CN106530292A - 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 - Google Patents
一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 Download PDFInfo
- Publication number
- CN106530292A CN106530292A CN201610971228.4A CN201610971228A CN106530292A CN 106530292 A CN106530292 A CN 106530292A CN 201610971228 A CN201610971228 A CN 201610971228A CN 106530292 A CN106530292 A CN 106530292A
- Authority
- CN
- China
- Prior art keywords
- image
- unusual
- point
- defect
- strip steel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 title claims abstract description 35
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 28
- 239000010959 steel Substances 0.000 title claims abstract description 28
- 239000000758 substrate Substances 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000013316 zoning Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 230000000903 blocking effect Effects 0.000 abstract 1
- 238000005520 cutting process Methods 0.000 abstract 1
- 238000009776 industrial production Methods 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910001335 Galvanized steel Inorganic materials 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000010960 cold rolled steel Substances 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008397 galvanized steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于线扫描相机的带钢表面缺陷图像快速辨识方法，其方法步骤如下：获取带钢实时图像数据；对待分析图像进行分块处理；确定分析基板灰度边界；提取分析基板图像；确定奇异目标边界；提取奇异点图像；计算奇异密度；确定缺陷像素点；分割缺陷图像。适用于工业生产运行环境，工作可靠，算法简单，易于实现；针对线扫描相机设计，处理效果好，运行速度快；该方法适用于计算机及单片机等各种计算设备；该方法不受带钢表面纹理、色差、光照不均等情况的影响。
Description
技术领域
本发明涉及工业机器视觉技术领域，特别涉及一种基于线扫描相机的冷轧带钢表面缺陷图像快速辨识方法。
背景技术
随着机器视觉技术的发展及工业流水线速度、精度的提高，线扫描成像系统越来越多地被工业检测系统开发工程师所重视。由于线扫描相机具有分辨率高，响应速度快的特点，可以实现高精度，高速度测量，所以利用线扫描相机进行带钢的表面质量检测也得到了广泛应用。随着汽车、家电等产品制造商对钢板表面质量要求的提高，在运行效率、设备能力、经济条件多重考虑下，采用多台线扫描相机同步图像采集的方式已经被广泛认可。
对于带钢表面质量在线检测系统，最重要的环节就是把带钢中的缺陷图像从海量的在线视频图像中辨识出来，然后再进行分类等其它操作。缺陷辨识的方法很多，如二值化法，阈值分割法、边缘提取法、小波变换法等等，对于二值化法、简单的阈值分割法，算法简单，处理速度较快，但只适用于带钢图像与缺陷图像差别明显且全局差异波动较小的情况，对于有底纹或光照波动的情况则效果不理想。对于自适应阈值分割、边缘检测及小波变换等方法，能够更好的适应带钢底纹与缺陷图像的差异波动，但往往获得较好的应用效果需要建立在算法复杂的基础上，不适合冷轧高速生产环境。
发明内容
针对上述缺陷，本发明所要解决的技术问题本发明提供了一种基于线扫描相机成像的冷轧钢板表面缺陷图像快速辨识方法，以达到从在线实时采集的海量冷轧带钢表面图像中快速辨识出存在钢板缺陷的图像，并将其分割出来。
为达到上述目的，本发明采用了如下的技术方案：
一种基于线扫描相机的带钢表面缺陷图像快速辨识方法，其方法步骤如下：
(1)获取带钢实时图像数据；
(2)对待分析图像进行分块处理；
(3)确定分析基板灰度边界；
(4)提取分析基板图像；
(5)确定奇异目标边界；
(6)提取奇异点图像；
(7)计算奇异密度；
(8)确定缺陷像素点；
(9)分割缺陷图像；
所述的步骤(1)获取带钢实时图像数据；采用单台线扫描相机直接采集的图像，或者多台线扫描相机采集的图像经拼接后的图像，或是经过图像预处理后的带钢图像均可；
所述的步骤(2)对待分析图像进行分块处理，是将整幅图像进行分块，横向分块步长为整幅图像横向尺寸的N分之一，N根据需要选取；纵向分块步长为图像高度；如果待分析图像为拼接图像，则分块时不可跨拼接线分块(即某一块的分界线设定为拼接线位置)；分块后，对分割出的每一块图像(区域图像)进行步骤(3)-(6)的操作；
所述的步骤(3)确定分析基板灰度边界方法如下：
(a)计算区域内灰度平均值WAVGK(y)及灰度标准差WSDVK(y)，其中k为块序号。
(b)如果WAVGK(y)>原图灰度有效值上限MaxOG或WAVGK(y)<原图灰度有效值下限MixOG，则视为无效块，继续分析其它块，当WAVGK(y)为其他值时继续向后执行；MaxOG、MixOG为设定值，根据现场实际情况而定；
(c)确定基板灰度上边界BGUB和下界BGDB；
BGUB＝min(254,WAVGK(y)+2*WSDVK(y))
BGDB＝WAVGK(y)-2*WSDVK(y)
所述的步骤(4)提取分析基板图像，即是提取包含正常带钢面和缺陷边缘信息的图像，方法是将大于BGDB及小于BGUB的区域内图像点确定为分析基板图像；
所述的步骤(5)确定奇异目标边界方法如下：
(a)计算分析基板内灰度平均值BAVGK(y)及灰度标准差BSDVK(y)，其中k为块序号；
(b)如果BAVGK(y)+3*BSDVK(y)＞255或BAVGK(y)-3*BSDVK(y)<0，则视为无效块，继续分析其它块，当BAVGK(y)+3*BSDVK(y)为其他值时继续向后执行；
(c)确定高亮奇异目标边界HLB和低亮奇异目标边界LLB；
HLB＝min(254,BAVGK(y)+4*BSDVK(y))
LLB＝Max(20,BAVGK(y)-4*BSDVK(y))
所述的步骤(6)提取奇异点图像，即是提取标示图像上奇异点的图像；本方法设定在区域图像上对于大于HLB或小于LLB的图像点确定为奇异点；在奇异点图像上，奇异点处的图像点灰度设定为255，非奇异点处的图像点灰度设定为0；
循环执行步骤(3)-(6)的操作，直至处理完所有的区域图像，合成整幅奇异点图像，继续向后执行；
所述的步骤(7)计算奇异密度，方法如下：
(a)对整幅奇异点图像进行高斯均值处理。
(b)处理后的每个像素点的灰度为该点的奇异密度；
所述的步骤(8)确定缺陷像素点，是将奇异点图像上奇异密度大于奇异阈值CStep的点所对应步骤(1)采集图像上的像素点确定为缺陷像素点；
所述的步骤(9)分割缺陷图像，是将包含缺陷像素点的连通图像在原图中分割出来。
综上所述，本发明的特点是：1、适用于工业生产运行环境，工作可靠，算法简单，易于实现；2、针对线扫描相机设计，处理效果好，运行速度快；3、该方法适用于计算机及单片机等各种计算设备；4、该方法不受带钢表面纹理、色差、光照不均等情况的影响。
附图说明
图1为缺陷图像辨识方法流程图。
具体实施方式
下面结合实施例对本发明作详细的说明。
本方法的具体实施方式如图1所示，包括以下几个步骤：
步骤(1)是获取带钢实时图像数据。
获取的图像数据可以是单台线扫描相机直接采集的图像，也可以是多台线扫描相机采集的图像经拼接后的图像，或是经过图像预处理后的带钢图像。同时采集到的图像要经过减边处理，即获取的图像均为带钢板面图像，没有边部以外的非带钢图像。采集图像数据时的系统照明应使正常板面图像灰度范围在48到208之间。
步骤(2)是对待分析图像进行分块处理。
是将整幅图像进行分块，横向分块步长为整幅图像横向尺寸的N分之一，N根据需要选取。需配置时可取每块横向256个像素。纵向分块步长为图像高度。如果待分析图像为拼接图像，则分块时不可跨拼接线分块(即某一块的分界线设定为拼接线位置)。分块后，对分割出的每一块图像(区域图像)进行步骤(3)-(6)的操作。
步骤(3)是确定分析基板灰度边界，方法如下：
(a)计算区域内灰度平均值WAVGK(y)及灰度标准差WSDVK(y)，其中k为块序号。
(b)如果WAVGK(y)>原图灰度有效值上限MaxOG或WAVGK(y)<原图灰度有效值下限MixOG，则视为无效块，继续分析其它块，当WAVGK(y)为其他值时继续向后执行。MaxOG、MixOG为设定值，根据现场实际情况而定。
(c)确定基板灰度上边界BGUB和下界BGDB。
BGUB＝min(254,WAVGK(y)+2*WSDVK(y))
BGDB＝WAVGK(y)-2*WSDVK(y)
步骤(4)是提取分析基板图像。
即是提取包含正常带钢面和缺陷边缘信息的图像，方法是将大于BGDB及小于BGUB的区域内图像点确定为分析基板图像。
步骤(5)是确定奇异目标边界，方法如下：
(a)计算分析基板内灰度平均值BAVGK(y)及灰度标准差BSDVK(y)，其中k为块序号。
(b)如果BAVGK(y)+3*BSDVK(y)＞255或BAVGK(y)-3*BSDVK(y)<0，则视为无效块，继续分析其它块，当BAVGK(y)+3*BSDVK(y)为其他值时继续向后执行。
(c)确定高亮奇异目标边界HLB和低亮奇异目标边界LLB。
HLB＝min(254,BAVGK(y)+4*BSDVK(y))
LLB＝Max(20,BAVGK(y)-4*BSDVK(y))
步骤(6)是提取奇异点图像
即是提取标示图像上奇异点的图像。本方法设定在区域图像上对于大于HLB或小于LLB的图像点确定为奇异点。在奇异点图像上，奇异点处的图像点灰度设定为255，非奇异点处的图像点灰度设定为0。
循环执行步骤(3)—(6)的操作，直至处理完所有的区域图像，合成整幅奇异点图像，继续向后执行。
步骤(7)是计算奇异密度，方法如下：
(a)对整幅奇异点图像进行3x3或5x5的高斯均值处理。
(b)处理后的每个像素点的灰度为该点的奇异密度；
步骤(8)是确定缺陷像素点。
是将奇异点图像上奇异密度大于奇异阈值CStep的点所对应步骤(1)采集图像上的像素点确定为缺陷像素点。镀锌带钢条件下需配置时奇异阈值可取50。
步骤(9)是分割缺陷图像。
是将包含缺陷像素点的连通图像在原图中分割出来。连通方法可使用缺陷像素点膨胀连通、外接矩连通等方法。分割方法可以使用边缘分割或外接矩直接分割。
Claims (1)
1.一种基于线扫描相机的带钢表面缺陷图像快速辨识方法，其特征在于步骤如下：
(1)获取带钢实时图像数据；
(2)对待分析图像进行分块处理；
(3)确定分析基板灰度边界；
(4)提取分析基板图像；
(5)确定奇异目标边界；
(6)提取奇异点图像；
(7)计算奇异密度；
(8)确定缺陷像素点；
(9)分割缺陷图像；
所述的步骤(1)获取带钢实时图像数据；采用单台线扫描相机直接采集的图像，或者多台线扫描相机采集的图像经拼接后的图像，或是经过图像预处理后的带钢图像均可；
所述的步骤(2)对待分析图像进行分块处理，是将整幅图像进行分块，横向分块步长为整幅图像横向尺寸的N分之一，N根据需要选取；纵向分块步长为图像高度；如果待分析图像为拼接图像，则分块时不可跨拼接线分块；分块后，对分割出的每一块图像进行步骤(3)-(6)的操作；
所述的步骤(3)确定分析基板灰度边界方法如下：
a计算区域内灰度平均值WAVGK(y)及灰度标准差WSDVK(y)，其中k为块序号。
b如果WAVGK(y)>原图灰度有效值上限MaxOG或WAVGK(y)<原图灰度有效值下限MixOG，则视为无效块，继续分析其它块，当WAVGK(y)为其他值时继续向后执行；MaxOG、MixOG为设定值；
c确定基板灰度上边界BGUB和下界BGDB；
BGUB＝min(254,WAVGK(y)+2*WSDVK(y))
BGDB＝WAVGK(y)-2*WSDVK(y)
所述的步骤(4)提取分析基板图像，即是提取包含正常带钢面和缺陷边缘信息的图像，方法是将大于BGDB及小于BGUB的区域内图像点确定为分析基板图像；
所述的步骤(5)确定奇异目标边界方法如下：
a计算分析基板内灰度平均值BAVGK(y)及灰度标准差BSDVK(y)，其中k为块序号；
b如果BAVGK(y)+3*BSDVK(y)＞255或BAVGK(y)-3*BSDVK(y)<0，则视为无效块，继续分析其它块，当BAVGK(y)+3*BSDVK(y)为其他值时继续向后执行；
c确定高亮奇异目标边界HLB和低亮奇异目标边界LLB；
HLB＝min(254,BAVGK(y)+4*BSDVK(y))
LLB＝Max(20,BAVGK(y)-4*BSDVK(y))
所述的步骤(6)提取奇异点图像，即是提取标示图像上奇异点的图像；设定在区域图像上对于大于HLB或小于LLB的图像点确定为奇异点；在奇异点图像上，奇异点处的图像点灰度设定为255，非奇异点处的图像点灰度设定为0；
循环执行步骤(3)-(6)的操作，直至处理完所有的区域图像，合成整幅奇异点图像，继续向后执行；
所述的步骤(7)计算奇异密度，方法如下：
a对整幅奇异点图像进行高斯均值处理；
b处理后的每个像素点的灰度为该点的奇异密度；
所述的步骤(8)确定缺陷像素点，是将奇异点图像上奇异密度大于奇异阈值CStep的点所对应的步骤(1)采集图像上的像素点确定为缺陷像素点；
所述的步骤(9)分割缺陷图像，是将包含缺陷像素点的连通图像在原图中分割出来。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610971228.4A CN106530292B (zh) | 2016-10-28 | 2016-10-28 | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610971228.4A CN106530292B (zh) | 2016-10-28 | 2016-10-28 | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106530292A true CN106530292A (zh) | 2017-03-22 |
| CN106530292B CN106530292B (zh) | 2019-07-05 |
Family
ID=58326569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610971228.4A Active CN106530292B (zh) | 2016-10-28 | 2016-10-28 | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106530292B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108010091A (zh) * | 2017-12-18 | 2018-05-08 | 武汉大学 | 一种基于颜色特征的数字式钻孔图像土层检测定位方法 |
| CN110148098A (zh) * | 2019-05-28 | 2019-08-20 | 易诚高科（大连）科技有限公司 | 一种针对OLED屏DeMURA的奇异点处理方法 |
| CN113962997A (zh) * | 2021-12-22 | 2022-01-21 | 武汉同顺源钢构钢模有限公司 | 基于图像处理的带钢边裂缺陷检测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012229928A (ja) * | 2011-04-25 | 2012-11-22 | Jfe Steel Corp | 表面欠陥検出方法、および表面欠陥検出装置 |
| CN103357672A (zh) * | 2012-03-30 | 2013-10-23 | 鞍钢股份有限公司 | 一种带钢边界在线检测方法 |
| CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
| CN105095581A (zh) * | 2015-07-22 | 2015-11-25 | 华南理工大学 | 一种铸造缩孔缺陷图像生成方法 |
-
2016
- 2016-10-28 CN CN201610971228.4A patent/CN106530292B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012229928A (ja) * | 2011-04-25 | 2012-11-22 | Jfe Steel Corp | 表面欠陥検出方法、および表面欠陥検出装置 |
| CN103357672A (zh) * | 2012-03-30 | 2013-10-23 | 鞍钢股份有限公司 | 一种带钢边界在线检测方法 |
| CN104866862A (zh) * | 2015-04-27 | 2015-08-26 | 中南大学 | 一种带钢表面面积型缺陷识别分类的方法 |
| CN105095581A (zh) * | 2015-07-22 | 2015-11-25 | 华南理工大学 | 一种铸造缩孔缺陷图像生成方法 |
Non-Patent Citations (2)
| Title |
|---|
| YANG SHUI-SHAN等: "A Method of Steel Strip Image Segmentation Based on Local Gray Information", 《2008 IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL TECHNOLOGY》 * |
| 赵薇: "带钢表面缺陷检测及分割技术研究", 《机械设计与制造》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108010091A (zh) * | 2017-12-18 | 2018-05-08 | 武汉大学 | 一种基于颜色特征的数字式钻孔图像土层检测定位方法 |
| CN108010091B (zh) * | 2017-12-18 | 2021-10-08 | 武汉大学 | 一种基于颜色特征的数字式钻孔图像土层检测定位方法 |
| CN110148098A (zh) * | 2019-05-28 | 2019-08-20 | 易诚高科（大连）科技有限公司 | 一种针对OLED屏DeMURA的奇异点处理方法 |
| CN110148098B (zh) * | 2019-05-28 | 2023-01-17 | 易诚高科（大连）科技有限公司 | 一种针对OLED屏DeMURA的奇异点处理方法 |
| CN113962997A (zh) * | 2021-12-22 | 2022-01-21 | 武汉同顺源钢构钢模有限公司 | 基于图像处理的带钢边裂缺陷检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106530292B (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
| CN113592861B (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
| Chen et al. | A novel color edge detection algorithm in RGB color space | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN112053376B (zh) | 一种基于深度信息的工件焊缝识别方法 | |
| CN112862744B (zh) | 一种基于超声图像的电容内部缺陷智能检测方法 | |
| CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
| CN111539980B (zh) | 一种基于可见光的多目标追踪方法 | |
| CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
| CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
| CN111724375B (zh) | 一种屏幕检测方法及系统 | |
| CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
| CN110060239B (zh) | 一种用于瓶子瓶口的缺陷检测方法 | |
| CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
| CN110717909A (zh) | 一种金属表面划痕检测方法与装置 | |
| CN106530292B (zh) | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 | |
| CN106228541A (zh) | 视觉检测中屏幕定位的方法及装置 | |
| CN107993219A (zh) | 一种基于机器视觉的船板表面缺陷检测方法 | |
| CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
| CN110335233A (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
| Fu et al. | Research on image-based detection and recognition technologies for cracks on rail surface | |
| CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
| CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 | |
| CN108280825A (zh) | 一种液晶显示屏边缘缺口检测方法 | |
| CN102313740A (zh) | 太阳能电池板裂痕检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 102200 Beijing Changping District Beijing future iron and Technology City North Anshan Iron and Steel Research Institute Applicant after: Angang future iron & Steel Research Institute Co., Ltd. Address before: 102200 Changping District, Beijing, the future of science and technology in the North District of the city of Beijing Applicant before: Anshan Iron and Steel Research Institute |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |