CN114626538A - 人工智能模型自动提升训练系统及方法 - Google Patents
人工智能模型自动提升训练系统及方法 Download PDFInfo
- Publication number
- CN114626538A CN114626538A CN202011426441.XA CN202011426441A CN114626538A CN 114626538 A CN114626538 A CN 114626538A CN 202011426441 A CN202011426441 A CN 202011426441A CN 114626538 A CN114626538 A CN 114626538A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- defect
- marking
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一种人工智能模型自动提升训练系统,包括:数据收集模块,用于产品零件的缺陷数据;缺陷标记模块,用于按照零件类别及缺陷类型对缺陷数据和/或测试结果进行实时标记,并形成标记数据;数据储存模块,用于储存标记数据;模型训练模块,用于通过标记数据训练与测试人工智能模型,并得到测试准确率及测试结果;以及数据传输模块,用于将缺陷数据由数据收集模块实时传送至缺陷标记模块,将标记数据由缺陷标记模块实时传送至数据储存模块,将标记数据由数据储存模块传送至模型训练模块,及将测试准确率及测试结果由模型训练模块实时传送至缺陷标记模块。
Description
技术领域
本发明有关于一种人工智能模型自动提升训练系统及方法,特别有关于一种用于检测缺陷的人工智能模型自动提升训练系统及方法。
背景技术
光学识别技术如自动光学检测系统(Automated Optical Inspection,AOI),如今已被普遍应用于电子行业的电路板等电子产品的检测流程中,具体的是检测构成的电子产品的多种零部件是否存在缺陷;另外,近年来人工智能技术的发展迅速,目前已将人工智能模型应用到电子产品的缺陷检测当中,可以提高缺陷检测效率及准确率。
然而,训练人工智能模型需要大量的训练数据样本,因而需要人员在线下进行大量的数据样本收集及标记,耗时耗力;并且还有需要人员根据训练效果不断调整训练数据样本文件夹,进行反复训练,直至达到预期准确率,从而现有的用于缺陷检测的人工智能模型的训练过程存在训练周期长,效率低的问题,而且不能做到对训练数据样本的实时标记。
基于上述,如何提高人工智能模型的训练效率以及预测准确率,实为需要解决的问题之一。
发明内容
为了解决上述现有问题,本发明的目的在于提供一种人工智能模型自动提升训练系统及方法,能够实现对训练样本的实时标记,用于对人工智能模型进行训练,提高训练效率,缩短训练周期,以及提高预测准确率。
为了实现上述目的,本发明的一实施例提供一种人工智能模型自动提升训练系统,其包括:一数据收集模块、一缺陷标记模块、一数据储存模块、一模型训练模块以及一数据传输模块;
其中,所述数据收集模块,用于收集产品的缺陷数据;所述缺陷标记模块,用于按照零件类别及缺陷类型对所述缺陷数据和/或所述测试结果进行实时标记,并形成标记数据;所述数据储存模块,用于储存所述标记数据;所述模型训练模块,用于通过所述标记数据训练与测试所述人工智能模型,并得到测试准确率及测试结果;以及所述数据传输模块,用于将所述缺陷数据由数据收集模块实时传送至所述缺陷标记模块,将所述标记数据由所述缺陷标记模块实时传送至所述数据储存模块,将所述标记数据由所述数据储存模块传送至所述模型训练模块,及将所述测试准确率及所述测试结果由所述模型训练模块实时传送至所述缺陷标记模块。
上述的人工智能模型自动提升训练系统,其中,当所述缺陷标记模块的所述标记数据的数量大于等于一预设数值时,通过所述数据传输模块将所述标记数据传送至所述模型训练模块,并自动开启所述人工智能模型的训练及测试。
上述的人工智能模型自动提升训练系统,其中,所述缺陷标记模块包括:一显示模块,用于实时显示所述缺陷数据和/或所述测试结果;以及一输入模块,用于按照零件类别及缺陷类型对所述缺陷数据和/或所述测试结果进行实时标记。
上述的人工智能模型自动提升训练系统,其中,所述数据储存模块包括一数据储存表,用于按照所述零件类别及所述缺陷类型储存所述标记数据。
上述的人工智能模型自动提升训练系统,其中,所述缺陷数据、所述标记数据或者所述测试结果为图片格式。
为了实现上述目的,本发明的一实施例还提供了一种人工智能模型自动提升训练方法,采用上述的系统,其包括如下步骤:步骤1、所述数据收集模块收集产品的缺陷数据,并通过所述数据传输模块将所述缺陷数据实时传送至所述缺陷标记模块;步骤2、所述缺陷标记模块按照零件类别及缺陷类型对所述缺陷数据实时进行标记,并形成标记数据,通过所述数据传输模块将所述标记数据实时传送至所述数据储存模块进行储存;步骤3、通过所述数据传输模块将所述标记数据由所述数据储存模块传送至所述模型训练模块,并通过所述标记数据训练与测试所述人工智能模型,得到测试准确率及测试结果,通过所述数据传输模块将所述测试准确率及所述测试结果实时传送至所述缺陷标记模块;步骤4、所述缺陷标记模块按照零件类别及缺陷类型对所述测试结果实时进行标记,并形成所述标记数据,通过所述数据传输模块将所述标记数据实时传送至所述数据储存模块进行储存;以及步骤5、重复执行所述步骤1-步骤4,直至所述测试准确率大于等于一预设准确率值。
上述的人工智能模型自动提升训练方法,其中,当所述数据储存模块的所述标记数据的数量大于等于一预设数值时,通过所述数据传输模块将所述标记数据传送至所述模型训练模块,并自动开启所述人工智能模型的训练及测试。
上述的人工智能模型自动提升训练方法,其中,所述步骤2或者步骤3中:所述缺陷标记模块的一显示模块实时显示所述缺陷数据和/或所述测试结果;以及所述缺陷标记模块的一输入模块按照零件类别及缺陷类型对所述缺陷数据和/或所述测试结果进行实时标记。
上述的人工智能模型自动提升训练方法,其中,所述数据储存模块包括一数据储存表,用于按照所述零件类别及所述缺陷类型储存所述标记数据。
上述的人工智能模型自动提升训练方法,其中,所述缺陷数据、所述标记数据或者所述测试结果为图片格式。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明一实施例的人工智能模型自动提升训练系统的结构示意图。
图2为本发明一实施例的缺陷标记模块的结构示意图。
图3为本发明一实施例的数据储存表的示意图。
图4为本发明一实施例的人工智能模型自动提升训练方法的流程图。
附图标记
100:训练系统
110:数据收集模块
120:缺陷标记模块
121:缺陷输入模块
122:缺陷显示模块
130:数据储存模块
140:模型训练模块
150:数据传输模块
S100、S110-S160:步骤
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述:
图1为本发明一实施例的人工智能模型自动提升训练系统的结构示意图。本发明实施例提供的人工智能模型自动提升训练系统主要应用于电子产品的缺陷检测,其中电子产品例如为印刷电路板、液晶屏幕、芯片等,本发明并不以此为限,而上述的电子产片一般由多种零件所构成,零件可以包括多种类别,例如电阻、电容、电感、晶体管等,并且在生产、测试或者转送的过程中不免会造成一些缺陷或者损伤,缺陷类型可以包括多种类型,例如缺件、错件、多件、异物、错位、破损等,本发明对零件种类或缺陷类型并不予以限制。如图1所示,在本实施例中,人工智能模型自动提升训练系统100包括:数据收集模块110、缺陷标记模块120、数据储存模块130、模型训练模块140以及数据传输模块150。
其中,数据收集模块110用于收集产品的缺陷数据,在一实施例中,数据收集模块110可连接一数据库,所述数据库可储存有大量的多种电子产品其中一种的所述缺陷数据或者多种电子产品的多种所述缺陷数据,因而数据收集模块110可直接从所述数据库中收集上述的多种电子产品其中一种的所述缺陷数据,但本发明并不以此为限;缺陷标记模块120,其功能在于按照上述的零件类别,例如电阻、电容、电感、晶体管,及缺陷类型,例如缺件、错件、多件、异物、错位、破损对所述缺陷数据或者人工智能模型的测试结果进行实时标记,并据此生成标记数据;数据储存模块130,用于储存所述标记数据;模型训练模块140,其作用在于通过所述标记数据分别训练与测试人工智能模型,所述人工智能模型可以例如通过人工智能神经网络所建立,具体的,将缺陷标记模块120对数据收集模块110所收集的缺陷数据标记所生成的标记数据输入一人工智能神经网络进行训练并得到所述人工智能模型,然后将所述标记数据输入所述人工智能模型进行测试并得到测试准确率及测试结果。数据传输模块150,其可通过有线或者无线的方式与数据收集模块110、缺陷标记模块120、数据储存模块130以及模型训练模块140之间实现连接,例如采用数据线或者5G通信技术,从而可以作为传输媒介用于人工智能模型自动提升训练系统100中所涉及的各种数据在各模块之间的传输,具体的,将数据收集模块110所收集的所述缺陷数据由数据收集模块110实时传送至缺陷标记模块120,将陷标记模块120所标记的所述标记数据由缺陷标记模块120实时传送至数据储存模块130,将储存于数据储存模块130的所述标记数据由数据储存模块130传送至模型训练模块140,及将模型训练模块140产生的所述测试准确率及所述测试结果由模型训练模块140实时传送至缺陷标记模块120。
图2为本发明一实施例的缺陷标记模块的结构示意图。如图2所示,在本实施例中,缺陷标记模块120包括缺陷显示模块121以及缺陷输入模块122;其中,缺陷显示模块121主要用于对显示由数据收集模块110传输的缺陷数据或者模型训练模块130所传输至缺陷标记模块120的测试结果;缺陷输入模块122主要用于按照上述的零件类别以及缺陷类型对缺陷显示模块121所显示的所述缺陷数据或者所述测试结果进行实时标记,并生成标记数据,而所述缺陷数据或者所述测试结果可为图片格式,缺陷输入模块122可以直接在图片上进行实时标记,并生成图片格式的标记数据,例如缺陷显示模块121显示一缺陷图片,从显示模块121中可直观地观察到该缺陷图片中存在电容移位的缺陷,此时由缺陷输入模块122按照零件类别为电容,缺陷类型为移位对其进行实时标记,并生成该缺陷图片对应的标记数据,从而通过缺陷标记模块120可以对所述缺陷数据或者所述测试结果实时且准确地进行标记;在本实施例中,缺陷显示模块121与缺陷输入模块122可以采用触控型显示面板一体实现,即触控型显示面板既可以实现缺陷显示模块121显示所述缺陷数据或者所述测试结果,同时可以作为缺陷输入模块122对显示其上的所述缺陷数据或者所述测试结果进行实时标记,并形成标记数据,本发明并不以此为限,缺陷显示模块121及缺陷输入模块122也可以采用分开设置的方式。于一实施例中,缺陷标记模块120中可设置一预设准确率值,例如90%,当然所述预设准确率值可根据实际需要进行调整,本发明不限于此。用于同模型训练模块140中测试人工智能模型之后所得到的测试准确率进行比较,并且缺陷标记模块120可先一步比较所述测试准确率与所述预设准确率值的大小,当所述测试准确率超过所述预设准确率值时,表示所述人工智能模型的训练已达预期,可结束本实施例的人工智能模型自动提升训练系统100的运行,当所述测试准确率未超过所述预设准确率值时,缺陷显示模块122才显示所述测试结果,并由缺陷输入模块122对其进行实时标记。
图3为本发明一实施例的数据储存表的示意图。在本发明的一实施例中,数据存储模块130可包括一数据储存表,其主要用于按照上述的零件类别及缺陷类型储存所述标记数据。如图3所示,左方的物件1~物件10分别表示不同的零件类别,例如电阻、电容、电感、晶体管等,上方的type1~type9分别表示不同的缺陷类型,例如缺件、错件、多件、异物、错位、破损等,表格中的数字表示所述标记数据的数量,本实施例的数据储存表对零件类别及缺陷类型并不限制,实际应用中可根据实际的零件类别及缺陷类型予以设置。当所述缺陷数据或者所述测试结果在缺陷标记模块120中被标记完成时,数据传输模块150则将所述标记数据实时传送至数据储存模块130的所述数据储存表中,具体的,根据被标记的零件类别及缺陷类型,所述标记数据被传送至对应的表格中,例如一缺陷数据被标记为(物件2,type3),则其将被传送至(物件2,type3)对应的表格中进行储存。并且,在本实施例中,当所述数据储存表中的某一表格内储存的标记数据的数量超过一预设数值时,则由数据传输模块150自动将所述表格储存的所述标记数据传送至模型训练模块140并据此开启人工智能模型的训练及测试,例如所述预设数值可设为500,如图3所示的数据存储表的表格(物件1,type5)、(物件3,type4)、(物件4,type8)、(物件5,type3)、(物件8、type5)、(物件12,type2)等内储存的所述标记数据的数量均已超过500,从而上述表格内的所述标记数据将传送至模型训练模块140中用于训练及测试人工智能模型,其中所述预设数值可根据实际应用具体设置,本发明并不予以限制。
图4为本发明一实施例的人工智能模型自动提升训练方法的流程图。如图4所示,在本实施例的人工智能模型自动提升训练方法S100可采用如图1所示的人工智能模型自动提升训练系统实现,具体包括以下步骤:
步骤S110、数据收集模块110收集产品的缺陷数据,并通过数据传输模块150将所述缺陷数据实时传送至缺陷标记模块120;
步骤S120、缺陷标记模块120按照零件类别及缺陷类型对所述缺陷数据实时进行标记,并形成标记数据,
步骤S130、通过数据传输模块150将所述标记数据实时传送至数据储存模块130进行储存;
步骤S140、通过数据传输模块150将所述标记数据由数据储存模块130传送至模型训练模块140,并通过所述标记数据训练与测试所述人工智能模型,得到测试准确率及测试结果,通过数据传输模块150将所述测试准确率及所述测试结果实时传送至缺陷标记模块120;
步骤S150、判断所述测试准确率是否超过一预设准确率值,当所述测试准确率超过一预设准确率值时,结束流程,否则执行步骤S160;
步骤S160,缺陷标记模,120按照零件类别及缺陷类型对所述测试结果实时进行标记,并形成所述标记数据,并返回步骤S130。
综上所述,本发明实施例所提供的人工智能模型自动提升训练系统及方法,通过数据收集模块直接收集产品的缺陷数据,并能够实时传送至缺陷标记模块按照零件类别及缺陷类型进行实时标记,形成标记数据;采用标记数据训练及测试人工智能模型,得到测试准确率及测试结果,当测试准确率小于预期时,对测试结果再次进行标记,并形成标记数据,再次用于人工智能模型的训练及测试,直至人工智能模型的测试准确率达到预期。因此,缺陷标记模块、数据储存模块及模型训练模块之间能够形成闭环,实现人工智能模型的自动提升训练,并且能提高训练效率,缩短训练周期,以及提高预测准确率。
另外,本发明实施例提供的人工智能模型自动提升训练系统及方法可面向多种电子产品,分别收集其对应的缺陷数据进行训练,从而得到多种电子产品对应的人工智能模型。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种人工智能模型自动提升训练系统,其特征在于,包括:
一数据收集模块,用于收集产品的缺陷数据;
一缺陷标记模块,用于按照零件类别及缺陷类型对所述缺陷数据和/或所述测试结果进行实时标记,并形成标记数据;
一数据储存模块,用于储存所述标记数据;
一模型训练模块,用于通过所述标记数据训练与测试所述人工智能模型,并得到测试准确率及测试结果;以及
一数据传输模块,用于将所述缺陷数据由数据收集模块实时传送至所述缺陷标记模块,将所述标记数据由所述缺陷标记模块实时传送至所述数据储存模块,将所述标记数据由所述数据储存模块传送至所述模型训练模块,及将所述测试准确率及所述测试结果由所述模型训练模块实时传送至所述缺陷标记模块。
2.如权利要求1所述的人工智能模型自动提升训练系统,其特征在于,当所述数据储存模块的所述标记数据的数量大于等于一预设数值时,通过所述数据传输模块将所述标记数据传送至所述模型训练模块,并自动开启所述人工智能模型的训练及测试。
3.如权利要求1所述的人工智能模型自动提升训练系统,其特征在于,所述缺陷标记模块包括:
一缺陷显示模块,用于实时显示所述缺陷数据和/或所述测试结果;以及
一缺陷输入模块,用于按照所述零件类别及所述缺陷类型对所述缺陷数据和/或所述测试结果进行实时标记。
4.如权利要求1所述的人工智能模型自动提升训练系统,其特征在于,所述数据储存模块包括一数据储存表,用于按照所述零件类别及所述缺陷类型储存所述标记数据。
5.如权利要求1-4任一项所述的人工智能模型自动提升训练系统,其特征在于,所述缺陷数据、所述标记数据或者所述测试结果为图片格式。
6.一种人工智能模型自动提升训练方法,采用如权利要求1所述的系统,其特征在于,包括:
步骤1、所述数据收集模块收集产品的缺陷数据,并通过所述数据传输模块将所述缺陷数据实时传送至所述缺陷标记模块;
步骤2、所述缺陷标记模块按照零件类别及缺陷类型对所述缺陷数据实时进行标记,并形成标记数据,通过所述数据传输模块将所述标记数据实时传送至所述数据储存模块进行储存;
步骤3、通过所述数据传输模块将所述标记数据由所述数据储存模块传送至所述模型训练模块,并通过所述标记数据训练与测试所述人工智能模型,得到测试准确率及测试结果,通过所述数据传输模块将所述测试准确率及所述测试结果实时传送至所述缺陷标记模块;
步骤4、所述缺陷标记模块按照零件类别及缺陷类型对所述测试结果实时进行标记,并形成所述标记数据,通过所述数据传输模块将所述标记数据实时传送至所述数据储存模块进行储存;
步骤5、重复执行所述步骤1-步骤4,直至所述测试准确率大于等于一预设准确率值。
7.如权利要求6所述的人工智能模型自动提升训练方法,其特征在于,当所述数据储存模块的所述标记数据的数量大于等于一预设数值时,通过所述数据传输模块将所述标记数据传送至所述模型训练模块,并自动开启所述人工智能模型的训练及测试。
8.如权利要求6所述的人工智能模型自动提升训练方法,其特征在于,所述步骤2或者步骤3中:
所述缺陷标记模块的一缺陷显示模块实时显示所述缺陷数据和/或所述测试结果;以及
所述缺陷标记模块的一缺陷输入模块按照零件类别及缺陷类型对所述缺陷数据和/或所述测试结果进行实时标记。
9.如权利要求6所述的人工智能模型自动提升训练方法,其特征在于,所述数据储存模块包括一数据储存表,用于按照所述零件类别及所述缺陷类型储存所述标记数据。
10.如权利要求6-9任一项所述的人工智能模型自动提升训练方法,其特征在于,所述缺陷数据、所述标记数据或者所述测试结果为图片格式。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426441.XA CN114626538A (zh) | 2020-12-09 | 2020-12-09 | 人工智能模型自动提升训练系统及方法 |
TW110104761A TWI803824B (zh) | 2020-12-09 | 2021-02-08 | 人工智慧模型自動提升訓練系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426441.XA CN114626538A (zh) | 2020-12-09 | 2020-12-09 | 人工智能模型自动提升训练系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114626538A true CN114626538A (zh) | 2022-06-14 |
Family
ID=81895409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011426441.XA Pending CN114626538A (zh) | 2020-12-09 | 2020-12-09 | 人工智能模型自动提升训练系统及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114626538A (zh) |
TW (1) | TWI803824B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190073756A (ko) * | 2017-12-19 | 2019-06-27 | 삼성전자주식회사 | 반도체 결함 분류 장치, 반도체의 결함을 분류하는 방법, 그리고 반도체 결함 분류 시스템 |
TWI667575B (zh) * | 2018-06-29 | 2019-08-01 | 由田新技股份有限公司 | 利用人工智慧的瑕疵檢測系統及其方法 |
US11379967B2 (en) * | 2019-01-18 | 2022-07-05 | Kla Corporation | Methods and systems for inspection of semiconductor structures with automatically generated defect features |
TWI694250B (zh) * | 2019-03-20 | 2020-05-21 | 英業達股份有限公司 | 表面缺陷偵測系統及其方法 |
CN110827244A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种用于电子设备外观瑕疵检测的方法与设备 |
TWM596871U (zh) * | 2019-12-03 | 2020-06-11 | 智泰科技股份有限公司 | 智慧型光學檢測ai資料蒐集系統 |
CN111275700A (zh) * | 2020-02-19 | 2020-06-12 | 凌云光技术集团有限责任公司 | 基于深度学习的端子缺陷检测方法及系统 |
TWM604031U (zh) * | 2020-07-03 | 2020-11-11 | 兆米智慧檢測股份有限公司 | 基於人工智能的光學檢測系統 |
-
2020
- 2020-12-09 CN CN202011426441.XA patent/CN114626538A/zh active Pending
-
2021
- 2021-02-08 TW TW110104761A patent/TWI803824B/zh active
Also Published As
Publication number | Publication date |
---|---|
TW202223720A (zh) | 2022-06-16 |
TWI803824B (zh) | 2023-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763443B2 (en) | Method for monitoring manufacture of assembly units | |
CN110455822A (zh) | 一种pcb板缺陷的检测方法 | |
CN110659662A (zh) | 利用人工智能的瑕疵检测系统及其方法 | |
CN107133725B (zh) | 一种电路板的自动化生产管理系统 | |
CN111915604A (zh) | 一种互联网人工智能电子零配件识别与检测系统 | |
US20230262903A1 (en) | Inspection and production of printed circuit board assemblies | |
CN104923494A (zh) | 一种电子元器件规模化自动分辨合格品的方法及其系统 | |
JP2006331346A (ja) | 工程管理装置、工程管理プログラム、工程管理プログラムを記録した記録媒体、および工程管理方法 | |
CN114842275B (zh) | 电路板缺陷判别方法、训练方法、装置、设备及存储介质 | |
CN206038549U (zh) | Smt生产实时管理系统 | |
CN106771693A (zh) | 老化自动测试系统及方法 | |
CN114626538A (zh) | 人工智能模型自动提升训练系统及方法 | |
CN111950963A (zh) | 一种基于互联网的电子元器件智能管理平台 | |
US7134599B2 (en) | Circuit board inspection apparatus | |
CN116612077A (zh) | 一种电路板检测方法及系统 | |
CN212322301U (zh) | 一种互联网人工智能电子零配件识别与检测系统 | |
CN112702905B (zh) | 印刷电路板良率和生产设备错误率之回溯方法及其系统 | |
CN107248375A (zh) | 用于刻号机的识别号补值方法及系统 | |
CN113192068A (zh) | 应用于印制线板的ai视觉检测系统 | |
CN113674249A (zh) | 基于工业互联网的pcb板印刷质量检测方法 | |
CN111652491A (zh) | 显示面板的抽检方法、流水线控制装置及存储介质 | |
CN112101496A (zh) | 设备制造阶段管理流程及数据实现系统及方法 | |
CN113805365A (zh) | 标记设备及缺陷标记方法 | |
CN112399466B (zh) | 一种基于领域规则库的通信规则缺陷的分析方法 | |
TWI846940B (zh) | 標記設備及缺陷標記方法 |
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 |