PADS VX2.7实战指南:Router高效布线技巧与BGA扇孔优化

PADS自动布线避坑指南:为什么你的Router优化总达不到预期效果? 本文深入解析PADS Router自动布线常见问题,揭示规则配置与参数协同的关键技巧。针对布线质量不达预期、Stub线段过多、Via数量失控等痛点,提供分层规则设置、等长布线优化、代价函数调整等解决方案,帮助工程师提升高速PCB设计效率与可靠性。 阅读详情

1. 从Layout到Router:高效布线的思维转换

很多刚接触PADS的朋友,包括我自己刚开始的时候,都会有一个习惯:在Layout里把线布得差不多了,实在布不通的,才扔到Router里去“收拾残局”。这么干了好几个板子,效率低不说,还经常把板子搞得一团糟,后期改起来特别痛苦。后来跟一位资深前辈交流,我才恍然大悟,原来PADS Router和PADS Layout根本就不是简单的“接力”关系,而是需要我们从设计一开始就进行思维转换。

你可以把PADS Layout想象成一个功能强大的“规划师”和“装配工”。它的强项在于元器件的布局、封装管理、设计规则的初步设定,以及一些简单直接的连线。但一旦面对成百上千条、需要精密控制的高速信号线时,Layout手动拉线的效率就有点捉襟见肘了。而PADS Router,则是一位专业的“布线工程师”和“交通调度员”。它生来就是为了解决复杂、高密度、高速信号的布线问题。它的核心是基于规则的自动化与半自动化布线,以及强大的交互式布线优化能力。

所以,一个高效的PADS VX2.7工作流应该是这样的:在Layout中完成所有前期的准备工作——导入网表、摆放元器件、设置板框、划分区域、设定好最关键的设计规则(比如线宽、间距、过孔)。当你觉得布局已经八九不离十,可以开始连接信号时,就应该果断切换到Router环境。在Router里,你不再是“一根线一根线地画”,而是“指挥软件智能地连接”,同时用你专业的判断去干预和优化关键路径。这种思维转变,是提升PCB设计效率和质量的第一步。我自己的经验是,一个中等复杂度的板子,采用这种流程,总的设计时间能缩短至少30%,而且布线的规整度和电气性能要好得多。

2. Router环境的高效配置:让你的布线如虎添翼

工欲善其事,必先利其器。直接打开Router就开干,往往会遇到各种磕绊。花上十分钟做好环境配置,能让后续几小时甚至几天的布线工作顺畅无比。这里我分享几个我必调的设置,都是实战中踩过坑总结出来的。

2.1 参数设置:奠定布线基调

打开Router,第一件事就是点击顶部菜单的 “工具” -> “选项”。这个对话框里的设置非常多,但新手重点关注以下几项:

  • “常规”标签页:这里我习惯把“撤销级别”调高一些,比如到50或100。布线时经常需要反复尝试,足够的撤销步数能给你充足的安全感。“自动备份间隔”建议设置在15-30分钟,防止软件意外关闭导致心血白费。
  • “设计”标签页:“在线DRC” 这个选项,务必保持开启。它就像你布线时的实时交警,一旦你的走线或过孔违反了规则(间距、线宽等),它会立刻高亮显示错误,防止你把错误带到后期。我强烈建议把DRC模式设置为“防止错误”,这样在产生冲突时你
PADS VX2.7实战指南:Router高效布线与差分对设计技巧 本文是PADS VX2.7的实战指南,重点解析了在Router中进行高效布线的核心工作流与技巧。内容涵盖从Layout到Router的无缝切换、关键参数与显示设置优化、BGA扇出、差分对设计规则与耦合走线,以及电源处理和等长布线等高级功能,旨在帮助工程师提升复杂PCB设计效率与质量。 阅读详情

相关推荐

PADS VX2.8 router中移动器件跟随走线的设置方法

在我们PCB设计过程中,虽说已将器件布局,但在router进行走线时,还是有可能会根据布的线难易程度灵活调整器件位置。如果器件的管脚已经完成相应的网络连接,在调整器件位置后,会发现与器件相连的网络被取消连接了,没有跟随器件移动进行调整。操作如下图所示: 如遇到上述情况,想要在router移动器件跟随走线该如何操作呢?设置方法:在router界面,点击“工具”→“选项”(快捷方式“Ctrl+Enter”),在弹出的“选项”窗口,选择“布局”界面下的“重新布线”中的“移动后”,点击“应用”并“确定..

zbpcb的博客 2472

PADS Router VX2.7实战:从BGA扇出到差分对设置的5个高效技巧

本文详细介绍了PADS Router VX2.7在高速PCB设计中的5个高效技巧,涵盖BGA扇出、差分对设置等关键操作。通过矩阵式扇出、动态耦合控制等先进功能,帮助工程师提升设计效率与信号完整性,特别适合处理复杂封装和高密度布线场景。

honey的博客 673

PADS Router VX2.7实战:从BGA扇出到差分对布线,这些技巧让你事半功倍

本文深入解析PADS Router VX2.7在复杂PCB设计中的高效应用,聚焦BGA扇出与差分对布线两大核心难题。通过分享环境参数深度配置、扇出策略规划、差分对规则驱动布线及蛇形等长处理等实战技巧,帮助工程师显著提升布线效率与设计质量,实现事半功倍。

2a4s6d8f0g的博客 238

PADS VX2.7实战指南:Router高效布线与等长设计技巧

本文详细介绍了PADS VX2.7中Router工具的高效布线与等长设计技巧,包括基础布线设置、差分对布线实战、蛇形等长设计及高级功能应用。通过合理参数配置和快捷键使用,可显著提升PCB设计效率,特别适用于高速复杂电路设计。

weixin_29292431的博客 272

PADS无模命令大全:20个隐藏技巧让PCB布线效率翻倍

在PCB设计领域,掌握高效的操作方式是提升布线效率的关键。无模命令作为一种通过键盘直接触发功能的交互机制,能够显著减少鼠标点击与菜单查找的时间,让工程师将更多精力聚焦于设计本身。其原理简单直观,多数命令以功能英文首字母为映射,配合合理的栅格、线宽与显示控制,即可构建出流畅的设计流程。这类技术价值在于将高频操作转化为肌肉记忆,尤其适用于复杂Layout、高密度Router布线以及实时DRC检查等场景。无论是布局阶段的器件定位与距离测量,还是布线阶段的动态推挤与差分对处理,熟练应用这些隐藏技巧都能带来肉眼可见的

weixin_34242509的博客 548

PADS PCB设计入门:从安装到实战的完整指南

电子设计自动化(EDA)是硬件开发的核心环节,它通过软件工具将电路原理转化为可制造的印刷电路板(PCB)。其工作原理基于规则驱动的设计流程,从原理图绘制、网络表生成到物理布局布线,确保电气连接的准确性和可制造性。这项技术的价值在于显著提升设计效率、保证系统稳定性,并支持复杂高速电路的设计。在消费电子、工业控制和通信设备等场景中,EDA工具是产品硬件实现的基石。本文聚焦于行业经典工具PADS,针对其安装配置、原理图设计及PCB布局布线进行实战解析,特别涵盖了许可证管理、设计规则设置等关键热词,帮助工程师快速上

weixin_33701294的博客 451

PADS PCB设计全流程问题解析与优化实践

PCB设计作为电子工程的核心环节,其工具选择直接影响产品质量与开发效率。以PADS为代表的模块化EDA工具,通过原理图设计(Logic)、PCB布局(Layout)和专业布线(Router)的协同工作,为工程师提供了灵活的解决方案。在高速电路设计中,盲埋孔技术和智能铺铜策略对信号完整性至关重要。针对常见的设计转换需求,如与Altium Designer的交互操作,需要特别注意封装映射和网络关联性检查。通过规范的库管理、网表验证和生产文件输出流程,可以有效避免90%以上的设计传递问题。对于消费电子和汽车电子等

android_mylove的专栏 333

印尼稻米收成与粮食安全数据集2026年

本数据集收录印度尼西亚2026年水稻收成与粮食安全遥测数据,包含10000条稻米农业收成产量与粮食安全监测记录,围绕印尼国家粮食安全体系中的核心作物水稻展开。稻米是印尼逾两亿人口的主粮,其收成波动直接影响国家粮食安全与进口政策,本数据集将种植区域、收成产量、气候与土壤相关遥测指标整合为结构化表格,可支撑粮食产量预测、收成影响因素分析、区域粮食安全评估与农业政策模拟等研究任务。典型应用场景包括:农业时间序列产量预测模型构建、气候因子与水稻收成的关联分析、省份与地区层面的粮食自给率测算、粮食安全风险预警指标设计,也可作为农业经济、粮食政策与数据科学交叉课程的教学素材。数据为2026年最新版,规模约1.2MB、单CSV结构规整,字段命名清晰,适合Python、Pandas、Scikit-learn等主流工具链直接使用,便于开展探索性分析、可视化与机器学习全流程练习。重要说明:本数据为遥测整理数据,分析结论以数据集文档口径为准,农业决策请结合官方统计综合研判。许可:CC0公有领域,可自由使用与二次分发。

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

企业数字化转型AI大模型赋能智能体平台及AI场景应用规划方案(生态合作版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

智慧环保生态保护行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

气象服务行业可信数据空间应用规划方案(技术方案版).pptx

MCGS的Http协议驱动,支持http协议

硬件配置 参数设置 设备属性 设备命令 通讯状态 附录 #HTTP 1、 设备简介 驱动类型 该驱动为独立设备,直接添加构件即可,不需要挂载到父设备下 通讯协议 采用标准HTTP1.1协议 通讯方式 驱动构件为客户端。 2、 硬件连接 本软件在通讯之前,请保证通讯连接正确。通讯连接方式:采用标准的RJ45接口的以太网接线(对调网线或使用HUB交换)。 3、 设备通讯参数 本设备为独立设备,无父设备参数 4、 设备构件参数设置 “HTTP设备”参数设置如下: <1> 内部属性: 构建url信息。 <2> 最小采集周期:本软件对设备进行操作的时间周期,单位为ms,默认为100ms。 <3> 通讯等待时间:通讯数据接收等待时间,默认设置为200ms,当采集速度要求较高或数据量较大时,设置值可适当减小或增大。 <4> HttpHead:http head添加需要的字段,不需要添加http head时值为空,默认不添加。 5、 设备命令 本设备构件提供设备命令,用于进行相应的操作,设备命令的格式如下: 设备命令 命令介绍 GetHttpHead 格式1 GetHttpHead(headStr) 用途 获取http head参数 参数 headStr 参数可以为字符型变量、字符串常量 例1 !SetDevice(设备0,6,"GetHttpHead(headStr)") 获取http head数据保存到headStr中 SetHttpHead 格式1 SetHttpHead(headStr) 用途 设置http head参数 参数 headStr 参数可以为字符型变量、字符串常量

RK806S PMIC电源管理芯片调试

当点按PWRON按键时,rk806上电开始启动bootloader和uboot,在执行到此处时检测到是由于按键启动的,所以0x5d的值是0x80,0x74的值是0x80,在一般情况下,mode都默认是none的,所以mode值为11,因此就进入了我们的if判断,若是由于按键启动的,则直接调用rk8xx_shutdown函数关掉,进入这个函数会看到实际是通过i2c给0x72寄存器的BIT(0)写1,使其关机。当SoC在12V电源已经接入,且处于关机状态时,使用PWRON按键开机,0x74的值则为0x80。

Y1anoohh的博客 2550

流式数据湖存储技术,Apache Paimon是什么?

是一项流式数据湖存储技术,可以为用户提供高吞吐、低延迟的数据摄入、流式订阅以及实时查询能力。Paimon 采用开放的数据格式和技术理念,可以与 Apache Flink / Spark / Trino 等诸多业界主流计算引擎进行对接,共同推进 Streaming Lakehouse 架构的普及和发展。

一个写湿的程序猿 2万+

Coze实战:解锁多Bot协同与条件分支工作流的奥秘

本文详细介绍了在字节跳动Coze平台实现多Bot协同与条件分支工作流的方法。首先阐述了Coze平台的功能优势,包括丰富的插件、知识库和工作流功能。随后分步骤讲解了多Bot协同的实现:从准备工作、创建Bot到协同配置,并提供了电商客服的实例演示。在条件分支工作流部分,详细说明了条件节点的作用类型、条件设定方法以及具体配置操作,强调测试优化的重要性。最后通过电商平台综合案例,展示了多Bot协同与条件分支的实际应用效果,并针对常见问题提供解决方案。文章为开发者在Coze平台上构建智能应用提供了实用指导,有助于提升

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 452

CesiumForUnreal实现地形等高线效果

CesiumForUnreal实现地形等高线效果

专注GIS开发 3438

【论文精读】Virtual Adversarial Training——一种用于监督学习和半监督学习的正则化方法

本文提出了一种新的正则化方法——虚拟对抗训练(Virtual Adversarial Training, VAT),旨在通过引入虚拟对抗损失来增强模型的泛化能力。虚拟对抗损失衡量了给定输入条件下条件标签分布的局部平滑性,定义为模型对输入数据点周围局部扰动的鲁棒性。与传统对抗训练不同,VAT不需要标签信息来定义对抗方向,因此适用于半监督学习。本文详细阐述了VAT的核心方法,并通过实验验证了其在多个基准数据集上的有效性。:虚拟对抗训练;正则化方法;监督学习;半监督学习;对抗方向。

nmdbbzcl的博客 368

3.7 改造模型:为GPT添加一个分类头(Classification Head)

本文介绍如何改造GPT模型用于文本分类任务。主要内容包括: 分类头设计思路:GPT作为语言模型需要添加分类头才能适应分类任务,类似于为语言大师添加裁判功能。 序列表示选择策略: 分析三种常见方法(CLS标记、平均池化、最后词元表示) 推荐使用最后词元表示,因其最能反映GPT的单向信息流特性 代码实现: 构建GPT2ForSequenceClassification类 包含预训练GPT主体和线性分类头 使用attention_mask智能定位句子结尾 通过高级索引提取最后词元特征 该方法通过简单改造使GPT模

yonggeit的博客 2973

使用 MATLAB/Simulink 对风光互补发电系统进行建模

随着全球对清洁能源的需求日益增长,风力发电和光伏发电作为两种主要的可再生能源形式,在电力供应中的占比越来越高。然而,由于风电和光伏的间歇性和不确定性,单独依赖其中任何一种能源都会给电网带来挑战。因此,风光互补发电系统(Wind-PV Hybrid System)应运而生,通过合理配置风力发电机和光伏电池板的数量,可以有效提高系统的稳定性和可靠性。此外,为了确保整个电力系统的安全稳定运行,还需要研究风光互补发电系统与主网之间的协调调度策略。本教程将详细介绍如何使用。

amy_mhd的博客 121

【RKNN】RKNN(Rockchip Neural Network)​​ 的详解

RKNN 为 Rockchip 硬件提供了高效的 AI 推理解决方案,适合需要低功耗、实时响应的边缘场景

浩瀚之水的专栏 1690

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: 基于JdbcTemplate与dynamic-datasource实现多租户数据隔离实战
下一篇: Lang-Segment-Anything实战:5分钟搞定图片中任意物体的精准分割(附避坑指南)
sprite
博客等级 码龄26年 129粉丝 1463原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值