本技術主張2023年1月18日申請的美國臨時專利申請第63/439,727號的優(yōu)先權的權益。臨時申請第63/439,727號由此作為參考文獻包含于本公開中。本公開涉及用于確定數(shù)據(jù)的類別的技術。
背景技術：
：：1、為了在基板上配置一個以上組件(component)而使用表面貼裝技術(surfacemount?technology：smt)。大量組件與基板的焊盤結合，為了組件與焊盤正確結合，各組件會需在基板上配置于正確的位置。自動光學檢測(auto?optical?inspection：aoi)裝置可使用光學測量技術來檢測各組件是否已配置于基板上的正確的位置。當組件配置于基板上的正確的位置時，可在基板上配置其它部件。2、然而，當組件未配置于基板上的正確的位置時，根據(jù)自動光學檢測裝置的檢測結果，相應基板可傳遞至檢測站(review?station)接受復檢。在檢測站中，操作者可對被自動光學裝置確定為錯誤結合于基板的組件進行復檢，并對是否出錯作出最終判斷。技術實現(xiàn)思路1、技術課題2、本公開的至少一實施例，可提供一種可更精密地確定數(shù)據(jù)的類別的技術。3、本公開的至少一實施例，可減少將無缺陷基板確定為存在缺陷的誤判(falsecall)。4、本公開的至少一實施例，可減少擬在檢測站復檢的基板的數(shù)量。5、本公開的至少一實施例，可生成各類別的模型并利用所生成的模型來判斷所輸入的數(shù)據(jù)的類別。6、本公開的至少一實施例，即使在未生成與所輸入數(shù)據(jù)對應的類別的模型時，也能夠確定所輸入的數(shù)據(jù)的類別。7、技術方案8、本公開一個方面的裝置可包括：一個以上處理器；及一個以上存儲器，所述存儲器存儲有指令，該指令在借助所述一個以上處理器而運行時，使得所述一個以上處理器執(zhí)行運算；其中，所述一個以上處理器可獲得關于基板上配置的組件的第一數(shù)據(jù)，確定所述一個以上存儲器中是否存儲有與所述第一數(shù)據(jù)對應的第一類別的模型，當確定為存儲有所述第一類別的所述模型時，利用所述模型確定所述第一數(shù)據(jù)是否與所述第一類別相應，當確定為未存儲有所述第一類別的所述模型時，利用與所述第一類別相應的第二數(shù)據(jù)來確定所述第一數(shù)據(jù)是否與所述第一類別相應，將指示所述第一數(shù)據(jù)是否與所述第一類別相應的信息傳遞至外部裝置。9、在一實施例中，所述一個以上處理器在利用所述模型確定所述第一數(shù)據(jù)是否與所述第一類別相應時，可利用所述模型計算所述第一數(shù)據(jù)與所述第一類別相應的幾率，確定所述幾率是否為預先確定的基準幾率以上，如果所述幾率為預先確定的基準幾率以上，則確定為所述第一數(shù)據(jù)與所述第一類別相應，如果所述幾率未達預先確定的基準幾率，則確定為所述第一數(shù)據(jù)不與所述第一類別相應。10、在一實施例中，所述預先確定的基準幾率可利用確定為與所述第一類別相應的一個以上數(shù)據(jù)的幾率的最小值和確定為不與所述第一類別相應的一個以上數(shù)據(jù)的幾率的最大值的平均值來確定。11、在一實施例中，所述一個以上處理器，當確定為未存儲有所述第一類別的所述模型時，可利用機器學習算法來計算所述第一數(shù)據(jù)與所述第二數(shù)據(jù)的相似度，基于所述第一數(shù)據(jù)與所述第二數(shù)據(jù)的所述相似度，確定所述第一數(shù)據(jù)是否與所述第一類別相應。12、在一實施例中，所述機器學習算法可包括arcface(additive?angular?marginloss)。13、在一實施例中，所述機器學習算法可利用任意生成的多個虛擬數(shù)據(jù)和所述第二數(shù)據(jù)進行訓練。14、在一實施例中，所述多個虛擬數(shù)據(jù)可在所述一個以上存儲器中存儲的一個以上實際數(shù)據(jù)中調(diào)節(jié)字符的大小、字體、粗細并添加模糊(blur)和缺陷(defect)而生成。15、在一實施例中，所述多個虛擬數(shù)據(jù)可利用生成對抗網(wǎng)絡(generativeadversarial?networks：gan)和穩(wěn)態(tài)擴散(stablediffusion)中的至少一種算法而生成。16、在一實施例中，所述一個以上處理器可獲得對所述第一數(shù)據(jù)的訓練請求，當獲得所述訓練請求時，確定是否已存儲有所述第一類別的所述模型，當確定為未存儲有所述第一類別的所述模型時，將所述第一數(shù)據(jù)添加至用于生成或訓練所述模型的訓練隊列，當確定為存儲有所述第一類別的模型時，如果所述第一類別的所述模型滿足預先確定的條件，則將所述第一數(shù)據(jù)添加至所述訓練隊列。17、在一實施例中，所述一個以上處理器在隨著確定為未存儲有所述第一類別的所述模型而將所述第一數(shù)據(jù)添加至所述訓練隊列時，如果所述一個以上存儲器中存儲的與所述第一類別相應的一個以上數(shù)據(jù)的數(shù)量大于預先確定的值，且所述第一數(shù)據(jù)不在所述訓練隊列中，則可將所述第一數(shù)據(jù)添加至所述訓練隊列。18、在一實施例中，所述預先確定的條件可以是在所述模型將不與所述第一類別相應的數(shù)據(jù)判斷為與所述第一類別相應的次數(shù)大于第一臨界值、或?qū)⑴c所述第一類別相應的數(shù)據(jù)判斷為不與所述第一類別相應的次數(shù)大于第二臨界值的情況下滿足的條件。19、在一實施例中，所述一個以上處理器可利用數(shù)據(jù)集(set)來訓練所述模型，所述數(shù)據(jù)集包括相應于與所述第一類別相似的一個以上類別的數(shù)據(jù)及任意選擇的數(shù)據(jù)。20、在一實施例中，所述數(shù)據(jù)集中相應于與所述第一類別相似的一個以上類別的數(shù)據(jù)的比率可為，所述數(shù)據(jù)集中的所述任意選擇的數(shù)據(jù)的比率以下。21、在一實施例中，所述外部裝置可為顯示裝置，當確定為未存儲有所述第一類別的模型及與所述類別相應的所述第二數(shù)據(jù)時，所述一個以上處理器可將指示無法確定所述第一數(shù)據(jù)是否與所述第一類別相應的語句輸出至所述顯示裝置。22、在一實施例中，所述模型可包括特征提取器(feature?extractor)和分類器(classifier)。23、在一實施例中，所述特征提取器可共同應用于所述一個以上存儲器中存儲的模型，所述分類器可按所述一個以上存儲器中存儲的每個模型基于不同信息而訓練。24、在一實施例中，所述特征提取器可利用任意生成的多個虛擬數(shù)據(jù)而訓練。25、在一實施例中，所述特征提取器和分類器可在圖形處理器(graphic?processingunit：gpu)上運行，所述一個以上處理器可將按既定值以上的頻率使用的類別的模型中所包括的分類器從所述存儲器載入所述gpu上的緩存，利用所述特征提取器及載入所述緩存的分類器來確定數(shù)據(jù)是否與類別相應。26、在一實施例中，所述一個以上處理器可在載入所述緩存的一個以上分類器中選擇使用最少的分類器并從緩存中去除。27、在一實施例中，所述一個以上處理器，當確定為所述第一數(shù)據(jù)不與所述第一類別相應時，可將指示所述第一數(shù)據(jù)不與所述第一類別相應的信息傳輸至檢測站(reviewstation)。28、本公開一實施例的電子裝置包括一個以上處理器、一個以上存儲器，該一個以上存儲器存儲有借助所述一個以上處理器運行的指令，所述一個以上處理器配置為當所述指令借助所述一個以上處理器運行時，所述一個以上處理器運行本公開的方法。29、本公開一實施例的非暫時性計算機可讀記錄介質(zhì)記錄有當借助一個以上處理器運行時使得所述一個以上處理器執(zhí)行動作的指令，所述指令配置為使所述一個以上處理器運行本公開的方法。30、發(fā)明效果31、根據(jù)本公開的至少一實施例，可提供一種能夠更精密地確定數(shù)據(jù)的類別的技術。32、根據(jù)本公開的至少一實施例，可減少將無缺陷基板確定為有缺陷的誤判。33、根據(jù)本公開的至少一實施例，可減少擬在檢測站復檢的基板的數(shù)量。34、根據(jù)本公開的至少一實施例，可生成各類別的模型并利用所生成的模型來判斷所輸入的數(shù)據(jù)的類別。35、根據(jù)本公開的至少一實施例，即使在未生成與所輸入數(shù)據(jù)對應的類別的模型的情況下，也可確定所輸入的數(shù)據(jù)的類別。36、本公開的效果并不限于上述提及的效果，普通技術人員可從說明書的記載清楚地理解未提及的其它效果。當前第1頁12當前第1頁12