CN111242145B - 一种直方图统计方法及*** - Google Patents
一种直方图统计方法及*** Download PDFInfo
- Publication number
- CN111242145B CN111242145B CN202010346866.3A CN202010346866A CN111242145B CN 111242145 B CN111242145 B CN 111242145B CN 202010346866 A CN202010346866 A CN 202010346866A CN 111242145 B CN111242145 B CN 111242145B
- Authority
- CN
- China
- Prior art keywords
- data
- operator
- signal
- clustering
- aggregation
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开一种直方图统计方法及***。该方法包括:数据获取,用于获取信号数据;数据处理,将所述信号数据加入所属的聚态算子,进行聚类堆叠运算,得到新的聚态算子;判断积分次数是否达到预设值,若积分次数未达到预设值,则返回数据获取步骤,获取下一个信号数据;若积分次数达到预设值,则停止获取数据;输出结果,对聚态算子大小进行排序,最大的聚态算子记录的信号信息为最终结果。采用本发明提供的直方图统计方法,能有效地节省硬件资源,并支持多通道运算的需求支持。保留每一次测量结果精度,保证测量精度。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种直方图统计的方法及***。
背景技术
在一般的直方图统计方法中,数据采集后通过直方图进行保存,并对直方图中的数据进行后续处理,如通过移动平均算法以降低直方图噪点。在硬件实现中,直方图的每一个bin都需要相对应的存储空间,通常用随机存取存储器(random access memory, RAM)进行存储。当测量的数据精度较高时,每单元直方图的bin的数量将随精度成倍地增长。
具体到激光测距雷达***而言,激光测距雷达***由激光发射器,感光器件,时间数字转换器(TDC, Time-to-Digital Converter),数字信号处理器(DSP, Digital SignalProcessor)和数据接口部分构成。在工作中,激光发射器发射激光信号,感光器件响应返回光信号并转化为电信号,触发TDC,将TDC锁定数值传输至DSP部分,为DSP提供运算的数据。在多次信号采集之后,输出运算信息。由于感光器件有随机触发的特性,一般TDC的数据在采集后通过直方图进行保存,当需要测量的数据精度提高时,每单元直方图的bin的数量将随精度成倍地增长。当测量精度较高时,将会消耗极多的存储器硬件资源,这使得直接的直方图统计在远距离高精度高面阵中的应用变得不切实际。
为了解决存储器硬件资源消耗过大的问题,目前常用的方法是通过两段(或者多段)式进行采集。先通过粗精度的直方图对一个完整量程内的TDC数据进行完整积分,并将直方图上的峰值位置定义为粗略的目标时间距离,然后再对此粗略的位置进行第二次直方图测距,相较第一次直方图积分,第二次直方图采用较高精度的bin,但量程范围较短,因此第二次直方图积分只能观测目标时间距离前后的一个小范围。采用两段式直方图采集方法的优点在于,在不减少时间位置精度的条件下大大缩减所需要的存储器空间。但是该方法的问题在于:第一次直方图测距与第二次直方图测距共用同一个随机存取存储器,第一次测距的全量程直方图将会被第二次小范围高精度直方图所覆盖,此时,第一次测距的结果将仅仅用于第二次测距范围参考,将无法为最终测距的结果精度带来提升。此外,如何分配两次直方图积分次数也是一个较为复杂的问题。
发明内容
为了解决上述技术问题,本发明提供一种直方图统计方法。该方法能有效地节省硬件资源,并使得每一次测量结果精度均被保留,保证测量精度。
为了实现上述发明目的,本发明提供一种直方图统计方法,包括以下步骤:数据获取,用于获取信号数据;数据处理,将获取的信号数据加入所属的聚态算子,进行聚类堆叠运算,得到新的聚态算子;判断积分次数是否达到预设值,若积分次数未达到预设值,则返回数据获取步骤,获取下一个信号数据;若积分次数达到预设值,则停止获取数据;输出结果,对聚态算子大小进行排序,最大的聚态算子记录的信号信息为最终结果。因为聚态算子的大小可以视为聚态算子中的信号强度,因此,聚态算子越大,表示该聚态算子积分的次数越多,最大的聚态算子记录的信号信息即为最终结果。
采用本发明所提供的直方图统计方法,每一次测量结果的精度均被保留,保证了测量的精度。本方法所消耗的硬件资源与聚态算子的个数相关,即所消耗的硬件资源与信号的离散程度相关,而区别于已知的直方图统计方法,其消耗硬件资源与测量范围及测量精度相关。采用本发明提供的直方图统计方法,能有效地节约存储空间,解决大规模集成时,直方图统计电路过于庞大而不易集成的问题。本方法中对积分次数进行预设,其根据测量的距离和精度需要进行设置,可以灵活地针对不同的测试需求设置。
优选地,数据处理步骤中还包括:判断获取的信号数据是否有所属的聚态算子,若有属于该数据的聚态算子,则将该数据加入所属的聚态算子;若没有属于该数据的聚态算子,则新建一个聚态算子。
优选地,数据处理步骤中还包括:判断所述信号是否有所属的聚态算子,若有属于该数据的聚态算子,则将该数据加入所述的聚态算子;若没有属于该数据的聚态算子,再判断该数据是否为噪声,若不是噪声,新建一个聚态算子,若为噪声,放弃此次数据,重新获取下一个数据。在进行噪声判断时的标准为:该数据是否有重复多次出现,若多次出现则认为该数据为真实信号而非噪声,否则,则认为是噪声。此处增加噪声判断步骤,能有效提高算法的抗躁能力,并且能节约运算资源,在进行聚态堆叠之前即完成噪声的过滤。
优选地,在结果输出步骤中,当探测的目标为多个时,输出结果为排序靠前的多个数据。
优选地,在结果输出步骤中,当探测的目标为多个时,设置一个阈值,当聚态算子大小超过阈值时,判断此聚态算子为真实信号。本方法可以同时对多个目标进行测量,提高检测效率。
优选地,在数据处理步骤中,聚类堆叠运算采用流水线处理模式。采用流水线可以让不同的流水线级数同时做不同的事情,从而达到流水的效果,提高了性能,优化了时序,并且增加了吞吐率。此外,本发明中的方法采用流水线架构进行运算,可以支持多通道数据处理,在大幅减少硬件资源的情况下加速多通道情况下的运算速度。
优选地,本发明提供的直方图统计方法用于激光测距雷达***。采用本发明的直方图统计方法,能有效降低对硬件的需求,实现激光测距雷达***的小型化和集成化。
优选地,每一个聚态算子有对应的存储器,用于储存信号信息,其中存储的信号信息包括信号位置和信号强度。本方法所消耗的硬件资源与聚态算子的个数相关,即所消耗的硬件资源与信号的离散程度相关,能有效地节约硬件资源。
本发明的另一方面,提供一种直方图统计***,包括:数据获取模块,用于获取信号数据;数据处理模块,用于将所述信号数据加入所属的聚态算子,进行聚类堆叠运算,得到新的聚态算子;判断积分次数是否达到预设次数;在积分完成之后,对聚态算子进行大小进行排序,判断最大的聚态算子记录的信号信息为最终结果,并输出最终结果。
优选地,该直方图统计***还包括:数据存储模块,用于存储聚态算子,每一个聚态算子有对应的存储器,用于存储信号信息,其中存储的信号信息包括信号位置和信号强度。
本发明通过上述技术方案,通过采用对数据进行聚类堆叠运算,能有效地节省硬件资源,并使得每一次测量结果精度均被保留,保证测量精度。除此之外,本方法中还加入噪声判断机制,增强算法的抗噪能力,该方法还能同时对多个目标进行测量,反馈多种数据信息。
附图说明
图1:直方图统计方法流程图。
图2:聚类堆叠算法运行方式示意图。
图3:聚类堆叠算法的流水线架构示意图。
图4:聚类堆叠算法N级流水线架构示意图。
具体实施方式
以下配合图式及本发明的较佳实施例,进一步阐述本发明为达成预定发明目的所采取的技术手段。
根据本发明的一方面,提供一种直方图统计方法,如图1所示,包括:
步骤1,获取新的信号数据。
步骤2,判断当前信号数据是否有所属的聚态算子。若当前有属于该数据的聚态算子,进入步骤3。若当前没有属于该数据的聚态算子,判断该数据是否为噪声,若该数据不是噪声,新建一个聚态算子;若该数据是噪声,放弃此次数据,返回步骤1中重新获取下一个信号数据。在进行判断当前信号数据是否有所属的聚态算子时,是判断当前信号数据是否落入聚态算子标定的范围区间内,聚态算子的范围区间大小可以为***变量。判断一个数据是否为噪声,其判断方法为:该数据是否多次出现,若多次出现则认为该数据为真实数据而非噪声。
步骤3,将当前信号数据加入所属的聚态算子,进行聚类堆叠运算,得到新的聚态算子。
步骤4,判断积分次数是否达到预设值。若积分次数未达到预设值,返回步骤1中获取新的信号数据。若积分次数达到预设值,则积分停止。积分次数可根据测量的距离和精度要求进行设置。
步骤5,对聚态算子的大小进行排序,最大的聚态算子记录为信号位置的最终结果。当需要进行多个目标侦测时,选择排序较前的多个聚态算子,即得到多个目标的位置。在进行多个目标侦测时,也可以先设置一个阈值,当聚态算子的大小超过阈值时,判断此聚态算子为真实的信号,得到其对应目标的位置。在对聚态算子进行排序时,聚态算子的大小可以视为算子中信号的强度,聚态算子越大,表明算子中的信号强度越大。
由上述步骤中,可以看出本发明提供的直方图统计方法具有以下优点:
(1)相对于多段式直方图方法而言,本发明提供的直方图统计方法每一次的测量结果均不丢失,保证了测量的精度;
(2)相对于传统直方图统计方法,传统的直方图统计方法占用大量的内存,且随着测量范围的增加,直方图的深度也随之增加;本发明中的直方图统计方法中,每一个聚态算子对应一个存储器,其消耗的硬件资源与测量范围无关,而与信号的离散程度有关;因此,本发明提供的直方图统计方法能有效地减少硬件开销,解决了大规模集成时,直方图统计电路过于庞大不易集成的问题;
(3)本发明提供的直方图统计方法可进行多目标的测量需求,可以反馈多种信息,不局限于距离数据;
(4)本发明提供的直方图统计方法抗噪能力较强,首先在对一个新的信号数据进行聚类时,进行噪声判断;其次,在最后输出结果时,输出信号强度最大的聚态算子,有效过滤噪声。
以激光测距雷达***为例,激光测距雷达***包括激光发射器、感光器件、时间数字转换器、数字信号处理器以及接口部分。在该激光测距雷达***工作时,激光发射器发射激光信号,感光器件响应返回的光信号并且释放电信号,触发时间数字转换器,将时间数字转换器锁定的数值传输至数字信号处理器,为数字信号处理器提供运算的数据。在数字信号处理器进行运算时,采用本发明提供的直方图统计方法。首先,判断该数据信号是否有所属的聚态算子,若存在所属的聚态算子,则进行聚类堆叠运算;若没有该数据信号所属的聚态算子,则判断该数据信号是否为噪声,若判断为噪声,则将该数据舍弃,若判断为非噪声,则新建一个聚态算子。每一个聚态算子存在与之对应的存储器,因此,所需要的硬件资源与聚态算子的数量相关,即与测量数据的离散程度相关。采用该方法,能解决激光雷达***中直方图统计电路过于庞大而不易集成的问题,有利于激光雷达***的小型化和集成化。
图2中所示的是聚类堆叠算法的运行方式。当获取一个新的信号数据后,首先判断是真实信号触发还是噪声触发,若为真实信号触发,则算法将该信号数据加入到聚态算子中;若为噪声触发,因为没有相对应的聚态算子,且在信号位置只有一次触发,因此判断为噪声,将该信号数据舍弃。所有的聚态算子组成一个聚态算子的集合,其中每一个聚态算子均有与之对应的存储器,存储器用于存储信号位置或者信号强度等信息。每一个聚态算子的信号强度与放入该聚态算子的信号的次数正相关。当新的信号放入到所属的聚态算子中时,聚态算子从对应的存储器中获取之前的记录值,并与新的信号一起进行聚类堆叠运算,并将聚类堆叠运算后的结果存入存储器成为该聚态算子的新的记录值。聚类堆叠运算的方式有很多,可以通过聚类算法进行聚类运算,其中聚类算法包括但不限于通过数字响应滤波器或积分器对信号做处理。
图3中所示的是聚类堆叠算法的流水线架构。采用流水线架构可以支持多通道,让不同的流水线级数同时做不同的事情,能达到提高性能、优化时序以及增加吞吐率的目的。在进行流水线架构设计时,将聚类堆叠算法分为不同的级数,每一流水线级数内部都有各自的组合逻辑数据通路,彼此之间没有复用的资源。该算法同时能处理的通道数与聚类堆叠算法的级数相同,此处的通道是指所获取的信号数据。
图4中所示的是聚类堆叠算法采用N级流水线的实施例。在该实施例中,X轴为聚态堆叠运算流水线的级数,Y轴为运算周期,第X级数下Y轴方向的通道编号(CH1,CH2……)代表该级数在不同运算周期时所负责处理的通道编号。在第一个运算周期时,只有聚类堆叠算法的第一级处理通道1;在第二个运算周期时,聚类堆叠算法第一级处理通道2,聚类堆叠算法第二级处理通道1;以此类推,在第N个运算周期时,聚类堆叠算法第一级处理通道N,聚类堆叠算法第二级处理通道N-1,……,聚类堆叠算法第N级处理通道1。当N级流水线处理完成之后,即通道1的信号处理完毕,得到输出1。采用流水线的架构,可以让不同的流水线级数同时做不同的事情,从而达到流水的效果,提高了性能,优化了时序,并且增加了吞吐率。此外,本发明中的算法采用流水线架构进行运算,可以支持多通道数据处理,在大幅减少硬件资源的情况下加速多通道情况下的运算速度。
以上所述仅是本发明的优选实施例而已,并非对本发明做任何形式上的限制,虽然本发明已以优选实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案的范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本实用发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种用于激光雷达测距的直方图统计方法,其特征在于,包括以下步骤:
数据获取,用于获取一个新的信号数据;
数据处理,判断所述信号数据是否有所属的聚态算子,若有属于该数据的聚态算子,则将该数据加入所属的聚态算子;若没有属于该数据的聚态算子,则新建一个聚态算子;将所述信号数据加入所属的聚态算子,进行聚类堆叠运算,得到新的聚态算子;判断积分次数是否达到预设值,若积分次数未达到预设值,则返回数据获取步骤,获取下一个信号数据;若积分次数达到预设值,则停止获取数据,其中,所述积分次数为进行聚类堆叠运算的次数;
输出结果,对聚类堆叠运算后的聚态算子大小进行排序,最大的聚态算子记录的信号信息为最终结果。
2.如权利要求1所述的直方图统计方法,其特征在于,所述数据处理步骤中,包括:判断所述信号数据是否有所属的聚态算子,若有属于该数据的聚态算子,则将该数据加入所属的聚态算子;若没有属于该数据的聚态算子,判断该数据是否为噪声,若不是噪声,新建一个聚态算子,若是噪声,则放弃此次数据,重新获取下一个数据。
3.如权利要求1所述的直方图统计方法,其特征在于,所述输出结果步骤中,包括:当激光雷达探测的目标为多个时,输出结果为排序靠前的多个数据。
4.如权利要求1所述的直方图统计方法,其特征在于,所述输出结果步骤中,包括:当激光雷达探测的目标为多个时,设置一个阈值,当聚态算子大小超过阈值时,判断此聚态算子为真实信号。
5.如权利要求1所述的直方图统计方法,其特征在于,所述数据处理步骤中,聚类堆叠运算采用流水线处理模式。
6.如权利要求1-5中任一项所述的直方图统计方法,其特征在于,所述直方图统计算法用于激光测距雷达***。
7.如权利要求6中所述的直方图统计方法,其特征在于,每一个聚态算子有对应的存储器,用于存储信号信息,其中存储的信号信息包括信号位置和信号强度。
8.一种应用权利要求1中直方图统计方法的***,其特征在于,包括:
数据获取模块,用于获取信号数据;
数据处理模块,用于将所述信号数据加入所属的聚态算子,进行聚类堆叠运算,得到新的聚态算子;判断积分次数是否达到预设次数,其中积分次数为进行聚类堆叠运算的次数;在积分完成之后,对聚类堆叠运算后的聚态算子大小进行排序,判断最大的聚态算子记录的信号信息为最终结果,并输出最终结果。
9.如权利要求8所述的直方图统计***,其特征在于,还包括:数据存储模块,用于存储聚态算子,每一个聚态算子有对应的存储器,用于存储信号信息,其中存储的信号信息包括信号位置和信号强度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010346866.3A CN111242145B (zh) | 2020-04-28 | 2020-04-28 | 一种直方图统计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010346866.3A CN111242145B (zh) | 2020-04-28 | 2020-04-28 | 一种直方图统计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242145A CN111242145A (zh) | 2020-06-05 |
CN111242145B true CN111242145B (zh) | 2020-08-18 |
Family
ID=70865888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010346866.3A Active CN111242145B (zh) | 2020-04-28 | 2020-04-28 | 一种直方图统计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242145B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112100449B (zh) * | 2020-08-24 | 2024-02-02 | 深圳市力合微电子股份有限公司 | 实现动态大范围和高精度定位的d-ToF测距优化存储方法 |
CN112558096B (zh) * | 2020-12-11 | 2021-10-26 | 深圳市灵明光子科技有限公司 | 一种基于共享内存的测距方法、***以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
CN106778457A (zh) * | 2015-12-11 | 2017-05-31 | 深圳市汇顶科技股份有限公司 | 可提高指纹识别率的指纹识别方法及*** |
CN108055685A (zh) * | 2017-12-29 | 2018-05-18 | 北京农业信息技术研究中心 | 无线传感器网络中的簇头节点和传感器节点 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842149B (zh) * | 2017-03-31 | 2019-08-16 | 中国科学院电子学研究所 | 运用聚类思想改进的序列差值直方图分选方法 |
CN108627241B (zh) * | 2018-05-11 | 2020-07-24 | 西安理工大学 | 一种基于高斯混合模型的宽吻海豚click信号检测方法 |
CN110109060B (zh) * | 2019-03-27 | 2022-11-22 | 西安电子科技大学 | 一种基于深度学习网络的雷达辐射源信号分选方法及*** |
-
2020
- 2020-04-28 CN CN202010346866.3A patent/CN111242145B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7397415B1 (en) * | 2006-02-02 | 2008-07-08 | Itt Manufacturing Enterprises, Inc. | System and method for detecting and de-interleaving radar emitters |
CN106778457A (zh) * | 2015-12-11 | 2017-05-31 | 深圳市汇顶科技股份有限公司 | 可提高指纹识别率的指纹识别方法及*** |
CN108055685A (zh) * | 2017-12-29 | 2018-05-18 | 北京农业信息技术研究中心 | 无线传感器网络中的簇头节点和传感器节点 |
Also Published As
Publication number | Publication date |
---|---|
CN111242145A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242145B (zh) | 一种直方图统计方法及*** | |
CN109100702B (zh) | 用于测量到对象的距离的光电传感器和方法 | |
US5012082A (en) | Two-dimensional incident position detector device for light or radiation | |
CN112114324B (zh) | 一种距离测量方法、装置、终端设备及存储介质 | |
CN102879765B (zh) | 基于聚类统计分析的快速信号分选方法 | |
US20210302548A1 (en) | Method and apparatus for determining measurement information and lidar device | |
US20020009177A1 (en) | Energy dispersive X-ray analyzer | |
CN111413706A (zh) | 用于光学测距的方法和装置 | |
WO2023137861A1 (en) | Divisive normalization method, device, audio feature extractor and a chip | |
CN112906737B (zh) | 一种基于多辐射源基于密度特征聚类及识别的方法 | |
CN114442108A (zh) | 应用于激光测距的多步直方图峰值提取方法及*** | |
CN113484870A (zh) | 测距方法与装置、终端及非易失性计算机可读存储介质 | |
US20230204733A1 (en) | Time-of-flight measurement method, apparatus, and system | |
CN113631956A (zh) | 飞行时间到距离计算器 | |
JPH1068771A (ja) | レーダ装置 | |
JP2002221567A (ja) | 目標識別装置 | |
CN114563035B (zh) | 用于毁伤效能评估的分布式高速数据采集方法及*** | |
CN109540446A (zh) | 基于时域冲击面积的固体发动机跌落式冲击试验数据处理方法 | |
CN103091253B (zh) | 一种消除干扰旁瓣信号的方法、***及血液细胞分析仪 | |
CN117590359A (zh) | 关于直方图的峰值处理电路、芯片和电子设备 | |
CN116878671B (zh) | 单光子探测器及其方法 | |
CN115995260B (zh) | 一种测试方法 | |
CN112557285B (zh) | 一种流式细胞检测数据自动设门方法和装置 | |
CN115754979B (zh) | 一种激光雷达控制方法、装置、控制芯片及激光雷达 | |
CN217766848U (zh) | 一种探测*** |
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 |