电路板缺陷判别方法、训练方法、装置、设备及存储介质与流程

计算;推算;计数设备的制造及其应用技术1.本技术涉及表面缺陷判别领域，尤其涉及电路板缺陷判别方法、训练方法、装置、设备及存储介质。背景技术：2.电路板是重要的电子部件，是电子元器件的支撑体，是电子元器件电器连接的载体。电路板的板本身是否存在缺陷将直接影响使用该电路板的设备性能，所以对于电路板的缺陷判别显得尤为必要。电路板缺陷种类较多，包含露铜、板污、线路刮伤、阻焊过薄、防焊偏移、文字模糊等十几种缺陷，不同的缺陷形状、大小、颜色、位置均不一样，而现有缺陷判别方法无法对缺陷进行缺陷等级有效判别。技术实现要素：3.本技术的主要目的是提供电路板缺陷判别方法、训练方法、装置、设备及存储介质，旨在解决现有缺陷判别方法无法对缺陷进行缺陷等级有效判别的技术问题。4.为解决上述技术问题，本技术提出了：一种电路板缺陷判别方法，包括以下步骤：获取待判别电路板的目标图像；将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷判别信息；其中，所述目标判别模型由电路板样本图像集训练获得；所述电路板样本图像集中包括若干样本图像以及若干所述样本图像对应的标签信息，所述标签信息基于对若干所述样本图像的语义描述信息获得，所述标签信息包括：缺陷种类信息和缺陷等级信息。5.为了使目标判别模型在后续实际应用中能对电路板缺陷进行有效自动判别，作为本技术一些可选实施方式，在所述将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷判别信息之前，还包括：获取若干样本图像；分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集；基于所述电路板样本图像集，对初始目标判别模型进行训练，获得所述目标判别模型。6.为了提高语义标注内容与缺陷的实际信息更为贴近，并从若干所述样本图像中提取通用性语义标注内容，从而提高判别等级效率；作为本技术一些可选实施方式，所述分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集，包括：基于历史数据，对若干所述样本图像及其对应的若干语义解释进行语义判别，获得语义判别结果；基于所述语义判别结果，获得所述语义判别结果对应的目标语义解释；基于所述目标语义解释，分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集。7.本技术针对电路板缺陷这一实际应用场景，基于电路板历史数据，对若干所述样本图像及其对应的若干语义解释进行语义判别，获得并基于所述语义判别结果，获得了目标语义解释，并基于所述目标语义解释，获得了通用性的缺陷种类信息，即作为本技术一些可选实施方式，所述缺陷种类信息包括余铜、破盘和凹坑中的至少一种。8.为了使所述目标识别模型对目标缺陷进行自动判别，本技术针对上述缺陷种类，分别赋予了不同的目标语义解释，即赋予所述目标识别模型量化标准规则；作为本技术一些可选实施方式，当所述样本图像中的缺陷种类信息为余铜信息时，所述目标语义解释为线路间隙宽度的解释。9.为了使所述目标识别模型对目标缺陷进行自动判别，本技术针对上述缺陷种类，分别赋予了不同的目标语义解释，即赋予所述目标识别模型量化标准规则；作为本技术一些可选实施方式，当所述样本图像中的缺陷种类信息为破盘信息时，所述目标语义解释为线路宽度的解释。10.为了使所述目标识别模型对目标缺陷进行自动判别，本技术针对上述缺陷种类，分别赋予了不同的目标语义解释，即赋予所述目标识别模型量化标准规则；作为本技术一些可选实施方式，当所述样本图像中的缺陷种类信息为凹坑信息时，所述目标语义解释为线路密度的解释或线路宽度的解释。11.为了提高语义标注内容与缺陷的实际信息更为贴近，并从若干所述样本图像中提取通用性语义标注内容，从而提高判别等级效率；作为本技术一些可选实施方式，所述标签信息还包括：缺陷位置信息。12.为了使所述目标判别模型具有自动判别缺陷等级的能力，本技术在进行语义标注时，在包括了缺陷的种类信息和缺陷的位置信息的同时，作为本技术一些可选实施方式，所述缺陷等级信息包括：允收信息和报废信息。13.为了提高所述目标判别模型自动判别缺陷等级的效率和准确性，作为本技术一些可选实施方式，所述将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷判别信息，包括：将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷信息；基于所述目标图像的缺陷信息，与预设的判别标准对比，获得所述缺陷的判别信息。14.为解决上述技术问题，本技术还提出了：一种电路板缺陷判别模型训练方法，包括以下步骤：获取若干样本图像；分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集；其中，所述电路板样本图像集中包括若干所述样本图像以及若干所述样本图像对应的标签信息，所述标签信息包括：缺陷种类信息和缺陷等级信息；基于所述电路板样本图像集，对初始目标判别模型进行训练，获得所述目标判别模型。15.通过上述训练方法获得的电路板缺陷判别模型由于通过规则学习，即分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集；其中，所述电路板样本图像集中包括若干所述样本图像以及若干所述样本图像对应的标签信息，所述标签信息包括：缺陷种类信息和缺陷等级信息；基于所述电路板样本图像集，对初始目标判别模型进行训练，获得所述目标判别模型，因此在实际应用中，能自动对所述电路板缺陷进行缺陷等级判别。16.为了提高语义标注内容与缺陷的实际信息更为贴近，并从若干所述样本图像中提取通用性语义标注内容，从而提高判别等级效率；作为本技术一些可选实施方式，所述分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集，包括：基于历史数据，对若干所述样本图像及其对应的若干语义解释进行语义判别，获得语义判别结果；基于所述语义判别结果，获得所述语义判别结果对应的目标语义解释；基于所述目标语义解释，分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集。17.作为本技术一些可选实施方式，所述电路板表面缺陷判别模型为faster rcnn算法模型。在该实施方式中，faster rcnn算法模型的性能优越，实现了精度较高的物体判别性能。faster rcnn通过两阶网络与rpn，实现判别相比起其他一阶网络，两阶更为精准，尤其是针对高精度、多尺度以及小物体问题上，两阶网络优势更为明显。faster rcnn在多个数据集及物体任务上效果都很好，对于个人的数据集，往往fine-tune（微调）后就能达到较好的效果。faster rcnn的整个算法框架中可以进行优化的点很多，提供了广阔的算法优化空间。因此采用所述faster rcnn算法模型作为所述电路板表面缺陷判别模型，能提高所述判别模型对目标缺陷的判别速度以及准确率。18.为解决上述技术问题，本技术还提出了：一种电路板缺陷判别装置，包括：第一获取模块，用于获取待判别电路板的目标图像；第二获取模块，用于将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷判别信息；其中，所述目标判别模型由电路板样本图像集训练获得；所述电路板样本图像集中包括若干样本图像以及若干所述样本图像对应的标签信息，所述标签信息基于对若干所述样本图像的语义描述信息获得，所述标签信息包括：缺陷种类信息和缺陷等级信息。19.为解决上述技术问题，本技术还提出了：一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的方法。20.为解决上述技术问题，本技术还提出了：一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如上所述的方法。21.电路板缺陷种类较多，包含露铜、板污、线路刮伤、阻焊过薄、防焊偏移、文字模糊等十几种缺陷，不同的缺陷形状、大小、颜色、位置均不一样，而现有缺陷判别方法无法对缺陷进行缺陷等级有效判别，仅能根据缺陷面积或缺陷数量等因素进行人工判别缺陷等级的操作，这种人工判别缺陷等级的方式由于缺少量化标准而导致主观因素较大，且判别缺陷等级的效率较低。与现有技术相比，本技术采用电路板样本图像训练获得目标判别模型，所述电路板样本图像包括若干样本图像以及若干所述样本图像对应的标签信息，所述标签信息基于对若干所述样本图像的语义描述信息获得，所述标签信息包括：缺陷种类信息和缺processing unit，cpu），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（display）、输入单元比如键盘（keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（wireless-fidelity，wi-fi）接口）。存储器1005可以是高速的随机存取存储器（random access memory，ram）存储器，也可以是稳定的非易失性存储器（non-volatile memory，nvm），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。28.本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。29.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。30.在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本技术电子设备中的处理器1001、存储器1005可以设置在电子设备中，所述电子设备通过处理器1001调用存储器1005中存储的电路板缺陷判别装置，并执行本技术实施例提供的电路板缺陷判别方法。31.如图2所示，本技术实施例提供了：一种电路板缺陷判别方法，包括以下步骤：s10、获取待判别电路板的目标图像；在具体的应用中，待判别电路板是指需要判别是否具有缺陷的电路板，目标图像是指待判别电路板的图像，可通过人工拍照或aoi获得，在实际应用中，所述待判别电路板的目标图像还可以是经过计算机视觉算法处理后获得的。所述计算机视觉算法是用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器判别的图像。32.s20、将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷判别信息；其中，所述目标判别模型由电路板样本图像集训练获得；所述电路板样本图像集中包括若干样本图像以及若干所述样本图像对应的标签信息，所述标签信息基于对若干所述样本图像的语义描述信息获得，所述标签信息包括：缺陷种类信息和缺陷等级信息。在具体的应用中，样本图像同样是采用aoi机台扫描获得的、专用于训练初始模型的图像，样本图像中会含有多种常见的缺陷。33.为了提高所述目标判别模型自动判别缺陷等级的效率和准确性，如图3所示，作为本技术一些可选实施方式，所述将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷判别信息，包括：s201、将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷信息。34.其中，所述目标判别模型由电路板样本图像集训练获得；所述电路板样本图像集中包括若干样本图像以及若干所述样本图像对应的标签信息，所述标签信息基于对若干所述样本图像的语义描述信息获得，所述标签信息包括：缺陷种类信息和缺陷等级信息。在具体的应用中，样本图像同样是采用aoi机台扫描获得的、专用于训练初始模型的图像，样本图像中会含有多种常见的缺陷。其中，所述目标图像的缺陷信息包括：缺陷种类信息、缺陷位置信息和缺陷等级信息。35.s202、基于所述目标图像的缺陷信息，与预设的判别标准对比，获得所述缺陷的判别信息。所述预设的判别标准是指，针对电路板常见的几种缺陷，分别设置的判别标准，如：当所述样本图像中的缺陷种类信息为余铜信息时，若余铜造成线路剩余间隙宽度不足1/2，则报废，若剩余间隙宽度超过1/2，则允收。当所述样本图像中的缺陷种类信息为破盘信息时，若破盘造成线路板上钻孔位置超过铜面区域，则报废，若未超过铜面区域，则允收。当所述样本图像中的缺陷种类信息为凹坑信息时，若凹坑造成铜面区域出现大量聚集凹坑，或线路区凹坑造成线路宽度低于1/2，则报废，若不满足以上条件，则允收。36.为了使目标判别模型在后续实际应用中能对电路板缺陷进行有效自动判别，如图4所示，作为本技术一些可选实施方式，在所述将所述目标图像输入已训练的目标判别模型，获得所述目标图像的缺陷判别信息之前，还包括：s01、获取若干样本图像。37.其中，所述样本图像是采用aoi机台扫描获得的、专用于训练初始模型的图像，样本图像中会含有多种常见的缺陷。38.s02、分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集。39.在上述步骤中，所述电路板样本图像集主要是：基于历史数据，对若干所述样本图像及其对应的若干语义解释进行语义判别，获得语义判别结果；基于所述语义判别结果，获得所述语义判别结果对应的目标语义解释；基于所述目标语义解释，分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集。上述步骤主要是为了提高语义标注内容与缺陷的实际信息更为贴近，并从若干所述样本图像中提取通用性语义标注内容，从而提高判别等级效率。其中，所述电路板样本图像集中包括若干所述样本图像以及若干所述样本图像对应的标签信息，所述标签信息包括：缺陷种类信息和缺陷等级信息。在具体的应用中，通过人工或机器对样本图像对缺陷信息进行标注。40.s03、基于所述电路板样本图像集，对初始目标判别模型进行训练，获得所述目标判别模型。41.所述初始目标判别模型是指faster rcnn算法模型。在该实施方式中，faster rcnn算法模型的性能优越，实现了精度较高的物体判别性能。faster rcnn通过两阶网络与rpn，实现判别相比起其他一阶网络，两阶更为精准，尤其是针对高精度、多尺度以及小物体问题上，两阶网络优势更为明显。faster rcnn在多个数据集及物体任务上效果都很好，对于个人的数据集，往往fine-tune（微调）后就能达到较好的效果。faster rcnn的整个算法框架中可以进行优化的点很多，提供了广阔的算法优化空间。因此采用所述faster rcnn算法模型作为所述电路板表面缺陷判别模型，能提高所述判别模型对目标缺陷的判别速度以及准确率。42.本技术针对电路板缺陷这一实际应用场景，基于电路板历史数据，对若干所述样本图像及其对应的若干语义解释进行语义判别，获得并基于所述语义判别结果，获得了目标语义解释，并基于所述目标语义解释，获得了通用性的缺陷种类信息，即作为本技术一些可选实施方式，所述缺陷种类信息包括余铜、破盘和凹坑中的至少一种。为了提高语义标注内容与缺陷的实际信息更为贴近，并从若干所述样本图像中提取通用性语义标注内容，从而提高判别等级效率；作为本技术一些可选实施方式，所述标签信息还包括：缺陷位置信息。为了使所述目标判别模型具有自动判别缺陷等级的能力，本技术在进行语义标注时，在包括了缺陷的种类信息和缺陷的位置信息的同时，作为本技术一些可选实施方式，所述缺陷等级信息包括：允收信息和报废信息。43.为了使所述目标识别模型对目标缺陷进行自动判别，本技术针对上述缺陷种类，分别赋予了不同的目标语义解释，即赋予所述目标识别模型量化标准规则，梳理缺陷等级判断与背景语义之间的业务逻辑关系；如：1）如图5所示，当所述样本图像中的缺陷种类信息为余铜信息时，所述目标语义解释为线路间隙宽度的解释，即余铜造成线路剩余间隙宽度不足1/2，则报废，若剩余间隙宽度超过1/2，则允收。图5为缺陷为余铜的电路板判别结果图像，图中黑色为基材区域，黄色为铜面区域，由于余铜需要卡控造成间隙的宽度，因此相较于现有判别结果的蓝框区域，本技术判别结果的红框区域重点突出缺陷与间隙宽度的对比，该图对应的标签为余铜-ng。44.2）如图6所示，当所述样本图像中的缺陷种类信息为破盘信息时，所述目标语义解释为线路宽度的解释，即破盘造成线路板上钻孔位置超过铜面区域，则报废，若未超过铜面区域，则允收。图6为缺陷为破盘的电路板判别结果图像，由于破盘需要卡控钻孔位置是否超出焊盘区域，因此相较于传统判别绿框的标注区域，本技术所标注的红框更加重点突出孔边缘特征，该图对应的标签为破盘-ok。45.3）如图7所示，当所述样本图像中的缺陷种类信息为凹坑信息时，所述目标语义解释为线路密度的解释或线路宽度的解释，即凹坑造成铜面区域出现大量聚集凹坑，或线路区凹坑造成线路宽度低于1/2，则报废，若不满足以上条件，则允收。图7为缺陷为凹坑的电路板判别结果图像，由于凹坑需要针对聚集性进行标注，因此本技术所述判别结果图中对每一个可独立凹坑都进行了标注，并进行线宽和聚集性进行了判断，相较于红框的标注，本技术所示的绿框通过重点突出实际缺陷面积/标框面积，提高了更高的信噪比，更高的信噪比的样本能更有利于模型的训练收敛。46.电路板缺陷种类较多，包含露铜、板污、线路刮伤、阻焊过薄、防焊偏移、文字模糊等十几种缺陷，不同的缺陷形状、大小、颜色、位置均不一样，而现有缺陷判别方法无法对缺陷进行缺陷等级有效判别，仅能根据缺陷面积或缺陷数量等因素进行人工判别缺陷等级的操作，这种人工判别缺陷等级的方式由于缺少量化标准而导致主观因素较大，且判别缺陷等级的效率较低。与现有技术相比，本技术采用电路板样本图像训练获得目标判别模型，所述电路板样本图像包括若干样本图像以及若干所述样本图像对应的标签信息，所述标签信息基于对若干所述样本图像的语义描述信息获得，所述标签信息包括：缺陷种类信息和缺陷等级信息；由于在所述样本图像上添加了不同的缺陷种类标签信息和缺陷等级标签信息，以使得所述目标判别模型在训练过程中，能对不同的缺陷进行辨别并对所述缺陷的等级进行自动鉴别；因此在实际对待判别电路板的缺陷进行判别等级操作时，将待判别电路板的目标图像输入至所述目标判别模型中即可获得自动判别等级结果信息，从而提高了对电路板缺陷位置进行判别等级的效率。47.为解决上述技术问题，本技术还提出了：如图8所示，一种电路板缺陷判别模型训练方法，包括以下步骤：ss1、获取若干样本图像。48.在具体的应用中，样本图像同样是采用aoi机台扫描获得的、专用于训练初始模型的图像，样本图像中会含有多种常见的缺陷。49.ss2、分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集。50.在上述步骤中，所述电路板样本图像集主要是：基于历史数据，对若干所述样本图像及其对应的若干语义解释进行语义判别，获得语义判别结果；基于所述语义判别结果，获得所述语义判别结果对应的目标语义解释；基于所述目标语义解释，分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集。上述步骤主要是为了提高语义标注内容与缺陷的实际信息更为贴近，并从若干所述样本图像中提取通用性语义标注内容，从而提高判别等级效率。其中，所述电路板样本图像集中包括若干所述样本图像以及若干所述样本图像对应的标签信息，所述标签信息包括：缺陷种类信息和缺陷等级信息。在具体的应用中，通过人工或机器对样本图像对缺陷信息进行标注。51.为了提高语义标注内容与缺陷的实际信息更为贴近，并从若干所述样本图像中提取通用性语义标注内容，从而提高判别等级效率；如图9所示，作为本技术一些可选实施方式，所述分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集，包括：ss21、基于历史数据，对若干所述样本图像及其对应的若干语义解释进行语义判别，获得语义判别结果。52.其中，所述历史数据是指基于若干样本图像中的缺陷信息，获得的语义判别结果信息数据；该步骤的目的在于，基于对历史数据的统计，获得所述样本图像及其对应的语义解释与语义判别结果之间的映射关系，从而获得判别率更高的语义解释，对电路板样本图像集进行标注，以在后续训练目标判别模型过程中，更利于所述目标判别模型学习所述样本图像及其对应的语义解释与语义判别结果之间的映射关系，从而提高所述目标判别模型在实际应用中对电路板缺陷具有更高的判别率。53.ss22、基于所述语义判别结果，获得所述语义判别结果对应的目标语义解释。54.如上所述，基于正确的语义判别结果，获得正确语义判别结果所对应的目标语义解释，即获得识别率更高的语义解释作为目标语义解释，对电路板样本图像集进行标注，以在后续训练目标判别模型过程中，更利于所述目标判别模型学习所述样本图像及其对应的语义解释与语义判别结果之间的映射关系，从而提高所述目标判别模型在实际应用中对电路板缺陷具有更高的判别率。55.ss23、基于所述目标语义解释，分别对若干所述样本图像的缺陷信息进行语义标注，以获得所述电路板样本图像集。56.如上所述，基于所述目标语义解释，即识别率更高的语义解释作为目标语义解释，对电路板样本图像集进行标注，获得所述电路板样本图像集；以在后续训练目标判别模型过程中，更利于所述目标判别模型学习所述样本图像及其对应的语义解释与语义判别结果之间的映射关系，从而提高所述目标判别模型在实际应用中对电路板缺陷具有更高的判别率。57.ss3、基于所述电路板样本图像集，对初始目标判别模型进行训练，获得所述目标判别模型。58.在具体的应用中，获得标注后的样本图像集后，需要通过初始模型对标注的位置、markup language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。67.作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。68.需要说明的是，在本文中，术语“包括”、“包含”或者其他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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。69.上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。70.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台多媒体终端设备（可以是手机，计算机，电视接收机，或者网络设备等）执行本技术各个实施例所述的方法。71.以上仅为本技术的优选实施例，并非因此限制本技术的专利范围，凡是利用本技术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，均同理包括在本技术的专利保护范围内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!