Tebo ICT V3.0 是一款专业的 ICT（In-Circuit Test，在线测试）和 ATE（Automatic Test Equipment，自动测试设备）以下是关于 Tebo ICT V3.0 的一些特点和功能： CAD 和 GERBER 输入接口：同时支持 CAD 和 GERBER 输入，方便导入设计文件。 中文界面：软件采用中文界面，操作方便，易于上手。 系统兼容性：兼容 Win98/2000/NT/XP 等操作系统。 治具制作功能：提供多种针型数据库，可自动根据测点位置判别测试针的头型和大小；支持 SMD 上测针自动偏移、改测针头型、改测针针号和改测针大小等操作；可自定义治具结构，并生成钻孔、铣形程序文件。 智能化绕线功能：具备自动扫描、零件名称参考、绕线交叉检查、标号大小自动调整、双针不同颜色标记、线路背景显示和连线编辑标号移位等功能。 文字编辑功能：支持快速便捷的文字加入和编辑，可在各编辑界面进行打印和反向打印，输出 DXF/GERBER 格式点号图。 CAD-XY 数据输入：可参照零件名称、角度等信息。 BOM 处理输入：可参照零件值、上下限、属性描述和零件高度等信息读入。 DRC 规则设置及检查：可检查各类零件的是否有值、值单位是否正确以及零件脚是否有针等。 压棒添加功能：可根据零件外框、零件高度、压棒类型和网格间距等均衡自动添加。 输出功能：支持输出 Mill 程式，可自动合成同高度的重叠（交叉）铣形外框，并对每个铣形外框进行编辑；还可输出维修站软件 Tebo-ICTView。
2024-04-23 17:45
ADF4355数字模式无法锁定，只能VDD锁定。请问有遇到此问题的大佬吗？是寄存器配置的问题吗
2024-04-23 16:55
maixcam部署yolov5s 自定义模型 本博客将向你展示零基础一步步的部署好自己的yolov5s模型（博主展示的是安全帽模型），训练就引用我自己之前写过的，已经训练好的可以跳过该部分，其中有部分不一样。 获得自定义训练得到的yolov5s onnx模型 准备自定义数据集（博主用的是VOC数据集） 数据集目录结构如下： └─VOC2028:自定义数据集 ├─Annotations存放的是数据集标签文件，xml格式 ├─ImageSets数据集的划分文件 │└─Main ├─JPEGImages存放的是数据集图片 分割数据集 在split_train_val.py文件路径下执行python3 split_train_val.py会得到一下目录结构： └─VOC2028:自定义数据集 ├─Annotations存放的是数据集标签文件，xml格式 ├─ImageSets数据集的划分文件 │└─Main test.txt └─test.txt └─train.txt └─val.txt ├─JPEGImages存放的是数据集图片 ├─split_train_val.py分割数据集的py文件 split_train_val.py文件代码如下： # -*- coding: utf-8 -*- \"\"\" Author:dragonforward 简介：分训练集、验证集和测试集，按照 8：1：1 的比例来分，训练集8，验证集1，测试集1 \"\"\" import os import random import argparse parser = argparse.ArgumentParser() # xml文件的地址，根据自己的数据进行修改 xml一般存放在Annotations下 parser.add_argument(\'--xml_path\', default=\'Annotations/\', type=str, help=\'input xml label path\') # 数据集的划分，地址选择自己数据下的ImageSets/Main parser.add_argument(\'--txt_path\', default=\'ImageSets/Main/\', type=str, help=\'output txt label path\') opt = parser.parse_args() train_percent = 0.8# 训练集所占比例 val_percent = 0.1 # 验证集所占比例 test_persent = 0.1# 测试集所占比例 xmlfilepath = opt.xml_path txtsavepath = opt.txt_path total_xml = os.listdir(xmlfilepath) if not os.path.exists(txtsavepath): os.makedirs(txtsavepath) num = len(total_xml) list = list(range(num)) t_train = int(num * train_percent) t_val = int(num * val_percent) train = random.sample(list, t_train) num1 = len(train) for i in range(num1): list.remove(train[i]) val_test = [i for i in list if not i in train] val = random.sample(val_test, t_val) num2 = len(val) for i in range(num2): list.remove(val[i]) file_train = open(txtsavepath + \'/train.txt\', \'w\') file_val = open(txtsavepath + \'/val.txt\', \'w\') file_test = open(txtsavepath + \'/test.txt\', \'w\') for i in train: name = total_xml[i][:-4] + \'\\\\n\' file_train.write(name) for i in val: name = total_xml[i][:-4] + \'\\\\n\' file_val.write(name) for i in list: name = total_xml[i][:-4] + \'\\\\n\' file_test.write(name) file_train.close() file_val.close() file_test.close() voc转label得到label文件 目录结构如下： └─VOC2028:自定义数据集 ├─Annotations存放的是数据集标签文件，xml格式 ├─ImageSets数据集的划分文件 │└─Main ├─JPEGImages存放的是数据集图片 └─labelsyolov5将此文件夹当作训练的标注文件夹 └─voc_label.py voc_label.py文件代码如下： # -*- coding: utf-8 -*- import xml.etree.ElementTree as ET import os sets = [\'train\', \'val\', \'test\']# 如果你的Main文件夹没有test.txt，就删掉\'test\' classes = [\"hat\", \"people\"]# 改成自己的类别，VOC数据集有以下20类别 # classes = [\"brickwork\", \"coil\",\"rebar\"]# 改成自己的类别，VOC数据集有以下20类别 # classes = [\"aeroplane\", \'bicycle\', \'bird\', \'boat\', \'bottle\', \'bus\', \'car\', \'cat\', \'chair\', \'cow\', \'diningtable\', \'dog\', # \'horse\', \'motorbike\', \'person\', \'pottedplant\', \'sheep\', \'sofa\', \'train\', \'tvmonitor\']# class names # abs_path = os.getcwd() /root/yolov5/data/voc_label.py abs_path = \'/root/yolov5/data/\' def convert(size, box): dw = 1. / (size[0]) dh = 1. / (size[1]) x = (box[0] + box[1]) / 2.0 - 1 y = (box[2] + box[3]) / 2.0 - 1 w = box[1] - box[0] h = box[3] - box[2] x = x * dw w = w * dw y = y * dh h = h * dh return x, y, w, h def convert_annotation(image_id): in_file = open(abs_path + \'/VOC2028/Annotations/%s.xml\' % (image_id), encoding=\'UTF-8\') out_file = open(abs_path + \'/VOC2028/labels/%s.txt\' % (image_id), \'w\') tree = ET.parse(in_file) root = tree.getroot() size = root.find(\'size\') w = int(size.find(\'width\').text) h = int(size.find(\'height\').text) for obj in root.iter(\'object\'): difficult = obj.find(\'difficult\').text # difficult = obj.find(\'Difficult\').text cls = obj.find(\'name\').text if cls not in classes or int(difficult) == 1: continue cls_id = classes.index(cls) xmlbox = obj.find(\'bndbox\') b = (float(xmlbox.find(\'xmin\').text), float(xmlbox.find(\'xmax\').text), float(xmlbox.find(\'ymin\').text), float(xmlbox.find(\'ymax\').text)) b1, b2, b3, b4 = b # 标注越界修正 if b2 > w: b2 = w if b4 > h: b4 = h b = (b1, b2, b3, b4) bb = convert((w, h), b) out_file.write(str(cls_id) + \" \" + \" \".join([str(a) for a in bb]) + \'\\\\n\') for image_set in sets: if not os.path.exists(abs_path + \'/VOC2028/labels/\'): os.makedirs(abs_path + \'/VOC2028/labels/\') image_ids = open(abs_path + \'/VOC2028/ImageSets/Main/%s.txt\' % (image_set)).read().strip().split() list_file = open(abs_path + \'/VOC2028/%s.txt\' % (image_set), \'w\') for image_id in image_ids: list_file.write(abs_path + \'/VOC2028/JPEGImages/%s.jpg\\\\n\' % (image_id)) convert_annotation(image_id) list_file.close() 训练模型 配置环境 git clone https://github.com/ultralytics/yolov5 cd yolov5 pip install -r requirements.txt pip install onnx 下载预训练权重（博主尝试了v7.0的和v6.0的pt都可以） https://github.com/ultralytics/yolov5/releases/download/v7.0/yolov5s.pt 训练（博主使用的是学校的集群进行训练） python3 train.py --weights weights/yolov5s.pt --cfg models/yolov5s.yaml --data data/safthat.yaml --epochs 150 --batch-size 16 --multi-scale --device 0 python3 detect.py --source /root/yolov5/data/images/000000.jpg --weights /root/yolov5/runs/train/exp13/weights/best.pt --conf-thres 0.25 导出onnx模型，由于学校服务器目前去教学上课去了，他们上完课才能分配我就用电脑本机的conda环境导出 下面为啥使用-imgsz 224 320,原因就是比较适配屏幕，加上我尝试640640的，摄像头报错，提示是640480这样，然后我就看到sipeed那个yolov5s是320*224的，我也就和他保持一致吧 python export.py --weights yolov5s_hat.pt --include onnx --opset 16 --imgsz 224 320 模型查看通过网址输入netron.app查看三个输出： 下面是博主的三个输出 onnx::Shape_329 onnx::Shape_384 onnx::Shape_439 模型转化（关键） 安装docker环境（已安装过的可以跳过） 安装docker依赖的基础软件 sudo apt-get update sudo apt-get install apt-transport-https ca-certificates curl gnupg-agent software-properties-common 添加官方来源 curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add - sudo add-apt-repository \"deb [arch=amd64] https://download.docker.com/linux/ubuntu $(lsb_release -cs) stable\" 安装 docker sudo apt-get update sudo apt-get install docker-ce docker-ce-cli containerd.io 开始量化模型实操（！！！） 准备工作 https://github.com/sophgo/tpu-mlir/releases/tag/v1.7 上面网址下载 tpu-mlir-resource.tar 和 tpu_mlir-1.7-py3-none-any.whl 为什么拉取最新版，因为我用3.1版本失败了，工具在一直更新，最好保持最新，可以看下面图片我使用3.1版本也试过 docker pull sophgo/tpuc_dev:latest 进入容器后将上面的准备的两个文件拷贝到workspace目录 root@3d517bc7f51f:/workspace/model_yolov5s# cd .. root@3d517bc7f51f:/workspace# ls model_yolov5stpu-mlir-resourcetpu-mlir-resource.tartpu_mlir-1.7-py3-none-any.whl root@3d517bc7f51f:/workspace# 下面两个二选一，我建议是第二个，离线安装 pip install tpu_mlir[all]或者pip install tpu_mlir-*-py3-none-any.whl[all] 博主是选的第二个 pip install tpu_mlir-1.7-py3-none-any.whl 以及安装它的全部依赖 pip install tpu_mlir-1.7-py3-none-any.whl[all] 解压 tar -xvf tpu-mlir-resource.tar 修改文件夹名字 mv regression/ tpu-mlir-resource/ mkdir model_yolov5s && cd model_yolov5s cp -rf ../tpu_mlir_resource/dataset/COCO2017 . cp -rf ../tpu_mlir_resource/image . 把之前准备好的图片100张一集一张测试图片和onnx模型传递到如下 root@3d517bc7f51f:/workspace# cd model_yolov5s/ root@3d517bc7f51f:/workspace/model_yolov5s# ls COCO2017imageworkspaceyolov5n_hat.onnxyolov5s_hat.onnx root@3d517bc7f51f:/workspace/model_yolov5s# cd COCO2017/ root@3d517bc7f51f:/workspace/model_yolov5s/COCO2017# ls 000000.jpg000011.jpg000022.jpg000032.jpg000042.jpg000053.jpg000066.jpg000076.jpg000086.jpg000096.jpg 000002.jpg000012.jpg000023.jpg000033.jpg000043.jpg000054.jpg000067.jpg000077.jpg000087.jpg000101.jpg 000003.jpg000013.jpg000024.jpg000034.jpg000044.jpg000055.jpg000068.jpg000078.jpg000088.jpg000102.jpg 000004.jpg000014.jpg000025.jpg000035.jpg000045.jpg000058.jpg000069.jpg000079.jpg000089.jpg000103.jpg 000005.jpg000015.jpg000026.jpg000036.jpg000046.jpg000059.jpg000070.jpg000080.jpg000090.jpg000104.jpg 000006.jpg000016.jpg000027.jpg000037.jpg000048.jpg000061.jpg000071.jpg000081.jpg000091.jpg000105.jpg 000007.jpg000017.jpg000028.jpg000038.jpg000049.jpg000062.jpg000072.jpg000082.jpg000092.jpg000106.jpg 000008.jpg000019.jpg000029.jpg000039.jpg000050.jpg000063.jpg000073.jpg000083.jpg000093.jpg000107.jpg 000009.jpg000020.jpg000030.jpg000040.jpg000051.jpg000064.jpg000074.jpg000084.jpg000094.jpg000108.jpg 000010.jpg000021.jpg000031.jpg000041.jpg000052.jpg000065.jpg000075.jpg000085.jpg000095.jpg000109.jpg root@3d517bc7f51f:/workspace/model_yolov5s/COCO2017# ls -l | grep \"^-\" | wc -l 100 root@3d517bc7f51f:/workspace/model_yolov5s/COCO2017# ls -l | grep \"^-\" | wc -l可以查看一下图片多少个，COCO2017文件下的图片博主替换了安全帽的100张图片以及测试图片同样 回到 model_yolov5s root@3d517bc7f51f:/workspace/model_yolov5s/COCO2017# cd .. root@3d517bc7f51f:/workspace/model_yolov5s# ls COCO2017imageworkspaceyolov5n_hat.onnxyolov5s_hat.onnx root@3d517bc7f51f:/workspace/model_yolov5s# 接着 mkdir workspace && cd workspace 执行下面命令ONNX 转 MLIR（记得output_names换为自己的） model_transform --model_name yolov5s --model_def ../yolov5s_hat.onnx --input_shapes [[1,3,224,320]] --mean 0.0,0.0,0.0 --scale 0.0039216,0.0039216,0.0039216 --keep_aspect_ratio --pixel_format rgb --output_names onnx::Shape_329,onnx::Shape_439,onnx::Shape_384 --test_input ../image/hat.jpg --test_result yolov5s_top_outputs.npz --mlir yolov5s.mlir 执行下面命令MLIR 转 INT8 模型，转 INT8 模型前需要跑 calibration, 得到校准表 run_calibration yolov5s.mlir --dataset ../COCO2017 --input_num 100 -o yolov5s_cali_table 接着执行下面 model_deploy --mlir yolov5s.mlir --quantize INT8 --calibration_table yolov5s_cali_table --processor cv181x --test_input yolov5s_in_f32.npz --test_reference yolov5s_top_outputs.npz --tolerance 0.85,0.45 --model yolov5s_cv181x_int8_sym.cvimodel 最后你会得到如下： root@3d517bc7f51f:/workspace/model_yolov5s/workspace# ls _weight_map.csv yolov5s_cv181x_int8_sym.cvimodelyolov5s_origin.mlir build_flag.json yolov5s_cv181x_int8_sym_final.mlir yolov5s_top_f32_all_origin_weight.npz final_opt.onnxyolov5s_cv181x_int8_sym_tensor_info.txtyolov5s_top_f32_all_weight.npz yolov5s.mlir yolov5s_cv181x_int8_sym_tpu.mliryolov5s_top_outputs.npz yolov5s_cali_table yolov5s_in_f32.npzyolov5s_tpu_addressed_cv181x_int8_sym_weight.npz yolov5s_cv181x_int8_symyolov5s_opt.onnx.prototxt yolov5s_tpu_addressed_cv181x_int8_sym_weight_fix.npz root@3d517bc7f51f:/workspace/model_yolov5s/workspace# 通过上述步骤，你就可以得到量化后的可以部署到开发板上的模型的 解答： 上面为什么会是cv181x，因为我自己先用了一个实验了一下，然后报错如下： -- [I] load cvimodel from: /root/models/yolov5n.cvimodel cvimodel built for cv180x CANNOT run on platform cv181x failed to parse cvimodel 实机运行 yolov5s_hat.mud内容如下如下： [basic] type = cvimodel model = yolov5s_hat_cv181x_int8_sym.cvimodel [extra] model_type = yolov5 input_type = rgb mean = 0, 0, 0 scale = 0.00392156862745098, 0.00392156862745098, 0.00392156862745098 anchors = 10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326 labels = hat,person 运行代码 from maix import camera, display, image, nn, app detector = nn.YOLOv5(model=\"/root/models/yolov5s_hat.mud\") cam = camera.Camera(detector.input_width(), detector.input_height(), detector.input_format()) dis = display.Display() print(\"www\") print(detector.input_width(),detector.input_height(), detector.input_format()) while not app.need_exit(): img = cam.read() objs = detector.detect(img, conf_th = 0.5, iou_th = 0.45) for obj in objs: img.draw_rect(obj.x, obj.y, obj.w, obj.h, color = image.COLOR_RED) msg = f\'{detector.labels[obj.class_id]}: {obj.score:.2f}\' img.draw_string(obj.x, obj.y, msg, color = image.COLOR_RED) dis.show(img) 其中10.84.117.1就是ip地址，将cvmodel和mud上传到/root/models/ 路径下 打包完成后安装应用然后运行就行，也可以ide运行 视频链接： https://www.bilibili.com/video/BV1xz421S7Rx/?spm_id_from=333.999.0.0&vd_source=b1fff0f773136d7d05331087929c7739 感谢 感谢谁说现在是冬天呢 一些思路
2024-04-23 15:43
没用过zynq今天在看解析是发现汽车的CID上有用这个，不知道zynq有什么优势？
2024-04-23 15:01
在低压配电系统中，为了保障供电的安全性和连续性，一般采用两进线一母联的方式供电。 ● 在自动情况下，母联断路器(QF3)断开，两进线断路器(QF1、QF2)闭合。由“1#市电”给“负载1”供电，“2#市电”给“负载2”供电；● 当“1#市电”发生异常时，先分进线断路器QF1，然后合母联断路器QF3，由“2#市电”给“负载1”与“负载2”供电；● 当“1#市电”恢复正常后，先分母联断路器QF3，然后再合进线断路器QF1； ● “2#市电”逻辑同上。
2024-04-23 14:51
随着非车规器件在汽车上泛滥FPGA会不会越来越多的出现在汽车上？
2024-04-23 14:50
常见的防雷安规器件除了安规电容和压敏电阻还有哪些？尤其是安规电容分为X电容和Y电容，具体怎么选型？压敏电阻有哪些分类，怎么选型，需要考虑哪些因素？ 安规电容和安规电容如果遇到雷电或者尖峰脉冲电压，到底会不会炸裂？ 再者无极性的螺栓电容是否适合变频器输入侧电源滤波？
2024-04-23 14:34
ohos.permission.USE_BLUETOOTH 允许应用查看蓝牙的配置。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.DISCOVER_BLUETOOTH 允许应用配置本地蓝牙，查找远端设备且与之配对连接。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.MANAGE_BLUETOOTH 允许应用配对蓝牙设备，并对设备的电话簿或消息进行访问。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.INTERNET 允许使用Internet网络。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.MODIFY_AUDIO_SETTINGS 允许应用修改音频设置。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.ACCESS_NOTIFICATION_POLICY 在本设备上允许应用访问通知策略。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：FALSE ohos.permission.GET_TELEPHONY_STATE 允许应用读取电话信息。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.REQUIRE_FORM 允许应用获取Ability Form。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.GET_NETWORK_INFO 允许应用获取数据网络信息。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.PLACE_CALL 允许应用直接拨打电话。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.SET_NETWORK_INFO 允许应用配置数据网络。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.REMOVE_CACHE_FILES 允许清理指定应用的缓存。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.REBOOT 允许应用重启设备。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.RUNNING_LOCK 允许应用获取运行锁，保证应用在后台的持续运行。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.SET_TIME 允许应用修改系统时间。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.SET_TIME_ZONE 允许应用修改系统时区。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.DOWNLOAD_SESSION_MANAGER 允许应用管理下载任务会话。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.COMMONEVENT_STICKY 允许应用发布粘性公共事件。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.SYSTEM_FLOAT_WINDOW 允许应用使用悬浮窗的能力。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.PRIVACY_WINDOW 允许应用将窗口设置为隐私窗口，禁止截屏录屏。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.POWER_MANAGER 允许应用调用电源管理子系统的接口休眠或者唤醒设备。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.REFRESH_USER_ACTION 允许应用在收到用户事件时，重新计算超时时间。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.POWER_OPTIMIZATION 允许系统应用设置省电模式、获取省电模式的配置信息并接收配置变化的通知。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.REBOOT_RECOVERY 允许系统应用重启设备并进入恢复模式。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.MANAGE_LOCAL_ACCOUNTS 允许应用管理本地用户帐号。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.INTERACT_ACROSS_LOCAL_ACCOUNTS 允许多个系统帐号之间相互访问。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.VIBRATE 允许应用控制马达振动。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.CONNECT_IME_ABILITY 允许绑定输入法Ability（InputMethodAbility）。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.CONNECT_SCREEN_SAVER_ABILITY 允许绑定屏保Ability（ScreenSaverAbility）。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.READ_SCREEN_SAVER 允许应用查询屏保状态信息。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.WRITE_SCREEN_SAVER 允许应用修改屏保状态信息。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.SET_WALLPAPER 允许应用设置静态壁纸。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.GET_WALLPAPER 允许应用读取壁纸文件。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.CHANGE_ABILITY_ENABLED_STATE 允许改变应用或者组件的使能状态。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.ACCESS_MISSIONS 允许应用访问任务栈信息。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.CLEAN_BACKGROUND_PROCESSES 允许应用根据包名清理相关后台进程。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.KEEP_BACKGROUND_RUNNING 允许Service Ability在后台持续运行。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.UPDATE_CONFIGURATION 允许更新系统配置。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.UPDATE_SYSTEM 允许调用升级接口。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.FACTORY_RESET 允许调用恢复出厂接口。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.GRANT_SENSITIVE_PERMISSIONS 允许应用为其他应用授予敏感权限。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.REVOKE_SENSITIVE_PERMISSIONS 允许应用撤销给其他应用授予的敏感信息。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.GET_SENSITIVE_PERMISSIONS 允许应用读取其他应用的敏感权限的状态。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.INTERACT_ACROSS_LOCAL_ACCOUNTS_EXTENSION 允许应用跨用户对其他应用的属性进行设置。 权限级别 ：system_core 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.LISTEN_BUNDLE_CHANGE 允许应用监听其他应用安装、更新、卸载状态的变化。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.GET_BUNDLE_INFO 允许应用查询其他应用的信息。该权限仅适用于三方应用。 权限级别 ：normal 授权方式 ：system_grant ACL使能 ：TRUE ohos.permission.GET_BUNDLE_INFO_PRIVILEGED 允许应用查询其他应用的信息。该权限仅适用于特权应用、同签名应用。 权限级别 ：system_basic 授权方式 ：system_grant ACL使能 ：TRUE 本文根据HarmonyOS官方文档API9整理
2024-04-23 14:33
小功率变频器在输入侧一般有压敏电阻或者压敏电容对地PE连接，这个电路的作用是当雷电高压串入时变频器对地短路泄放掉能量。 而在大功率变频器中，不仅输入侧对地PE有压敏电阻或者压敏电容，正负母线对地PE也有压敏电阻或者压敏电容，三相输入和正负之间也有压敏电阻或者压敏电容。 请问大功率的变频器需要这么多防雷电路吗？去掉正负对地PE和输入对正负有很大影响吗？ 而且现场应用这个防雷板很容易炸裂不知道具体是什么原因？设计的问题安规不够还是使用时间长老化导致绝缘降低？
2024-04-23 14:20
线路板功能正常，在蜂鸣器上接了一个电磁牵引后，蜂鸣器一直响，本来是蜂鸣器是产量到达指定数值才响一次。有懂的不
2024-04-23 12:42
