CN109886956A - 检测缺陷点聚集性的方法及装置 - Google Patents
检测缺陷点聚集性的方法及装置 Download PDFInfo
- Publication number
- CN109886956A CN109886956A CN201910169245.XA CN201910169245A CN109886956A CN 109886956 A CN109886956 A CN 109886956A CN 201910169245 A CN201910169245 A CN 201910169245A CN 109886956 A CN109886956 A CN 109886956A
- Authority
- CN
- China
- Prior art keywords
- defect point
- subregion
- normalization
- detected
- mode
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 321
- 230000002776 aggregation Effects 0.000 title claims abstract description 73
- 238000004220 aggregation Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000010586 diagram Methods 0.000 claims abstract description 131
- 238000010606 normalization Methods 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000005192 partition Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 230000003321 amplification Effects 0.000 claims description 18
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007689 inspection Methods 0.000 abstract description 3
- 239000000758 substrate Substances 0.000 description 12
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种检测缺陷点聚集性的方法及装置,涉及自动光学检测技术领域,提高了检测缺陷点图中的缺陷点是否具有聚集性的检测效率和准确性,本发明的主要技术方案为:获取待检测缺陷点图、分区方式、分区数量及方差阈值;根据所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;确定每个所述分区对应的缺陷点数量,并根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;计算多个所述归一化占比值对应的方差值;判断所述方差值是否大于所述方差阈值;若是,则确定所述待检测缺陷点图中的缺陷点具有聚集性。本发明应用于检测缺陷点图中的缺陷点是否具有聚集性的过程中。
Description
技术领域
本发明涉及自动光学检测技术领域,尤其涉及一种检测缺陷点聚集性的方法及装置。
背景技术
随着科学技术的不断发展,AOI(自动光学检测)技术已经广泛应用于电子制造业。在阵列基板的制作过程中,检测阵列基板上的缺陷点是否具有聚集性是十分重要的环节。AOI检测设备在对阵列基板进行AOI检测的过程中,AOI检测设备会按照预设坐标系,记录该阵列基板上的每个缺陷点的坐标,并在检测完毕后,根据记录的每个缺陷点对应的坐标,绘制出该阵列基板对应的缺陷点图,根据该缺陷点图便可确定该阵列基板上的缺陷点是否具有聚集性。
目前,在根据阵列基板对应的缺陷点图确定该阵列基板上的缺陷点是否具有聚集性时,通常采用人工检测的方式,即工作人员人工识别缺陷点图中的缺陷点,当确定单位面积内的缺陷点超过一定数量时,便可确定该缺陷点图中的缺陷点具有聚集性,从而可以确定该阵列基板上的缺陷点具有聚集性。
发明人在实现本发明的过程中,发现现有技术中存在以下技术问题,由于,需要进行检测的缺陷点图的数量过多,因此,当工作人员对所有缺陷点图进行检测时,必定会耗费大量时间;并且,不同工作人员的检测标准并不统一,从而无法保证检测结果的准确性,因此,采用人工检测的方式检测缺陷点图中的缺陷点是否具有聚集性的检测效率较低、准确性较差。
发明内容
有鉴于此,本发明提供一种检测缺陷点聚集性的方法及装置,主要目的在于提高检测缺陷点图中的缺陷点是否具有聚集性的检测效率和准确性。
为了解决上述问题,本发明主要提供如下技术方案:
一方面,本发明提供了一种检测缺陷点聚集性的方法,该方法包括:
获取待检测缺陷点图、分区方式、分区数量及方差阈值;
根据所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;
确定每个所述分区对应的缺陷点数量,并根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;
计算多个所述归一化占比值对应的方差值;
判断所述方差值是否大于所述方差阈值;
若是,则确定所述待检测缺陷点图中的缺陷点具有聚集性。
可选的,所述分区方式为竖向分区方式或横向分区方式;所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值,包括:
根据每个所述分区对应的缺陷点数量计算所述待检测缺陷点图对应的缺陷点数量;
计算每个所述分区对应的缺陷点数量占所述待检测缺陷点图对应的缺陷点数量的比值,以获得每个所述分区对应的归一化占比值。
可选的,所述分区方式为正斜分区方式或负斜分区方式;所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值,包括:
确定所述待检测缺陷点图对应的面积以及每个所述分区对应的面积;
将每个所述分区对应的缺陷点数量、每个所述分区对应的面积以及所述待检测缺陷点图对应的面积代入预设算法中,计算每个所述分区对应的归一化占比值。
可选的,在所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值之后,所述方法还包括:
使用预设放大倍数对每个所述归一化占比值进行放大处理;
计算所述预设放大倍数的平方值,并使用所述平方值对所述方差阈值进行放大处理;
所述计算多个所述归一化占比值对应的方差值,包括:
计算经过放大处理后的多个所述归一化占比值对应的方差值;
所述判断所述方差值是否大于所述方差阈值,包括:
判断经过放大处理后的多个所述归一化占比值对应的方差值是否大于经过放大处理后的所述方差阈值。
可选的,所述分区方式为竖向分区方式、横向分区方式、正斜分区方式、负斜分区方式中的任意一种。
为了实现上述目的,根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述所述的检测缺陷点聚集性的方法。
为了实现上述目的,根据本发明的另一方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序运行时实现上述所述的检测缺陷点聚集性的方法。
另一方面,本发明还提供了一种检测缺陷点聚集性的装置,该装置包括:
获取单元,用于获取待检测缺陷点图、分区方式、分区数量及方差阈值;
区域分割单元,用于根据所述获取单元获取的所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;
第一确定单元,用于确定每个所述分区对应的缺陷点数量;
第一计算单元,用于根据所述第一确定单元确定的每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;
第二计算单元,用于计算多个所述归一化占比值对应的方差值;
判断单元,用于判断所述第二计算单元计算的所述方差值是否大于所述方差阈值;
第二确定单元,用于当所述判断单元判断所述方差值大于所述方差阈值时,确定所述待检测缺陷点图中的缺陷点具有聚集性。
可选的,所述分区方式为竖向分区方式或横向分区方式;所述第一计算单元包括:
第一计算模块,用于根据每个所述分区对应的缺陷点数量计算所述待检测缺陷点图对应的缺陷点数量;
第二计算模块,用于计算每个所述分区对应的缺陷点数量占所述待检测缺陷点图对应的缺陷点数量的比值,以获得每个所述分区对应的归一化占比值。
可选的,所述分区方式为正斜分区方式或负斜分区方式;所述第一计算单元包括:
确定模块,用于确定所述待检测缺陷点图对应的面积以及每个所述分区对应的面积;
第三计算模块,用于将每个所述分区对应的缺陷点数量、每个所述分区对应的面积以及所述待检测缺陷点图对应的面积代入预设算法中,计算每个所述分区对应的归一化占比值。
可选的,所述装置还包括:
第一放大单元,用于在所述第一计算单元根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值之后,使用预设放大倍数对每个所述归一化占比值进行放大处理;
第三计算单元,用于计算所述预设放大倍数的平方值;
第二放大单元,用于使用所述第三计算单元计算的所述平方值对所述方差阈值进行放大处理;
所述第二计算单元,具体用于计算经过放大处理后的多个所述归一化占比值对应的方差值;
所述判断单元,具体用于判断经过放大处理后的多个所述归一化占比值对应的方差值是否大于经过放大处理后的所述方差阈值。
可选的,所述分区方式为竖向分区方式、横向分区方式、正斜分区方式、负斜分区方式中的任意一种。
借由上述技术方案,本发明提供的技术方案至少具有下列优点:
本发明提供一种检测缺陷点聚集性的方法及装置,与现有技术中,采用人工检测的方式检测缺陷点图中的缺陷点是否具有聚集性相比,本发明能够在终端设备获取得到AOI检测设备绘制的待检测缺陷点图以及工作人员根据检测需求设定的分区方式、分区数量和方差阈值后,由终端设备根据分区方式及分区数量对待检测缺陷点图进行区域分割处理,从而获得多个分区;终端设备在确定出每个分区对应的缺陷点数量后,根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值,并计算多个归一化占比值对应的方差值;终端设备在判定出多个归一化占比值对应的方差值大于方差阈值时,便可确定待检测缺陷点图中的缺陷点具有聚集性。由于,是由终端设备检测缺陷点图中的缺陷点是否具有聚集性,因此,能够提高检测缺陷点图中的缺陷点是否具有聚集性的检测效率;并且,终端设备能够采用相同的检测标准对多个缺陷点图进行检测,因此,能够提高检测缺陷点图中的缺陷点是否具有聚集性的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的一种检测缺陷点聚集性的方法流程图;
图2a示出了本发明实施例提供的一种采用竖向分区方式对待检测缺陷点图进行区域分割处理的示意图;
图2b示出了本发明实施例提供的一种采用横向分区方式对待检测缺陷点图进行区域分割处理的示意图;
图2c示出了本发明实施例提供的一种采用正斜分区方式对待检测缺陷点图进行区域分割处理的示意图;
图2d示出了本发明实施例提供的一种采用负斜分区方式对待检测缺陷点图进行区域分割处理的示意图;
图3为本发明实施例提供的另一种检测缺陷点聚集性的方法流程图;
图4为本发明实施例提供的一种检测缺陷点聚集性的装置的组成框图;
图5为本发明实施例提供的另一种检测缺陷点聚集性的装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明实施例提供一种检测缺陷点聚集性的方法,如图1所示,所述方法包括:
101、获取待检测缺陷点图、分区方式、分区数量及方差阈值。
其中,待检测缺陷点图为待检测阵列基板对应的缺陷点图,在AOI检测设备对待检测阵列基板进行AOI检测的过程中,AOI检测设备会按照预设坐标系,记录该待检测阵列基板上的每个缺陷点的坐标,并在检测完毕后,根据记录的每个缺陷点对应的坐标,绘制出该待检测阵列基板对应的缺陷点图(即待检测缺陷点图),此时,便能获取得到该待检测缺陷点图;其中,分区方式、分区数量以及方差阈值为工作人员根据检测需求自行设定的,分区方式为竖向分区方式、横向分区方式、正斜分区方式、负斜分区方式中的任意一种。
在本发明实施例中,为了检测缺陷点图中的缺陷点是否具有聚集性,终端设备首先需要获取AOI检测设备绘制的待检测缺陷点图以及工作人员根据检测需求设定的分区方式、分区数量和方差阈值。
102、根据分区方式及分区数量对待检测缺陷点图进行区域分割处理,以获得多个分区。
在本发明实施例中,终端设备在获取得到待检测缺陷点图、分区方式及分区数量后,便可根据获取得到的分区方式及分区数量对待检测缺陷点图进行区域分割处理,从而获得多个分区。
具体的,在本步骤中,当获取得到的分区方式为竖向分区方式时,终端设备使用垂直于待检测缺陷点图横轴的多条分界线对待检测缺陷点图进行区域分割处理,从而获得数量为分区数量的多个分区,其中,多条分界线的间距相等,具体可以如图2a所示;当获取得到的分区方式为横向分区方式时,终端设备使用平行于待检测缺陷点图横轴的多条分界线对待检测缺陷点图进行区域分割处理,从而获得数量为分区数量的多个分区,其中,多条分界线的间距相等,具体可以如图2b所示;当获取得到的分区方式为正斜分区方式时,终端设备使用斜率为正值的多条分界线对待检测缺陷点图进行区域分割处理,从而获得数量为分区数量的多个分区,其中,多条分界线的间距相等,具体可以如图2c所示;当获取得到的分区方式为负斜分区方式时,终端设备使用斜率为负值的多条分界线对待检测缺陷点图进行区域分割处理,从而获得数量为分区数量的多个分区,其中,多条分界线的间距相等,具体可以如图2d所示,但不限于此。
103、确定每个分区对应的缺陷点数量,并根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值。
在本发明实施例中,终端设备在根据获取得到的分区方式及分区数量对待检测缺陷点图进行区域分割处理,获得多个分区后,便可确定出每个分区对应的缺陷点数量。由于,当某个缺陷点图对应的缺陷点数量比较多,但该缺陷点图中的缺陷点分布的比较均匀时,应判定该缺陷点图中的缺陷点不具有聚集性;而当某个缺陷点图对应的缺陷点数量比较少,但该缺陷点图中的缺陷点分布的比较集中时,应判定该缺陷点图中的缺陷点具有聚集性,因此,为了消除待检测缺陷点图对应的缺陷点数量对检测结果的影响,终端设备需要对每个分区对应的缺陷点数量进行归一化处理,即根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值。
具体的,在本步骤中,当获取得到的分区方式为竖向分区方式或横向分区方式时,由于,每个分区对应的面积相同,因此,可以根据每个分区对应的缺陷点数量直接计算每个分区对应的归一化占比值,即首先根据每个分区对应的缺陷点数量计算待检测缺陷点图对应的缺陷点数量,再计算每个分区对应的缺陷点数量占待检测缺陷点图对应的缺陷点数量的比值,从而获得每个分区对应的归一化占比值;当获取得到的分区方式为正斜分区方式或负斜分区方式时,由于,每个分区对应的面积不同,因此,在根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值时,同样需要对每个分区对应的面积进行归一化处理,即首先确定待检测缺陷点图对应的面积以及每个分区对应的面积,然后将每个分区对应的缺陷点数量、每个分区对应的面积以及待检测缺陷点图对应的面积代入预设算法中,从而计算每个分区对应的归一化占比值。
104、计算多个归一化占比值对应的方差值。
在本发明实施例中,终端设备在计算出每个分区对应的归一化占比值后,便可计算多个归一化比值对应的方差值,即首先计算多个归一化占比值对应的平均值,然后将多个归一化占比值和多个归一化占比值对应的平均值代入到方差计算公式中,便可计算出多个归一化占比值对应的方差值。
105、判断方差值是否大于方差阈值。
在本发明实施例中,终端设备在计算出多个归一化占比值对应的方差值后,便可判断计算出的方差值是否大于在步骤101中获取得到的方差阈值,以便后续根据判断结果确定待检测缺陷点图中的缺陷点是否具有聚集性。
106、若是,则确定待检测缺陷点图中的缺陷点具有聚集性。
在本发明实施例中,当终端设备在步骤105中判定多个归一化占比值对应的方差值大于方差阈值时,便可确定待检测缺陷点图中的缺陷点具有聚集性。
需要进行说明的是,在实际应用过程中,工作人员根据检测需求可以同时设定多个分区方式,以及每个分区方式对应的分区数量和方差阈值,而终端设备在获取得到待检测缺陷点图、多个分区方式、每个分区方式对应的分区数量和每个分区方式对应的方差阈值后,可以采用上述步骤101-106所记载的方法,分别检测在每种分区方式下,待检测缺陷点图中的缺陷点是否具有聚集性,并在检测出在任意一种分区方式下,待检测缺陷点图中的缺陷点具有聚集性时,便可确定待检测缺陷点图中的缺陷点具有聚集性。
本发明实施例提供一种检测缺陷点聚集性的方法,与现有技术中,采用人工检测的方式检测缺陷点图中的缺陷点是否具有聚集性相比,本发明实施例能够在终端设备获取得到AOI检测设备绘制的待检测缺陷点图以及工作人员根据检测需求设定的分区方式、分区数量和方差阈值后,由终端设备根据分区方式及分区数量对待检测缺陷点图进行区域分割处理,从而获得多个分区;终端设备在确定出每个分区对应的缺陷点数量后,根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值,并计算多个归一化占比值对应的方差值;终端设备在判定出多个归一化占比值对应的方差值大于方差阈值时,便可确定待检测缺陷点图中的缺陷点具有聚集性。由于,是由终端设备检测缺陷点图中的缺陷点是否具有聚集性,因此,能够提高检测缺陷点图中的缺陷点是否具有聚集性的检测效率;并且,终端设备能够采用相同的检测标准对多个缺陷点图进行检测,因此,能够提高检测缺陷点图中的缺陷点是否具有聚集性的准确性。
以下为了更加详细地说明,本发明实施例提供了另一种检测缺陷点聚集性的方法,特别是终端设备根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值的具体方法,具体如图3所示,该方法包括:
201、获取待检测缺陷点图、分区方式、分区数量及方差阈值。
其中,关于步骤201、获取待检测缺陷点图、分区方式、分区数量及方差阈值,可以参考图1对应部分的描述,本发明实施例此处将不再赘述。
202、根据分区方式及分区数量对待检测缺陷点图进行区域分割处理,以获得多个分区。
其中,关于步骤202、根据分区方式及分区数量对待检测缺陷点图进行区域分割处理,以获得多个分区,可以参考图1对应部分的描述,本发明实施例此处将不再赘述。
203、确定每个分区对应的缺陷点数量。
其中,关于步骤203、确定每个分区对应的缺陷点数量,可以参考图1对应部分的描述,本发明实施例此处将不再赘述。
204、根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值。
在本发明实施例中,为了消除待检测缺陷点图对应的缺陷点数量对检测结果的影响,终端设备在确定每个分区对应的缺陷点数量后,需要对每个分区对应的缺陷点数量进行归一化处理,即根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值。以下将对终端设备如何根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值进行详细说明。
(1)当获取得到的分区方式为竖向分区方式或横向分区方式时,由于,每个分区对应的面积相同,因此,可以根据每个分区对应的缺陷点数量直接计算每个分区对应的归一化占比值:首先,根据每个分区对应的缺陷点数量计算待检测缺陷点图对应的缺陷点数量;然后,计算每个分区对应的缺陷点数量占待检测缺陷点图对应的缺陷点数量的比值,从而获得每个分区对应的归一化占比值,例如,在前述步骤中,采用竖向分区方式将待检测缺陷点图像分割为5个分区,分别为分区A、分区B、分区C、分区D以及分区E,其中,分区A对应的缺陷点数量为10、分区B对应的缺陷点数量为15、分区C对应的缺陷点数量为20、分区D对应的缺陷点数量为5、分区E对应的缺陷点数量为15,因此,该待检测缺陷点图对应的缺陷点数量为10+15+20+5+15=65,从而分区A对应的归一化占比值为10/65=0.154、分区B对应的归一化占比值为15/65=0.231、分区C对应的归一化占比值为20/65=0.308、分区D对应的归一化占比值为5/65=0.077、分区E对应的归一化占比值为15/65=0.231。
(2)当获取得到的分区方式为正斜分区方式或负斜分区方式时,由于,每个分区对应的面积不同,因此,在根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值时,同样需要对每个分区对应的面积进行归一化处理:首先,确定待检测缺陷点图对应的面积以及每个分区对应的面积;然后,将每个分区对应的缺陷点数量、每个分区对应的面积以及待检测缺陷点图对应的面积代入预设算法中,从而计算每个分区对应的归一化占比值,其中,预设算法具体如下:
其中,n为多个分区对应的数量,i的取值范围为[1,n],Ai为第i个分区对应的归一化占比值,Xi为第i个分区对应的缺陷点数量,ST为待检测缺陷点图对应的面积,Si为第i个分区对应的面积,X1为第1个分区对应的缺陷点数量,S1为第1个分区对应的面积,X2为第2个分区对应的缺陷点数量,S2为第2个分区对应的面积…Xn为第n个分区对应的缺陷点数量,Sn为第n个分区对应的面积。
205、对多个归一化占比值及方差阈值进行放大处理。
在本发明实施例中,由于,计算获得的多个归一化占比值的运算数量级较小,因此,为了便于运算,终端设备需要对多个归一化占比值及方差阈值进行放大处理。具体的,在本步骤中,终端设备在对多个归一化占比值进行放大处理时,可以使用预设放大倍数对每个归一化占比值进行放大处理;而在对方差阈值进行放大处理时,可以先计算预设放大倍数的平方值,再使用预设放大倍数的平方值对方差阈值进行放大处理,其中,预设放大倍数可以但不限于为:50、100、200等等。
206、计算经过放大处理后的多个归一化占比值对应的方差值。
在本发明实施例中,终端设备在对多个归一化占比值进行放大处理后,便可计算经过放大处理后的多个归一化占比值对应的方差值,即先计算经过放大处理后的多个归一化占比值对应的平均值,然后将经过放大处理后的多个归一化占比值和计算获得的平均值代入到方差计算公式中,便可计算出经过放大处理后的多个归一化占比值对应的方差值。
207、判断经过放大处理后的多个归一化占比值对应的方差值是否大于经过放大处理后的方差阈值。
在本发明实施例中,终端设备在计算出经过放大处理后的多个归一化占比值对应的方差值后,便可判断计算出的方差值是否大于经过放大处理后的方差阈值,以便后续根据判断结果确定待检测缺陷点图中的缺陷点是否具有聚集性。
208、若是,则确定待检测缺陷点图中的缺陷点具有聚集性。
其中,关于步骤208、若是,则确定待检测缺陷点图中的缺陷点具有聚集性,可以参考图1对应部分的描述,本发明实施例此处将不再赘述。
为了实现上述目的,根据本发明的另一方面,本发明实施例还提供了一种电子设备,所述电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现上述所述的检测缺陷点聚集性的方法。
为了实现上述目的,根据本发明的另一方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序运行时实现上述所述的检测缺陷点聚集性的方法。
进一步的,作为对上述图1、图3所示方法的实现,本发明实施例提供了一种检测缺陷点聚集性的装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置应用于提高检测缺陷点图中的缺陷点是否具有聚集性的检测效率和准确性,具体如图4所示,该装置包括:
获取单元301,用于获取待检测缺陷点图、分区方式、分区数量及方差阈值;
区域分割单元302,用于根据获取单元301获取的所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;
第一确定单元303,用于确定每个所述分区对应的缺陷点数量;
第一计算单元304,用于根据第一确定单元303确定的每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;
第二计算单元305,用于计算多个所述归一化占比值对应的方差值;
判断单元306,用于判断第二计算单元305计算的所述方差值是否大于所述方差阈值;
第二确定单元307,用于当判断单元306判断所述方差值大于所述方差阈值时,确定所述待检测缺陷点图中的缺陷点具有聚集性。
进一步的,如图5所示,所述分区方式为竖向分区方式或横向分区方式;第一计算单元304包括:
第一计算模块3041,用于根据每个所述分区对应的缺陷点数量计算所述待检测缺陷点图对应的缺陷点数量;
第二计算模块3042,用于计算每个所述分区对应的缺陷点数量占所述待检测缺陷点图对应的缺陷点数量的比值,以获得每个所述分区对应的归一化占比值。
进一步的,如图5所示,所述分区方式为正斜分区方式或负斜分区方式;第一计算单元304包括:
确定模块3043,用于确定所述待检测缺陷点图对应的面积以及每个所述分区对应的面积;
第三计算模块3044,用于将每个所述分区对应的缺陷点数量、每个所述分区对应的面积以及所述待检测缺陷点图对应的面积代入预设算法中,计算每个所述分区对应的归一化占比值。
进一步的,如图5所示,该装置还包括:
第一放大单元308,用于在第一计算单元304根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值之后,使用预设放大倍数对每个所述归一化占比值进行放大处理;
第三计算单元309,用于计算所述预设放大倍数的平方值;
第二放大单元310,用于使用第三计算单元309计算的所述平方值对所述方差阈值进行放大处理;
第二计算单元305,具体用于计算经过放大处理后的多个所述归一化占比值对应的方差值;
判断单元306,具体用于判断经过放大处理后的多个所述归一化占比值对应的方差值是否大于经过放大处理后的所述方差阈值。
进一步的,如图5所示,所述分区方式为竖向分区方式、横向分区方式、正斜分区方式、负斜分区方式中的任意一种。
综上所述,本发明实施例提供一种检测缺陷点聚集性的方法及装置,与现有技术中,采用人工检测的方式检测缺陷点图中的缺陷点是否具有聚集性相比,本发明能够在终端设备获取得到AOI检测设备绘制的待检测缺陷点图以及工作人员根据检测需求设定的分区方式、分区数量和方差阈值后,由终端设备根据分区方式及分区数量对待检测缺陷点图进行区域分割处理,从而获得多个分区;终端设备在确定出每个分区对应的缺陷点数量后,根据每个分区对应的缺陷点数量计算每个分区对应的归一化占比值,并计算多个归一化占比值对应的方差值;终端设备在判定出多个归一化占比值对应的方差值大于方差阈值时,便可确定待检测缺陷点图中的缺陷点具有聚集性。由于,是由终端设备检测缺陷点图中的缺陷点是否具有聚集性,因此,能够提高检测缺陷点图中的缺陷点是否具有聚集性的检测效率;并且,终端设备能够采用相同的检测标准对多个缺陷点图进行检测,因此,能够提高检测缺陷点图中的缺陷点是否具有聚集性的准确性。
所述检测缺陷点聚集性的装置包括处理器和存储器,上述获取单元、区域分割单元、第一确定单元、第一计算单元、第二计算单元、判断单元和第二确定单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提高检测缺陷点图中的缺陷点是否具有聚集性的检测效率和准确性。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种电子设备,所述电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现所述的检测缺陷点聚集性的方法。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序运行时实现上述所述的检测缺陷点聚集性的方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
获取待检测缺陷点图、分区方式、分区数量及方差阈值;
根据所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;
确定每个所述分区对应的缺陷点数量,并根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;
计算多个所述归一化占比值对应的方差值;
判断所述方差值是否大于所述方差阈值;
若是,则确定所述待检测缺陷点图中的缺陷点具有聚集性。
进一步的,所述分区方式为竖向分区方式或横向分区方式;所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值,包括:
根据每个所述分区对应的缺陷点数量计算所述待检测缺陷点图对应的缺陷点数量;
计算每个所述分区对应的缺陷点数量占所述待检测缺陷点图对应的缺陷点数量的比值,以获得每个所述分区对应的归一化占比值。
进一步的,所述分区方式为正斜分区方式或负斜分区方式;所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值,包括:
确定所述待检测缺陷点图对应的面积以及每个所述分区对应的面积;
将每个所述分区对应的缺陷点数量、每个所述分区对应的面积以及所述待检测缺陷点图对应的面积代入预设算法中,计算每个所述分区对应的归一化占比值。
进一步的,在所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值之后,所述方法还包括:
使用预设放大倍数对每个所述归一化占比值进行放大处理;
计算所述预设放大倍数的平方值,并使用所述平方值对所述方差阈值进行放大处理;
所述计算多个所述归一化占比值对应的方差值,包括:
计算经过放大处理后的多个所述归一化占比值对应的方差值;
所述判断所述方差值是否大于所述方差阈值,包括:
判断经过放大处理后的多个所述归一化占比值对应的方差值是否大于经过放大处理后的所述方差阈值。
进一步的,所述分区方式为竖向分区方式、横向分区方式、正斜分区方式、负斜分区方式中的任意一种。
本文中的设备可以是服务器、PC等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序代码:获取待检测缺陷点图、分区方式、分区数量及方差阈值;根据所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;确定每个所述分区对应的缺陷点数量,并根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;计算多个所述归一化占比值对应的方差值;判断所述方差值是否大于所述方差阈值;若是,则确定所述待检测缺陷点图中的缺陷点具有聚集性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(traHsitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (12)
1.一种检测缺陷点聚集性的方法,其特征在于,所述方法包括:
获取待检测缺陷点图、分区方式、分区数量及方差阈值;
根据所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;
确定每个所述分区对应的缺陷点数量,并根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;
计算多个所述归一化占比值对应的方差值;
判断所述方差值是否大于所述方差阈值;
若是,则确定所述待检测缺陷点图中的缺陷点具有聚集性。
2.根据权利要求1所述的方法,其特征在于,所述分区方式为竖向分区方式或横向分区方式;所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值,包括:
根据每个所述分区对应的缺陷点数量计算所述待检测缺陷点图对应的缺陷点数量;
计算每个所述分区对应的缺陷点数量占所述待检测缺陷点图对应的缺陷点数量的比值,以获得每个所述分区对应的归一化占比值。
3.根据权利要求1所述的方法,其特征在于,所述分区方式为正斜分区方式或负斜分区方式;所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值,包括:
确定所述待检测缺陷点图对应的面积以及每个所述分区对应的面积;
将每个所述分区对应的缺陷点数量、每个所述分区对应的面积以及所述待检测缺陷点图对应的面积代入预设算法中,计算每个所述分区对应的归一化占比值。
4.根据权利要求1-3中任一项所述的方法,其特征在于,在所述根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值之后,所述方法还包括:
使用预设放大倍数对每个所述归一化占比值进行放大处理;
计算所述预设放大倍数的平方值,并使用所述平方值对所述方差阈值进行放大处理;
所述计算多个所述归一化占比值对应的方差值,包括:
计算经过放大处理后的多个所述归一化占比值对应的方差值;
所述判断所述方差值是否大于所述方差阈值,包括:
判断经过放大处理后的多个所述归一化占比值对应的方差值是否大于经过放大处理后的所述方差阈值。
5.根据权利要求1所述的方法,其特征在于,所述分区方式为竖向分区方式、横向分区方式、正斜分区方式、负斜分区方式中的任意一种。
6.一种检测缺陷点聚集性的装置,其特征在于,所述装置包括:
获取单元,用于获取待检测缺陷点图、分区方式、分区数量及方差阈值;
区域分割单元,用于根据所述获取单元获取的所述分区方式及所述分区数量对所述待检测缺陷点图进行区域分割处理,以获得多个分区;
第一确定单元,用于确定每个所述分区对应的缺陷点数量;
第一计算单元,用于根据所述第一确定单元确定的每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值;
第二计算单元,用于计算多个所述归一化占比值对应的方差值;
判断单元,用于判断所述第二计算单元计算的所述方差值是否大于所述方差阈值;
第二确定单元,用于当所述判断单元判断所述方差值大于所述方差阈值时,确定所述待检测缺陷点图中的缺陷点具有聚集性。
7.根据权利要求6所述的装置,其特征在于,所述分区方式为竖向分区方式或横向分区方式;所述第一计算单元包括:
第一计算模块,用于根据每个所述分区对应的缺陷点数量计算所述待检测缺陷点图对应的缺陷点数量;
第二计算模块,用于计算每个所述分区对应的缺陷点数量占所述待检测缺陷点图对应的缺陷点数量的比值,以获得每个所述分区对应的归一化占比值。
8.根据权利要求6所述的装置,其特征在于,所述分区方式为正斜分区方式或负斜分区方式;所述第一计算单元包括:
确定模块,用于确定所述待检测缺陷点图对应的面积以及每个所述分区对应的面积;
第三计算模块,用于将每个所述分区对应的缺陷点数量、每个所述分区对应的面积以及所述待检测缺陷点图对应的面积代入预设算法中,计算每个所述分区对应的归一化占比值。
9.根据权利要求6-8中任一项所述的装置,其特征在于,所述装置还包括:
第一放大单元,用于在所述第一计算单元根据每个所述分区对应的缺陷点数量计算每个所述分区对应的归一化占比值之后,使用预设放大倍数对每个所述归一化占比值进行放大处理;
第三计算单元,用于计算所述预设放大倍数的平方值;
第二放大单元,用于使用所述第三计算单元计算的所述平方值对所述方差阈值进行放大处理;
所述第二计算单元,具体用于计算经过放大处理后的多个所述归一化占比值对应的方差值;
所述判断单元,具体用于判断经过放大处理后的多个所述归一化占比值对应的方差值是否大于经过放大处理后的所述方差阈值。
10.根据权利要求6所述的装置,其特征在于,所述分区方式为竖向分区方式、横向分区方式、正斜分区方式、负斜分区方式中的任意一种。
11.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时,实现如权利要求1-5中任一所述的检测缺陷点聚集性的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序运行时实现如权利要求1-5中任一所述的检测缺陷点聚集性的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169245.XA CN109886956B (zh) | 2019-03-06 | 2019-03-06 | 检测缺陷点聚集性的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910169245.XA CN109886956B (zh) | 2019-03-06 | 2019-03-06 | 检测缺陷点聚集性的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886956A true CN109886956A (zh) | 2019-06-14 |
CN109886956B CN109886956B (zh) | 2021-11-30 |
Family
ID=66930992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910169245.XA Expired - Fee Related CN109886956B (zh) | 2019-03-06 | 2019-03-06 | 检测缺陷点聚集性的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886956B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090685A (zh) * | 2019-12-19 | 2020-05-01 | 第四范式(北京)技术有限公司 | 一种数据异常特征的检测方法及装置 |
CN111403309A (zh) * | 2020-03-30 | 2020-07-10 | 上海华力集成电路制造有限公司 | 晶圆聚集状缺陷检测方法及其检测*** |
CN114911085A (zh) * | 2022-01-03 | 2022-08-16 | 友达光电股份有限公司 | 分析缺陷的方法 |
US11972548B2 (en) | 2020-12-03 | 2024-04-30 | Boe Technology Group Co., Ltd. | Computer-implemented method for defect analysis, apparatus for defect analysis, computer-program product, and intelligent defect analysis system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181756A1 (en) * | 2001-04-10 | 2002-12-05 | Hisae Shibuya | Method for analyzing defect data and inspection apparatus and review system |
US20040032979A1 (en) * | 2002-08-12 | 2004-02-19 | Hitachi High-Technologies Corporation | Defect inspection method |
CN101432864A (zh) * | 2006-04-27 | 2009-05-13 | 夏普株式会社 | 缺陷分布分类方法及***、故障源设备确定方法及***、计算机程序、以及存储介质 |
CN106054421A (zh) * | 2016-07-28 | 2016-10-26 | 京东方科技集团股份有限公司 | 一种液晶面板缺陷的检测方法及装置 |
CN107534756A (zh) * | 2016-03-24 | 2018-01-02 | 香港应用科技研究院有限公司 | 用于缺陷检查应用的快速密度估计方法 |
CN108445020A (zh) * | 2018-01-31 | 2018-08-24 | 彩虹显示器件股份有限公司 | 一种玻璃基板缺陷聚集识别方法 |
-
2019
- 2019-03-06 CN CN201910169245.XA patent/CN109886956B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020181756A1 (en) * | 2001-04-10 | 2002-12-05 | Hisae Shibuya | Method for analyzing defect data and inspection apparatus and review system |
US20040032979A1 (en) * | 2002-08-12 | 2004-02-19 | Hitachi High-Technologies Corporation | Defect inspection method |
CN101432864A (zh) * | 2006-04-27 | 2009-05-13 | 夏普株式会社 | 缺陷分布分类方法及***、故障源设备确定方法及***、计算机程序、以及存储介质 |
CN107534756A (zh) * | 2016-03-24 | 2018-01-02 | 香港应用科技研究院有限公司 | 用于缺陷检查应用的快速密度估计方法 |
CN106054421A (zh) * | 2016-07-28 | 2016-10-26 | 京东方科技集团股份有限公司 | 一种液晶面板缺陷的检测方法及装置 |
CN108445020A (zh) * | 2018-01-31 | 2018-08-24 | 彩虹显示器件股份有限公司 | 一种玻璃基板缺陷聚集识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111090685A (zh) * | 2019-12-19 | 2020-05-01 | 第四范式(北京)技术有限公司 | 一种数据异常特征的检测方法及装置 |
CN111090685B (zh) * | 2019-12-19 | 2023-08-22 | 第四范式(北京)技术有限公司 | 一种数据异常特征的检测方法及装置 |
CN111403309A (zh) * | 2020-03-30 | 2020-07-10 | 上海华力集成电路制造有限公司 | 晶圆聚集状缺陷检测方法及其检测*** |
US11972548B2 (en) | 2020-12-03 | 2024-04-30 | Boe Technology Group Co., Ltd. | Computer-implemented method for defect analysis, apparatus for defect analysis, computer-program product, and intelligent defect analysis system |
CN114911085A (zh) * | 2022-01-03 | 2022-08-16 | 友达光电股份有限公司 | 分析缺陷的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109886956B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886956A (zh) | 检测缺陷点聚集性的方法及装置 | |
KR20180005218A (ko) | 결함 분류를 위한 방법 및 시스템 | |
CN112330591A (zh) | 少样本学习的钢轨表面缺陷检测方法及装置 | |
CN104112284B (zh) | 一种图片的相似度检测方法和设备 | |
CN109283182A (zh) | 一种电池焊点缺陷的检测方法、装置及*** | |
CN111506731B (zh) | 一种训练字段分类模型的方法、装置及设备 | |
CN110189300A (zh) | 孔型结构工艺质量的检测方法、检测装置、存储介质和处理器 | |
WO2021169386A1 (zh) | 一种图数据处理方法、装置、设备、介质 | |
CN115824993B (zh) | 水体化学需氧量的确定方法、装置、计算机设备及介质 | |
CN115660243A (zh) | 用于识别瓶颈工序的方法、装置及存储介质 | |
US9652836B2 (en) | Defect cell clustering method and apparatus thereof | |
CN110188322A (zh) | 一种波形幅度不确定度确定方法及*** | |
CN109726068A (zh) | 一种数据检测方法及装置 | |
JP4658206B2 (ja) | 検査結果解析方法および検査結果解析装置、異常設備検出方法および異常設備検出装置、上記検査結果解析方法または異常設備検出方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
US8768644B2 (en) | Particle distribution analysis method for computer readable storage medium for storing program for executing the method | |
CN110334986A (zh) | 基于货物量方的车辆装卸点识别方法及装置 | |
CN107818051A (zh) | 一种测试用例的跳转分析方法、装置及服务器 | |
CN109443697B (zh) | 光学中心测试方法、装置、***和设备 | |
CN110017998A (zh) | 车辆检测方法、装置和设备 | |
CN115510998A (zh) | 交易异常值检测方法及装置 | |
CN107369093A (zh) | 一种业务确定方法和装置 | |
CN109523530A (zh) | 一种微带片圆形焊盘检测方法和*** | |
CN104933705B (zh) | 一种时空环数据结构进行槽孔检测的方法及装置 | |
CN112580915A (zh) | 一种项目里程碑确定方法、装置、存储介质及电子设备 | |
CN113112514B (zh) | Ai识别石墨大小的方法、装置、计算机设备及存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211130 |
|
CF01 | Termination of patent right due to non-payment of annual fee |