-18 | 2016-09-16 | Ａｓｍｌ荷蘭公司 | 藉由機器學習之特徵搜尋 |
| CN105372581A (zh) * | 2015-11-18 | 2016-03-02 | 华南理工大学 | 挠性电路板制造过程自动监测和智能分析系统及方法 |
| TW201816670A (zh) * | 2016-10-14 | 2018-05-01 | 美商克萊譚克公司 | 用於經組態用於半導體應用之深度學習模型之診斷系統及方法 |
| CN106777612A (zh) * | 2016-12-02 | 2017-05-31 | 全球能源互联网研究院 | 一种建立pcb类型的预测模型和pcb设计的方法及装置 |
| TW201822038A (zh) * | 2016-12-12 | 2018-06-16 | 美商應用材料股份有限公司 | 在半導體元件的製造流程中利用自適應機器學習的自動缺陷篩選 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI715289B (zh) * | 2019-11-14 | 2021-01-01 | 新加坡商鴻運科股份有限公司 | 產品印刷參數設定裝置、方法及電腦可讀取存儲介質 |
| CN112801328A (zh) * | 2019-11-14 | 2021-05-14 | 鸿富锦精密电子(天津)有限公司 | 产品印刷参数设定装置、方法及计算机可读存储介质 |
| US11635743B2 (en) | 2019-11-14 | 2023-04-25 | Fulian Precision Electronics (Tianjin) Co., Ltd. | Parameters suggestion system of solder paste screen printer including method, device employing method, and non-transitory storage |
| CN112801328B (zh) * | 2019-11-14 | 2023-10-31 | 富联精密电子(天津)有限公司 | 产品印刷参数设定装置、方法及计算机可读存储介质 |
| CN113095540A (zh) * | 2019-12-23 | 2021-07-09 | 财团法人工业技术研究院 | 数据整合方法及数据整合系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202001698A (zh) | 2020-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190392322A1 (en) | Electronic component packaging type classification system using artificial neural network | |
| Mirhoseini et al. | Chip placement with deep reinforcement learning | |
| TWI676939B (zh) | 運用類神經網路進行分類之電子零件封裝分類系統 | |
| CN111539178B (zh) | 一种基于神经网络的芯片版图设计方法和系统及制作方法 | |
| CN109636026B (zh) | 一种基于深度学习模型的晶圆良率预测方法 | |
| CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
| US11636336B2 (en) | Training device and training method for neural network model | |
| CN117313640B (zh) | 光刻掩膜生成模型的训练方法、装置、设备及存储介质 | |
| CN111310409B (zh) | 一种优化时分复用技术的多阶段fpga布线方法 | |
| CN114912342B (zh) | 一种基于多质量参数的封装引线键合工艺参数优化方法 | |
| CN117744439A (zh) | 一种pbga塑封球栅阵列封装材料匹配优化仿真方法 | |
| CN107169566A (zh) | 动态神经网络模型训练方法和装置 | |
| US8185864B2 (en) | Circuit board analyzer and analysis method | |
| CN111598435A (zh) | 一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法 | |
| CN112347704B (zh) | 一种高效的基于贝叶斯理论的人工神经网络微波器件建模方法 | |
| Li et al. | Fine pitch stencil printing process modeling and optimization | |
| CN114218886B (zh) | 花焊盘实现方法、装置、电子设备及存储介质 | |
| CN110633721A (zh) | 运用类神经网络进行分类的电子零件封装分类系统 | |
| CN113408226A (zh) | 一种基于深度学习的芯片供电网络凸快电流估算方法及系统 | |
| Galbraith et al. | Analysis in manufacturing systems simulation: a case study | |
| CN115879412B (zh) | 一种基于迁移学习的版图层级电路图尺寸参数优化方法 | |
| CN114423184B (zh) | 一种异形反焊盘制作方法、装置、电子设备及存储介质 | |
| CN118818883A (zh) | Sraf布局方法、光刻掩膜版制作方法、装置、系统、介质及设备 | |
| Governi et al. | A genetic algorithms-based procedure for automatic tolerance allocation integrated in a commercial variation analysis software | |
| CN105574237A (zh) | 基于粒子群的系统级封装bga电源地引脚分布优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |