面板切割方法、装置、设备及存储介质
文献发布时间:2023-06-19 16:11:11
技术领域
本公开涉及面板切割技术领域,尤其涉及一种面板切割方法、装置、设备及存储介质。
背景技术
目前柔性屏属于前沿项目,许多工艺较之前的硬屏有很多不同,例如切割工艺。相关技术中,当某个切割参数发生改变时,就需进行大量的工艺试验,调整其他切割参数,过程极为繁琐,周期较长,效率极低。
发明内容
为克服相关技术中存在的问题,本公开提供一种面板切割方法、装置、设备及存储介质。
根据本公开实施例的第一方面,提供一种面板切割方法,所述方法包括:
构建多个切割样本对,所述切割样本对包括输入样本和根据所述输入样本确定的输出样本,所述输入样本包括多个切割参数,所述输出样本包括制程能力参数;
根据所述多个切割样本对训练基础神经网络模型,确定面板切割模型;
基于所述面板切割模型,确定目标面板的目标切割参数;
根据所述目标切割参数切割所述目标面板。
可选地,通过以下方式根据所述输入样本确定所述输出样本:
根据所述输入样本切割样品的结果参数,确定所述输出样本。
可选地,所述结果参数包括切割精度,所述根据所述输入样本切割样品的结果参数,确定所述输出样本,包括:
获取设定次数的切割精度,所述设定次数的切割精度是以所述输入样本包括的切割参数对切割样品进行设定次数的切割得到的;
根据所述设定次数的所述切割精度,确定所述制程能力参数。
可选地,所述根据所述多个切割样本对训练基础神经网络模型,确定面板切割模型,包括:
构建一个多输入、单输出的所述基础神经网络模型;
对所述多个切割样本对进行预处理,确定多个训练样本对,所述训练样本对包括训练输入样本和训练输出样本;
将所述多个训练样本对输入至所述基础神经网络模型,建立每个所述训练样本对中的所述训练输入样本与所述训练输出样本的映射关系,对所述基础神经网络模型进行训练,确定面板切割模型。
可选地,所述预处理包括均一化处理。
可选地,所述对所述基础神经网络模型进行训练,确定面板切割模型,包括:
确定训练所用的设定函数、初始训练参数和期望目标参数;
根据所述设定函数和所述初始训练参数对所述基础神经网络模型进行训练,确定所述面板切割模型,所述面板切割模型的当前目标参数达到期望目标参数。
可选地,所述设定函数包括以下中的至少一种:激活函数、训练函数、性能函数;和/或,
所述初始训练参数包括以下中的至少一种:学习率、迭代次数、所述输入样本中每个切割参数的权重。
可选地,所述根据所述设定函数和所述初始训练参数对所述基础神经网络模型进行训练,确定所述面板切割模型,包括:
判断每次训练得到的当前神经网络模型的当前目标参数是否达到期望目标参数;
若是,则确定所述当前神经网络模型作为所述面板切割模型;
若否,则根据所述当前目标参数与所述期望目标参数,修改所述初始训练参数,确定更新后训练参数;根据所述设定函数和所述更新后训练参数对所述当前神经网络模型进行训练。
可选地,所述切割参数包括:切割用设备的设备参数、切割操作的操作参数、切割样品的样品参数。
根据本公开实施例的第二方面,提供一种面板切割装置,所述装置包括:
构建模块,用于构建多个切割样本对,所述切割样本对包括输入样本和根据所述输入样本确定的输出样本,所述输入样本包括多个切割参数,所述输出样本包括制程能力参数;
训练模块,用于根据所述多个切割样本对训练基础神经网络模型,确定面板切割模型;
确定模块,用于基于所述面板切割模型,确定目标面板的目标切割参数;
切割模块,用于根据所述目标切割参数切割所述目标面板。
可选地,所述构建模块包括:
用于根据所述输入样本切割样品的结果参数,确定所述输出样本。
可选地,所述结果参数包括切割精度,所述构建模块还用于:
获取设定次数的切割精度,所述设定次数的切割精度是以所述输入样本包括的切割参数对切割样品进行设定次数的切割得到的;
根据所述设定次数的所述切割精度,确定所述制程能力参数。
可选地,所述训练模块还用于:
构建一个多输入、单输出的所述基础神经网络模型;
对所述多个切割样本对进行预处理,确定多个训练样本对,所述训练样本对包括训练输入样本和训练输出样本;
将所述多个训练样本对输入至所述基础神经网络模型,建立每个所述训练样本对中的所述训练输入样本与所述训练输出样本的映射关系,对所述基础神经网络模型进行训练,确定面板切割模型。
可选地,所述预处理包括均一化处理。
可选地,所述训练模块还用于:
确定训练所用的设定函数、初始训练参数和期望目标参数;
根据所述设定函数和所述初始训练参数对所述基础神经网络模型进行训练,确定所述面板切割模型,所述面板切割模型的当前目标参数达到期望目标参数。
可选地,所述设定函数包括以下中的至少一种:激活函数、训练函数、性能函数;和/或,
所述初始训练参数包括以下中的至少一种:学习率、迭代次数、所述输入样本中每个切割参数的权重。
可选地,所述训练模块还用于:
判断每次训练得到的当前神经网络模型的当前目标参数是否达到期望目标参数;
若是,则确定所述当前神经网络模型作为所述面板切割模型;
若否,则根据所述当前目标参数与所述期望目标参数,修改所述初始训练参数,确定更新后训练参数;根据所述设定函数和所述更新后训练参数对所述当前神经网络模型进行训练。
可选地,所述切割参数包括以下至少之一:切割用设备的设备参数、切割操作的操作参数、切割样品的样品参数。
根据本公开实施例的第三方面,提供一种应用于面板切割的设备,所述设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行第一方面所述的面板切割方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由设备的处理器执行时,使得设备能够执行如第一方面所述的面板切割方法。
本公开的实施例提供的技术方案可以包括以下有益效果:该方法中,将多个切割参数与上述多个切割参数对应的过程能力的参数进行关联,构建多个切割样本对,通过上述多个切割样本对训练得到面板切割模型。在进行面板(例如柔性屏)切割时,通过该面板切割模型可迅速有效的找到良好的切割参数,无需进行大量的试验测试,成本较低,周期较短,效率较高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的面板切割方法的流程图。
图2是根据一示例性实施例示出的基础神经网络模型的示意图。
图3是根据一示例性实施例示出的面板切割装置的框图。
图4是根据一示例性实施例示出的应用于面板切割的设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
相关技术中,柔性屏的切割参数调整和优化主要通过大量的试验实现,根据试验结果的好坏,对切割参数进行调整和优化。该技术有如下缺点:一、试验成本高,切割不同的产品或位置,都需要设计相应的试验进行切割参数的优化,耗费成本大;二、试验周期长,从试验设计到开展完整的试验,直至找到最优切割参数,需较长的时间;三、过程繁琐,每次某个切割参数变更,都需要进行大量试验对其他切割参数进行调整和优化。
本公开提供了一种面板切割方法。该方法中,将多个切割参数与上述多个切割参数对应的过程能力的参数进行关联,构建多个切割样本对,通过上述多个切割样本对训练得到面板切割模型。在进行面板(例如柔性屏)切割时,通过该面板切割模型可迅速有效的找到良好的切割参数,无需进行大量的试验测试,成本较低,周期较短,效率较高。
在一个示例性实施例中,提供了一种面板切割方法,参考图1所示,该方法包括:
S110、构建多个切割样本对,切割样本对包括输入样本和根据所述输入样本确定的输出样本,输入样本包括多个切割参数,输出样本包括制程能力参数;
S120、根据多个切割样本对训练基础神经网络模型,确定面板切割模型;
S130、根据面板切割模型,确定目标面板的目标切割参数;
S140、根据目标切割参数切割目标面板。
在步骤S110中,每个切割样本对均包括一个输入样本和一个输出样本。其中,输入样本包括多个切割参数,即,有多个切割参数构成一组切割参数,该组切割参数作为一个输入样本。在每个切割样本对中,输出样本根据输入样本确定,输出样本包括制程能力参数。根据输入样本中的多个切割参数确定通过其进行切割的制程能力,然后将该制程能力参数确定为该输入样本对应的输出样本。
需要说明的是,制程能力参数,也即CPK,用于表征某个工艺的一个工序在制程过程满足技术要求的程度。一般这个值越大,我们认为工序满足技术要求越好,越稳定。
在一个实施方式中,从现有的试验数据中找到某组切割参数以及该组切割参数对应的制程能力参数,然后将该组切割参数确定为一个输入样本,将该制程能力参数确定为一个输出样本,该输入样本和输出样本构建为一个切割样本对。
在步骤S120中,先准备一个基础神经网络模型,然后使用步骤S110构建的多个切割样本对训练该基础神经网络模型,将训练后的模型确定为所需的面板切割模型。
该方法中,切割参数包括以下至少之一:切割用设备的设备参数、切割操作的操作参数以及切割样品的样品参数。设备参数例如为设备代号,通过该设备代号可以确定该设备的相应参数信息(例如设备型号、额定功率、生产厂家等)。操作参数例如包括切割方式、切割功率和切割速度,其中,当切割方式为激光切割时,相应的切割功率为激光功率。样品参数包括样品类型、样品厚度以及切割形式,其中,样品类型包括柔性屏和硬屏中的至少一种,切割形式包括切边和切孔,切边指切割掉面板的边缘,切孔指在面板上切出一个孔。
在一个实施方式中,切割参数可包括使用激光切割柔性屏的设备代号、激光功率、切割速度、样品厚度和切割形式,即每个切割样本对中,输入样本中包括设备代号、激光功率、切割速度、样品厚度和切割形式,输出样本可以为表征输入样本的制程能力参数。
通过多个切割样本训练得到的面板切割模型,即为一个可以根据激光切割柔性屏的设备代号、激光功率、切割速度、样品厚度和切割形式确定其制程能力参数的神经网络模型。
也就是说,该面板切割模型应用于激光切割柔性屏的场景,当向该面板切割模型输入设备代号、激光功率、切割速度、样品厚度和切割形式等数据时,其可输出上述数据对应的制程能力参数。
当需要进行面板切割时,一般会先知晓需要进行切割的设备、柔性屏的厚度、切割形式和想要达到的切割需求(例如切割精度),也就是,已知设备代号、样品厚度、切割形式和制程能力参数。此时,可预先设置多组切割参数,多组切割参数中的设备代号、样品厚度和切割形式均相同,即为上述已知的设备代号、样品厚度和切割形式。同时,多个每组切割参数还包括激光功率和切割速度,其中,每组切割参数中的激光功率和切割速度至少一个参数不同,激光功率和切割速度根据经验提前预设。
将每组切割参数输入面板切割模型,便可得到每组切割参数所对应的制程能力参数,然后将达到切割需求的制程能力参数对应的切割参数确定为目标切割参数,使用该目标切割参数对柔性屏进行切割。
该方法中,将神经网络与面板的切割相结合,先构建一个适用性广泛的面板切割模型,然后根据该切割模型指导面板的切割,对于前沿的柔性屏面板的切割具有较强的指导意义。具体地,将多个切割参数与上述多个切割参数对应的制程能力参数进行关联,构建多个切割样本对,通过上述多个切割样本对训练得到面板切割模型。在进行面板(例如柔性屏)切割时,根据上述的面板切割模型确定目标面板(例如柔性屏)的目标切割参数,无需进行大量的试验测试,便可快速准确地确定合适的切割参数,成本较低,周期较短,效率较高,对面板(尤其是柔性屏)的量产切割具有很大意义。
在一个示例性实施例中,提供了一种面板切割方法。该方法是对上述方法中步骤S110的改进,具体地,根据输入样本确定的输出样本,包括:根据输入样本切割样品的结果参数,确定输出样本。
例如,先确定多个切割参数,然后使用该多个切割参数对相应的切割样品进行切割,得到切割样品的结果参数,根据结果参数确定制程能力参数,确定该多个切割参数为一个输入样本,确定该制程能力参数为上述输入样本对应的一个输出样本,上述输入样本和输出样本构建为一个切割样本对。
示例性的,结果参数包括切割精度。通过以下方式根据输入样本确定输出样本,包括:
S210、获取设定次数的切割精度,设定次数的切割精度是以输入样本包括的切割参数对切割样品进行设定次数的切割得到的;
S220、根据设定次数的所述切割精度,确定制程能力参数。
该方法中,设定次数可根据需求自行设置。可以理解的,设定次数越多,确定的制程能力参数与当前切割参数的匹配度越高,训练得到的面板切割模型的可靠性也越高。
示例性的,输入样本中包括设备代号、激光功率、切割速度、样品厚度和切割形式,输出样本可以为表征输入样本的制程能力参数,设定次数为50次。
构建切割样本对时,需要先确定输入样本,然后根据输入样本确定输出样本。
在确定输入样本的切割参数时,先确定合理的切割参数范围,设置相应的步长。其中,由于同一切割项目中设备代号、样品厚度以及切割形式较为固定,因此主要变化的参数为激光功率和切割速度,即主要是确定激光功率和切割速度两个参数的合理范围和步长。后续再根据不同厂家和项目进行相应的数据采集,对设备代号、样品厚度以及切割形式进行数据补充和模型优化。
在确定了某个输入样本后,将该输入样本的切割参数作为当前切割参数,以该当前切割参数对切割样品进行切割50次,确定每次切割的切割精度,总共确定50个切割精度,然后根据该50个切割精度确定制程能力参数,例如可通过公式:Cpk=Cp*(1-|Ca|)确定上述50个切割精度对应制程能力参数。将确定的制程能力参数作为该输入样本对应的输出样本,该输入样本和该输出样本构建为一个切割样本对。然后通过类似方法构建多个切割样本对。
在一个示例性实施例中,提供了一种面板切割方法。该方法是对上述方法中步骤S120的改进,具体地,根据多个切割样本对训练基础神经网络模型,确定面板切割模型,包括:
S310、构建一个多输入、单输出的基础神经网络模型;
S320、对多个切割样本对进行预处理,确定多个训练样本对,训练样本对包括训练输入样本和训练输出样本;
S330、将多个训练样本对输入至基础神经网络模型,建立每个训练样本对中的训练输入样本与训练输出样本的映射关系,对基础神经网络模型进行训练,确定面板切割模型。
在步骤S310中,基础神经网络模型可通过Matlab(Matlab是一种商业数学软件,用于数据分析、无线通信、深度学习、图像处理与计算机视觉、信号处理、量化金融与风险管理、机器人,控制系统等领域)构建一个BP神经网络模型(BP(back propagation)神经网络模型是1986年由Rumelhart和McClelland为首的科学家提出的概念,是一种按照误差逆向传播算法训练的多层前馈神经网络,是应用最广泛的神经网络),该BP神经网络模型包括三层中间隐藏层、一层多输入的输入层和以一层单输出的输出层。将上述BP神经网络模型确定为基础神经网络模型。
其中,“多输入”根据输入样本包括切割参数的数量确定,例如,参考图2所示,每个输入样本包括五个切割参数,五个切割参数分别为设备代号、激光功率、切割速度、样品厚度和切割形式,则“多输入”指五个输入,即输入层包括五个输入口,分别对应上述的五个切割参数。
需要注意的是,基础神经网络模型不仅仅可以为BP神经网络模型,也可为其他类型。另外,基础神经网络模型不仅仅可以包括三层中间隐藏层,还可包括其他数量的中间隐藏层。在此不做赘述。
在步骤S320中,预处理可以为均一化处理,由于切割样本对中的输入样本和输出样本包括的参数的类型并不相同,因此需要对其进行均一化处理,最终得到一份格式统一、高度结构化、数据质量高、兼容性好的数据,将其确定为训练样本对,以便于更好地使用,更好地完成对模型的训练。
在步骤S330中,将预处理得到的多个训练样本对输入至基础神经网络模型,并在基础神经网络模型中建立训练输入样本和训练输出样本的映射关系,使得该神经网络模型以某一训练样本对中的训练输入样本作为输入,朝着该训练样本对中的训练输出样本作为输出的方向进行训练,确定所需的面板切割模型。
该方法中,先构建一个多输出、单输出的基础神经网络模型,然后对切割样本对进行预处理,得到一份格式统一、高度结构化、数据质量高、兼容性好的训练样本对,以便于进行模型的训练。
在一个示例性实施例中,提供了一种面板切割方法。该方法是对上述方法中步骤S330的改进,具体地,对基础神经网络模型进行训练,确定面板切割模型,包括:
S410、确定训练所用的设定函数、初始训练参数和期望目标参数;
S420、根据设定函数和初始训练参数对基础神经网络模型进行训练,确定面板切割模型,面板切割模型的当前目标参数达到期望目标参数。
该方法中,设定函数包括以下中的至少一种:激活函数、训练函数、性能函数。
激活函数可以是Sigmoid函数(Sigmoid函数也称为S型生长曲线。Sigmoid函数常被用作神经网络的激活函数,将变量映射到0和1之间),Sigmoid函数为:
训练函数可以是梯度下降算法或者动量梯度下降算法。
性能函数可以是mse函数(均方误差函数)。
需要注意的是,激活函数、训练函数和性能函数也可以是除上述以外的其他函数。例如,性能函数还可以为mae函数(平均绝对误差函数)、sae函数(绝对值和误差函数)、sse函数(平方和误差函数)、crossentropy函数(交叉熵函数)等等。
初始训练参数包括以下中的至少一种:学习率、迭代次数、所述输入样本中每个切割参数的权重。其中,初始训练参数可根据经验自行设置,例如,学习率可以为0.01,迭代次数可以为10000次等。
期望目标参数可以是期望误差,其中,期望误差指训练后的模型的输出结果与输出样本之
其中,根据设定函数和初始训练参数对基础神经网络模型进行训练,确定面板切割模型,包括:
S421、判断每次训练得到的当前神经网络模型的当前目标参数是否达到期望目标参数;若是,则进入步骤S422;若否,则进入步骤S423;
S422、确定当前神经网络模型作为面板切割模型;
S423、根据当前目标参数与期望目标参数,修改初始训练参数,确定更新后训练参数;根据设定函数和更新后训练参数对当前神经网络模型进行训练,并返回步骤S421。
在一个实施方式中,设定函数包括激活函数、训练函数和性能函数,其中,激活函数为Sigmoid函数,训练函数为梯度下降算法,性能函数为mse函数。初始训练参数包括学习率、迭代次数、所述输入样本中每个切割参数的权重,其中,学习率为0.01,迭代次数为10000次,输入样本包括设备代号、激光功率、切割速度、样品厚度和切割形式等五个切割参数,输入样本中每个切割参数的权重可根据竟然设置,其包括设备代号的第一权重、激光功率的第二权重、切割速度的第三权重、样品厚度的第四权重和切割形式的第五权重,期望目标参数为期望误差。
在对模型进行训练时,根据上述设定函数和初始训练参数对基础神经网络模型进行多次的训练,直至某次训练后的模型的当前误差达到期望误差,即该当前误差小于或等于期望误差,则将该次训练后得到模型确定为所需要的面板切割模型。
具体地,通过性能函数判断每次训练得到的当前神经网络的当前目标参数是都达到期望目标参数。例如,当前目标参数为当前误差,期望目标参数为期望误差,如果当前误差小于或等于期望误差,则说明当前神经网络模型已经达到了用户所需要的精度,则将该当前神经网络模型确定为面板切割模型;如果当前误差大于期望误差,则说明当前神经网络模型还没有达到用于所需要的精度,则根据当前误差与期望误差之间的差值,对初始训练参数进行修改,此处修改包括修改初始训练参数中的部分参数(例如只修改初始训练参数中的学习率和迭代次数)以及修改初始训练参数中的全部参数(例如修改初始训练参数中包括的学习率、迭代次数和输入样本中每个切割参数的权重)。然后根据更新后的训练参数和设定函数对当前神经网络继续进行训练,判断下一次得到的神经网络模型是否符合要求(即返回步骤S410)。直至训练得到的神经网络模型的当前误差达到期望误差,则确定其作为面板切割模型,也就是说,面板切割模型的误差小于或等于期望误差。
该方法可以很好的确定符合要求的面板切割模型,根据该面板切割模型可以更加准确地确定合适的切割参数,提高切割效率和切割质量。
需要说明的是,上述面板切割方法,并非只局限于上述各实施例中涉及的算法和模型,也可以采用更优化的算法和模型进行代替,已得到更能满足用户需求的面板切割模型。
在一个示例性实施例中,提供一种面板切割装置,该装置用于实施上述的面板切割方法。参考图3所示,该装置包括构建模块101、训练模块102、确定模块103和切割模块104,在实施上述的方法过程中,
构建模块101,用于构建多个切割样本对,切割样本对包括输入样本和根据输入样本确定的输出样本,输入样本包括多个切割参数,输出样本包括制程能力参数;
训练模块102,用于根据多个切割样本对训练基础神经网络模型,确定面板切割模型;
确定模块103,用于基于面板切割模型,确定目标面板的目标切割参数;
切割模块104,用于根据目标切割参数切割所述目标面板。
在一个示例性实施例中,提供一种面板切割装置,参考图3所示,该装置中,构建模块101还用于:
根据输入样本切割样品的结果参数,确定输出样本。
在一个示例性实施例中,提供一种面板切割装置,该装置中,结果参数包括切割精度,,参考图3所示,构建模块101还用于:
获取设定次数的切割精度,设定次数的切割精度是以所述输入样本包括的切割参数对切割样品进行设定次数的切割得到的;
根据设定次数的所述切割精度,确定制程能力参数。
在一个示例性实施例中,提供一种面板切割装置,参考图3所示,该装置中,训练模块102还用于:
构建一个多输入、单输出的基础神经网络模型;
对多个切割样本对进行预处理,确定多个训练样本对,训练样本对包括训练输入样本和训练输出样本;
将多个训练样本对输入至基础神经网络模型,建立每个训练样本对中的训练输入样本与所述训练输出样本的映射关系,对基础神经网络模型进行训练,确定面板切割模型。
在一个示例性实施例中,提供一种面板切割装置,该装置中,预处理包括均一化处理。
在一个示例性实施例中,提供一种面板切割装置,参考图3所示,该装置中,训练模块102还用于:
确定训练所用的设定函数、初始训练参数和期望目标参数;
根据设定函数和所述初始训练参数对基础神经网络模型进行训练,确定面板切割模型,面板切割模型的当前目标参数达到期望目标参数。
在一个示例性实施例中,提供一种面板切割装置,该装置中,设定函数包括以下中的至少一种:激活函数、训练函数、性能函数;和/或,
初始训练参数包括以下中的至少一种:学习率、迭代次数、输入样本中每个切割参数的权重。
在一个示例性实施例中,提供一种面板切割装置,参考图3所示,该装置中,训练模块102还用于:
判断每次训练得到的当前神经网络模型的当前目标参数是否达到期望目标参数;
若是,则确定当前神经网络模型作为面板切割模型;
若否,则根据当前目标参数与期望目标参数,修改初始训练参数,确定更新后训练参数;根据设定函数和所述更新后训练参数对当前神经网络模型进行训练。
在一个示例性实施例中,提供一种面板切割装置,该装置中,切割参数包括以下至少之一:切割用设备的设备参数、切割操作的操作参数、切割样品的样品参数。
在一个示例性实施例中,提供了一种应用于面板切割的设备,参考图4所示,设备400可以包括以下一个或多个组件:处理组件402,存储器404,电力组件406,多媒体组件408,音频组件410,输入/输出(I/O)的接口412,传感器组件414,以及通信组件416。
处理组件402通常控制设备400的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件402可以包括一个或多个模块,便于处理组件402和其他组件之间的交互。例如,处理组件402可以包括多媒体模块,以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在设备400的操作。这些数据的示例包括用于在设备400上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件406为设备400的各种组件提供电力。电力组件406可以包括电源管理系统,一个或多个电源,及其他与为设备400生成、管理和分配电力相关联的组件。
多媒体组件408包括在设备400和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件408包括一个前置相机模组和/或后置相机模组。当设备400处于操作模式,如拍摄模式或视频模式时,前置相机模组和/或后置相机模组可以接收外部的多媒体数据。每个前置相机模组和后置相机模组可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如,音频组件410包括一个麦克风(MIC),当设备400处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中,音频组件410还包括一个扬声器,用于输出音频信号。
I/O接口412为处理组件402和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器,用于为设备400提供各个方面的状态评估。例如,传感器组件414可以检测到设备400的打开/关闭状态,组件的相对定位,例如组件为设备400的显示器和小键盘,传感器组件414还可以检测设备400或设备400一个组件的位置改变,用户与设备400接触的存在或不存在,设备400方位或加速/减速和设备400的温度变化。传感器组件414可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件414还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件416被配置为便于设备400和其他设备之间有线或无线方式的通信。设备700可以接入基于通信标准的无线网络,如WiFi、2G、3G、4G、5G或它们的组合。在一个示例性实施例中,通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件416还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,设备400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的面板切割方法。
在一个示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器404,上述指令可由设备400的处理器420执行以完成上述方法。例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。当存储介质中的指令由设备的处理器执行时,使得设备能够执行上述实施例中示出的面板切割方法。本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
- 面板切割方法、装置、设备及存储介质
- 仪表面板图像形成装置、仪表面板图像形成方法、车辆、仪表面板图像显示装置、仪表面板图像显示方法、仪表面板图像形成程序、存储有仪表面板图像形成程序的计算机可读取的存储介质