CN112529762A - 一种机器视觉系统配置筛选方法、设备和可读存储介质 - Google Patents
一种机器视觉系统配置筛选方法、设备和可读存储介质 Download PDFInfo
- Publication number
- CN112529762A CN112529762A CN202011400426.8A CN202011400426A CN112529762A CN 112529762 A CN112529762 A CN 112529762A CN 202011400426 A CN202011400426 A CN 202011400426A CN 112529762 A CN112529762 A CN 112529762A
- Authority
- CN
- China
- Prior art keywords
- configuration
- machine vision
- vision system
- test
- thread
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N17/002—Diagnosis, testing or measuring for television systems or their details for television cameras
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Eyeglasses (AREA)
Abstract
本发明公开了机器视觉系统配置筛选方法,在机器视觉系统中选择需要筛选的配置类型;选择每个配置类型可供筛选的配置内容,每个配置类型包括一个或多个配置内容;对所有配置类型中的配置内容进行排列组合,得到所有可能存在配置组,每个配置组包括每种配置类型中的一项配置内容;对配置组进行初步筛选,得到推荐配置组列表;对推荐配置组列表中的所有配置组进行总时长测试,将总时长测试用时最短的配置组定为最佳配置组。本发明通过对不同部件组合而成的机器视觉系统的性能做相应的测试,获得推荐配置组合;通过多线程分别执行所安排次数来完成总的测试运行时间对应的总的运行次数的测试,挑选出最佳配置组,提高统配置的筛选效率。
Description
技术领域
本发明涉及一种配置筛选方法,具体涉及一种机器视觉系统配置筛选方法、设备和可读存储介质。
背景技术
在芯片制造、手机等消费电子产品组装和检测,以及汽车制造、生物制药等大批量工业生产过程中,自动化生产线已被广泛应用。高效、高可靠性、高精度是自动化产线追求的目标;为了实现这些目标,少不了机器视觉系统的参与。
机器视觉系统的主要组成部件有:相机和镜头,工控机(配有图像采集卡),光源和软件。装有软件和图像采集卡的工控机居于机器视觉系统的核心位置,负责图像采集及相应的信息分析处理工作。为了适应自动化产线上不同的生产任务,机器视觉系统往往需要根据生产任务选择相应的硬件,一般情况下,上述部件往往是不同厂家生产的,为了让机器视觉系统处在高速及高可靠性的工作状态,在将机器视觉系统安装在自动化机台之前,对上述不同部件组成的配置的筛选及相应的测试就成了不可或缺的一个环节。
工控机,相机,图像采集卡等源于不同厂家的部件往往都有多种选择,测试时如果对硬件配置完全穷举,并对所有组合采用长时间(7*24=144小时)测试的话,测试工作量太大,不利于在自动化产线上快速布置,如果测试不完全就安装在自动化机台上,会给整体工作带来隐患。因此,机器视觉系统配置的筛选有两个主要问题需要解决:(1)如何以明确的步骤快速确定可以使系统得到可靠运行的机器视觉组成部件配置组;(2)如何缩短集成好的机器视觉系统配置组的测试任务的完成时间。
发明内容
为提高机器视觉系统配置的筛选效率,本发明提供了一种机器视觉系统配置筛选方法、设备和可读存储介质。
本发明通过下述技术方案实现:
一种机器视觉系统配置筛选方法,包括如下步骤:
S1:在机器视觉系统中选择需要筛选的配置类型;
S2:选择每个配置类型可供筛选的配置内容,每个配置类型包括一个或多个配置内容;
S3:对所有配置类型中的配置内容进行排列组合,得到所有可能存在配置组,每个配置组包括每种配置类型中的一项配置内容;
S4:对配置组进行初步筛选,得到推荐的配置组列表;
S5:对推荐的配置组列表中的所有配置组进行总时长测试,将总时长测试用时最短的配置组定为最佳配置组。
进一步地,所述机器视觉系统中需要筛选的配置类型包括:工控机、图像采集卡、相机、镜头和光源中的一种或多种。
所述步骤S4包括如下子步骤:
S41:服务器同时给每个待测配置组发送测试启动信号;
S42:各待测配置组分别完成预设的一次拍摄任务和Q1次分析任务,并计算完成所有任务的工作时间Δt;
S43:将步骤S42重复R1次,服务器计算各待测配置组的最小工作时间Δtmin;
S44:选择最小工作时间Δtmin最短的前K个待测配置组作为推荐的配置组列表,K为10以下的自然数。
在上述方案的基础上,进一步的有:在步骤S42中,各待测配置组在主线程中完成预设的拍摄任务,在子线程中分别完成Q1次分析任务。
所述步骤S42进一步包括:各待测配置组分别完成预设的拍摄任务,在配置组的p个子线程中分别完成Q1次分析任务,分别计算配置组完成所有任务的工作时间Δt以及rt值,rt值是一个排序指标,可以用来衡量时间波动范围,rt越小对应的时间波动越小;rt=(tmax-tmin)/tmin,其中,tmax=max(Δtt1,…Δttp),tmin=min(Δtt1,…Δttp);其中,Δtti为各子线程中完成所有分析任务的时间,i为1到p之间的整数;
所述步骤S43进一步包括:将步骤S42重复R1次,服务器计算各待测配置组的最小工作时间Δtmin和rt值中值rtm;
所述步骤S44进一步包括:选择最小工作时间Δtmin最短的2K个待测配置组,将这2K个待测配置组根据rt值中值rtm进行排序,将rt值中值rtm最小的K个待测配置组作为推荐的配置组列表,K为10以下的自然数。
步骤S5所述的总时长测试流程如下:
S51:设定测试运行次数Q2;
S52:设置测试轮数m,每轮测试需要完成的运行次数为Q3,Q3=Q2/m,m取值为4、6或8;
S53:设置线程数量n,n取值为10、20或30;为每个线程分配运行次数的任务量,第i个线程的任务量为TAi,TAi=Q3/n;
在上述方案的基础上,进一步的有:在每轮测试结束后,根据每个线程的完成时间与所有线程的总完成时间的比值,调整下一轮测试的各线程运行次数任务量TAi。
步骤S54所述的m轮测试流程如下:
S541:完成一次拍摄任务;
S543:m=m-1,判断m=0是否成立,若否,则执行步骤S544;若是,则执行步骤S545;
一种机器视觉系统配置筛选设备,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现上述的机器视觉配置筛选方法的各个步骤。
一种计算机可读存储介质,所述计算机程序被处理器执行时,实现上述的机器视觉系统配置筛选方法的各个步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
1.针对工控机,图像采集卡,相机和镜头,光源这些机器视觉系统的硬件部件,通过针对不同部件组合而成的机器视觉系统的性能做相应的测试,从而获得推荐配置组合,提高了机器视觉系统配置的筛选效率。
2.针对推荐配置组,通过多线程分别执行所安排次数来完成总的测试运行时间对应的总的运行次数的测试,由此在验证最佳配置组的长时间运行可靠性的基础上,将挑选出的最佳配置组做为筛选出的配置,进一步提高统配置的筛选效率。
附图说明
结合附图,可以得到对本发明实施例的进一步理解,从本发明的权利要求和优选实施例的以下描述可以获得本发明的其它特征和优点。在不超出本发明的范围的情况下,在这种情况下可以按任何期望的方式将图中所示的不同实施例的单独特征加以组合。在附图中:
图1为实施例1中的匹配特征示例图;
图2为实施例1中的配置组示意图;
图3为实施例1中的机器视觉系统配置筛选方法流程图;
图4为实施例1中的配置组初步筛选流程图;
图5为实施例1中的总时长测试方法流程图;
图6为实施例2中的配置组初步筛选流程图;
图7为实施例3中的配置组初步筛选流程图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1:
如图3所示,在本实施例中,一种机器视觉系统配置筛选方法,包括如下步骤:
S1:在机器视觉系统中选择需要筛选的配置类型,包括工控机、图像采集卡、相机、镜头和光源;
S2:选择每个配置类型可供筛选的配置内容,每个配置类型包括3个配置内容,即工控机、图像采集卡、相机、镜头和光源各有三种;
S3:对所有配置类型中的配置内容进行排列组合,得到所有可能存在配置组,一共243种;如图2所示,每个配置组包括一种工控机、一种图像采集卡、一种相机、一种镜头和一种光源;
S4:对配置组进行初步筛选,如图4所示,得到推荐的配置组列表;具体包括:
S41:服务器同时给每个待测配置组发送测试启动信号;
S42:各待测配置组分别在工控机主线程中完成预设的一次拍摄任务,在工控机主线程中完成1440次(每分钟一次,重复1天,60*24=1440次)分析任务,并计算完成所有任务的工作时间Δt;
其中,拍摄任务具体为:待测试件上带有如图1所示的某个匹配特征,工控机发出拍摄指令,相机通过镜头对待测试件进行拍摄获得图片数据Img1,将图片数据Img1保存在工控机的硬盘上并显示在工控机的屏幕上;
分析任务具体为:选取一个匹配特征作为搜索模板;例如选取图1中的F1作为搜索模板Imgf;调用模板匹配方法在拍摄得到的图片数据Img1中寻找搜索模板Imgf;将搜索模板Imgf在图片数据Img1中的特征位置作为返回参数返回给调用软件。
S43:将步骤S42重复10080次(每分钟一次,重复7天,60*24*7=10080次),服务器计算各待测配置组的最小工作时间Δtmin;
S44:选择最小工作时间Δtmin最短的前5个待测配置组作为推荐的配置组列表。
S5:对推荐的配置组列表中的所有配置组进行总时长测试,将总时长测试用时最短的配置组定为最佳配置组,
总时长测试如图5所示,具体流程如下:
S51:设定测试运行次数43200次(按照一分钟运行一次,运行大概一个月时间来进行估算,60*24*30=43200次);
S52:设置测试轮数m=4次,每轮测试需要完成的运行次数为10800次(43200/4=10800次);
S53:设置线程数量20,为每个线程分配运行次数的任务量,第i个线程的任务量为TAi,TAi=540次(10800/20=540次);
S541:完成一次拍摄任务;
S543:m=m-1,判断m=0是否成立,若否,则执行步骤S544;若是,则执行步骤S545;
为了进一步实现本发明的目的,本发明还提出了第二个实施例。
实施例2:
如图6所示,在实施例1的基础上,进一步的有:在步骤S42中,各待测配置组在工控机的主线程中完成预设的拍摄任务,在子线程中分别完成Q1次分析任务。
所述步骤S42进一步包括:各待测配置组分别在工控机主线程中完成预设的拍摄任务,在配置组的p个子线程中分别完成1440次(每分钟一次,重复1天,60*24=1440次)分析任务,分别计算配置组完成所有任务的工作时间Δt以及rt值,rt值是一个排序指标,可以用来衡量时间波动范围,rt越小对应的时间波动越小;rt=(tmax-tmin)/tmin,其中,tmax=max(Δtt1,…Δttp),tmin=min(Δtt1,…Δttp);其中,Δtti为各子线程中完成所有分析任务的时间,i为1到p之间的整数;
所述步骤S43进一步包括:将步骤S42重复R1次,服务器计算各待测配置组的最小工作时间Δtmin和rt值中值rtm;
所述步骤S44进一步包括:选择最小工作时间Δtmin最短的10个待测配置组,将这10个待测配置组根据rt值中值rtm进行排序,将rt值中值rtm最小的5个待测配置组作为推荐的配置组列表。
为了进一步实现本发明的目的,本发明还提出了第三个实施例。
实施例3:
如图7所示,在实施例1的基础上,进一步的有:在步骤S42中,各待测配置组在工控机的子线程中分别完成预设的拍摄任务Q1和1440次(每分钟一次,重复1天,60*24=1440次)次分析任务。
所述步骤S42进一步包括:各待测配置组分别在工控机主线程中完成预设的拍摄任务,在配置组的p个子线程中分别完成1440次(每分钟一次,重复1天,60*24=1440次)分析任务,分别计算配置组完成所有任务的工作时间Δt以及rt值,rt值是一个排序指标,可以用来衡量时间波动范围,rt越小对应的时间波动越小;rt=(tmax-tmin)/tmin,其中,tmax=max(Δtt1,…Δttp),tmin=min(Δtt1,…Δttp);其中,Δtti为各子线程中完成所有分析任务的时间,i为1到p之间的整数;
所述步骤S43进一步包括:将步骤S42重复R1次,服务器计算各待测配置组的最小工作时间Δtmin和rt值中值rtm;
所述步骤S44进一步包括:选择最小工作时间Δtmin最短的10个待测配置组,将这10个待测配置组根据rt值中值rtm进行排序,将rt值中值rtm最小的5个待测配置组作为推荐的配置组列表。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种机器视觉系统配置筛选方法,其特征在于,包括如下步骤:
S1:在机器视觉系统中选择需要筛选的配置类型;
S2:选择每个配置类型可供筛选的配置内容,每个配置类型包括一个或多个配置内容;
S3:对所有配置类型中的配置内容进行排列组合,得到所有可能存在配置组,每个配置组包括每种配置类型中的一项配置内容;
S4:对配置组进行初步筛选,得到推荐的配置组列表;
S5:对推荐的配置组列表中的所有配置组进行总时长测试,将总时长测试用时最短的配置组定为最佳配置组。
2.根据权利要求1所述的一种机器视觉系统配置筛选方法,其特征在于,所述机器视觉系统中需要筛选的配置类型包括:工控机、图像采集卡、相机、镜头和光源中的一种或多种。
3.根据权利要求1所述的一种机器视觉系统配置筛选方法,其特征在于,所述步骤S4包括如下子步骤:
S41:服务器同时给每个待测配置组发送测试启动信号;
S42:各待测配置组分别完成预设的一次拍摄任务和Q1次分析任务,并计算完成所有任务的工作时间Δt;
S43:将步骤S42重复R1次,服务器计算各待测配置组的最小工作时间Δtmin;
S44:选择最小工作时间Δtmin最短的前K个待测配置组作为推荐的配置组列表,K为10以下的自然数。
4.根据权利要求3所述的一种机器视觉系统配置筛选方法,其特征在于,在步骤S42中,各待测配置组在主线程中完成预设的拍摄任务,在子线程中分别完成Q1次分析任务。
5.根据权利要求3所述的一种机器视觉系统配置筛选方法,其特征在于,
所述步骤S42进一步包括:各待测配置组分别完成预设的拍摄任务,在配置组的p个子线程中分别完成Q1次分析任务,分别计算配置组完成所有任务的工作时间Δt以及rt值,rt=(tmax-tmin)/tmin,其中,tmax=max(Δtt1,…Δttp),tmin=min(Δtt1,…Δttp);其中,Δtti为各子线程中完成所有分析任务的时间,i为1到p之间的整数;
所述步骤S43进一步包括:将步骤S42重复R1次,服务器计算各待测配置组的最小工作时间Δtmin和rt值中值rtm;
所述步骤S44进一步包括:选择最小工作时间Δtmin最短的2K个待测配置组,将这2K个待测配置组根据rt值中值rtm进行排序,将rt值中值rtm最小的K个待测配置组作为推荐的配置组列表,K为10以下的自然数。
7.根据权利要求6所述的一种机器视觉系统配置筛选方法,其特征在于,在每轮测试结束后,根据每个线程的完成时间与所有线程的总完成时间的比值,调整下一轮测试的各线程运行次数任务量TAi。
9.一种机器视觉系统配置筛选设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1-8中任一项所述的机器视觉配置筛选方法的各个步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-8中任一项所述的机器视觉系统配置筛选方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400426.8A CN112529762B (zh) | 2020-12-04 | 2020-12-04 | 一种机器视觉系统配置筛选方法、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011400426.8A CN112529762B (zh) | 2020-12-04 | 2020-12-04 | 一种机器视觉系统配置筛选方法、设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529762A true CN112529762A (zh) | 2021-03-19 |
CN112529762B CN112529762B (zh) | 2021-07-13 |
Family
ID=74997435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011400426.8A Active CN112529762B (zh) | 2020-12-04 | 2020-12-04 | 一种机器视觉系统配置筛选方法、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529762B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468770A (zh) * | 2021-09-02 | 2021-10-01 | 成都新西旺自动化科技有限公司 | 一种机器视觉配方的生成方法及系统 |
CN114339210A (zh) * | 2021-12-30 | 2022-04-12 | 江西盛泰精密光学有限公司 | 一种摄像头模组多线程检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002230A (zh) * | 2004-06-09 | 2007-07-18 | 科格内克斯科技及投资公司 | 用于配置和测试机器视觉检测器的方法和装置 |
US20140229955A1 (en) * | 2011-09-26 | 2014-08-14 | Theranos, Inc. | Methods, systems, and devices for real time execution and optimization of concurrent test protocols on a single device |
CN105378450A (zh) * | 2013-02-18 | 2016-03-02 | 赛拉诺斯股份有限公司 | 用于多元分析的系统和方法 |
CN109101431A (zh) * | 2018-09-26 | 2018-12-28 | 深圳壹账通智能科技有限公司 | 一种测试用例管理方法、计算机可读存储介质及终端设备 |
CN111652122A (zh) * | 2020-06-01 | 2020-09-11 | 珠海格力智能装备有限公司 | 视觉系统的配置方法及装置 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
-
2020
- 2020-12-04 CN CN202011400426.8A patent/CN112529762B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101002230A (zh) * | 2004-06-09 | 2007-07-18 | 科格内克斯科技及投资公司 | 用于配置和测试机器视觉检测器的方法和装置 |
US20140229955A1 (en) * | 2011-09-26 | 2014-08-14 | Theranos, Inc. | Methods, systems, and devices for real time execution and optimization of concurrent test protocols on a single device |
CN105378450A (zh) * | 2013-02-18 | 2016-03-02 | 赛拉诺斯股份有限公司 | 用于多元分析的系统和方法 |
CN109101431A (zh) * | 2018-09-26 | 2018-12-28 | 深圳壹账通智能科技有限公司 | 一种测试用例管理方法、计算机可读存储介质及终端设备 |
CN111652122A (zh) * | 2020-06-01 | 2020-09-11 | 珠海格力智能装备有限公司 | 视觉系统的配置方法及装置 |
CN111951237A (zh) * | 2020-08-04 | 2020-11-17 | 上海微亿智造科技有限公司 | 外观视觉检测方法 |
Non-Patent Citations (5)
Title |
---|
卢荣胜; 吴昂; 张腾达; 王永红: "自动光学(视觉)检测技术及其在缺陷检测中的应用综述", 《光学学报》 * |
李雪莲; 高海洲: "两台机器人式激光在线检测系统在车身制造中应用之优劣", 《2009中国汽车工程学会年会论文集》 * |
李雷辉; 汪日伟; 温显斌: "基于红外视觉的智能装甑系统的撒料区域的高效检测算法设计", 《天津理工大学学报》 * |
胡兴军,唐向阳,张勇: "机器视觉技术及其在汽车制造质量检测中的应用", 《现代零部件》 * |
雷艇: "铸件表面缺陷自动化检测设备的系统设计", 《传动技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113468770A (zh) * | 2021-09-02 | 2021-10-01 | 成都新西旺自动化科技有限公司 | 一种机器视觉配方的生成方法及系统 |
CN113468770B (zh) * | 2021-09-02 | 2021-11-12 | 成都新西旺自动化科技有限公司 | 一种机器视觉配方的生成方法及系统 |
CN114339210A (zh) * | 2021-12-30 | 2022-04-12 | 江西盛泰精密光学有限公司 | 一种摄像头模组多线程检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112529762B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529762B (zh) | 一种机器视觉系统配置筛选方法、设备和可读存储介质 | |
CN107920246B (zh) | 摄像头模组的倾斜度测试方法及装置 | |
US11455583B2 (en) | Method for selecting worker according to feature of project based on crowd sourcing | |
CN109596143A (zh) | 陀螺仪的测试方法、系统、设备及计算机可读存储介质 | |
CN103186770A (zh) | 被摄体识别装置及词典数据登记方法 | |
CN114885156A (zh) | 识别方法、装置、设备、存储介质及程序产品 | |
CN109425327A (zh) | 检查系统和检查用图像的修正方法 | |
CN109725785A (zh) | 任务执行情况追踪方法、装置、设备及可读存储介质 | |
WO2010145881A1 (en) | An inspection method and an inspection apparatus | |
JPWO2018158815A1 (ja) | 点検支援装置、点検支援方法およびプログラム | |
CN116484081A (zh) | 一种芯片电气参数的线上处理方法、装置及电子设备 | |
TWI510942B (zh) | 量測程式輸出系統及方法 | |
CN109506598A (zh) | 一种板材平整度测试方法及装置 | |
CN106201895B (zh) | 应用测试方法和装置 | |
CN111563931A (zh) | 计算时间的方法及装置 | |
CN117192343B (zh) | 基于辅助系统的芯片测试方法、电子设备及介质 | |
US20230143489A1 (en) | Data analysis apparatus and data analysis method | |
JP2008186103A (ja) | 被テストプログラム資源競合テスト方法及び競合プログラム | |
CN118069949B (zh) | 基于组件树架构的动态布局方法和系统 | |
CN110704998A (zh) | 多媒体ip带宽性能的验证方法及装置 | |
CN110908902B (zh) | 一种测试步骤的编辑方法、装置及电子设备 | |
CN114827591B (zh) | 一种应用于光源相机系统的综合测定评价方法 | |
US9342641B1 (en) | Configuration of logic analyzer using graphical user interface | |
CN107193746B (zh) | 一种移动终端开机性能评估方法 | |
CN116183169B (zh) | 一种显示产品图像中心对位方法、装置、设备及存储介质 |
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 |