本技术为一种具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法。

该系统包含有一电脑装置与一测试治具，该电脑装置载有一机器学习模式。

该方法包含下列步骤：测试治具按序测试多个待测试产品，并分别产生一测试数据而传送至电脑装置，进而由电脑装置分别产生一趋势线形图；作业员根据各趋势线形图进行判断而分别产生一人为判断结果；将各测试数据、趋势线形图与人为判断结果输入至机器学习模式进行一学习程序；以及当学习程序的样本数达一预设门限值时，使机器学习模式针对相应的测试数据与趋势线形图产生相应的一辅助判断结果。

权利要求书1.一种产品测试辅助方法，应用于一产品测试系统与多个待测试产品上，该系统包含有一电脑装置与一测试治具，该电脑装置信号连接于该测试治具，该电脑装置载有一机器学习模式，而该方法包含下列步骤：该测试治具按序测试所述待测试产品，并分别产生一测试数据而传送至该电脑装置；该电脑装置将各测试数据分别产生一趋势线形图；作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果；将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；以及当该学习程序所具有的样本数达一预设门限值时，使该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

2.如权利要求1所述的产品测试辅助方法，其中该方法为于该电脑装置中存储成一测试应用程序以提供执行，而该方法包含下列步骤：执行该测试应用程序以控制该机器学习模式。

3.如权利要求1所述的产品测试辅助方法，其中各人为判断结果或各辅助判断结果为一第一品质类别或一第二品质类别，而该第一品质类别或该第二品质类别包含有至少一种等级的子项目。

4.如权利要求3所述的产品测试辅助方法，其中该方法还包含下列步骤：该机器学习模式判断相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重，而产生相应的该辅助判断结果。

5.如权利要求3所述的产品测试辅助方法，其中该方法还包含下列步骤：该机器学习模式比对相应的该辅助判断结果与相应的该人为判断结果；当相应的该辅助判断结果不同于相应的该人为判断结果时，产生一提示信息；以及作业员产生相应的一修正判断结果，并输入至该机器学习模式中以进行调整。

6.如权利要求5所述的产品测试辅助方法，其中该方法还包含下列步骤：该机器学习模式根据相应的该修正判断结果调整相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重。

7.如权利要求5所述的产品测试辅助方法，其中该方法还包含下列步骤：该机器学习模式根据相应的该辅助判断结果、相应的该人为判断结果与相应的该修正判断结果产生一判断成功率；以及根据该判断成功率调整该预设门限值。

8.如权利要求1所述的产品测试辅助方法，其中该机器学习模式为一类神经网络模式或一人工神经网络模式。

9.一种具有辅助判断功能的产品测试系统，应用于多个待测试产品上，该系统包含有：一测试治具，用以按序测试所述待测试产品，并分别产生一测试数据；以及一电脑装置，信号连接于该测试治具，该电脑装置并载有一机器学习模式，用以接收该测试治具所传送的各测试数据并分别产生一趋势线形图；其中，作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果，进而将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；当该学习程序所具有的样本数达一预设门限值时，该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

10.如权利要求9所述的产品测试系统，其中各人为判断结果或各辅助判断结果为一第一品质类别或一第二品质类别，而该第一品质类别或该第二品质类别包含有至少一种等级的子项目。

11.如权利要求10所述的产品测试系统，其中该机器学习模式用以判断相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重，而产生相应的该辅助判断结果。

12.如权利要求10所述的产品测试系统，其中该机器学习模式用以比对相应的该辅助判断结果与相应的该人为判断结果，并于相应的该辅助判断结果不同于相应的该人为判断结果时产生一提示信息，进而提供作业员可产生相应的一修正判断结果，并输入至该机器学习模式中以进行调整。

13.如权利要求12所述的产品测试系统，其中该机器学习模式用以根据相应的该修正判断结果调整相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重。

14.如权利要求12所述的产品测试系统，其中该机器学习模式用以根据相应的该辅助判断结果、相应的该人为判断结果与相应的该修正判断结果产生一判断成功率，进而使该预设门限值可根据该判断成功率做调整。

15.如权利要求9所述的产品测试系统，其中该机器学习模式为一类神经网络模式或一人工神经网络模式。

技术说明书具有辅助判断功能的产品测试系统及产品测试辅助方法技术领域本技术涉及一种具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法，尤其涉及使用机器学习模式来产生预测以提供作业员主观判断外的客观参考，从而能减少作业时间和避免误判的系统与方法。

背景技术随着工业与科技的日益进步，人们已于日常生活中普遍地使用各种电子产品，例如3C电子装置。

而目前的生产工厂在产品的制造上，除了需在线上进行包括电路或电性测试的产线测试以符合电气安规外，还会进行产品出厂前的功能测试。

根据目前技术，此一功能测试作业可使用相关的检测程序来计算出其趋势线形图，借此得知产品的品质。

举例来说，陀螺仪或加速度计等装置是一种以感测加速度方向或角速度而能感测动作的动作感测器。

而针对此一产品所进行的测试可为将一动作感测器置放在一测试治具中的一测试平面上，且测试治具可对测试平面进行三维运动(包括移动与转动)，进而通过观察动作感测器在不同角度上的感测结果所产生的趋势线形图来判断其功能可否正常运行。

请参见图1A与图1B，分别为对两个不同的感测器以现有技术进行功能测试的趋势线形图。

在经由线上作业员对此两个趋势线形图进行检视与主观判断后，将其中的图1A判断为品质良好，也就是相应的感测器通过检测而被定义为“良好(Pass)”；另外，将其中的图1B判断为品质劣等，也就是相应的感测器未通过检测而被定义为“劣等(Fail)”。

此两个图在横轴可代表转动的角度，纵轴可代表所测量到的扭力(单位：牛顿米)。

承上所述，根据作业员的经验累积，当看到所产生的线形是随着转动角度的增加变化而呈现出相应地缓慢上升趋势时，便判断产品为品质良好(Pass)，如其中的图1A所示。

相对地，当看到所产生的线形是随着转动角度的增加变化而未呈现出相应地缓慢上升趋势时，便判断产品为品质劣等(Fail)，如其中的图1B所示。

当然，品质劣等的趋势线形图亦可能以其他形式呈现，并不限于图1B的形式。

由此可知，当有大量的产品需要进行测试或者所要进行测试的项目较多时，作业员就得耗用大量时间来处理所收集到的数据并对大量的趋势线形图进行检视与判断。

如此，除了会增加作业上的人力负担外，即使只是良好(Pass)与劣等(Fail)的判断分类，亦有可能会在庞大的工作量之下出现作业员的误判。

再者，即使有客观的分类标准，所述的检视与判断仍然是人为的主观结果。

一旦所产生的趋势线形图有较难区分的细节时，将会影响作业员本身的判断。

因而，如何开发出一个能足以应付产线上的大量产品测试并能提供作业员进行测试上的辅助判断的辅助系统，以达到减少误判几率、减少作业时间和减少生产成本的目的，将是业界所不可忽视的重要议题。

技术内容本技术的目的在于提出一种具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法。

该系统与方法是使用机器学习模式来产生测试上的辅助判断功能，也就是在线上作业员对所形成的趋势线形图进行检视与主观判断下，可同时使该机器学习模式经过特定演算法的训练与学习后，产生一种人工智能性质的辅助判断结果来提供作业员参考。

如此，作业员在大量作业时间与庞大工作量之下所可能造成的误判就可以避免，或是一些细节无法做主观区分等情形，就有可另外参考的资源来辅助判断。

本技术为一种产品测试辅助方法，应用于一产品测试系统与多个待测试产品上。

该系统包含有一电脑装置与一测试治具，该电脑装置信号连接于该测试治具，该电脑装置载有一机器学习模式。

该方法包含下列步骤：该测试治具按序测试所述待测试产品，并分别产生一测试数据而传送至该电脑装置；该电脑装置将各测试数据分别产生一趋势线形图；作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果；将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；以及当该学习程序所具有的样本数达一预设门限值时，使该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

本技术另一方面为一种具有辅助判断功能的产品测试系统，应用于多个待测试产品上。

该系统包含有一电脑装置与一测试治具。

该测试治具用以按序测试所述待测试产品，并分别产生一测试数据。

该电脑装置信号连接于该测试治具，该电脑装置并载有一机器学习模式，用以接收该测试治具所传送的各测试数据并分别产生一趋势线形图。

其中，作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果，进而将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；当该学习程序所具有的样本数达一预设门限值时，该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

为了对本技术的上述及其他方面有更佳的了解，下文特举实施例并配合附图进行详细说明。

附图说明图1A与图1B为现有技术对两个不同的感测器进行功能测试的趋势线形图。

图2为本技术所提出的一产品测试系统100的功能方框示意图。

图3为典型的一类神经网络20的架构图。

图4为本技术所提出的产品测试辅助方法的流程图。

符号说明100：产品测试系统 11：测试治具12：电脑装置 20：类神经网络21：输入层 22：隐藏层23：输出层 S1～S6：步骤具体实施方式以下提出实施例进行详细说明，实施例仅用以作为范例说明，并不会限缩本技术欲保护的范围。

此外，实施例中的附图省略不必要或以通常技术即可完成的元件，以清楚显示本技术的技术特点。

现以一实施例进行本技术所提出的具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法的实施说明。

请参见图2，其为本技术的一产品测试系统100的功能方框示意图。

如图2所示，该产品测试系统100包含有一电脑装置12与一测试治具11，该电脑装置12信号连接于该测试治具11。

其中该电脑装置12载有一机器学习模式，而该测试治具11能对多个待测试产品(未显示于附图)进行测试。

于此实施例中，其中的待测试产品可为一种动作感测器，而该测试治具11则为可对这些动作感测器进行三维运动测试的装置，但本技术并不限于此。