CN103162659B - 一种构造车辆三维扫描台及生成货物随机采样点的方法 - Google Patents
一种构造车辆三维扫描台及生成货物随机采样点的方法 Download PDFInfo
- Publication number
- CN103162659B CN103162659B CN201310093126.3A CN201310093126A CN103162659B CN 103162659 B CN103162659 B CN 103162659B CN 201310093126 A CN201310093126 A CN 201310093126A CN 103162659 B CN103162659 B CN 103162659B
- Authority
- CN
- China
- Prior art keywords
- coordinate
- random
- point
- contour
- goods
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种智能实时物料位置坐标识别及随机点采样的方法,其步骤为:(1)由传感器构造的空间坐标与客观现实环境中的空间绝对值坐标的建立与关联方法。(2)车体实时数据采集。(3)车体及货物轮廓识别。(4)货物实时坐标中的随机点生成方法。(5)人机界面。
Description
技术领域
本发明主要应用于交通运输、物流管理和工业生产领域,通过本发明建立三维实物扫描台,三维实物扫描台对车辆扫描的数据形成完整的数据文件,对文件的分析以达到对车体的各个部分进行区分,再选择货物部分,货物的部分中生成随机点,即将物体通过三维数据点分析以及识别,然后生成随机采样点的方法。本发明主要适用于物体识别定位。
背景技术
基于三维数据点的车厢进行识别属于点云数据的分割问题。
点云数据的分割就是将数据分割成若干个互不相交的子集,每一个子集中的数据同属于一个具有单一特征的曲面。目前点云分割方法主要有基于边的方法、基于面的方法、基于聚类的方法。
基于边的区域分割方法是根据数据点的局部几何特性在点集中检测到边界点,再进行边界点的连接,最后根据检测的边界点将整个数据集分割成独立的多个点集。此方法是从纯数学的角度出发,认为测量点的法矢或曲率的突变是一个区域与另一个区域的边界,并将封闭边界的区域作为最终的分割结果。该方法对尖锐边界的识别能力强,但对于边界的确定仅用到边界的局部数据,受测量噪声影响较大,而且对于型面缓变或圆角半径较大的曲面往往找不准边界。
基于面的区域分割方法是将属于同一基本几何特征的点集分割到同一区域。相比较基于边的方法,基于面的方法具有发展优势基于面的分割方法对于二次曲面的分割比较有效,但是难以选择合适的种子点以及难以区分光滑边界,而且其区域生长受设定阈值的影响较大,选择合适的生长准则也比较困难。
基于聚类的方法是利用人工神经网络等数学工具作为“分类器”,对数据点的局部几何特征参数进行聚类。聚类的依据主要是根据高斯曲率和平均曲率的符号组合划分曲面元的方法。
该方法对于曲面类型较为明显的曲面分块存在一定的优势,但是对于复杂的曲面而言,要直接确定曲面的分类个数和曲面类型比较困难,对容易出现的细碎面片进行二次处理也增加了算法的难度。
上述三种方法存在的共性问题是速度慢,多用于数据的事后处理,难以在工业现场实时应用。
随机采样点的生成多采用随机数生成的方法,如迭代取中,乘同余法,混合同余法等,我们称之为取随机数。该方法虽然能够保证生成采样点的随机性,但在实际应用中,往往难于应用到复合数列当中,同时也不能做到基于策略的随机数生成的应用环境。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种原理简单、操作简便、检测精度高,实时性好,实施后整体结构紧凑、工作稳定可靠的实时车辆轮廓识别与随机点采样方法。
为解决上述技术问题,本发明采用以下技术方案,其特征在于步骤如下。
(1)建立坐标:建立由传感器构造的空间坐标,同时建立客观现实环境中的空间绝对值坐标;将物体扫描的实时坐标值与实际物体的实时位置建立一一对应关系,形成统一的物体轮廓坐标和物体的位置参数。
(2)数据采集:通过传感器采集物体轮廓和位置数据。
(3)车辆轮廓识别:通过对物体扫描数据的建模分析,按照物体的特征将物体进行分类,例如大小、几何图形、宽窄高低尺寸数据对比、相互之间位置关系等特征的分析与识别,可以对物体具体的某个部分及位置进行选择。
(4)随机点采样:物体随机点采样的方法包括:格栅式随机方法f(f(x),f(y),f(z))、基于平面与纵深的随机方法f(f(x,y),f(z))、基于坐标值的完全随机方法f(x,y,z)等。
(5)人机界面:具备可视化的实时交互人机界面,即物体扫描的过程中或物体扫描完毕后,用户可以在显示器上观看到被扫描物体的三维外形图以及被标注为放大或高亮的随机点。
(6)本发明针对车辆应用的进一步说明:检测包含以下步骤:第一步,数据采集步骤。确定一个三维的识别空间,车辆进入识别空间的平面称为识别区域的出口,车辆离开识别空间的平面称为识别区域的出口。车辆进入识别空间后,传感器开始采集车辆外轮廓的三维坐标信息,同时同步记录车辆的速度信息。当车辆停止后,完成数据的采集。第二步,车辆轮廓识别步骤。坐标原点选择在识别空间出口处上方中间,z轴指向车辆入口方向,x轴垂直车辆运动方向,沿水平指向右侧,x,y,z轴呈右手系。将车辆行驶过程中采集到的三维信息对应到相应的上述栅格化空间中,并将相应的三维栅格位置进行标记,车辆离开识别空间的入口处后,完成整个扫描数据的栅格化;以栅格化后三维空间的z坐标为基准,将三维空间转化为一系列两维切片,每一个两维切片的z坐标相同,不同两维切片的z坐标不同。将所有的两维切片按照z值的大小排序,计算每个切片的面积,并在此基础上计算相邻两维扫描切片面积差,形成面积差图。以面积差图为基础,将车体进行分类,分为车头,车厢等不同部分,并从中标记出装载货物的车厢。第三步,随机点采样。根据车辆轮廓识别结果,确定车厢对应的三维栅格的z轴方向的起点和终点,在起点和终点确定的范围内,产生一个随机选择值,作为采样点生成的z坐标值。在由随机生成的z值确定的两维扫描切片中,确定该切片对应的车辆宽度;在该宽度范围内,产生一个随机选择值,作为采样点生成的x坐标值。在由随机生成的z值确定的两维扫描切片中,确定该切片对应的车辆高度;在该高度范围内,产生一个随机选择值,作为采样点生成的y坐标值。第四步,人机界面。按照识别结果,将原始三维数据点赋予不同的颜色,连同生成的随机采样点,以三维点云的形式显示。以上仅是本发明的一种具体的实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
与现有技术相比,本发明的优点在于:
1、本发明的三维实时扫描台的构造和生成随机采样点的方法不指定特定的传感器,只要能够完成物体轮廓的扫描和速度的测量,均能应用本方法进行车辆轮廓识别和随机点的采样;
2、本发明的物体轮廓识别利用物体的具体特征,算法识别精度高,可靠性好,并克服了三维点云数据计算量大的缺陷,并可以实现扫描识别并行进行,适合实时应用;
3、本发明的坐标系构建以及相关关联的方法是将数字坐标系与客观物力环境坐标系有机的统一为一个整体,将物体的数值坐标与现场的实际位置坐标统一为一个整体。
附图说明
图1建立坐标与关联坐标。
图2车辆轮廓扫描与货物识别、货物随机坐标点生成方式流程图。
图3挂车扫描、识别、选取随机点后的三视图。
图4半挂车扫描、识别、选取随机点后的三视图。
图5自卸车扫描、识别、选取随机点后的三视图。
具体实施方式
(1)建立坐标:根据传感器的特征建立由传感器构造的空间坐标,同时建立客观现实环境中的空间绝对值坐标;通过指定客观现实环境中的空间绝对值坐标与由传感器构造的空间坐标的共同坐标原点、相关连的计量方式及可以相互转换的坐标三维方向,将由传感器构造的空间坐标与客观现实环境中的空间绝对值坐标统一,进而将物体扫描的实时坐标值与实际物体的实时位置建立一一对应关系,形成统一的物体轮廓坐标和物体的位置参数。
(2)轮廓扫描与数据采集:通过传感器采集物体轮廓和位置数据,被采集的物体轮廓的每个点的位置以点云集合的形式表示并保存为一个完整的文件,物体位置数据表现为物体轮廓数据与坐标原点的运动关系以及采集时的物体或传感器的运动方向及速度;数据采集方式可以由固定传感器并将物体从有效的坐标系外穿过传感器平行移动到有效坐标系内的方式达成,也可以由固定物体,将传感器以某一方向某一速度平行移动以实现对物体的断面扫描的方式达成;数据采集不指定特定的传感器的类型,但是指定实现断面扫描与扫描断面的速度并行的方式生成物体轮廓的三维数据采集方法;获得物体断面数据可以从识别空间物体的入口处固定设置一部激光雷达或相互配合的多部激光雷达形成的一个或不同角度的同一重叠的扫描面,同时扫描同一运动的物体的断面,进而采集到物体轮廓的断面数据,也可以将物体固定于坐标系内不动,将一部或则多部激光雷达形成的一个或不同角度的同一重叠的扫描面沿某一方向以某一速度平行移动,进而采集到物体轮廓的断面数据;获得物体断面数据也可以从识别空间物体的入口处固定设置红外对管,红外对管位于同一平面,通过物体对红外线的遮挡情况实现对物体轮廓的扫描,也可以将物体固定于坐标系内不动,将红外对管安装于同一平面,运动红外对管,通过物体对红外线的遮挡情况实现对物体轮廓的扫描;获得物体断面数据也可以从识别空间物体的入口处固定设置摄像机,摄像机对物体的每个点以图像帧的方式按照角度的变化或设定区域大小的变化以及变化所经历的时间确定其轮廓,摄像机视觉方案中可以采用1台摄像机加位置参考尺寸方法,也可以采用关联的多台摄像机工作,通过相互独立的视角及换算关系确立物体的具体尺寸及位置;物体轮廓的运动方向为断面所在平面的垂直方向,运动速度的测定传感器可以由激光雷达,这个时候速度测定雷达的扫描面与断面垂直,运动速度的测定传感器也可以是测速雷达,这个时候测速雷达的安装角度与断面垂直,运动速度的测定传感器可以由安装在识别空间两侧的红外对管得到,这个时候红外对管的射线与断面平行且沿断面垂直方向均匀分布,运动速度的测定传感器可以由安装在地面的压力传感器等方法得到,这个时候压力传感器安装由于物体移动所经位置,且沿断面垂直方向均匀分布,运动速度的测定传感器可以由摄像机立体视觉等方法得到,这个时候运动物体的每个点以图像帧的方式按照角度的变化或设定区域大小的变化以及变化所经历的时间确定其运动的速度。
(3)货物轮廓识别:通过对物体扫描数据的建模分析,按照物体的特征将物体进行分类,例如大小、几何图形、宽窄高低尺寸数据对比、相互之间位置关系等,例如货车信息可以分为车头、车厢、货物、非货独立体等不同部分,其中车头为长宽高分别为小于2800mm×2800mm×3600mm且大于1300mm×1800mm×1600mm的相对独立的类四方体或类四方体组合物体,且位于扫描的启始端,形体为周界限分明的完整物体;车厢为一个或多个长宽高分别为小于16000mm×2800mm×3600mm且大于3000mm×1800mm×2000mm的完整的四方体,有较为完整连续的边界线,位于车头后,车厢相互之间、车厢与车头留有缝隙;货物位于车厢之中,是以车厢轮廓点为基准向内部延伸100mm内点所描绘的物体;非货独立体位于车头与车厢之间,为小于1300mm×2800mm×3500mm的相对独立的四方体;通过对物体轮廓特征的分析与识别,可以对物体具体的某个部分及位置进行选择,如货物。
(4)生成随机点:物体随机点生成的方法包括:格栅式随机方法f(f(x),f(y),f(z))、基于平面与纵深的随机方法f(f(x,y),f(z))、基于坐标值的完全随机方法f(x,y,z)等;格栅式随机方法是将分析识别出来的物体的某一个或某几个部分如货物作为一个整体,首先将货物按照某一尺寸格栅化为独立的方格,例如格栅化为100mm×100mm×100mm的方格,然后,将每一个方格按照特定的次序独立设定为一个序号,然后随机选取某一个或某几个方格序号的随机点方法;基于平面与纵深的随机方法是将分析识别出来的物体的某一个或某几个部分如货物作为一个整体,首先建立随机平面,该平面与货物相切,在该平面相切的部分上随机选择某一个或某几个坐标点,然后,以该平面的垂直方向与货物交汇的坐标点中随机选取一个或多个纵向坐标,进而形成随机点的方法;基于坐标值的完全随机方法是将分析识别出来的物体的某一个或某几个部分如货物作为一个整体,对整体中的某个或某几个独立点的选取方法。
(5)人机界面:具备可视化的实时交互人机界面,即物体扫描的过程中或物体扫描完毕后,用户可以在显示器上观看到被扫描物体的三维外形图以及被标注为放大或高亮的随机点。
Claims (1)
1.一种构造车辆三维扫描台及生成货物随机采样点的方法,其特征在于,该方法包括以下步骤:
步骤1:根据传感器的特征建立由传感器构造的空间坐标,同时建立客观现实环境中的空间绝对值坐标,通过指定客观现实环境中的空间绝对值坐标与传感器构造的空间坐标的共同坐标原点、相关连的计量方式及可以相互转换的坐标三维方向,将由传感器构造的空间坐标与客观现实环境中的空间绝对值坐标统一,进而将物体扫描的实时坐标值与实际物体的实时位置建立一一对应关系,形成统一的物体轮廓坐标和物体的位置参数;
步骤2:数据采集:通过传感器采集物体轮廓和位置数据,被采集的物体轮廓的每个点的位置以点云集合的形式表示并保存为一个完整的文件,物体位置数据表现为物体轮廓数据与坐标原点的运动关系以及采集时的物体或传感器的运动方向及速度;数据采集方式由固定传感器将物体从有效的坐标系外穿过传感器平行移动到有效坐标系内的方式达成,或者固定物体,将传感器以某一方向某一速度平行移动以实现对物体的断面扫描的方式达成;在识别空间物体的入口处固定设置一部激光雷达或相互配合的多部激光雷达形成的一个或不同角度的同一重叠的扫描面,同时扫描同一运动的物体的断面,进而采集到物体轮廓的断面数据,或者将物体固定于坐标系内不动,将一部或多部激光雷达形成的一个或不同角度的同一重叠的扫描面沿某一方向以某一速度平行移动,进而采集到物体轮廓的断面数据;或者在识别空间物体的入口处固定设置红外对管,红外对管位于同一平面,通过物体对红外线的遮挡情况实现对物体轮廓的扫描,或者将物体固定于坐标系内不动,将红外对管安装于同一平面,运动红外对管,通过物体对红外线的遮挡情况实现对物体轮廓的扫描;或者在识别空间物体的入口处固定设置摄像机,摄像机对物体的每个点以图像帧的方式按照角度的变化或设定区域大小的变化以及变化所经历的时间确定其轮廓,采用一台摄像机加位置参考尺寸方法,或者采用关联的多台摄像机工作,通过相互独立的视角及换算关系确立物体的具体尺寸及位置;物体轮廓的运动方向为断面所在平面的垂直方向,运动速度的测定传感器采用激光雷达,此时速度测定雷达的扫描面与断面垂直,或者采用测速雷达,此时测速雷达的安装角度与断面垂直,或者采用安装在识别空间两侧的红外对管得到,此时红外对管的射线与断面平行且沿断面垂直方向均匀分布,或者由安装在地面的压力传感器方法得到,此时压力传感器安装由于物体移动所经位置,且沿断面垂直方向均匀分布,或者采用摄像机立体视觉方法得到,此时运动物体的每个点以图像帧的方式按照角度的变化或设定区域大小的变化以及变化所经历的时间确定其运动的速度;
步骤3:物体的识别是基于物体外形轮廓特征而判别的,通过对物体扫描数据的建模分析,按照物体的大小、几何图形、尺寸、位置关系将物体进行分类,通过对物体轮廓特征的分析与识别,对物体具体部分及位置进行选择;
步骤4:物体随机点采样的方法包括:格栅式随机方法f(f(x),f(y),f(z))、基于平面与纵深的随机方法f(f(x,y),f(z))、基于坐标值的完全随机方法f(x,y,z);所生成的随机点均为货物坐标所包含的部分;格栅式随机方法是将分析识别出来的物体的某一个或某几个部分作为一个整体,首先将货物按照某一尺寸格栅化为独立的方格,将每一个方格按照特定的次序独立设定为一个序号,然后随机选取其中某一个或某几个方格序号的随机点方法;基于平面与纵深的随机方法是将分析识别出来的某一个或某几个货物分别作为独立的整体,首先建立一个随机平面或分段分别建立随机平面,该平面与货物相切,在该平面相切的部分上随机选择某一个或某几个坐标点,然后,以通过该平面的该点的垂直线与货物交汇的坐标点中随机选取或分段分别随机选取一个或多个坐标点,进而形成随机点的方法;基于坐标值的完全随机方法是将分析识别出来的货物的某一个或某几个部分作为一个整体,对整体中的某个或某几个独立点的选取方法;
步骤5:具备可视化的实时交互人机界面,即物体扫描的过程中或物体扫描完毕后,用户在显示器上观看到被扫描车辆及/或货物的三维外形图以及被标注为放大并且高亮的随机点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310093126.3A CN103162659B (zh) | 2013-03-22 | 2013-03-22 | 一种构造车辆三维扫描台及生成货物随机采样点的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310093126.3A CN103162659B (zh) | 2013-03-22 | 2013-03-22 | 一种构造车辆三维扫描台及生成货物随机采样点的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103162659A CN103162659A (zh) | 2013-06-19 |
CN103162659B true CN103162659B (zh) | 2015-11-25 |
Family
ID=48585951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310093126.3A Active CN103162659B (zh) | 2013-03-22 | 2013-03-22 | 一种构造车辆三维扫描台及生成货物随机采样点的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103162659B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127770B (zh) * | 2016-06-27 | 2019-03-15 | 感知控股集团有限公司 | 轮廓测量方法及系统 |
CN108791279B (zh) * | 2018-07-27 | 2021-10-15 | 江西江铃集团新能源汽车有限公司 | 半自动泊车系统、汽车及泊车方法 |
CN110309977B (zh) * | 2019-07-09 | 2022-11-01 | 河南工业大学 | 一种粮堆扦样高度随机布局方法及圆仓粮堆扦样方法 |
CN110321104B (zh) * | 2019-07-09 | 2023-01-03 | 河南工业大学 | 一种房式仓粮面扦样点随机布局方法 |
CN113740098B (zh) * | 2021-08-25 | 2024-05-07 | 安阳屹星智能科技有限公司 | 一种散煤车采样方法 |
CN114071112B (zh) * | 2021-10-18 | 2023-09-01 | 北京魔鬼鱼科技有限公司 | 车辆点云识别成像方法及系统 |
CN114088041A (zh) * | 2021-10-18 | 2022-02-25 | 北京魔鬼鱼科技有限公司 | 车辆三维扫描成像方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520319A (zh) * | 2008-02-27 | 2009-09-02 | 邹小平 | 复合式三维激光测量系统及测量方法 |
CN101770655A (zh) * | 2009-12-25 | 2010-07-07 | 电子科技大学 | 一种大规模虚拟动态场景简化方法 |
CN101995231A (zh) * | 2010-09-20 | 2011-03-30 | 深圳大学 | 一种大型薄壳物体表面的三维检测系统及其检测方法 |
CN102289784A (zh) * | 2011-07-29 | 2011-12-21 | 中山大学 | 一种基于点云模型的数字几何图像简化方法 |
CN102042814B (zh) * | 2010-06-24 | 2012-03-07 | 中国人民解放军国防科学技术大学 | 大型堆场三维形貌的投影辅助摄像测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0650730A (ja) * | 1992-08-03 | 1994-02-25 | Yunisun:Kk | 三次元形状計測装置 |
JP2002213920A (ja) * | 2001-01-23 | 2002-07-31 | Yamatake Corp | 移動体の位置認識方法および装置 |
-
2013
- 2013-03-22 CN CN201310093126.3A patent/CN103162659B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520319A (zh) * | 2008-02-27 | 2009-09-02 | 邹小平 | 复合式三维激光测量系统及测量方法 |
CN101770655A (zh) * | 2009-12-25 | 2010-07-07 | 电子科技大学 | 一种大规模虚拟动态场景简化方法 |
CN102042814B (zh) * | 2010-06-24 | 2012-03-07 | 中国人民解放军国防科学技术大学 | 大型堆场三维形貌的投影辅助摄像测量方法 |
CN101995231A (zh) * | 2010-09-20 | 2011-03-30 | 深圳大学 | 一种大型薄壳物体表面的三维检测系统及其检测方法 |
CN102289784A (zh) * | 2011-07-29 | 2011-12-21 | 中山大学 | 一种基于点云模型的数字几何图像简化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103162659A (zh) | 2013-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103162659B (zh) | 一种构造车辆三维扫描台及生成货物随机采样点的方法 | |
CN109684921B (zh) | 一种基于三维激光雷达的道路边界检测与跟踪方法 | |
CN105354880B (zh) | 一种基于线激光扫描的喷砂机器人自动路径生成方法 | |
EP2304688B1 (en) | Automated building outline detection | |
CN108389256B (zh) | 二三维交互式无人机电力杆塔巡检辅助方法 | |
CN103226833A (zh) | 一种基于三维激光雷达的点云数据分割方法 | |
CN103020342A (zh) | 一种从地面LiDAR数据中提取建筑物轮廓和角点的方法 | |
CN102136155A (zh) | 基于三维激光扫描数据的物体立面矢量化方法和系统 | |
Almansa-Valverde et al. | Mobile robot map building from time-of-flight camera | |
CN103217673A (zh) | 一种非均匀Weibull杂波背景下的CFAR检测方法 | |
CN113791400B (zh) | 一种基于激光雷达的楼梯参数自主检测方法 | |
CN105427301A (zh) | 基于直流分量比测度的海陆杂波场景分割方法 | |
CN111359913A (zh) | 一种通过激光雷达分选矿石的方法 | |
CN103954962B (zh) | 一种基于压缩感知的isar成像脉冲估计算法 | |
Cong et al. | Mapping without dynamic: Robust lidar-slam for ugv mobile mapping in dynamic environments | |
CN110298795A (zh) | 隧道三维激光数据综合去噪方法 | |
Zewei et al. | Vehicle recognition and classification method based on laser scanning point cloud data | |
Zaletnyik et al. | LIDAR waveform classification using self-organizing map | |
CN106289196B (zh) | 基于三维激光扫描技术的崩滑体地质灾害体监测方法 | |
CN103018728B (zh) | 一种激光雷达实时成像和建筑物特征提取的方法 | |
Ali et al. | Robust window detection from 3d laser scanner data | |
CN115453570A (zh) | 一种多特征融合的矿区粉尘滤除方法 | |
Lee et al. | A real-time grid map generation and object classification for ground-based 3D LIDAR data using image analysis techniques | |
CN116052099A (zh) | 一种面向非结构化道路的小目标检测方法 | |
CN115971004A (zh) | 一种针对车厢的智能腻子喷涂方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |