CN105509653A - 机械零件轮廓度视觉测量方法及系统 - Google Patents
机械零件轮廓度视觉测量方法及系统 Download PDFInfo
- Publication number
- CN105509653A CN105509653A CN201510869482.9A CN201510869482A CN105509653A CN 105509653 A CN105509653 A CN 105509653A CN 201510869482 A CN201510869482 A CN 201510869482A CN 105509653 A CN105509653 A CN 105509653A
- Authority
- CN
- China
- Prior art keywords
- measured
- point
- profile
- standardized element
- contour edge
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
机械零件轮廓度视觉测量方法及系统,系统包括图像获取模块、处理模块和提示模块;图像获取模块用于获取标准零件的灰度图像和待测零件的灰度图像;处理模块用于通过边缘处理算法分别获取标准零件和待测零件的灰度图像的轮廓边缘特征;对两者的轮廓边缘特征进行匹配特征点处理,使得标准零件和待测零件的轮廓边缘特征处于最小偏差状态;将待测零件的轮廓边缘特征与标准零件的轮廓边缘特征进行比对,以获取轮廓度误差;判断轮廓度误差是否在预设的轮廓度误差范围内,若是,通过提示模块提示待测零件的轮廓度合格;若否,通过提示模块提示待测零件的轮廓度不合格。本发明无论机械零件的轮廓线是否规则都可以快速精准地判断机械零件轮廓度是否合格。
Description
技术领域
本发明涉及一种机械零件轮廓度视觉测量方法及系统。
背景技术
轮廓度是指被测实际轮廓相对于理想轮廓的变动情况。这一概念用于描述曲面或曲线形状的准确度。线轮廓度公差是指实际被测轮廓线对理论轮廓线的允许变动量。
对于规则的轮廓曲线,可以用简单的数学方程来描述,在得到一系列节点的坐标值后,用已知的数学方程来进行拟合,得到一个有完全定位基准的线轮廓度测量拟合实际轮廓的表达式,然后和理论轮廓线相比对。对于不规则的轮廓曲线,由于不能用已知的数学方程来描述,目前仍然没有简便精准的方法获取具有不规则的轮廓曲线的机械零件轮廓度。
发明内容
针对现有技术的不足,本发明旨在于提供一种可解决上述技术问题的机械零件轮廓度视觉测量方法及系统。
为实现上述目的,本发明采用如下技术方案:
一种机械零件轮廓度视觉测量方法,其包括以下步骤:
步骤S1:分别获取标准零件的灰度图像和待测零件的灰度图像;
步骤S2:通过边缘处理算法分别获取标准零件和待测零件的灰度图像的轮廓边缘特征;
步骤S3:对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓边缘特征处于最小偏差状态;
步骤S4:将待测零件的轮廓边缘特征与标准零件的轮廓边缘特征进行比对,以获取轮廓度误差;
步骤S5:判断轮廓度误差是否在预设的轮廓度误差范围内,若是,执行步骤S6;若否,执行步骤7;
步骤S6:提示待测零件的轮廓度合格;以及
步骤S7:提示待测零件的轮廓度不合格。
一种机械零件轮廓度视觉测量系统,其包括图像获取模块、处理模块和提示模块;
图像获取模块用于分别获取标准零件的灰度图像和待测零件的灰度图像;
处理模块用于通过边缘处理算法分别获取标准零件和待测零件的灰度图像的轮廓边缘特征;对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓边缘特征处于最小偏差状态;将待测零件的轮廓边缘特征与标准零件的轮廓边缘特征进行比对,以获取轮廓度误差;判断轮廓度误差是否在预设的轮廓度误差范围内,若是,通过提示模块提示待测零件的轮廓度合格;若否,通过提示模块提示待测零件的轮廓度不合格。
本发明的有益效果至少如下:
本发明无论机械零件的轮廓线是否规则都可以快速精准地判断机械零件轮廓度是否合格。
附图说明
图1为本发明机械零件轮廓度视觉测量方法的较佳实施方式的主要流程图。
图2为图1的机械零件轮廓度视觉测量方法中获取轮廓度误差时的曲线示意图。
图3为本发明机械零件轮廓度视觉测量系统的较佳实施方式的模块示意图。
具体实施方式
下面将结合附图以及具体实施方式,对本发明做进一步描述:
请参见图1,本发明涉及一种机械零件轮廓度视觉测量方法,其较佳实施方式包括以下步骤:
步骤S1:分别获取标准零件的灰度图像和待测零件的灰度图像;
步骤S2:通过边缘处理算法分别获取标准零件和待测零件的灰度图像的轮廓边缘特征;
步骤S3:对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓边缘特征处于最小偏差状态;
步骤S4:将待测零件的轮廓边缘特征与标准零件的轮廓边缘特征进行比对,以获取轮廓度误差;
步骤S5:判断轮廓度误差是否在预设的轮廓度误差范围内,若是,执行步骤S6;若否,执行步骤7;
步骤S6:提示待测零件的轮廓度合格;以及
步骤S7:提示待测零件的轮廓度不合格。
如此,无论机械零件的轮廓线是否规则都可以快速精准地判断机械零件轮廓度是否合格。
本实施例中,步骤S3采用豪斯多夫距离量度对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓处于最小偏差状态;
具体包括以下子步骤:
步骤S31:提取标准零件的边缘轮廓特征的部分点集A{a1,a2,…,ap}以及待测零件的边缘轮廓特征的部分点集B{b1,b2,…,bq},其中,点集A和点集B内的点元素相等;
步骤S32:根据公式I将标准零件和待测零件的边缘轮廓特征点一一进行比较,以获取点集A和点集B之间的最小豪斯多夫距离量度,此时的点集A与点集B则为匹配相似度最高,标准零件和待测零件的轮廓边缘特征处于最小偏差状态,公式I为H(A,B)=max(h(A,B),h(B,A)),其中, h(A,B)和h(B,A)分别为前向豪斯多夫距离和后向豪斯多夫距离。
本实施例中,步骤S4采用被测离散点与理论离散点的最小偏差来获取轮廓度误差;
参见图2,具体包括以下子步骤:
步骤S41:分别获取标准零件和待测零件的轮廓线的所有特征点坐标;
步骤S42:选取待测零件的轮廓线的一特征点ak(x1,y1),在对应的ak点出附近,选取左右邻近相同间隔的两个离散点a(k-n),点a(k+n);
步骤S43:连接原点O与点a(k-n)得到一条直线,连接原点O与a(k+n)得到另一条直线,这两条直线必分别与标准零件的轮廓线相交于b1和b2两点,获取点b1和b2之间的点集B;那么在标准零件的轮廓线上的点集B内,必然找到一个与待测点ak对应的理论特征点。
步骤S44:采用金分割法比较待测点ak与点集B之间两点的距离,在点集B上找到距离待测点ak最短的两个点,然后得到一条直线L,求取待测点ak到直线L的距离,即为待测点到标准轮廓上的最小距离,即为该轮廓误差。
参见图3,本发明还涉及一种机械零件轮廓度视觉测量系统,其包括图像获取模块、处理模块和提示模块;
图像获取模块用于分别获取标准零件的灰度图像和待测零件的灰度图像;
处理模块用于通过边缘处理算法分别获取标准零件和待测零件的灰度图像的轮廓边缘特征;对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓边缘特征处于最小偏差状态;将待测零件的轮廓边缘特征与标准零件的轮廓边缘特征进行比对,以获取轮廓度误差;判断轮廓度误差是否在预设的轮廓度误差范围内,若是,通过提示模块提示待测零件的轮廓度合格;若否,通过提示模块提示待测零件的轮廓度不合格。
优选地,处理模块采用豪斯多夫距离量度对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓处于最小偏差状态。
优选地,处理模块采用被测离散点与理论离散点的最小偏差来获取轮廓度误差。
对于本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及变形,而所有的这些改变以及变形都应该属于本发明权利要求的保护范围之内。
Claims (8)
1.一种机械零件轮廓度视觉测量方法,其特征在于:其包括以下步骤:
步骤S1:分别获取标准零件的灰度图像和待测零件的灰度图像;
步骤S2:通过边缘处理算法分别获取标准零件和待测零件的灰度图像的轮廓边缘特征;
步骤S3:对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓边缘特征处于最小偏差状态;
步骤S4:将待测零件的轮廓边缘特征与标准零件的轮廓边缘特征进行比对,以获取轮廓度误差;
步骤S5:判断轮廓度误差是否在预设的轮廓度误差范围内,若是,执行步骤S6;若否,执行步骤7;
步骤S6:提示待测零件的轮廓度合格;以及
步骤S7:提示待测零件的轮廓度不合格。
2.如权利要求1所述的机械零件轮廓度视觉测量方法,其特征在于:
步骤S3采用豪斯多夫距离量度对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓处于最小偏差状态。
3.如权利要求2所述的机械零件轮廓度视觉测量方法,其特征在于:
步骤S3具体包括以下步骤:
步骤S31:提取标准零件的边缘轮廓特征的部分点集A{a1,a2,…,ap}以及待测零件的边缘轮廓特征的部分点集B{b1,b2,…,bq},其中,点集A和点集B内的点元素相等;
步骤S32:根据公式I将标准零件和待测零件的边缘轮廓特征点一一进行比较,以获取点集A和点集B之间的最小豪斯多夫距离量度,公式I为H(A,B)=max(h(A,B),h(B,A)),其中, |bj-ai|,h(A,B)和h(B,A)分别为前向豪斯多夫距离和后向豪斯多夫距离。
4.如权利要求1或2所述的机械零件轮廓度视觉测量方法,其特征在于:步骤S4采用被测离散点与理论离散点的最小偏差来获取轮廓度误差。
5.如权利要求4所述的机械零件轮廓度视觉测量方法,其特征在于:
步骤S4包括以下步骤:
步骤S41:分别获取标准零件和待测零件的轮廓线的所有特征点坐标;
步骤S42:选取待测零件的轮廓线的一特征点ak(x1,y1),在对应的ak点出附近,选取左右邻近相同间隔的两个离散点a(k-n),点a(k+n);
步骤S43:连接原点O与点a(k-n)得到一条直线,连接原点O与a(k+n)得到另一条直线,这两条直线必分别与标准零件的轮廓线相交于b1和b2两点,获取点b1和b2之间的点集B;在标准零件的轮廓线上的点集B内找到一个与待测点ak对应的理论特征点;
步骤S44:采用金分割法比较待测点ak与点集B之间两点的距离,在点集B上找到距离待测点ak最短的两个点,然后得到一条直线L,求取待测点ak到直线L的距离,即为待测点到标准轮廓上的最小距离,即为该轮廓误差。
6.一种机械零件轮廓度视觉测量系统,其特征在于:其包括图像获取模块、处理模块和提示模块;
图像获取模块用于分别获取标准零件的灰度图像和待测零件的灰度图像;
处理模块用于通过边缘处理算法分别获取标准零件和待测零件的灰度图像的轮廓边缘特征;对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓边缘特征处于最小偏差状态;将待测零件的轮廓边缘特征与标准零件的轮廓边缘特征进行比对,以获取轮廓度误差;判断轮廓度误差是否在预设的轮廓度误差范围内,若是,通过提示模块提示待测零件的轮廓度合格;若否,通过提示模块提示待测零件的轮廓度不合格。
7.如权利要求6所述的机械零件轮廓度视觉测量系统,其特征在于:处理模块采用豪斯多夫距离量度对标准零件和待测零件的轮廓边缘特征进行匹配特征点处理,以使得标准零件和待测零件的轮廓处于最小偏差状态。
8.如权利要求6或7所述的机械零件轮廓度视觉测量系统,其特征在于:处理模块采用被测离散点与理论离散点的最小偏差来获取轮廓度误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510869482.9A CN105509653B (zh) | 2015-11-30 | 2015-11-30 | 机械零件轮廓度视觉测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510869482.9A CN105509653B (zh) | 2015-11-30 | 2015-11-30 | 机械零件轮廓度视觉测量方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105509653A true CN105509653A (zh) | 2016-04-20 |
CN105509653B CN105509653B (zh) | 2019-03-05 |
Family
ID=55717812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510869482.9A Active CN105509653B (zh) | 2015-11-30 | 2015-11-30 | 机械零件轮廓度视觉测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105509653B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106546185A (zh) * | 2016-10-18 | 2017-03-29 | 福州觉感视觉软件科技有限公司 | 一种基于机器视觉检测的轮廓质量检测方法 |
CN106679587A (zh) * | 2016-11-25 | 2017-05-17 | 西安航空动力控制科技有限公司 | 性能窗口轮廓度的快速测量方法 |
CN106705884A (zh) * | 2017-01-06 | 2017-05-24 | 深圳市博视科技有限公司 | 产品尺寸检测方法 |
CN106776877A (zh) * | 2016-11-28 | 2017-05-31 | 常州市星网计算机技术有限公司 | 摩托车零件型号自动识别方法 |
CN107784650A (zh) * | 2017-10-30 | 2018-03-09 | 湖北坚丰科技股份有限公司 | 一种用于电机转轴轴承档直径的在线视觉检测方法 |
CN108508848A (zh) * | 2018-04-20 | 2018-09-07 | 华中科技大学 | 一种基于插补数据的铣削加工轮廓误差的评估方法 |
CN108764938A (zh) * | 2018-05-07 | 2018-11-06 | 上海博泰悦臻电子设备制造有限公司 | 一种汽车维修零件非正品识别方法及系统 |
CN108907897A (zh) * | 2018-03-28 | 2018-11-30 | 南京航空航天大学 | 化铣胶膜刻形的在机视觉检测方法 |
CN109622926A (zh) * | 2019-01-09 | 2019-04-16 | 湖南师范大学 | 一种面向铸锭过程的锭块边缘检测方法 |
CN112361961A (zh) * | 2020-11-23 | 2021-02-12 | 湖北三赢兴光电科技股份有限公司 | 基于摄像头的产品尺寸检测贴标方法及设备 |
WO2021139485A1 (zh) * | 2020-01-08 | 2021-07-15 | 逸美德科技股份有限公司 | 棱线损坏程度的检测方法及其装置 |
CN113779659A (zh) * | 2021-09-27 | 2021-12-10 | 浙江大华技术股份有限公司 | 设备的物料配置方法及装置、存储介质、电子装置 |
CN117781937A (zh) * | 2024-02-23 | 2024-03-29 | 东莞市兆丰精密仪器有限公司 | 一种二维线轮廓度测量方法、装置、系统及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566466A (zh) * | 2008-04-24 | 2009-10-28 | 鸿富锦精密工业(深圳)有限公司 | 轮廓度分析系统及方法 |
CN101806586A (zh) * | 2010-04-21 | 2010-08-18 | 上海交通大学 | 基于图像匹配的汽车密封条截面轮廓测量装置及测量方法 |
CN102305597A (zh) * | 2011-04-29 | 2012-01-04 | 无锡众望四维科技有限公司 | 机器视觉系统对注射器部件异形的自动检测方法 |
JP2012073930A (ja) * | 2010-09-29 | 2012-04-12 | Casio Comput Co Ltd | 画像処理装置、画像処理方法及びプログラム |
CN102589453A (zh) * | 2011-12-16 | 2012-07-18 | 中国计量学院 | 轴类工件外径影像测量装置及其测量方法 |
CN103017680A (zh) * | 2012-12-05 | 2013-04-03 | 长春工业大学 | 一种汽车主安全气囊装配轮廓尺寸的检测方法及设备 |
CN103759638A (zh) * | 2014-01-10 | 2014-04-30 | 北京力信联合科技有限公司 | 一种零件检测方法 |
-
2015
- 2015-11-30 CN CN201510869482.9A patent/CN105509653B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566466A (zh) * | 2008-04-24 | 2009-10-28 | 鸿富锦精密工业(深圳)有限公司 | 轮廓度分析系统及方法 |
CN101806586A (zh) * | 2010-04-21 | 2010-08-18 | 上海交通大学 | 基于图像匹配的汽车密封条截面轮廓测量装置及测量方法 |
JP2012073930A (ja) * | 2010-09-29 | 2012-04-12 | Casio Comput Co Ltd | 画像処理装置、画像処理方法及びプログラム |
CN102305597A (zh) * | 2011-04-29 | 2012-01-04 | 无锡众望四维科技有限公司 | 机器视觉系统对注射器部件异形的自动检测方法 |
CN102589453A (zh) * | 2011-12-16 | 2012-07-18 | 中国计量学院 | 轴类工件外径影像测量装置及其测量方法 |
CN103017680A (zh) * | 2012-12-05 | 2013-04-03 | 长春工业大学 | 一种汽车主安全气囊装配轮廓尺寸的检测方法及设备 |
CN103759638A (zh) * | 2014-01-10 | 2014-04-30 | 北京力信联合科技有限公司 | 一种零件检测方法 |
Non-Patent Citations (2)
Title |
---|
张进等: "离散点的线轮廓度评价算法", 《光学精密工程》 * |
舒丽霞等: "基于Hausdorff距离图象配准方法研究", 《中国图象图形学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106546185A (zh) * | 2016-10-18 | 2017-03-29 | 福州觉感视觉软件科技有限公司 | 一种基于机器视觉检测的轮廓质量检测方法 |
CN106546185B (zh) * | 2016-10-18 | 2019-09-20 | 福州觉感视觉软件科技有限公司 | 一种基于机器视觉检测的轮廓质量检测方法 |
CN106679587A (zh) * | 2016-11-25 | 2017-05-17 | 西安航空动力控制科技有限公司 | 性能窗口轮廓度的快速测量方法 |
CN106776877B (zh) * | 2016-11-28 | 2020-05-01 | 常州市星网计算机技术有限公司 | 摩托车零件型号自动识别方法 |
CN106776877A (zh) * | 2016-11-28 | 2017-05-31 | 常州市星网计算机技术有限公司 | 摩托车零件型号自动识别方法 |
CN106705884A (zh) * | 2017-01-06 | 2017-05-24 | 深圳市博视科技有限公司 | 产品尺寸检测方法 |
CN107784650A (zh) * | 2017-10-30 | 2018-03-09 | 湖北坚丰科技股份有限公司 | 一种用于电机转轴轴承档直径的在线视觉检测方法 |
CN108907897A (zh) * | 2018-03-28 | 2018-11-30 | 南京航空航天大学 | 化铣胶膜刻形的在机视觉检测方法 |
CN108508848A (zh) * | 2018-04-20 | 2018-09-07 | 华中科技大学 | 一种基于插补数据的铣削加工轮廓误差的评估方法 |
CN108764938A (zh) * | 2018-05-07 | 2018-11-06 | 上海博泰悦臻电子设备制造有限公司 | 一种汽车维修零件非正品识别方法及系统 |
CN109622926A (zh) * | 2019-01-09 | 2019-04-16 | 湖南师范大学 | 一种面向铸锭过程的锭块边缘检测方法 |
WO2021139485A1 (zh) * | 2020-01-08 | 2021-07-15 | 逸美德科技股份有限公司 | 棱线损坏程度的检测方法及其装置 |
CN112361961A (zh) * | 2020-11-23 | 2021-02-12 | 湖北三赢兴光电科技股份有限公司 | 基于摄像头的产品尺寸检测贴标方法及设备 |
CN113779659A (zh) * | 2021-09-27 | 2021-12-10 | 浙江大华技术股份有限公司 | 设备的物料配置方法及装置、存储介质、电子装置 |
CN117781937A (zh) * | 2024-02-23 | 2024-03-29 | 东莞市兆丰精密仪器有限公司 | 一种二维线轮廓度测量方法、装置、系统及存储介质 |
CN117781937B (zh) * | 2024-02-23 | 2024-06-07 | 东莞市兆丰精密仪器有限公司 | 一种二维线轮廓度测量方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105509653B (zh) | 2019-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105509653A (zh) | 机械零件轮廓度视觉测量方法及系统 | |
CN103292701A (zh) | 基于机器视觉的精密器件在线尺寸测量方法 | |
CN101408985B (zh) | 一种圆形光斑亚像素中心提取方法及装置 | |
CN104899609B (zh) | 一种基于图像配准的机械式表计识别方法 | |
CN107369140A (zh) | 非结构化环境下的高精密靶球中心提取方法 | |
CN107300382B (zh) | 一种用于水下机器人的单目视觉定位方法 | |
CN109978938A (zh) | 一种基于机器视觉的枕簧检测方法 | |
CN104089599B (zh) | 用于接触式测头测量中提取二维轮廓的准形态学滤波方法 | |
CN104890131B (zh) | 一种基于面形误差斜率的确定性修形加工方法 | |
CN105157611A (zh) | 管螺纹视觉检测方法 | |
CN103759672A (zh) | 雪糕棒平面轮廓尺寸的视觉测量方法 | |
CN104260074A (zh) | 划线检测装置 | |
CN106202002A (zh) | 一种用于检测水文系列参数是否变异的方法 | |
CN103968772A (zh) | 一种基于单目视觉检测的活塞环检测方法 | |
CN103438872A (zh) | 一种基于大坝三维前方交会测量的内外业一体化系统 | |
CN113607058B (zh) | 一种基于机器视觉的直刃刀尺寸检测方法及系统 | |
CN105115441A (zh) | 一种回转体零件廓形的特征点提取及自动分段方法 | |
CN101586964A (zh) | 水上测量时经纬仪的调校方法 | |
CN104330065B (zh) | 一种螺旋锥齿轮齿面曲率干涉检验方法 | |
CN105300280A (zh) | 连接器尺寸视觉测量方法 | |
CN105403187A (zh) | 一种高速动车组车体三维尺寸检测方法 | |
CN110991233B (zh) | 指针式压力表的自动读数方法 | |
CN104112277A (zh) | 一种基于双路径Radon变换的测试曲线的拐点间距计算方法 | |
CN110355237A (zh) | 汽车钣金修复方法 | |
Yifan et al. | An automatic reading method of pointer instruments |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 511400 building B10, Huachuang Animation Industrial Park, Jinshan Village, Shiji Town, Panyu District, Guangzhou City, Guangdong Province Patentee after: Supersonic Artificial Intelligence Technology Co.,Ltd. Address before: 510000 building B10, Huachuang Animation Industrial Park, Jinshan Village, Shiji Town, Panyu District, Guangzhou City, Guangdong Province Patentee before: GUANGZHOU SUPERSONIC AUTOMATION TECHNOLOGY Co.,Ltd. |