CN111330871A - 一种品质分类方法及装置 - Google Patents

一种品质分类方法及装置 Download PDF

Info

Publication number
CN111330871A
CN111330871A CN202010247523.1A CN202010247523A CN111330871A CN 111330871 A CN111330871 A CN 111330871A CN 202010247523 A CN202010247523 A CN 202010247523A CN 111330871 A CN111330871 A CN 111330871A
Authority
CN
China
Prior art keywords
image
network equipment
quality
sample
tested
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010247523.1A
Other languages
English (en)
Other versions
CN111330871B (zh
Inventor
袁智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
New H3C Security Technologies Co Ltd
Original Assignee
New H3C Security Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by New H3C Security Technologies Co Ltd filed Critical New H3C Security Technologies Co Ltd
Priority to CN202010247523.1A priority Critical patent/CN111330871B/zh
Publication of CN111330871A publication Critical patent/CN111330871A/zh
Application granted granted Critical
Publication of CN111330871B publication Critical patent/CN111330871B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请提供了一种品质分类方法及装置，该方法包括：获取样本数据；根据获取的样本数据，生成各张指定尺寸的图像，作为样本图像；将样本图像输入至初始DNN模型，并获取初始DNN模型输出的预测品质类别标签；根据预设的损失函数，计算预测品质类别标签与样本数据包括的各台网络设备的真实品质类别标签之间的损失值，并利用计算出的损失值调整初始DNN模型的参数，直到收敛，得到训练好的DNN模型；在对待测试网络设备执行完装备测试后，根据获取的该待测试网络设备中的指定芯片的寄存器值，生成一张指定尺寸的待测试图像，并利用训练好的DNN模型，对待测试图像进行品质分类。本申请可提升网络设备的出厂质量，进而提高客户体验。

Description

一种品质分类方法及装置
技术领域
本申请涉及网络设备的质量检测领域，特别涉及一种品质分类方法及装置。
背景技术
在交换机、路由器等网络设备出厂之前，会对网络设备进行测试，以保证出厂的网络设备是合格的。
目前，主要是通过以下两个环节来实现网络设备的测试：
第一，装备测试环节，在灌装完设备软件后执行，主要测试项目有物理层(PHY)芯片、媒体访问控制(Media Access Control，MAC)芯片、风扇、电源、光模块、Flash芯片等等，这些测试项目通常是一些短时间的功能性测试项目，大约10-20分钟测试完。
第二，可靠性测试环节，对整个批次的网络设备，按一定比例抽取部分网络设备，对抽取的网络设备进行可靠性测试，例如高低温度变化、高低湿度变化、震动等环境中的流量测试，通常这个环节的测试时长为8-48小时；
对于测试通过的网络设备，进行包装入成品库；对于测试不合格的网络设备，返回维修直至通过测试或报废；
在上述网络设备的测试过程中，如MAC芯片、PHY芯片等，芯片厂家一般会对其做严格的出厂测试，通常芯片本身不会有太大的问题，但在焊接芯片过程中出现的缺陷，如虚焊、连焊等；或者在操作整机过程中出现芯片不可靠，如静电导致芯片部分损坏等，这些情况有时候单靠装备测试环节是无法测试出来的，可靠性测试又非常耗费时间，通常是抽样测试，这样一来，就容易导致这种不良设备流入到关键客户手中，导致客户体验较差。
发明内容
本申请提供一种品质分类方法及装置，可以提升网络设备的出厂质量，进而提高客户体验。
本申请提供的技术方案如下：
本申请提供的一种品质分类方法，所述方法包括：
获取样本数据，所述样本数据包括各台网络设备中的指定芯片的寄存器值；
根据获取的样本数据，生成各张指定尺寸的图像，作为样本图像，其中，一台网络设备对应一张指定尺寸的图像；
将所述样本图像输入至初始深度神经网络(Deep Neural Networks，DNN)模型，并获取所述初始DNN模型输出的预测品质类别标签；
根据预设的损失函数，计算所述预测品质类别标签与所述样本数据包括的各台网络设备的真实品质类别标签之间的损失值，并利用计算出的损失值调整所述初始DNN模型的参数，直到收敛，得到训练好的DNN模型；
在对待测试网络设备执行完装备测试后，根据获取的该待测试网络设备中的所述指定芯片的寄存器值，生成一张所述指定尺寸的待测试图像，并利用训练好的DNN模型，对待测试图像进行品质分类。
本申请还提供一种品质分类装置，所述装置包括：
获取模块，用于获取样本数据，所述样本数据包括各台网络设备中的指定芯片的寄存器值；
生成模块，用于根据获取的样本数据，生成各张指定尺寸的图像，作为样本图像，其中，一台网络设备对应一张指定尺寸的图像；
输入模块，用于将所述样本图像输入至初始DNN模型，并获取所述初始DNN模型输出的预测品质类别标签；
训练模块，用于根据预设的损失函数，计算所述预测品质类别标签与所述样本数据包括的各台网络设备的真实品质类别标签之间的损失值，并利用计算出的损失值调整所述初始DNN模型的参数，直到收敛，得到训练好的DNN模型；
分类模块，用于在对待测试网络设备执行完装备测试后，根据获取的该待测试网络设备中的所述指定芯片的寄存器值，生成一张所述指定尺寸的待测试图像，并利用训练好的DNN模型，对待测试图像进行品质分类。
由以上技术方案可以看出，在本申请中，在网络设备出厂之前，通过在现有的网络设备的测试环节中增加品质分类环节，此环节在装备测试环节执行完之后执行，通过训练DNN模型实现网络设备的品质分类，避免非优等品的网络设备流入到关键客户手中或者布置在网络要求较高的场合，提升了设备的出厂质量，进而提高了客户体验。
附图说明
图1为本申请实施例提供的一种品质分类方法的流程示意图；
图2本申请实施例提供的待测试图像输入至训练好的DNN模型后输出的品质分类标签的示意图；
图3本申请实施例提供的一种品质分类装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种品质分类方法，如图1所示，该方法可以包括如下步骤：
S11、获取样本数据，样本数据包括各台网络设备中的指定芯片的寄存器值。
S12、根据获取的样本数据，生成各张指定尺寸的图像，作为样本图像，其中，一台网络设备对应一张指定尺寸的图像；
S13、将样本图像输入至初始DNN模型，并获取初始DNN模型输出的预测品质类别标签；
S14、根据预设的损失函数，计算预测品质类别标签与样本数据包括的各台网络设备的真实品质类别标签之间的损失值，并利用计算出的损失值调整初始DNN模型的参数，直到收敛，得到训练好的DNN模型；
S15、在对待测试网络设备执行完装备测试后，根据获取的该待测试网络设备中的指定芯片的寄存器值，生成一张指定尺寸的待测试图像，并利用训练好的DNN模型，对待测试图像进行品质分类。
需要说明的是，在本申请实施例中，在收集样本数据时，尤其是收集一些接入层的网络设备的样本数据时，由于这些网络设备每年的出货量都在几十万级别，每年也都有一定比例的返厂维修，本方法是一个循序渐进的过程，所以这些网络设备的样本数据的收集时间一般较长一些。
对于返修的网络设备出现硬件故障的概率比较高，比如变压器的来料质量差等，这些情况会在网络设备中的PHY芯片的寄存器上有所反映，体现在PHY芯片的某些寄存器的寄存器值和正常的网络设备的相应寄存器值有所差异；还有一些硬件故障情形，会在网络设备中的MAC芯片的寄存器上体现。所以，在收集样本数据时，可以收集网络设备中的PHY芯片和MAC芯片的寄存器值，作为样本数据的一部分保存到样本数据库中。即，上述步骤S11中的指定芯片包括PHY芯片和MAC芯片。优选地，在本申请实施例中，可以通过以下方式收集上述寄存器值：
在装备测试环节增加一条命令，导出网络设备中的PHY芯片和MAC芯片的所有寄存器的寄存器值。
当然，也可采用其他方式收集上述寄存器值，在此不再一一列举。
进一步地，在将收集的网络设备中的PHY芯片和MAC芯片的寄存器值保存到样本数据库中之后，可以在样本数据库中标注网络设备的品质类别标签，作为样本数据的另一部分，此品质类别标签包括品质类别和使用年限分数，具体标注过程如下：
1、对于返修的网络设备，品质类别标注为次优品，次优品对应的标签值为1；使用年限分数标注为：x年/10年，x为返修网络设备的实际使用年限，如下表一所示。
设备序号 寄存器值 品质类别 使用年限分数
1 0xFFEE0099,.... 1(次优品) 1.6/10＝0.16
2 .... .... ....
表一
2、对于未返修的网络设备，品质类别标注为优等品，优等品对应的标签值为0；使用年限分数标注为：使用网络设备的时间/已售卖网络设备的时间。
在样本数据收集完毕之后，可以通过以下方式实现上述步骤S12：
分别将每台网络设备中的指定芯片的寄存器值，整合为512*512*3的图像。
在具体实现时，可以按照导出的寄存器值的顺序进行整合，不足的字节位置填0补齐。
当然，本申请并不限定上述图像的尺寸，也可以是其他尺寸，在此不再一一列举。
接下来，将经过上述步骤S12得到的样本图像输入至初始DNN模型进行训练，以获得初始DNN模型输出的预测品质类别标签。之后，执行上述步骤S14。
需要说明的是，在本申请实施例中，初始DNN模型的样本图像来源于网络设备的PHY芯片和MAC芯片，所以，对于对外销售的型号不同但实质上是同样的硬件款型的网络设备，均可以作为网络设备的样本一起训练。
优选地，在上述步骤S14中，预设的损失函数为：
Figure BDA0002434343680000061
其中，γ为常量，γ的取值范围为0～1；
m为小批量数据集mini-batch中样本图像的总张数；
yji为mini-batch中样本图像j对应的网络设备的品质分类i对应的真实标签值；
y′ji为mini-batch中样本图像j对应的网络设备的品质分类i的预测标签值；
scorej为mini-batch中样本图像j对应的网络设备的真实使用年限分数；
scorej′为mini-batch中样本图像j对应的网络设备的预测使用年限分数；
Figure BDA0002434343680000062
为指示函数；
i为优等品时，
Figure BDA0002434343680000063
i为次优品时，
Figure BDA0002434343680000064
最后，在执行上述步骤S15时，直接将待测试图像输入至训练好的DNN模型，即可得到待测试网络设备的品质分类，例如如图2所示，以便及时标注品质类别，待后续的可靠性测试环节执行完毕后，如果次优品的数量偏高,进行预警，并及时查找原因，最终保证优等品网络设备流入关键客户手中，进而提高客户体验。
进一步地，在本申请实施例中，在执行完上述品质分类环节之后，执行可靠性测试环节时，可以直接对品质分类为次优品的网络设备抽样进行可靠性测试，相比随机抽样更能测试出问题，避免劣质品流入市场。
由以上技术方案可以看出，在本申请中，在网络设备出厂之前，通过在现有的网络设备的测试环节中增加品质分类环节，此环节在装备测试环节执行完之后执行，通过训练DNN模型实现网络设备的品质分类，避免非优等品差的网络设备流入到关键客户手中，提升了设备的出厂质量，进而提高了客户体验。
基于同一发明构思，本申请还提供了一种品质分类装置，其结构示意图如图3所示，所述装置包括：
获取模块31，用于获取样本数据，所述样本数据包括各台网络设备中的指定芯片的寄存器值；
生成模块32，用于根据获取的样本数据，生成各张指定尺寸的图像，作为样本图像，其中，一台网络设备对应一张指定尺寸的图像；
输入模块33，用于将所述样本图像输入至初始DNN模型，并获取所述初始DNN模型输出的预测品质类别标签；
训练模块34，用于根据预设的损失函数，计算所述预测品质类别标签与所述样本数据包括的各台网络设备的真实品质类别标签之间的损失值，并利用计算出的损失值调整所述初始DNN模型的参数，直到收敛，得到训练好的DNN模型；
分类模块35，用于在对待测试网络设备执行完装备测试后，根据获取的该待测试网络设备中的所述指定芯片的寄存器值，生成一张所述指定尺寸的待测试图像，并利用训练好的DNN模型，对待测试图像进行品质分类。
优选地，上述生成模块32，具体用于：
分别将每台网络设备中的指定芯片的寄存器值，整合为512*512*3的图像。
优选地，上述指定芯片包括PHY芯片和MAC芯片。
优选地，上述预设函数为：
Figure BDA0002434343680000071
其中，γ为常量，γ的取值范围为0～1；
m为小批量数据集mini-batch中样本图像的总张数；
yji为mini-batch中样本图像j对应的网络设备的品质分类i对应的真实标签值；
y′ji为mini-batch中样本图像j对应的网络设备的品质分类i的预测标签值；
scorej为mini-batch中样本图像j对应的网络设备的真实使用年限分数；
scorej′为mini-batch中样本图像j对应的网络设备的预测使用年限分数；
Figure BDA0002434343680000072
为指示函数；
i为优等品时，
Figure BDA0002434343680000073
i为次优品时，
Figure BDA0002434343680000074
由以上技术方案可以看出，在本申请中，在网络设备出厂之前，通过在现有的网络设备的测试环节中增加品质分类环节，此环节在装备测试环节执行完之后执行，通过训练DNN模型实现网络设备的品质分类，避免非优等品的网络设备流入到关键客户手中，提升了设备的出厂质量，进而提高了客户体验。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (8)

1.一种品质分类方法，其特征在于，所述方法包括：
获取样本数据，所述样本数据包括各台网络设备中的指定芯片的寄存器值；
根据获取的样本数据，生成各张指定尺寸的图像，作为样本图像，其中，一台网络设备对应一张指定尺寸的图像；
将所述样本图像输入至初始深度神经网络DNN模型，并获取所述初始DNN模型输出的预测品质类别标签；
根据预设的损失函数，计算所述预测品质类别标签与所述样本数据包括的各台网络设备的真实品质类别标签之间的损失值，并利用计算出的损失值调整所述初始DNN模型的参数，直到收敛，得到训练好的DNN模型；
在对待测试网络设备执行完装备测试后，根据获取的该待测试网络设备中的所述指定芯片的寄存器值，生成一张所述指定尺寸的待测试图像，并利用训练好的DNN模型，对待测试图像进行品质分类。
2.根据权利要求1所述的方法，其特征在于，根据获取的样本数据，生成各张指定尺寸的图像，具体包括：
分别将每台网络设备中的指定芯片的寄存器值，整合为512*512*3的图像。
3.根据权利要求1或2所述的方法，其特征在于，所述指定芯片包括物理层PHY芯片和媒体访问控制MAC芯片。
4.根据权利要求1所述的方法，其特征在于，所述预设的损失函数为：
Figure FDA0002434343670000011
其中，γ为常量，γ的取值范围为0～1；
m为小批量数据集mini-batch中样本图像的总张数；
yji为mini-batch中样本图像j对应的网络设备的品质分类i对应的真实标签值；
y′ji为mini-batch中样本图像j对应的网络设备的品质分类i的预测标签值；
scorej为mini-batch中样本图像j对应的网络设备的真实使用年限分数；
scorej′为mini-batch中样本图像j对应的网络设备的预测使用年限分数；
Figure FDA0002434343670000021
为指示函数；
i为优等品时，
Figure FDA0002434343670000022
i为次优品时，
Figure FDA0002434343670000023
5.一种品质分类装置，其特征在于，所述装置包括：
获取模块，用于获取样本数据，所述样本数据包括各台网络设备中的指定芯片的寄存器值；
生成模块，用于根据获取的样本数据，生成各张指定尺寸的图像，作为样本图像，其中，一台网络设备对应一张指定尺寸的图像；
输入模块，用于将所述样本图像输入至初始深度神经网络DNN模型，并获取所述初始DNN模型输出的预测品质类别标签；
训练模块，用于根据预设的损失函数，计算所述预测品质类别标签与所述样本数据包括的各台网络设备的真实品质类别标签之间的损失值，并利用计算出的损失值调整所述初始DNN模型的参数，直到收敛，得到训练好的DNN模型；
分类模块，用于在对待测试网络设备执行完装备测试后，根据获取的该待测试网络设备中的所述指定芯片的寄存器值，生成一张所述指定尺寸的待测试图像，并利用训练好的DNN模型，对待测试图像进行品质分类。
6.根据权利要求5所述的装置，其特征在于，所述生成模块，具体用于：
分别将每台网络设备中的指定芯片的寄存器值，整合为512*512*3的图像。
7.根据权利要求5或6所述的装置，其特征在于，所述指定芯片包括物理层PHY芯片和媒体访问控制MAC芯片。
8.根据权利要求5所述的装置，其特征在于，所述预设的损失函数为：
Figure FDA0002434343670000031
其中，γ为常量，γ的取值范围为0～1；
m为小批量数据集mini-batch中样本图像的总张数；
yji为mini-batch中样本图像j对应的网络设备的品质分类i对应的真实标签值；
y′ji为mini-batch中样本图像j对应的网络设备的品质分类i的预测标签值；
scorej为mini-batch中样本图像j对应的网络设备的真实使用年限分数；
scorej′为mini-batch中样本图像j对应的网络设备的预测使用年限分数；
Figure FDA0002434343670000032
为指示函数；
i为优等品时，
Figure FDA0002434343670000033
i为次优品时，
Figure FDA0002434343670000034
CN202010247523.1A 2020-03-31 2020-03-31 一种品质分类方法及装置 Active CN111330871B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010247523.1A CN111330871B (zh) 2020-03-31 2020-03-31 一种品质分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010247523.1A CN111330871B (zh) 2020-03-31 2020-03-31 一种品质分类方法及装置

Publications (2)

Publication Number Publication Date
CN111330871A true CN111330871A (zh) 2020-06-26
CN111330871B CN111330871B (zh) 2023-03-28

Family

ID=71174888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010247523.1A Active CN111330871B (zh) 2020-03-31 2020-03-31 一种品质分类方法及装置

Country Status (1)

Country Link
CN (1) CN111330871B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114260193A (zh) * 2021-12-22 2022-04-01 广东德济环境发展有限公司 一种垃圾土的大石块筛分方法
CN115406967A (zh) * 2022-11-01 2022-11-29 湖南木屋网络科技有限公司 一种水果品质判断方法、系统、设备及储存介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190139210A1 (en) * 2016-05-24 2019-05-09 Hitachi High-Technologies Corporation Defect classification apparatus and defect classification method
CN110309856A (zh) * 2019-05-30 2019-10-08 华为技术有限公司 图像分类方法、神经网络的训练方法及装置
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN110732139A (zh) * 2019-10-25 2020-01-31 腾讯科技（深圳）有限公司 检测模型的训练方法和用户数据的检测方法、装置
CN110929785A (zh) * 2019-11-21 2020-03-27 中国科学院深圳先进技术研究院 数据分类方法、装置、终端设备及可读存储介质
CN110929774A (zh) * 2019-11-18 2020-03-27 腾讯科技（深圳）有限公司 图像中目标物的分类方法、模型训练方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190139210A1 (en) * 2016-05-24 2019-05-09 Hitachi High-Technologies Corporation Defect classification apparatus and defect classification method
CN110309856A (zh) * 2019-05-30 2019-10-08 华为技术有限公司 图像分类方法、神经网络的训练方法及装置
CN110598761A (zh) * 2019-08-26 2019-12-20 深圳大学 一种点胶检测方法、装置及计算机可读存储介质
CN110732139A (zh) * 2019-10-25 2020-01-31 腾讯科技（深圳）有限公司 检测模型的训练方法和用户数据的检测方法、装置
CN110929774A (zh) * 2019-11-18 2020-03-27 腾讯科技（深圳）有限公司 图像中目标物的分类方法、模型训练方法和装置
CN110929785A (zh) * 2019-11-21 2020-03-27 中国科学院深圳先进技术研究院 数据分类方法、装置、终端设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114260193A (zh) * 2021-12-22 2022-04-01 广东德济环境发展有限公司 一种垃圾土的大石块筛分方法
CN115406967A (zh) * 2022-11-01 2022-11-29 湖南木屋网络科技有限公司 一种水果品质判断方法、系统、设备及储存介质

Also Published As

Publication number Publication date
CN111330871B (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
US11763443B2 (en) Method for monitoring manufacture of assembly units
CN110210512B (zh) 一种自动化日志异常检测方法及系统
CN111330871B (zh) 一种品质分类方法及装置
CN108830492B (zh) 一种基于大数据的确定抽检商家的方法
CN107437113A (zh) 一种配电主设备带电检测判据知识库系统及其实现方法
TWI727323B (zh) 返修板檢測裝置、方法及電腦可讀取存儲介質
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
CN115907279A (zh) 基于物联网的工业生产产品用质量检测系统及方法
CN110276385A (zh) 基于相似性的机械部件剩余使用寿命预测方法
CN108334455A (zh) 基于搜索的代价敏感超图学习的软件缺陷预测方法及系统
CN114091347A (zh) 一种电子元器件寿命预测方法
CN111274056A (zh) 智能电能表故障库的自学习方法与装置
CN116955071A (zh) 故障分类方法、装置、设备及存储介质
CN103902638A (zh) 检测系统及其检测方法
CN116577638A (zh) 一种电路板智能测试系统、方法、装置及介质
CN115599576A (zh) 修补算法的验证方法、电子设备及存储介质
Astuti et al. Product Review Sentiment Analysis by Artificial Neural Network Algorithm
CN105227333B (zh) 网元设备数据维护的方法和装置
CN110796187A (zh) 不良分类方法及装置
CN112967066A (zh) 一种配电自动化设备检测全过程管控分析系统
Ye et al. Self-learning and adaptive board-level functional fault diagnosis
Canbakis et al. A risk assessment model for supply chains
CN110675112A (zh) 一种基于供应链管理的电子商务系统
CN102149122A (zh) 一种用于基站测试的方法、装置及系统
Hsu et al. Main branch decision tree algorithm for yield enhancement with class imbalance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant