CN108010076B - 一种面向密集工业棒材图像检测的端面外观建模方法 - Google Patents
一种面向密集工业棒材图像检测的端面外观建模方法 Download PDFInfo
- Publication number
- CN108010076B CN108010076B CN201711187427.7A CN201711187427A CN108010076B CN 108010076 B CN108010076 B CN 108010076B CN 201711187427 A CN201711187427 A CN 201711187427A CN 108010076 B CN108010076 B CN 108010076B
- Authority
- CN
- China
- Prior art keywords
- face
- bar
- model
- variance
- circle
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 28
- 241000533950 Leucojum Species 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000013178 mathematical model Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 abstract description 19
- 235000019504 cigarettes Nutrition 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G06T5/70—
Abstract
本发明主要提供了一种面向密集工业棒材图像检测的端面外观建模方法,利用工业棒材端面像素灰度值分布,设计棒材端面外观“雪花模型”;利用“雪花模型”相对应的归一化的灰度值方差直方图,进而推导出棒材端面个体位置检测的端面相似度概率模型;根据该相似度概率模型,求解棒材端面检测概率分布;通过设定相似度概率阈值,即可得到密集工业棒材端面图像中每个棒材端面个体的中心位置,获得棒材位置与数量的检测结果。采用本发明的方法,可克服传统方法对光照变化下,检测阈值失效的问题,有效地增强了密集工业棒材图像检测与计数阈值在光照变化下的稳定性。
Description
技术领域:
本发明涉及工业棒材生产线上的密集棒材图像检测与计数技术,尤其涉及一种光照动态变化条件下,针对密集棒材图像检测的棒材端面外观建模方法。
背景技术:
由于基于图像处理的工业棒材检测技术的对象是棒材生产线上的摄像机获取的数字图像,其像素的亮度值常受到光线变化的影响。因此,对于光线变化条件下的棒材端面图像特征提取与数学建模方法,是基于图像处理的棒材检测与计数系统的重要处理步骤。
目前,存在的棒材图像端面检测方法主要有:基于灰度空间的检测方法,比如灰度阈值滤波;基于色彩空间的检测方法,比如RGB-YCrCb阈值滤波等。
以上存在的方法,主要适用于棒材生产线的光照条件无变化的情况下。随着生产线光照环境的变化,摄像机获取的图像的像素亮度值发生了动态的变化。尤其对于高分辨率的密集棒材图像,动态的光照变化不仅产生而且不均匀,因此,无论在灰度空间还是联合色彩空间,固定的阈值分割方法都将失效。
综上所述,如何从动态光照变化条件下,对工业棒材端面图像进行稳定的特征提取与数学建模是一个实际工业生产中亟待解决的问题。
发明内容:
为了解决上述问题,本发明的主要目的在于提供一种面向密集工业棒材图像检测的端面外观建模方法,能够有效地抵抗光照变化对于图像亮度值的影响。
为达到上述目的,本发明的技术方案是:一种面向密集工业棒材图像检测的端面外观建模方法,可用于香烟过滤嘴,粉笔等的检测,该方法包括:
a、利用工业棒材端面像素灰度值分布,设计棒材端面外观“雪花模型”;
b、利用“雪花模型”相对应的归一化的灰度值方差直方图,进而推导出棒材个体位置检测的端面相似度概率模型;
c、根据该相似度概率模型,求解棒材端面检测概率分布;
d、通过设定相似度概率阈值,即可得到密集工业棒材端面图像中每个棒材端面个体的中心位置,获得棒材位置与数量的检测结果。
步骤a的具体内容为:
将整个棒材端面划分为以棒材端面中心为圆心的四个同心圆区域:第一个区域是棒材端面的中心、第二个区域是以0.5×R为半径的圆周、第三个区域是以0.75×R为半径的圆周、第四个区域是以R为半径的圆周,其中R小于棒材端面半径R0;
在第一个区域设置一个边长为S1的正方形;在第二个圆周上,以圆心角45度为间隔设置8个边长为S2的正方形;在第三个圆周上,以圆心角45度为间隔设置8个边长为S2的正方形;在第四个圆周上,以圆心角45度为间隔设置8个边长为S1的正方形;
由25个小正方形组成雪花模型,均匀地分布在以棒材端面中心为圆心的四个同心圆区域上。
一幅棒材端面图像“雪花模型”的灰度方差直方图的数学模型可以表达为
X=[x1,x2,...,x25]
其中
xi=variance(recti) i=1~25
式中xi是“雪花模型”中第i个正方形图像块所对应的灰度方差值,variance是方差函数,recti是“雪花模型”中第i个正方形图像块所对应的灰度值向量,所以,X是一个25维的灰度方差向量;
因此,一幅棒材端面图像“雪花模型”相对应的归一化的灰度方差直方图的数学模型可以表达为
Xnorm=[x′1,x′2,...,x′25]
x′i=xi/max(xi) i=1~25
式中x′i是“雪花模型”归一化的灰度方差直方图Xnorm的第i个分量,max(xi)是“雪花模型”没有归一化的灰度方差直方图中的最大分量。
步骤b的完整的香烟过滤嘴的相似度概率函数为:
式中,Xnorm是以P点为中心的雪花模型相对应的归一化的灰度方差向量,xmax-xi是Xnorm中最大分量与第i个分量的距离,T是衡量这个距离的阈值。
根据相似度概率函数计算值的大小判断出以P点为中心,存在完整的棒材端面的概率,如果棒材端面的中心靠近P点,则相似度概率函数的计算值接近于1;如果棒材端面的中心远离P点,则相似度概率函数的计算值接近于0。
有益效果,本发明揭示的一种面向密集工业棒材图像检测的端面外观建模方法,具有如下有益效果:
根据单个棒材端面像素灰度值分布进行雪花模型设计,根据雪花模型的归一化灰度值方差直方图构建相似度概率函数,进而求解得到整幅图像棒材端面检测概率分布,并根据这个概率值设定阈值来得到棒材端面个体的中心位置,获得检测结果,这个操作中阈值设定是根据建立的相似度模型运算获得到概率值,此数值为变化数值,进而可以得到该图像中每个棒材端面个体对应的准确中心位置。本方法的突出优点有两处:
1)从雪花模型提取的特征向量,即归一化的灰度方差直方图,该直方图随着中心位置距离棒材端面中心的远、近呈现出明显不同的分布,如图3所示。当雪花模型的中心与棒材端面图像中心重合时,归一化的分布有如下特点:直方图最大分量与其余分量的差都小于T值;当雪花模型的中心与棒材端面图像中心较远时,归一化的分布有如下特点:直方图最大分量与其余分量的差大多数都大于T值。因此,基于此分布与棒材端面中心位置的关系,本方法构建的棒材端面相似度概率函数能够准确地描述当前位置为中心的图像是完整的棒材端面的概率值。
2)经过归一化处理后,从雪花模型中提取的灰度方差绝对值分布转化成灰度方差相对值分布,此分布对于光照的变化具极强的稳定性。因为归一化后灰度方差分布Xnorm体现了雪花模型中每个矩形块的灰度方差数值之间相对关系。光照变化只能影响雪花模型中每个矩形块所对应的灰度方差的绝对数值,而每个矩形块之间的灰度方差相对大小关系(分布)不会发生变化,如图3所示,尽管随着光照变化,雪花模型对应的灰度方差绝对值分布不同,经过归一化处理后,可以获得相同的雪花模型的灰度方差相对值分布。因此,从雪花模型中提取的归一化的灰度方差直方图,对于光照的变化具极强的稳定性。从而得到的检测结果不会受光照动态变化影响,比较稳定。
附图说明:
图1为本发明建模方法的流程图;
图2为本发明以香烟过滤嘴为例的雪花模型示意图,a表示雪花模型中心与完整的单个过滤嘴中心完全重合,b表示雪花模型中心在密集香烟图像中不同位置的示例;
图3为“雪花模型”中心位置与其相对应的归一化的灰度方差直方图统计特性之间关系示意图,图a和图b分别表示不同雪花模型中心位置形成的不同方差直方图;同时图a和图b还分别表示了在光照条件变化前后,不同雪花模型中心位置的方差绝对直方图与归一化后的方差相对直方图的关系;
图4为相似性概率密度函数对实际密集香烟图像场景数据检测滤波的效果图。
具体实施方式:
下面结合本发明所提供的附图对本发明的技术作进一步说明:
如图1所示,一种面向密集工业棒材图像检测的端面外观建模方法,包括如下步骤:
步骤101:利用工业棒材端面像素灰度值分布,设计棒材端面外观“雪花模型”;具体步骤为
将整个棒材端面划分为以棒材端面中心为圆心的四个同心圆区域:第一个区域是棒材端面的中心;第二个区域是以0.5×R为半径的圆周;第三个区域是以0.75×R为半径的圆周;第四个区域是以R为半径的圆周。其中R是比棒材端面半径R0略小的值;
在第一个区域设置一个边长为S1的正方形;在第二个圆周上,以圆心角45度为间隔设置8个边长为S2的正方形;在第三个圆周上,以圆心角45度为间隔设置8个边长为S2的正方形;在第四个圆周上,以圆心角45度为间隔设置8个边长为S1的正方形;
这样,雪花模型共由25个小正方形组成,均匀地分布在以棒材端面中心为圆心的四个同心圆区域上,见图2。
步骤102:利用雪花模型相对应的归一化的灰度值方差直方图,为:
一幅棒材端面图像“雪花模型”的灰度方差直方图的数学模型可以表达为
X=[x1,x2,...,x25] (1)
其中
xi=variance(recti) i=1~25 (2)
式中xi是“雪花模型”中第i个正方形图像块所对应的灰度方差值,variance是方差函数,recti是“雪花模型”中第i个正方形图像块所对应的灰度值向量,所以,X是一个25维的灰度方差向量;
因此,一幅棒材端面图像“雪花模型”相对应的归一化的灰度方差直方图的数学模型可以表达为
Xnorm=[x′1,x′2,...,x′25] (3)
x′i=xi/max(xi) i=1~25 (4)
式中x′i是“雪花模型”归一化的灰度方差直方图Xnorm的第i个分量,max(xi)是“雪花模型”没有归一化的灰度方差直方图中的最大分量,“雪花模型”中心位置的不同,就对应不同的灰度方差直方图分布,见图3所示;
进而推导出棒材端面个体位置检测的棒材端面相似度概率模型,为:
图像中以P点为中心,建立“雪花模型”,并且提取“雪花模型”所对应的归一化的灰度值方差直方图Xnorm,那么,以P点为中心,存在完整的棒材端面的相似度函数概率函数如下,定义
式中Xnorm是以P点为中心,雪花模型相对应的归一化的灰度方差向量,xmax-xi是Xnorm中最大分量与第i个分量的距离,T是衡量这个距离的阈值。具体的,如果“雪花模型”中心位置与棒材端面中心重合,则提取的归一化的灰度方差直方图的最大分量与其余分量的差小于阈值T,见图3a所示。如果“雪花模型”中心位置偏离棒材端面中心,则提取的归一化的灰度方差直方图的最大分量与其余分量的差大于阈值T,见图3b所示,而且经过归一化的灰度方差直方图不再受光线变化的影响,见图3所示。
步骤103:根据棒材端面相似度概率模型,求解棒材端面检测概率分布,为,
根据相似度概率函数(5)计算当前以P点为中心存在的棒材端面的概率:如果存在完整棒材端面个体,则“雪花模型”相对应的归一化灰度方差直方图的最大分量与其余分量之差小于阈值T,因此,相似度概率函数(5)计算值接近于1;如果当前“雪花模型”的中心点P点远离棒材端面中心,则“雪花模型”相对应的归一化灰度方差直方图的最大分量与其余分量之差大于阈值T,因此,相似度概率函数(5)计算值接近于0.
通过设定相似度概率阈值,即可得到密集棒材端面图像中每个香烟个体的中心位置,获得棒材端面检测的结果。
计算整幅图像每个位置上“雪花模型”对应的棒材端面相似度概率模型既可以获得棒材端面检测概率分布,如图4中第四幅图所示(以香烟图像为例)。然后,设置检测阈值,比如设置阈值为0.95。即大于95%的概率就可以认为该位置上存在棒材端面,检测结果如图4中第五幅图所示。
针对本发明所揭示的方法,对生产线上的香烟图像数据进行检验,具体实验结果如图4所示,其中第一个,第二个和第三个分别为不同光照条件下获取的密集香烟图像;第四个为应用该方法于第一个,第二个和第三个而获得的相同的香烟检测概率分布图,第五个为设定概率阈值之后获得的香烟个体位置检测结果图。
由图4可见很明显地可得出这些结论:1)“雪花模型”及其相对应的归一化的灰度方差直方图是一种对于光照条件变化表现出高稳定性能的特征提取方法;2)本发明定义的棒材端面相似度概率模型有效地描述了棒材端面图像的外观模型;3)本发明方法提出的“雪花模型”下的检测方法能够有效地检测出密集棒材端面图像的个体位置分布。
相比较传统的检测方法,该方法对于光照变化表现出高稳定性,如图4所示。可对不同的检测方法采用检测率(PD)来评价其性能,见表1。指标的数值越高,表明算法的性能越好,由数值对比可知本发明方法的性能优越性。注释:除了本发明的方法,其余两种方法在光照变化下,检测阈值要重新设置。而利用本方法在检测时,检测阈值对于光照变化条件,不发生变化。
表1.本发明方法与传统方法对棒材端面(香烟图像)检测性能客观评价对比
本发明的技术内容及技术特征已揭示如上,然而熟悉本领域的技术人员仍可能基于本发明的揭示而作种种不背离本发明精神的替换及修饰,因此,本发明保护范围应不限于实施例所揭示的内容,而应包括各种不背离本发明的替换及修饰,并为本专利申请权利要求所涵盖。
Claims (2)
1.一种面向密集工业棒材图像检测的端面外观建模方法,其特征在于:该方法包括:
a、利用工业棒材端面像素灰度值分布,设计棒材端面外观“雪花模型”;具体内容为:
将整个棒材端面划分为以棒材端面中心为圆心的四个同心圆区域:第一个区域是棒材端面的中心、第二个区域是以0.5×R为半径的圆周、第三个区域是以0.75×R为半径的圆周、第四个区域是以R为半径的圆周,其中R小于棒材端面半径R0;
在第一个区域设置一个边长为S1的正方形;在第二个圆周上,以圆心角45度为间隔设置8个边长为S2的正方形;在第三个圆周上,以圆心角45度为间隔设置8个边长为S2的正方形;在第四个圆周上,以圆心角45度为间隔设置8个边长为S1的正方形;
由25个小正方形组成雪花模型,均匀地分布在以棒材端面中心为圆心的四个同心圆区域上;
b、利用“雪花模型”相对应的归一化的灰度值方差直方图,进而推导出棒材个体位置检测的端面相似度概率模型;一幅棒材端面图像“雪花模型”的灰度方差直方图的数学模型可以表达为
X=[x1,x2,...,x25]
其中
xi=variance(recti) i=1~25
式中xi是“雪花模型”中第i个正方形图像块所对应的灰度方差值,variance是方差函数,recti是“雪花模型”中第i个正方形图像块所对应的灰度值向量,所以,X是一个25维的灰度方差向量;
因此,一幅棒材端面图像“雪花模型”相对应的归一化的灰度方差直方图的数学模型可以表达为
Xnorm=[x′1,x′2,...,x′25]
x′i=xi/max(xi) i=1~25
式中x′i是“雪花模型”归一化的灰度方差直方图Xnorm的第i个分量,max(xi)是“雪花模型”没有归一化的灰度方差直方图中的最大分量;
完整的棒材端面的相似度概率函数为:
式中,Xnorm是以P点为中心的雪花模型相对应的归一化的灰度方差向量,xmax-xi是Xnorm中最大分量与第i个分量的距离,T是衡量这个距离的阈值;
c、根据该相似度概率模型,求解棒材端面检测概率分布;
d、通过设定相似度概率阈值,即可得到密集工业棒材端面图像中每个棒材端面个体的中心位置,获得棒材位置与数量的检测结果。
2.根据权利要求1所述的一种面向密集工业棒材图像检测的端面外观建模方法,其特征在于,根据相似度概率函数计算值的大小判断出以P点为中心,存在完整的棒材端面的概率,如果棒材端面的中心靠近P点,则相似度概率函数的计算值接近于1;如果棒材端面的中心远离P点,则相似度概率函数的计算值接近于0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187427.7A CN108010076B (zh) | 2017-11-23 | 2017-11-23 | 一种面向密集工业棒材图像检测的端面外观建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187427.7A CN108010076B (zh) | 2017-11-23 | 2017-11-23 | 一种面向密集工业棒材图像检测的端面外观建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108010076A CN108010076A (zh) | 2018-05-08 |
CN108010076B true CN108010076B (zh) | 2020-03-31 |
Family
ID=62053347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711187427.7A Active CN108010076B (zh) | 2017-11-23 | 2017-11-23 | 一种面向密集工业棒材图像检测的端面外观建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108010076B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113902803B (zh) * | 2021-10-14 | 2024-04-05 | 吉林大学 | 基于图像处理的成捆棒材端面双标签焊接位置获取方法 |
CN116819318B (zh) * | 2023-07-04 | 2024-01-12 | 赫义博自动化科技(江苏)有限公司 | 一种电机故障检测方法、系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254222A (zh) * | 2011-07-07 | 2011-11-23 | 合肥市百胜科技发展股份有限公司 | 棒材进行计数的方法及装置 |
JP2012173901A (ja) * | 2011-02-21 | 2012-09-10 | Midori Seimitsu:Kk | 結束された鋼材束中の鋼材本数の計数方法及び計数装置 |
CN102774539A (zh) * | 2012-06-19 | 2012-11-14 | 武汉科技大学 | 基于改进梯度Hough圆变换的棒材在线自动计数方法 |
JP2014029615A (ja) * | 2012-07-31 | 2014-02-13 | Nippon Steel & Sumitomo Metal | 長尺物本数計数装置、長尺物本数計数方法、及びコンピュータプログラム |
JP2014032553A (ja) * | 2012-08-03 | 2014-02-20 | Nippon Steel & Sumitomo Metal | 長尺物本数測定装置、長尺物本数測定方法、及びコンピュータプログラム |
CN105513082A (zh) * | 2015-12-28 | 2016-04-20 | 中建三局第一建设工程有限责任公司 | 一种成捆棒材识别计数方法和装置 |
CN106485708A (zh) * | 2016-10-11 | 2017-03-08 | 南京航空航天大学 | 一种基于图像识别的圆木计数方法 |
CN106599987A (zh) * | 2016-12-12 | 2017-04-26 | 郑州云海信息技术有限公司 | 一种图像计数的方法及装置 |
-
2017
- 2017-11-23 CN CN201711187427.7A patent/CN108010076B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012173901A (ja) * | 2011-02-21 | 2012-09-10 | Midori Seimitsu:Kk | 結束された鋼材束中の鋼材本数の計数方法及び計数装置 |
CN102254222A (zh) * | 2011-07-07 | 2011-11-23 | 合肥市百胜科技发展股份有限公司 | 棒材进行计数的方法及装置 |
CN102774539A (zh) * | 2012-06-19 | 2012-11-14 | 武汉科技大学 | 基于改进梯度Hough圆变换的棒材在线自动计数方法 |
JP2014029615A (ja) * | 2012-07-31 | 2014-02-13 | Nippon Steel & Sumitomo Metal | 長尺物本数計数装置、長尺物本数計数方法、及びコンピュータプログラム |
JP2014032553A (ja) * | 2012-08-03 | 2014-02-20 | Nippon Steel & Sumitomo Metal | 長尺物本数測定装置、長尺物本数測定方法、及びコンピュータプログラム |
CN105513082A (zh) * | 2015-12-28 | 2016-04-20 | 中建三局第一建设工程有限责任公司 | 一种成捆棒材识别计数方法和装置 |
CN106485708A (zh) * | 2016-10-11 | 2017-03-08 | 南京航空航天大学 | 一种基于图像识别的圆木计数方法 |
CN106599987A (zh) * | 2016-12-12 | 2017-04-26 | 郑州云海信息技术有限公司 | 一种图像计数的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108010076A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6336117B2 (ja) | 建物高さの計算方法、装置及び記憶媒体 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN107067389B (zh) | 一种图像篡改盲取证方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN110956661B (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN111179279A (zh) | 一种基于紫外、双目视觉的综合火焰检测方法 | |
WO2021098083A1 (zh) | 基于显著特征的多光谱相机动态立体标定算法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN105574533B (zh) | 一种图像特征提取方法和装置 | |
CN104778701A (zh) | 一种基于rgb-d传感器的局部图像描述方法 | |
CN102915540A (zh) | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 | |
CN105740872A (zh) | 图像特征提取方法及其装置 | |
CN106295657A (zh) | 一种视频数据结构化过程中提取人体高度特征的方法 | |
CN111369495A (zh) | 一种基于视频的全景图像的变化检测方法 | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
CN108010076B (zh) | 一种面向密集工业棒材图像检测的端面外观建模方法 | |
Hu et al. | Effective composite image detection method based on feature inconsistency of image components | |
CN116563262A (zh) | 基于多模态的建筑裂缝检测算法 | |
CN105654479A (zh) | 多光谱图像配准方法和装置 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
CN110321808B (zh) | 遗留物与盗移物检测方法、设备和存储介质 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN106021610B (zh) | 一种基于显著区域的视频指纹提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |