一种电子元器件二次筛选优化方法、装置、设备和介质与流程

1.本发明涉及电子元器件应用领域，尤其涉及一种电子元器件二次筛选优化方法、装置、设备和介质。


背景技术：

2.目前电子元器件已广泛应用于各个领域，一些应用环境相对比较恶劣的场景，对于电子元器件的质量和寿命有着更高的要求。为了提升电子元器件的可靠性和质量，采用二次筛选检测是一项重要的措施。二次筛选是指已采购的元器件在“一次筛选”试验没有满足使用方规定的项目要求的技术条件时，由使用方进行的筛选，其目的是为了提高产品的使用可靠性。因此，二次筛选的质量直接影响着型号产品的质量。
3.当前，因为送筛器件批次多、数量大，往往在时间进度方面不能满足客户要求，并且由于筛选技术的局限性，还不能达到将早期失效的元器件全部剔除掉的理想目标，所以提高元器件筛选质量和效率是元器件筛选管理工作上的主要目标。
4.对于电子元器件二次筛选的检测方法通常是按照以下三种方法开展工作：一是按照国内外国标、国军标及相关标准开展电子元器件二次筛选检测工作，例如以mil-std-883微电路试验方法为参考，以gjb-548对微电子器件进行试验；二是按照送检企业要求开展电子元器件二次筛选检测工作，例如在检测前需要客户确定二次筛选的测试需求，包括检测序列、参数阈值、检测方案等；三是按照检测企业的方案开展电子元器件二次筛选检测工作，例如依据检测企业本身的实验条件和检测基础，结合用户的需求制定检测方案和检测序列。
5.以上方法都是依据相关标准，利用传统的人工与通用系统相结合的手段开展电子元器件二次筛选检测工作。这些工作虽然能够满足部分二次筛选需求，但是由于存在主观性的编码识别、检测序列和检验方案设定等问题，随着电子元器件的使用量和集成度不断提高，二次筛选检测的难度和工作量也随之增加，传统的手段已无法完全满足检测的时效性和检测精度要求，主要体现在电子元器件二次筛选方案确定困难，电子元器件编码识别困难，以及检测参数顺序确定困难。


技术实现要素：

6.鉴于以上现有技术存在的问题，本发明提出一种电子元器件二次筛选优化方法、装置、设备和介质，主要解决现有二次筛选依赖于人工进行方案制定和检测参数制定、以及器件编码识别导致检测效率低及精度可控性差的问题。
7.为了实现上述目的及其他目的，本发明采用的技术方案如下。
8.一种电子元器件二次筛选检测优化方法，包括：
9.通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案；其中，所述预设筛选方案集合中包括多个筛选方案，每个筛选方案包括多个测试项，每个测试项包括多个待检测参数；
10.通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联；
11.通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列，并根据所述优化参数序列获取检测结果。
12.可选地，通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案之前，还包括：
13.获取与所述待检测元器件同型号的元器件的检测数据构建样本集，并根据所述样本集中的样本获取所述预设筛选方案集合中各筛选方案的预测检测结果；
14.将所述预测检测结果与对应样本的实际检测结果进行比对，并根据比对结果生成结构化的检测结果序列；
15.根据所述检测结果序列构建所述梯度提升决策树。
16.可选地，将所述预测检测结果与对应样本的实际检测结果进行比对，并根据比对结果生成结构化的检测结果序列，包括：
17.所述检测结果序列为二进制序列，其中，所述预测检测结果与所述实际检测结果一致，则对应二进制的值为1；反之，则对应二进制的值为0。
18.可选地，通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案，包括：
19.根据所述决策树获取各筛选方案的重要性评估值，根据所述重要性评估值由高到低对各筛选方案进行排序；
20.根据排序结果输出前n个筛选方案作为备选方案，并获取重要性评估值最高的筛选方案作为最优方案；其中，n为大于2的自然数。
21.可选地，通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列之前，还包括：
22.获取多个同类型或相似类型的元器件的参数检测记录，其中，所述参数检测记录中存储有各检测参数按照预设检测顺序执行检测得到的检测结果；
23.根据所述检测结果生成对应的参数序列，将所述参数序列用于训练所述参数序列优化模型，其中，所述参数序列优化模型的训练过程，包括：
24.根据所述参数序列构建样本数据集；
25.从所述样本数据集中有放回的取出n个样本，其中，每个样本对应与各参数序列；
26.从取出的样本中随机选择k个特征用于建立随机决策树，其中，所述特征对应检测参数，k为正整数；在选择特征过程中，引入平均精确率减少算法打乱样本中各特征的顺序；
27.重复前述步骤得到包含多个随机决策树的参数序列优化模型。
28.可选地，根据所述检测结果生成对应的参数序列包括：
29.所述检测结果包括检测通过和检测失败；
30.当所述检测结果为检测通过时，对应同一条检测参数记录中各检测参数的检测结果均记为0，得到对应的参数序列；
31.当所述检测结果为检测失败时，若对应同一条检测参数记录中存在检测值为空值的检测参数，则将所述检测值为空值的检测参数的前一个检测参数的检测结果记为1，其余检测参数的检测结果记为0；若对应同一条检测参数记录中不存在检测值为空值的检测参
数，则将最后一位检测参数的检测结果记为1，其余的检测参数的检测结果记为0，得到对应的参数序列。
32.可选地，通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联，包括：
33.通过预设图像采集设备获取待检测元器件载有器件编码区域的图像；
34.将所述图像输入所述识别模型，通过所述识别模型进行文本边框定位检测，获取所述文本边框内的特定数字序列，得到对应的器件编码。
35.一种电子元器件二次筛选检测优化装置，包括：
36.方案筛选模块，用于通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案；其中，所述预设筛选方案集合中包括多个筛选方案，每个筛选方案包括多个测试项，每个测试项包括多个待检测参数；
37.编码识别模块，用于通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联；
38.序列化优化检测模块，通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列，并根据所述优化参数序列获取检测结果。
39.一种设备，包括：
40.一个或多个处理器；和
41.其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行所述的电子元器件二次筛选检测优化方法。
42.一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的电子元器件二次筛选检测优化方法。
43.如上所述，本发明提供一种电子元器件二次筛选优化方法、装置、设备和介质，具有以下有益效果。
44.本发明通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案；其中，所述预设筛选方案集合中包括多个筛选方案，每个筛选方案包括多个测试项，每个测试项包括多个待检测参数；通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联；通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列，并根据所述优化参数序列获取检测结果。通过决策树自动进行最优方案筛选，并优化最优方案中的参数检测顺序，可有效提高检测效率，保证二次筛选的电子元器件的质量和精度。
附图说明
45.图1为本发明一实施例中电子元器件二次筛选检测优化方法的流程图。
46.图2为本发明一实施例中电子元器件二次筛选检测优化装置的模块图。
47.图3为本发明一实施例中设备的结构示意图。
具体实施方式
48.以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
49.需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
50.请参阅图1，本发明提供一种电子元器件二次筛选优化方法，包括以下步骤：
51.步骤s01，通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案；其中，所述预设筛选方案集合中包括多个筛选方案，每个筛选方案包括多个测试项，每个测试项包括多个待检测参数；
52.步骤s02，通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联；
53.步骤s03，通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列，并根据所述优化参数序列获取检测结果。
54.在一实施例中，通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案之前，还包括：
55.获取与所述待检测元器件同型号的元器件的检测数据构建样本集，并根据所述样本集中的样本获取所述预设筛选方案集合中各筛选方案的预测检测结果；
56.将所述预测检测结果与对应样本的实际检测结果进行比对，并根据比对结果生成结构化的检测结果序列；
57.根据所述检测结果序列构建所述梯度提升决策树。
58.在一实施例中，将所述预测检测结果与对应样本的实际检测结果进行比对，并根据比对结果生成结构化的检测结果序列，包括：
59.所述检测结果序列为二进制序列，其中，所述预测检测结果与所述实际检测结果一致，则对应二进制的值为1；反之，则对应二进制的值为0。
60.具体地，各类电子元器件二次筛选的历史数据可通过相关系统采集到数据库中，为了有效利用这些数据，提高人工智能算法的精确性，需要在数据挖掘之前进行数据预处理。由于筛选方案为用户二次筛选前定义或者检测方基于往期的检测经验自定义的内容，而进行决策树分析需要处理结构化数据，因此将采集到的各类方案进行编号，各筛选方案依次为p＝[p1,p2,
…
,pn]，然后依据这些筛选方案推算出m个检测结果，如能检测出与实际检测结果相同的结果，记录为1，不能检测出样本问题，记录为零，各样本检测结果记录为x＝[x1,x2，
…
，xm]，其中xi＝[x1,x2,
…
,xn],i＝(1,2,
…
,m),
记录实际检测结果为z＝[z1,z2,
…
,zm]，其中实际检测结果为同型号元器件的历史筛选结果。
[0061]
在一实施例中，通过预训练的决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案，包括：
[0062]
根据所述梯度提升决策树获取各筛选方案的重要性评估值，根据所述重要性评估值由高到低对各筛选方案进行排序；
[0063]
根据排序结果输出前n个筛选方案作为备选方案，并获取重要性评估值最高的筛选方案作为最优方案；其中，n为大于2的自然数。
[0064]
具体地，梯度提升决策树(gradient boosting decision tree，gbdt)是一种广泛应用于回归与分类任务的机器学习方法，以弱学习器(通常是决策树)的集合形式产生预测模型，通过迭代方式将较弱的学习器组合成一个较强的学习器[11]。其中每一棵决策树的建立都是为了减少之前模型的残差，使得残差向梯度方向减小，在逐次的迭代中使得残差不断减小。在gbdt的迭代过程中，后一轮迭代的目标是找到一个cart回归树模型的弱学习器，去拟合之前模型的残差，使得前一轮迭代产生的模型与本轮模型相加得到的输出值与真实值之间的损失尽量变得更小，最终将所有迭代产生的模型累加得到最终的预测模型。
[0065]
梯度提升决策树通过合并多个决策树来构建一个更为强大的模型。与随机森林不同，梯度提升决策树采用连续的方式构造树，每棵树都试图纠正前一棵树的错误。默认情况下，梯度提升回归树中没有随机化，而是用到了强剪枝，梯度提升决策树使用深度很小(1-5之间)的树，这样模型占用的内存更少，测试速度也更快。梯度提升背后的主要思想是合并许多简单的模型(弱学习器)，比如深度较小的树。每棵树只能对部分数据做出好的预测。因此，添加的树越来越多，可以不断迭代提高性能。其关键参数包括：预剪枝、集成中树的数量、学习率(用于控制每棵树纠正前一棵树的错误的强度)。
[0066]
由于gbdt可在相对少的调参时间下，预测准确率比较高，且鲁棒性非常强，符合电子元器件二次筛选方案的数据特征，因此以现有数据库中同型号电子元器件二次筛选数据为样本集，对gbdt模型进行改进，从而构建电子元器件二次筛选方案优化模型。其建模步骤为：
[0067]
(1)构建初始化学习器
[0068][0069]
式中：γ为估计使损失函数极小化的常数值，它是只有1个根节点的树；l(yi,γ)为损失函数
[0070]
(2)确定损失函数
[0071]
回归问题采用的损失函数可以为均方误差损失函数(square error loss)。
[0072]
l(y,f(x))＝(y-f(x))2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0073]
(3)计算负梯度
[0074]
[0075]
式中：m标识迭代轮数
[0076]
根据所有的样本及其负梯度方向(xi,r
mi
),i＝1,2,
…
,n，得到1棵由j个叶子节点组成的决策树，其对应的叶子节点区域为r
mj
,j＝1,2,
…
,j，各个叶子节点的最佳残差拟合值为：
[0077][0078]
本轮得到的学习器为：
[0079][0080]
其中，
[0081][0082]
(4)经过m轮迭代，得到最终的决策模型为：
[0083][0084]
根据变量在迭代过程中被选为回归树的分裂变量的次数，以及其在分裂过程中对于模型精度的提高，可以得到每个变量的重要程度为：
[0085][0086]
(5)使用sklearn.model_selection.train_test_split的函数将样本中的检测方案数据和检测结果数据拆分为训练集和测试集。
[0087]
(6)构建梯度提升决策树，初次设置参数使用100棵树，最大深度为3，学习率为0.1。
[0088]
(7)调整参数，开始训练模型，获取最佳的训练精度和测试精度。为了提升运算性能，防止过拟合。采取减少树的最大深度可以提高模型的性能，降低学习率可提高泛化性能。
[0089]
(8)输出最优的n条筛选方案的重要性评估值，其中n为用户需求设定值。选择重要性评估值最高的筛选方案作为最优方案。
[0090]
在一实施例中，通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联，包括：
[0091]
通过预设图像采集设备获取待检测元器件载有器件编码区域的图像；
[0092]
将所述图像输入所述识别模型，通过所述识别模型进行文本边框定位检测，获取所述文本边框内的特定数字序列，得到对应的器件编码。
[0093]
具体地，电子元器件二次筛选的编码识别主要有两个需求：
[0094]
(1)识别电子元器件正面指定的数字编码，通常由4-8位数字组成
[0095]
(2)识别电子元器件背面的数字编码，和背景颜色接近，也可能为手写数字
[0096]
其特点可归纳为以下四个方面：
[0097]
(1)多数元器件上的编码由多行字母、数字及符号组成，仅提取指定行的数字编
码；
[0098]
(2)每行之间的行距不定，部分可能很靠近；
[0099]
(3)部分元器件的编码与背景色很接近，有些为手写编码；
[0100]
(4)不同种类的元器件，字体大小可能不同。
[0101]
由于电子元器件不同种类之间特征差异较大，部分有多行文字信息，部分有手写编码，用传统的方法难以找到一个通用的特征来处理这个任务。因此可考虑引入connectionist text proposal network(ctpn)技术和tesseract项目模型，并进行定制化的开发，用于提升电子元器件的标识识别。
[0102]
ctpn是复杂环境中的字符识别的优秀算法佼佼者，非常适合于电子元器件二次筛选的编码识别。该方法的优势主要包括以下四个方面：
[0103]
(1)采用垂直anchor回归机制，检测小尺度的文本候选框
[0104]
(2)提出vertical anchor的方法，只预测文本的竖直方向上的位置，水平方向的位置不预测
[0105]
(3)采用rnn循环网络将检测的小尺度文本进行连接，得到文本行
[0106]
(4)采用cnn rnn端到端的训练方式，支持多尺度和多语言，避免后处理
[0107]
tesseract是一个google支持的开源ocr项目，可以识别超过100种语言。也可以用来训练其它的语言。源码包提供了一个ocr的引擎——libtesseract以及一个命令行程序——tesseract。tesseract支持多种输出格式，如：普通文本、html、pdf等。tesseract对于标准图像及字体的识别率高、速度快，特别适用经过ctpn处理后的数字及字母识别。
[0108]
基于上述分析，识别得到待检测元器件的器件编码的步骤可包括：
[0109]
(1)通过工业相机采集图像能够获得高清的图像，同时规范图像的采集规则，便于图像处理与识别，可提高准确度。工业相机要求如下：
[0110]
工业相机：黑白或彩色，全局，像素≥500w；
[0111]
镜头：焦距≤35mm；
[0112]
光源：高角度环形白光和低角度环形红光，结构光源，亮度均匀可调；
[0113]
光源控制器：2路信号以上，24v；
[0114]
运动平台：行程精度毫米级，相机工作距离0～500mm可调。
[0115]
(2)文字检测：使用ctpn模型对图像中存在文字的区域进行定位(text detection)，即找到文本行(word/linelevel)的边界框(bounding box)，有利于识别；
[0116]
(3)文字识别：使用tesseract ocr对定位后的文字进行识别(text recognition)，不能受文本大小的影响；
[0117]
(4)数字筛选：筛选出需要的数字序列。
[0118]
完成数字序列识别后，可将数字序列作为对应待检测元器件的唯一标识，标注后续检测过程中对应检测结果，将检测结果与数字序列关联，自动完成结果记录。
[0119]
在一实施例中，通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列之前，还包括：
[0120]
获取多个同类型或相似类型的元器件的参数检测记录，其中，所述参数检测记录中存储有各检测参数按照预设检测顺序执行检测得到的检测结果；
[0121]
根据所述检测结果生成对应的参数序列，将所述参数序列用于训练所述参数序列
优化模型，其中，所述参数序列优化模型的训练过程，包括：
[0122]
根据所述参数序列构建样本数据集；
[0123]
从所述样本数据集中有放回的取出n个样本，其中，每个样本对应与各参数序列；
[0124]
从取出的样本中随机选择k个特征用于建立随机决策树，其中，所述特征对应检测参数，k为正整数；在选择特征过程中，引入平均精确率减少算法打乱样本中各特征的顺序；
[0125]
重复前述步骤得到包含多个随机决策树的参数序列优化模型。
[0126]
在一实施例中，根据所述检测结果生成对应的参数序列包括：
[0127]
所述检测结果包括检测通过和检测失败；
[0128]
当所述检测结果为检测通过时，对应同一条检测参数记录中各检测参数的检测结果均记为0，得到对应的参数序列；
[0129]
当所述检测结果为检测失败时，若对应同一条检测参数记录中存在检测值为空值的检测参数，则将所述检测值为空值的检测参数的前一个检测参数的检测结果记为1，其余检测参数的检测结果记为0；若对应同一条检测参数记录中不存在检测值为空值的检测参数，则将最后一位检测参数的检测结果记为1，其余的检测参数的检测结果记为0，得到对应的参数序列。
[0130]
具体地，参数序列优化的目的是提前发现容易检测出问题的参数，从而将这些检测参数提前，尽可能早的检测出有问题的参数，节省检测时间和成本，获取最佳的检测参数序列组合。为了实现这个目的，我们不需要关注检测值参数是因为何种原因造成的检测失效，也不需要关注检测值的大小，只需要关注在哪个检测参数的位置造成了检测故障，从而终止检测。
[0131]
在电子元器件二次筛选的检测中，各参数按照提前设定的顺序进行检测，当发现异常检测参数时，停止检测，本次检测记为failed；如整个检测未发现异常参数，记为pass。从相似型号、老化状态和测试项目中获取数据，累计数据记为n条，将测参数集合记为f＝{f1，...fm}，检测参数数据记为m*n阶矩阵，检测结果记为r＝{r1,...rn},其中当检测结论为pass，ri＝0，检测结果为failed，ri＝1。因此，使用0和1来表示检测结果，数据转换方式如下：
[0132]
如果检测结果为pass，所有检测元素全部为0，结果记为{0,0,...0}；
[0133]
如果检测结果为failed，当检测参数的组合中第k项为空值，则表示该值前一项参数检出失效或异常的内容，将第k-1项记为1，其他结果为0,结果记为{0,0,...,1,0,...,0}；
[0134]
如果检测结果为failed，而检测参数的组合中没有出现空值，则表示最后一项检测参数出错或异常，记录结果为{0,0,...,1}。
[0135]
进一步地，可采用基于平均精确率减少随机森林得到参数序列优化模型。随机森林(random forest，rf)是以决策树作为基学习器的，一种基于bagging的拓展算法，在每一轮决策树训练过程中加入了随机属性选择。具体来说，在训练决策树时，是从当前结点的全部属性集合中选择最优的划分属性，而在rf中，对于决策树的每个结点，显示从当前节点的全部属性集合中随机选择一个包含k个属性的子集，之后再从这个子集中选择一个最优的划分属性。毋庸置疑，参数k控制了随机性的引入程度，k越大基学习器的性能越好，但是基学习器之间的独立性会大打折扣；k越小基学习器之间的相关性会降低，但是基学习器的性
能也会下降。因此，在很多文献中，采用如下方式选择k。
[0136][0137]
随机森林通过自助法(bootstrap)重采样技术，从原始训练样本集n中有放回地重复随机抽取n个样本生成新的训练样本集合训练决策树，然后按以上步骤生成m棵决策树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定。其实质是对决策树算法的一种改进，将多个决策树合并在一起，每棵树的建立依赖于独立抽取的样本。单棵树的分类能力可能很小，但在随机产生大量的决策树后，一个测试样本可以通过每一棵树的分类结果经统计后选择最可能的分类。
[0138]
针对电子元器件检测序列数据的特征，对随机森林建模过程进行改进，建模流程如下：
[0139]
1)从样本集中有放回随机采样选出n个样本；
[0140]
2)从所有特征中随机选择k个特征，对选出的样本利用这些特征建立决策树；
[0141]
3)重复以上两步m次，即生成m棵决策树，形成随机森林；
[0142]
4)对于新数据，经过每棵树决策，最后投票确认分到哪一类。
[0143]
平均精确率减少(mean decrease accuracy，mda)的主要思路是打乱每个特征的特征值顺序，并且度量顺序变动对模型的精确率的影响。对于不重要的变量来说，打乱顺序对模型的精确率影响不会太大，但是对于重要的变量来说，打乱顺序就会降低模型的精确率。
[0144]
针对电子元器件检测序列数据的特征和参数优化的需求，对于经过数据预处理后的参数序列数据，可使用改进的mda 随机森林组合模型进行建模，建模流程如下所示：
[0145]
1)初始化随机森林模型，并引入defaultdict将输入内容转换为字典样式。
[0146]
2)使用基于k-fold交叉验证的集合划分类shufflesplit函数区分样本的训练集和测试集。
[0147]
3)训练基于mda的随机森林模型，并获得最优的电子元器件二次筛选检测参数序列。
[0148]
进一步地，按照最优的参数序列中检测参数的检测顺序进行待检测元器件的检测，得到检测结果。
[0149]
以电阻二次筛选为例，其检测内容如表所示。
[0150]
项目序号检验项目
①
外观检查
②
常温测试
③
温度循环
④
高温储存
⑤
低温测试
[0151]
数据库内记录的检测方案包括：
[0152]
检测方案序号检测方案组合1
①②③②④②⑤②①2①②③②④⑤②①3①②③④⑤③②①4①②③②④⑤②①5①②③④③②⑤②①
[0153]
基于现有数据使用改进的grbt制定出检测方案，并针对该类型的方案分别使用随机森林、支持向量机和多层感知机制定检测方案，各方法训练精度、测试精度及特征权重如图所示。从表中可以发现，改进的grbt的训练精度和测试精度更高。同时，从图中可以看出，grbt对于重要性高的特征更加敏感，而对于重要性更低的用户极不敏感，忽略了不重要的特征，这与方案优化的初衷不谋而合，因为方案优化的目的是找到最好的一个或几个检测方案，而忽略那些不重要或不切实际的检测方案。
[0154][0155]
在一实施例中，如图2所示，提供一种电子元器件二次筛选优化装置，其特征在于，包括：方案筛选模块10，用于通过预训练的梯度提升决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案；其中，所述预设筛选方案集合中包括多个筛选方案，每个筛选方案包括多个测试项，每个测试项包括多个待检测参数；编码识别模块11，用于通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联；序列化优化检测模块12，通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列，并根据所述优化参数序列获取检测结果。
[0156]
上述电子元器件二次筛选优化装置可以以一种计算机程序的形式实现，计算机程序可以在如图3所示的计算机设备上运行。计算机设备，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。
[0157]
上述电子元器件二次筛选优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于终端的存储器中，也可以以软件形式存储于终端的存储器中，以便于处理器调用执行以上各个模块对应的操作。该处理器可以为中央处理单元(cpu)、微处理器、单片机等。
[0158]
如图3所示，为一个实施例中计算机设备的内部结构示意图。提供了一种计算机设备，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计算机程序时实现以下步骤：通过预训练的决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案；其中，所述预设筛选方案集合中包括多个筛选方案，每个筛选方案包括多个测试项，每个测试项包括多个待检测参数；通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联；通过预训练的参数序列优化模型调整所述最优方案中待检
测参数的检测顺序，获取优化参数序列，并根据所述优化参数序列获取检测结果。
[0159]
在一个实施例中，上述的计算机设备可用作服务器，包括但不限于独立的物理服务器，或者是多个物理服务器构成的服务器集群，该计算机设备还可用作终端，包括但不限手机、平板电脑、个人数字助理或者智能设备等。如图3所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、内存储器、显示屏和网络接口。
[0160]
其中，该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。计算机设备的非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以上各个实施例所提供的一种卡片式交互方法。计算机设备中的内存储器为非易失性存储介质中的操作系统和计算机程序提供高速缓存的运行环境。显示界面可通过显示屏进行数据展示。显示屏可以是触摸屏，比如为电容屏或电子屏，可通过接收作用于该触摸屏上显示的控件的点击操作，生成相应的指令。
[0161]
本领域技术人员可以理解，图3中示出的计算机设备的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0162]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：通过预训练的决策树从待检测元器件对应的预设筛选方案集合中选出重要性评估值最高的筛选方案作为最优方案；其中，所述预设筛选方案集合中包括多个筛选方案，每个筛选方案包括多个测试项，每个测试项包括多个待检测参数；通过预训练的识别模型获取承载于所述待检测元器件本体上的器件编码，并将所述最优方案与所述器件编码关联；通过预训练的参数序列优化模型调整所述最优方案中待检测参数的检测顺序，获取优化参数序列，并根据所述优化参数序列获取检测结果。
[0163]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)等。
[0164]
综上所述，本发明一种，首先使用基于改进的梯度提升决策树模型发现检测项目之间的相互影响关联关系，寻找最优的电子元器件二次筛选方案，然后基于定制化开发的ctpn tesseract ocr深度学习模型完成电子元器件编码识别，提升电子元器件编码识别的实效性和准确性，并使用基于改进的平均精确率减少随机森林优化检测参数序列，寻找最优的检测参数排序方案，缩短检测的时间和成本，最终提高二次筛选检测的准确率、实效性和经济性。通过案例分析表明，专利提出的方法数字识别率更高，同批次产品的检测次数更少、时间更短，能更高效检出故障产品，说明了方法的有效性和适用性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
[0165]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。