PCBA异常件确定方法、系统、存储介质及电子设备

技术领域

本申请涉及电子技术领域，具体涉及一种PCBA异常件确定方法、系统、存储介质及电子设备。

背景技术

装配印刷电路板（printed circuit board assembly，PCBA）是在印刷电路板上安装电子组件而组成的电路板，是电子产品的核心部件。PCBA的质量直接影响着电子产品的性能和可靠性。但是，PCBA制造过程中难免会出现各种问题，如器件缺失、位置错位、方向错误、焊接不良等，这些都会导致成品出现功能缺陷或安全隐患。

PCBA广泛应用于各种电子产品，同一批量产的PCBA可能会运送给不同的客户进行不同场景的应用。但是，不同的应用环境会对PCBA造成不同程度的影响。而PCBA的检测通常只在标准环境下进行，很难模拟PCBA实际工作时所处的复杂应用条件。因此，仅通过标准环境下的检测，难以在批量PCBA中全面准确地判断出在特定条件下可能出现的PCBA异常件。

发明内容

本申请提供了一种PCBA异常件确定方法、系统、存储介质及电子设备，可以提高识别PCBA异常件的准确性。

在本申请的第一方面，本申请提供了一种PCBA异常件确定方法，包括：

获取目标客户应用PCBA时的特定条件，并根据所述特定条件对批量PCBA中至少一个目标PCBA进行抽样检测；

当确定所述目标PCBA存在中异常件时，确定所述批量PCBA的第一生产条件中与所述特定条件对应的第二生产条件；

对所述第一生产条件以及第二生产条件进行特征提取，得到目标特征；

将所述目标特征输入至训练完成的识别模型中，输出所述批量PCBA中的目标异常件。

通过采用上述技术方案，通过获取目标客户应用PCBA的特定条件，基于特定条件对目标PCBA进行抽样检测，实现了针对不同客户需求进行个性化和准确的异常检测，检测结果更符合目标PCBA的实际使用环境，避免了简单依据普适性标准条件造成的漏检。在确定存在异常件后，进一步分析第一标准生产条件和第二对应异常条件，找出异常产生的根源，可以针对性改进第一条件，优化生产流程，防止问题重复出现。提取第一条件和第二条件的多种特征，进行标记、融合处理，通过样本训练取得了判别正常和异常的准确模型。该模型综合利用不同特征，实现了准确判别异常件的功能。所述方法可以提高识别PCBA异常件的准确性。

可选的，所述对所述第一生产条件以及第二生产条件进行特征提取，得到目标特征，包括：

确定所述特定条件与标准测试条件的条件差值；

基于所述条件差值，调整所述第一生产条件中各生产条件的权重占比，得到调整后的第一生产条件；

对所述调整后的第一生产条件进行特征提取，得到第一特征；

对所述所述第二生产条件进行特征提取，得到第二特征。

通过采用上述技术方案，根据特定条件与标准条件的差异，差值大小代表了参数对异常识别的重要性。进行差值分析并据此调整第一条件特征的权重，可以使提取出的特征更聚焦对异常识别更关键的生产参数。通过先提取调整权重后的第一条件特征，再提取第二异常对应条件特征，获得了两类能代表不同生产环节的特征。这些特征可以更全面反映异常产生的原因。分别提取第一特征和第二特征再进行融合，综合利用了不同生产条件的参数信息，使模型训练更充分，从而能更准确地进行异常判别。

可选的，所述目标特征包括与第一生产条件对应的第一特征，以及与第二生产条件对应的第二特征，所述将所述目标特征输入至训练完成的识别模型中，输出所述批量PCBA中的目标异常件，包括：

将所述第一特征输入至训练完成的识别模型中，输出第一异常件；

将所述第二特征输入至训练完成的识别模型中，输出第二异常件；

将所述第一异常件和所述第二异常件中共同的异常件确定为所述目标异常件。

通过采用上述技术方案，可以反映特定条件对产品质量的影响，并据此调整第一条件中各参数的权重。经调整后的第一条件，可以更准确抽取对异常识别具有重要意义的特征。同时，分别提取第一条件和第二条件对应的两类特征，作为第一特征和第二特征。将不同特征分别输入识别模型，进行两阶段识别，并取交集判定最终异常件。这种分阶段识别及多特征融合的方式，可以充分利用第一条件和第二条件不同角度提取的特征信息，提升识别的准确性。

可选的，所述获取目标客户应用PCBA时的特定条件之前，还包括：

获取正常PCBA的正常生产条件和异常PCBA的异常生产条件；

对所述正常生产条件和异常生产条件进行标记处理，得到标记条件；

分别对所述正常生产条件和所述异常生产条件进行特征提取操作，得到不同的样本特征；

采用所述不同的样本特征训练初始识别模型中的各决策树，得到对应训练结果；

组合各所述训练结果，得到所述训练完成的识别模型。

通过采用上述技术方案，该方案通过获取包含正常和异常样本的充足数据，进行标注和特征提取，为模型的训练提供了合适的样本集。采用不同类型样本特征分别去训练决策树，可以使每个决策树学习到精确判别某一类样本的规则，提高了模型的判别能力。该方案通过获取标注数据、分别特征训练及结果融合等技术手段，实现了对准确和全面的模型训练流程。取得的训练完成模型可以进行精确和稳定的异常判别，提高了判别效果，为后续异常识别提供了可靠的基础，具有更强的适应性和泛化能力。

可选的，所述样本特征包括：物料批次信息、生产工艺信息、工作人员信息、使用的工具设备信息以及生产环境信息。

通过采用上述技术方案，该方案提出的样本特征包含了物料批次、工艺流程、人员操作、设备状态、环境条件等多个方面的信息。这些特征全面反映了从原材料到操作流程，再到设备和环境等生产全过程的各个影响因素。包含这样多维度特征的样本数据，可以使模型充分学习到不同因素对产品质量的综合影响。

可选的，所述训练结果包括训练完成的决策树，将各所述训练结果进行组合，得到训练完成的特征识别模型，包括：

通过软投票的机制拟合各所述训练完成的决策树，得到所述训练完成的识别模型。

通过采用上述技术方案，采用软投票的加权融合方法，组合多个经训练完成的决策树模型。软投票可以根据单模型的验证性能，合理预设其权重。预测时进行加权累加判别。既发挥了每个决策树学习到的知识，又通过权重控制了不同模型的作用程度。

可选的，所述样本特征还包括袋外样本，所述采用所述不同的样本特征训练初始识别模型中的各决策树，得到对应训练结果之后，还包括：

通过所述袋外样本集确定当前识别模型的准确率；

根据所述训练结果的正确样本数量，确定所述训练结果的召回率；

根据所述准确率和所述召回率，调整所述识别模型的参数。

通过采用上述技术方案，引入新的袋外样本，对模型进行预测，计算准确率。准确率可以评估模型在新数据上的预测效果，发现过拟合问题。同时计算召回率，确保模型可以有效识别标注的正样本。准确率和召回率共同评判了模型的预测质量。根据两个指标对模型进行多轮调参，既保证准确判别，也控制了漏报率。实现了对模型性能更全面准确的评测。

在本申请的第二方面提供了一种PCBA异常件确定系统，所述系统包括：

特定条件确定模块，用于获取目标客户应用PCBA时的特定条件，并根据所述特定条件对批量PCBA中至少一个目标PCBA进行抽样检测；

生产条件确定模块，用于当确定所述目标PCBA存在中异常件时，确定所述批量PCBA的第一生产条件中与所述特定条件对应的第二生产条件；

目标特征确定模块，用于对所述第一生产条件以及第二生产条件进行特征提取，得到目标特征；

目标异常件输出模块，用于将所述目标特征输入至训练完成的识别模型中，输出所述批量PCBA中的目标异常件。

在本申请的第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行上述的方法步骤。

在本申请的第四方面提供了一种电子设备，包括：处理器、存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行上述的方法步骤。

综上所述，本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过采用本申请技术方案，通过获取目标客户应用PCBA的特定条件，基于特定条件对目标PCBA进行抽样检测，实现了针对不同客户需求进行个性化和准确的异常检测，检测结果更符合目标PCBA的实际使用环境，避免了简单依据普适性标准条件造成的漏检。在确定存在异常件后，进一步分析第一标准生产条件和第二对应异常条件，找出异常产生的根源，可以针对性改进第一条件，优化生产流程，防止问题重复出现。提取第一条件和第二条件的多种特征，进行标记、融合处理，通过样本训练取得了判别正常和异常的准确模型。该模型综合利用不同特征，实现了准确判别异常件的功能。所述方法可以提高识别PCBA异常件的准确性。

附图说明

图1是本申请实施例提供的一种PCBA异常件确定方法的流程示意图；

图2是本申请实施例提供的一种PCBA异常件确定系统的结构示意图；

图3是本申请实施例的公开的一种电子设备的结构示意图。

附图标记说明：300、电子设备；301、处理器；302、通信总线；303、用户接口；304、网络接口；305、存储器。

具体实施方式

为了使本领域的技术人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。

在本申请实施例的描述中，“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。

在本申请实施例的描述中，术语“多个”的含义是指两个或两个以上。例如，多个系统是指两个或两个以上的系统，多个屏幕终端是指两个或两个以上的屏幕终端。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

随着电子产品的小型化和功能复杂化，印制电路板(PCB)上组件的安装密度越来越高，PCBA工艺的制造难度大大增加。PCBA制造过程中容易出现的问题包括：器件错位、漏装、虚焊、过量焊膏等，这些问题若不能有效检测和控制，会直接导致产品出现故障和差异。但是传统的PCBA测试方法局限于标准环境下的检测，很难适应对于不同客户应用环境下的复杂工况，从而对PCBA的可靠性进行全面评估。

具体地，不同客户的应用环境可能存在温度、湿度、振动等差异，这会对PCBA质量造成不同影响。例如高温条件下会加速PCBA器件和焊点的老化过程;过湿环境可能导致短路故障;强振动则易造成接头松动。但标准静态检测难以检验出这些潜在故障模式。为降低产品返修率和质量风险，需要一种能考虑特定客户应用条件的PCBA异常检测方法。

基于此，本申请实施例提供了一种PCBA异常件确定方法，在一个实施例中，请参考图1，图1是本申请实施例提供的PCBA异常件确定方法的流程示意图，该方法可以依赖于计算机程序实现，可依赖于单片机实现，也可运行于基于冯诺依曼体系的PCBA异常件确定系统上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。具体的，该方法可以包括以下步骤：

步骤101：获取目标客户应用PCBA时的特定条件，并根据特定条件对批量PCBA中至少一个目标PCBA进行抽样检测。

其中，特定条件是指目标客户对PCBA实际使用环境的参数要求，主要包括温度条件、湿度条件、机械条件等。

温度条件：由最高使用温度、最低使用温度等参数组成，反映PCBA需要适应的温度环境范围。

湿度条件：由常规工作湿度、短时耐受湿度等参数组成，反映PCBA需要耐受的湿度环境参数。

机械条件：由振动参数、冲击参数、自由落体参数等组成，反映PCBA在运输和使用过程中需要承受的机械环境效应。

以上特定条件由目标客户根据其产品的实际使用场景而确定，相比通用的产品质量标准，它们能更准确模拟PCBA的实际工作环境。获取并根据这些特定条件进行检测，可以有效发现PCBA在该使用环境下的潜在问题。

具体地，由于不同客户的PCBA应用环境存在温度、湿度等特定条件的差异，为准确评估PCBA在实际使用场景下的可靠性与故障风险，需要获取目标客户的特定条件参数。具体做法是，质量工程师通过走访调研，了解客户产品的应用场景，获取其特定条件。

获取特定条件后，工程师将参数输入检测设备，配置匹配的测试方案。在PCBA批量生产过程中，从传输带抽取样本板，加载到测试设备中，选用高低温循环测试、温湿联合测试等手段，自动模拟客户特定条件对PCBA进行动态检测。这种与实际使用场景吻合的测试方式，可以高效发现产品中的故障点，比如焊点开裂、线松等问题，有效率可提升30%。检测结束后，生成检测报告，将问题板标记，并反馈生产过程，避免缺陷批量化。

步骤102：当确定目标PCBA存在中异常件时，确定批量PCBA的第一生产条件中与特定条件对应的第二生产条件。

其中，第一生产条件指的是PCBA制造过程中的标准生产参数条件。示例性地，第一生产条件可以包括：加工工艺条件：SMT工艺参数、部件置装参数、回流焊参数等；设备条件：SMT贴装机性能状态、回流焊炉性能状态等；操作人员条件：操作员技能水平、操作规范程度等；工厂环境条件：防静电条件、清洁度条件等。第一生产条件确定了PCBA的正常制造工艺流程和控制标准。

第二生产条件指的是在第一生产条件基础上，根据特定条件检测发现的异常与具体生产参数的对应关系，包括：工艺相关参数：烘烤温度偏高、回流时间不足等；设备相关参数：传送带速度过快、压装力度过大等；操作人员相关参数：操作不规范导致组件位置偏移等。第二生产条件是导致PCBA异常的直接原因条件。通过确定第二条件，可以找出异常产生的根源，进行针对性改进。

当通过特定条件检测发现目标PCBA存在异常时，需要进一步分析异常产生的原因，以便后续改进。为此，需回溯该批次PCBA的整个生产过程，确定第一标准生产条件参数。

第一生产条件作为PCBA正常生产的标准参数，涵盖了整个制造流程。以SMT工艺为例，第一条件包括了SMT各工序的温度、时间、压力等参数条件，还有设备性能状态、操作员技能水平等信息。这些参数决定了产品质量水平。

然后，根据检测出的异常情况，结合第一条件与特定条件的对应关系，判断导致异常的关键第二生产条件。例如，回流时间偏短会导致虚焊现象，正好对应特定条件中的高温环境下焊点老化的风险。

确定第二条件的目的是找到异常产生的根本原因，以便针对性改进。上例中，确定回流时间偏短是直接导致虚焊故障的第二条件后，可以增加回流炉时间，降低高温环境故障率。

通过分析第二条件，可以持续优化第一条件，使其适应特定条件的要求，提高PCBA产品质量。同时，第二条件也为原因分析提供依据，减少返工成本。

步骤103：对第一生产条件以及第二生产条件进行特征提取，得到目标特征。

在确定出第一标准生产条件和第二异常对应条件后，需要提取两者的特征信息，以建立异常识别模型。

特征提取是从大量第一条件、第二条件中，选择与异常识别相关的关键特征，构建有效的模型输入。例如从第一条件中可以提取SMT工艺温湿度参数、设备调试状态等特征;从第二条件可以提取虚焊对应回流时间不足等特征。

特征提取通过程序实现，输入是第一条件和第二条件的详细参数检测数据，输出是二者的特征向量。其中，对某一特征赋予不同权重，表征其对异常识别的重要性。特征处理方法有多种，例如主成分分析法可以自动学习特征权重。

得到两类条件的特征向量后，将其合并为目标特征。目标特征充分代表了第一条件与第二条件的关联信息，包含了判别异常的关键指标。后续通过输入目标特征，可以实现对批量PCBA中的异常进行自动识别。特征提取是保证识别效果的基础。

在上述实施例的基础上，作为一种可行的实施方式，步骤103中：对第一生产条件以及第二生产条件进行特征提取，得到目标特征这一步骤，具体还可以包括以下步骤：

步骤201：确定特定条件与标准测试条件的条件差值。

具体地，在提取第一条件和第二条件的特征时，还需要考虑特定条件与标准条件的差异。

标准条件是通用的PCBA测试标准，不特定针对某一使用环境。而特定条件则关注客户的具体使用场景。两者存在一定的条件差值。

为反映这种差异对PCBA质量的影响，需在步骤201中确定两者在温度、湿度等方面的具体数值差异。这通过对两类条件进行逐项对比实现。确定条件差值的目的是后续调整第一条件中各参数的权重。因为特定条件是客户实际使用需求，其与标准条件的差异代表了哪些参数更重要。例如，如果特定条件中的最高温度较标准条件高10度，则可以提高第一条件中烘烤温度参数的权重。这表示温度对故障的影响更大，应作为更重要的特征。

步骤202：基于条件差值，调整第一生产条件中各生产条件的权重占比，得到调整后的第一生产条件。

在确定出两类条件的差值后，需要基于差值的大小对第一条件中各参数的权重进行调整，得到调整后的第一条件特征。之所以需要调整权重，是因为差值的大小代表了该参数对故障识别的重要性。如温度差值较大，则应加强温度特征的权重。

具体地，可以建立差值与权重的对应关系模型。差值越大的特征，其权重提升的越多，在第一条件特征向量中的占比越高。经过权重调整，提取出的第一条件特征更聚焦重要参数，能够针对性识别特定条件对应的故障模式。

步骤203：对调整后的第一生产条件进行特征提取，得到第一特征。

步骤204：对第二生产条件进行特征提取，得到第二特征。

具体地，特征提取的方法与步骤103中特征提取的方法原理相同，具体过程可参照步骤103，在此不做过多赘述。

步骤104：将目标特征输入至训练完成的识别模型中，输出批量PCBA中的目标异常件。

具体地，在获取第一条件特征、第二条件特征并组合为目标特征后，需要基于目标特征来实现对批量PCBA中的异常件识别。

具体地，此时已经得到一个训练完成的识别模型。该模型通过预先标记大量正常和异常条件数据，提取特征，并经过反复训练优化而得。

然后，只需要直接将前面步骤得到的目标特征作为输入，馈送到训练完成的识别模型中。识别模型会自动分析这些特征，根据特征中反映的关键生产条件信息，根据模型学习到的知识，对输入的目标特征进行判别，判断其所对应的PCBA是否存在异常。

最终模型会输出一份异常预测结果，标识出判断为异常件的目标PCBA。至此完成了对整批产品的异常识别和筛选。

在上述实施例的基础上，作为一种可选的实施例，步骤104中：将目标特征输入至训练完成的识别模型中，输出批量PCBA中的目标异常件，包括：

步骤301：将第一特征输入至训练完成的识别模型中，输出第一异常件。

步骤302：将第二特征输入至训练完成的识别模型中，输出第二异常件。

步骤303：将第一异常件和第二异常件中共同的异常件确定为目标异常件。

首先，输入已经提取得到的第一条件特征，即反映客户特定环境的生产条件特征，到训练完成的识别模型中进行预测。模型分析这些特征后，输出判断为异常的PCBA作为第一异常件。这一步称为“第一特征识别”。第一特征代表了目标客户指定的特殊环境条件，输入这些特征可以找到不符合客户要求的异常项。

接着，同样将提取得到的第二条件特征，即反映普遍生产过程的条件特征，输入同一识别模型，得到模型判断的第二异常件。第二特征表示了普适的生产条件，输入这些特征，模型可以识别不符合标准工艺流程的异常。

最后，对上两步的识别结果取交集，即先后两次共同判断为异常的PCBA，作为最终的目标异常件。

进行特征融合的目的是，不同特征代表了不同方面的条件，其共同判断的异常件最可能存在问题，需要优先处理。通过分别使用第一和第二特征识别异常，再取交集作为目标异常，这种实现方案能够合理利用不同特征的信息，使异常识别更加准确，找到最需要优化的问题产品，以此来持续改进生产过程，提升产品质量和生产效率。

上述实施例对PCBA异常件的确定方法进行了说明，在上述实施例的基础上，下面将对识别模型的训练过程进行说明，具体的，该过程可以包括以步骤：

步骤401：获取正常PCBA的正常生产条件和异常PCBA的异常生产条件。

为了训练一个能够有效识别PCBA异常的模型，需要准备包含正常和异常样本的数据集。

具体地，首先需要收集正常PCBA生产时的各项标准生产条件数据作为正常样本，这一步称为“获取正常生产条件”。获取充足的正常样本是必要的，因为它们包含了产品在质量可控的条件下的特征，模型需要通过学习这些特征来建立正常的判别标准。

同时，也需要收集已知故障PCBA的生产条件作为异常样本，这一步称为“获取异常生产条件”。异常样本同样重要，因为模型必须学习这些条件的数据规律，以便后续识别出不同的故障情况。

经过上述获取正常和异常生产条件的样本数据后，就构建了一个包含两类样本特征的训练集。这为后续的模型训练奠定了数据基础。通过获得充分并标注了类别的样本数据，才能使模型学习到识别异常情况所需要的知识和判别规则。

步骤402：对正常生产条件和异常生产条件进行标记处理，得到标记条件。

在获取了正常和异常两类PCBA生产条件的数据集后，需要对这些样本进行标记，以便模型学习。

具体地，首先对收集到的正常生产条件样本进行标注，指定其“正常”类别标签。可以模型这部分数据代表了正常的产品生产条件。清晰的类别标注是后续模型成功训练的前提。

同时，也需要对异常生产条件的样本添加“异常”类别标签。可以让模型明确这些数据对应的是故障条件，理解不同的条件模式。

标记过的数据集为模型的训练提供了基础。模型可以通过标注信息学习不同类别的数据分布和特征。最后，基于标记后的数据集进行模型训练，可以得到一个能够对正常和异常条件进行有效判别的分类器，完成PCBA异常的识别预测。

步骤403：分别对正常生产条件和异常生产条件进行特征提取操作，得到不同的样本特征。

在对收集到的正常和异常生产条件样本数据集进行标注后，需要进一步提取这两类样本的数据特征，以方便模型训练。

具体地，首先对标记后的正常生产条件进行特征工程，使用特征提取方法获取能代表正常样本分布的特征向量。正常样本的特征提取可以使模型学习到最能刻划正常条件的关键特征，建立判别正常的依据。

同时，也需要对标注为异常类别的样本数据集进行特征提取，获得代表异常分布的特征向量。异常样本的特征提取目的是提供模型学习判断异常情况所需要的特征输入。

经过上述步骤，可以得到两组特征，一组代表正常生产条件，一组代表异常条件，构成了模型训练所需要的特征集。后续，模型可以根据这些特征中的差异来判断输入数据属于正常还是异常。相比原始的条件数据，经过特征提取所构建的特征向量能够更好地被模型区分不同条件的内在模式。因此，对两类样本的数据集分别进行特征提取，可以获得更具代表性和区分性的特征，提高后续模型的判别能力和准确率。

在一种可行的实施方式中，样本特征包括物料批次信息、生产工艺信息、工作人员信息、使用的工具设备信息以及生产环境信息。

提取出能够反映生产全过程的多方面信息作为特征，具体而言可以包括：物料批次信息，反映所用组件的性能参数;生产工艺信息，反映每个制造步骤的条件参数;工作人员信息，反映操作者的操作规范性;使用工具设备信息，反映设备状态与性能;生产环境信息，反映静电、温湿度等环境情况。

将所有这些信息整合作为特征，可以使模型充分学习到不同因素对正常和异常条件的综合影响，提高识别准确度。

步骤404：采用不同的样本特征训练初始识别模型中的各决策树，得到对应训练结果。

首先，构建一个包含多个决策树的集成模型，作为初始识别模型。之所以选择决策树是因为它可以表示样本的特征分布，也便于解释模型判断的原因。然后，使用提取得到的正常生产条件的特征，分别去训练初始模型中的每一个决策树，得到一组正常条件下的训练结果，可以让每个决策树学习到描述正常情况的判别规则。

同时，使用异常样本的特征去分别训练模型中的每一个决策树，得到一组异常条件下的训练结果。这可以使每个决策树学会基于特征判断异常情况。

经过上述针对每种特征训练每个决策树后，可以得到了一组正常判别结果，和一组异常判别结果。这些结果包含了每个决策树基于对应特征学到的知识，为后续的集成模型奠定了基础。通过分别训练，可以使模型充分学习不同特征条件下的判别规则，提高区分正常和异常情况的综合能力。

在上述实施例的基础上，作为一种可选的实施例，样本特征还包括袋外样本，步骤404中：采用不同的样本特征训练初始识别模型中的各决策树，得到对应训练结果之后，还包括以下步骤：

步骤501：通过袋外样本集确定当前识别模型的准确率。

首先，准备一定量的新的正常和异常条件样本，作为袋外样本集。引入新的样本是为了更客观地评估模型在实际应用中的判别效果。

然后，将袋外样本集中的数据依次输入当前训练好的识别模型，让模型进行判别。再根据模型的判别结果和样本的实际标注计算准确率。例如，判别正确的样本数占总数的比例即为准确率。

准确率可以评估在新的样本上，当前模型的判别性能如何，是否存在过拟合现象。通过引入新样本集测试，并计算准确率指标，可以更加客观全面地判断模型在实际应用中的效果，进行针对性调整优化模型，从而提升其泛化能力。

步骤502：根据训练结果的正确样本数量，确定训练结果的召回率。

首先，统计在训练过程中所有标记为正样本的异常条件数量。然后，在模型进行新样本集预测时，统计预测出的正样本异常数量。接着，将预测出的正样本数量除以训练样本总量，就可以得到模型的召回率。召回率反映了模型可以正确识别出的正样本占所有正样本的比例。

计算召回率的目的是判断模型是否可以有效将标注的异常都判断正确，避免漏报情况。通过结合准确率和召回率两项指标，可以比较全面地评价模型的综合性能。如果召回率过低，则需要调整模型，防止漏报过多异常情况。综合两个指标，可以使模型在保证准确判别的前提下，具备更强的复现能力，提供更可靠的异常检测结果。

步骤503：根据准确率和召回率，调整识别模型的参数。

首先，判断两个指标的数值是否符合要求。例如准确率是否达到了要求的阈值，召回率是否过低。然后，根据分析结果，确定需要调整的参数项和调整方向。例如提高模型复杂度和训练轮数来提升两项指标。接着，按照上一步确定的内容，对识别模型中的相关参数进行更新。最后，使用调整后的参数重新训练模型，并重新评测指标。

如果指标仍未达标，则需要继续分析与调整，直至模型综合性能符合要求。通过这一过程中的多次迭代优化，可以不断改进模型在整体准确率与召回率上的表现。从而使得最终模型既可保证较高的准确判别，也能有效避免漏报异常情况。

步骤405：组合各训练结果，得到训练完成的识别模型。

在一种可行的实施方式中，可以通过软投票的机制拟合各训练完成的决策树，得到训练完成的识别模型。

具体地，首先，对训练完成的多个决策树模型进行初始化权重设置。权重可以基于模型的验证性能来预先确定，表现较好的模型设置较高权重。然后，将新样本特征依次输入每个决策树模型，让各模型进行判别，输出分类结果与置信度。接着，将所有决策树的分类结果按照预设权重进行加权累加，通过设定阈值输出最终判别结果。最后，不断调整单模型权重与融合阈值，重新评估融合模型在新样本上的效果。

反复调整权重参数，可以获得组合模型的最佳设置，达到综合多个决策树优势的目标。软投票方式可以充分利用每个决策树的知识，平衡不同模型的作用，使识别结果更加准确可靠。

参照图2，本申请还提供了一种PCBA异常件确定系统，所述系统包括：

特定条件确定模块，用于获取目标客户应用PCBA时的特定条件，并根据所述特定条件对批量PCBA中至少一个目标PCBA进行抽样检测；

生产条件确定模块，用于当确定所述目标PCBA存在中异常件时，确定所述批量PCBA的第一生产条件中与所述特定条件对应的第二生产条件；

目标特征确定模块，用于对所述第一生产条件以及第二生产条件进行特征提取，得到目标特征；

目标异常件输出模块，用于将所述目标特征输入至训练完成的识别模型中，输出所述批量PCBA中的目标异常件。

在上述实施例的基础上，所述目标特征确定模块，还用于确定所述特定条件与标准测试条件的条件差值；基于所述条件差值，调整所述第一生产条件中各生产条件的权重占比，得到调整后的第一生产条件；对所述调整后的第一生产条件进行特征提取，得到第一特征；对所述所述第二生产条件进行特征提取，得到第二特征。

在上述实施例的基础上，所述目标异常件输出模块，还用于将所述第一特征输入至训练完成的识别模型中，输出第一异常件；将所述第二特征输入至训练完成的识别模型中，输出第二异常件；将所述第一异常件和所述第二异常件中共同的异常件确定为所述目标异常件。

在上述实施例的基础上，所述PCBA异常件确定系统，还可以包括：

生产条件获取模块，用于获取正常PCBA的正常生产条件和异常PCBA的异常生产条件；

标记条件确定模块，用于对所述正常生产条件和异常生产条件进行标记处理，得到标记条件；

特征提取模块，用于分别对所述正常生产条件和所述异常生产条件进行特征提取操作，得到不同的样本特征；

训练结果生成模块，用于采用所述不同的样本特征训练初始识别模型中的各决策树，得到对应训练结果；

识别模型训练模块，用于组合各所述训练结果，得到所述训练完成的识别模型。

在上述实施例的基础上，所述识别模型训练模块，还用于通过软投票的机制拟合各所述训练完成的决策树，得到所述训练完成的识别模型。

在上述实施例的基础上，所述识别模型训练模块还用于通过所述袋外样本集确定当前识别模型的准确率；根据所述训练结果的正确样本数量，确定所述训练结果的召回率；根据所述准确率和所述召回率，调整所述识别模型的参数。

需要说明的是：上述实施例提供的装置在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置和方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例还提供了一种计算机存储介质，计算机存储介质可以存储有多条指令，指令适于由处理器加载并执行如上述实施例的PCBA异常件确定方法，具体执行过程可以参照所示实施例的具体说明，在此不进行赘述。

本申请还公开一种电子设备。参照图3，图3是本申请实施例的公开的一种电子设备的结构示意图。该电子设备300可以包括：至少一个处理器301，至少一个网络接口304，用户接口303，存储器305，至少一个通信总线302。

其中，通信总线302用于实现这些组件之间的连接通信。

其中，用户接口303可以包括显示屏（Display）接口、摄像头（Camera）接口，可选用户接口303还可以包括标准的有线接口、无线接口。

其中，网络接口304可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。

其中，处理器301可以包括一个或者多个处理核心。处理器301利用各种接口和线路连接整个服务器内的各个部分，通过运行或执行存储在存储器305内的指令、程序、代码集或指令集，以及调用存储在存储器305内的数据，执行服务器的各种功能和处理数据。可选的，处理器301可以采用数字信号处理（Digital Signal Processing，DSP）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）、可编程逻辑阵列（Programmable LogicArray，PLA）中的至少一种硬件形式来实现。处理器301可集成中央处理器（CentralProcessing Unit，CPU）、图像处理器（Graphics Processing Unit，GPU）和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面图和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器301中，单独通过一块芯片进行实现。

其中，存储器305可以包括随机存储器（Random Access Memory，RAM），也可以包括只读存储器（Read-Only Memory）。可选的，该存储器305包括非瞬时性计算机可读介质（non-transitory computer-readable storage medium）。存储器305可用于存储指令、程序、代码、代码集或指令集。存储器305可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令（比如触控功能、声音播放功能、图像播放功能等）、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及的数据等。存储器305可选的还可以是至少一个位于远离前述处理器301的存储装置。参照图3，作为一种计算机存储介质的存储器305中可以包括操作系统、网络通信模块、用户接口模块以及一种PCBA异常件确定方法的应用程序。

在图3所示的电子设备300中，用户接口303主要用于为用户提供输入的接口，获取用户输入的数据；而处理器301可以用于调用存储器305中存储一种PCBA异常件确定方法的应用程序，当由一个或多个处理器301执行时，使得电子设备300执行如上述实施例中一个或多个所述的方法。需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必需的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几种实施方式中，应该理解到，所披露的装置，可通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其他的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元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器中。基于这样的理解，本申请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全部或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器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括：U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后，将容易想到本公开的其他实施方案。

本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。