CN109344819A - 基于深度学习的车辆损伤识别方法 - Google Patents

基于深度学习的车辆损伤识别方法 Download PDF

Info

Publication number
CN109344819A
CN109344819A CN201811526449.6A CN201811526449A CN109344819A CN 109344819 A CN109344819 A CN 109344819A CN 201811526449 A CN201811526449 A CN 201811526449A CN 109344819 A CN109344819 A CN 109344819A
Authority
CN
China
Prior art keywords
damage
vehicle
photo
deep learning
details
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.)
Pending
Application number
CN201811526449.6A
Other languages
English (en)
Inventor
丛建亭
黄贤俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyuan Hengji Technology Co ltd
Original Assignee
Shenyuan Hengji Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyuan Hengji Technology Co ltd filed Critical Shenyuan Hengji Technology Co ltd
Priority to CN201811526449.6A priority Critical patent/CN109344819A/zh
Publication of CN109344819A publication Critical patent/CN109344819A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的车辆损伤识别方法，包括：获取移动终端上传的事故车辆的远/中景照片；获取移动终端针对事故车辆的不同损伤处分别上传的一组损伤细节照片；利用深度学习分割网络分割出该组损伤细节图片中用于识别的车辆总成部件；利用深度学习算法识别并输出所述车辆总成部件的损伤详情。通过本发明的技术方案，提高了事故车辆定损取证的标准规范性，以及提高了对事故车辆自动定损取证的识别精度，进一步提高了事故处理用户的使用体验。

Description

基于深度学习的车辆损伤识别方法
技术领域
本发明涉及车辆定损方法技术领域，尤其涉及一种基于深度学习的车辆损伤识别方法。
背景技术
2012年以来，深度学习在图片识别领域取得非常大的进步。相比传统的图片识别方法使用的色彩、HOG等低级视觉特征；深度神经网络能学得更多高级的、抽象的特征，这使得深度神经网络的性能远远超越传统方法。2014年以来，深度学习开始在物体检测，物体分割等领域取得优秀成果，涌现出Deeplab、YOLO、FasterRCNN等一系列方法，识别准确率在特定任务上已经超越了人类识别的水平，并在生成环境中得到大规模使用。
深度学习在汽车外观损伤自动定损领域进行的工作比较少，2016年左右开始有人尝试，但是受限于数据获取的难度，这个领域一直进展比较慢，目前也还没有一个可以成熟落地使用的系统或方法，都处于实验阶段。现有的深度学习实现汽车外观定损方案中，都未对损伤拍照提出明确清晰的拍照取证实施过程。
目前，轻微汽车外观损伤查勘，在汽车业务查勘理赔中占有较高的比重。目前通常的做法是保险公司查勘人员到现场进行实地调查和记录，然后事故汽车司机再到汽车定损中心进行汽车损伤程度鉴定，最后事故汽车司机根据鉴定结论到维修店再修车。当前也存在一些远程视频查勘系统，该系统主要是现场查勘人员连线后台专业定损人员，根据后台专业定损人员的指引，对现场事故车辆的损伤进行拍照查勘，完成车辆外观损伤的鉴定。在汽车图像自动定损系统中，需要用户上传现场事故车辆的外观照片，这些照片拍摄的要求和规范性很大程度上会影响图像定损识别系统的识别效果，而现有的拍照取证过程不够规范标准，随意性较大，拍照的随意性一方面不利于损伤识别系统正确识别，同时也对后台审核人员阅读理解案件中的定损图片带来一定的困扰，从而也就影响了用户体验。
发明内容
针对上述问题中的至少之一，本发明提供了一种基于深度学习的车辆损伤识别方法，通过用户通过移动终端上传的事故车辆的远/中景照片获取事故车辆的基本信息，获取用户通过移动终端针对事故车辆的不同损伤处分别上传的标准规范的损伤细节照片，并经过深度学习分割网络输出能最好反映车辆损伤细节的照片，再利用深度学习算法识别出损伤详情，提高了事故车辆定损取证的标准规范性，以及提高了对事故车辆自动定损取证的识别精度，进一步提高了事故处理用户的使用体验。
为实现上述目的，本发明提供了一种基于深度学习的车辆损伤识别方法，包括：获取移动终端上传的事故车辆的远/中景照片；获取所述移动终端针对所述事故车辆的不同损伤处分别上传的一组损伤细节照片；利用深度学习分割网络分割出该组损伤细节图片中用于识别的车辆总成部件；利用深度学习算法识别并输出所述车辆总成部件的损伤详情。
在上述技术方案中，优选地，针对一损伤处的一组损伤细节照片具体包括：正对损伤处的照片、俯视损伤处预定角度范围的照片、从左至右侧视损伤处预定角度范围的照片、以及从右至左侧视损伤处预定角度范围的照片。
在上述技术方案中，优选地，正对损伤处的偏差角度范围为15°以内，俯视损伤处的预定角度范围为俯视30°～俯视60°，从左至右侧视损伤处的预定角度范围为从左至右侧视30°～从左至右侧视60°，从右至左侧视的预定角度范围为从右至左侧视30°～从右至左侧视60°。
在上述技术方案中，优选地，所述获取所述移动终端针对所述事故车辆的不同损伤处分别上传的一组损伤细节照片具体包括：获取所述移动终端针对所述事故车辆的一个损伤处上传的一组损伤细节照片；该损伤处的一组损伤细节照片获取后，获取该移动终端针对该事故车辆的另一损伤处上传的一组损伤细节照片。
在上述技术方案中，优选地，所述利用深度学习分割网络分割出该组损伤细节图片中用于识别的车辆总成部件具体包括：利用所述深度学习分割网络对该组损伤细节图片进行图像分割，获得所述损伤细节图片中受损的车辆总成部件图片；利用所述深度学习分割网络选择并输出所述车辆总成部件图片中反映损伤细节的一张或多张。
与现有技术相比，本发明的有益效果为：通过用户通过移动终端上传的事故车辆的远/中景照片获取事故车辆的基本信息，获取用户通过移动终端针对事故车辆的不同损伤处分别上传的标准规范的损伤细节照片，并经过深度学习分割网络输出能最好反映车辆损伤细节的照片，再利用深度学习算法识别出损伤详情，提高了事故车辆定损取证的标准规范性，以及提高了对事故车辆自动定损取证的识别精度，进一步提高了事故处理用户的使用体验。
附图说明
图1为本发明一种实施例公开的基于深度学习的车辆损伤识别方法的流程示意图；
图2为本发明一种实施例公开的获取不同损伤处的损伤细节照片的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
如图1所示，根据本发明提供的一种基于深度学习的车辆损伤识别方法，包括：获取移动终端上传的事故车辆的远/中景照片；获取移动终端针对事故车辆的不同损伤处分别上传的一组损伤细节照片；利用深度学习分割网络分割出该组损伤细节图片中用于识别的车辆总成部件；利用深度学习算法识别并输出车辆总成部件的损伤详情。
在该实施例中，通过用户通过移动终端上传的事故车辆的远/中景照片获取事故车辆的基本信息，比如车牌号、车辆类型、车身颜色等，获取该部分信息的具体方法为现有技术，在此不再赘述。获取用户通过移动终端针对事故车辆的不同损伤处分别上传的标准规范的损伤细节照片，并经过深度学习分割网络输出能最好反映车辆损伤细节的照片，利用深度学习算法对分割出的车辆总成部件图片进行识别，判断并输出对应车辆总成部件的损伤详情如何，比如刮擦、划痕、轻凹、中凹、或撕裂等，以提高对事故车辆自动定损取证的识别精度。整个事故车辆定损取证过程更加标准化和规范化，不仅提高了事故车辆定损的效率，还提高了用户的使用体验和事故车辆定损的规范化管理。
在上述实施例中，优选地，针对一损伤处的一组损伤细节照片具体包括：正对损伤处的照片、俯视损伤处预定角度范围的照片、从左至右侧视损伤处预定角度范围的照片、以及从右至左侧视损伤处预定角度范围的照片。从损伤处的不同角度都进行拍摄照片，能够避免视觉死角而无法清晰辨认损伤的情况。车辆外观损伤细节图片通常用于不同类型的外观损伤识别功能和外观总成部件识别功能，现实情况下，用户拍照随意，通常会导致损伤识别和部件识别不能兼顾，举例来说，很可能会出现这样的情况，车辆外观部件例如车门存在一处轻微变形，用户从正对着损伤处拍摄，图片上无法清晰呈现出该变形的视觉特征，但如果用户从左向右45度拍摄则可以清晰看到该变形的视觉特征；还例如用户拍照随意，很可能拍了若干细节图都无法从视觉上辨别出该细节图片受损的总成部件到底是车门还是翼子板。
在上述实施例中，优选地，正对损伤处的偏差角度范围为15°以内，俯视损伤处的预定角度范围为俯视30°～俯视60°，优选地为45°，从左至右侧视损伤处的预定角度范围为从左至右侧视30°～从左至右侧视60°，优选地为45°，从右至左侧视的预定角度范围为从右至左侧视30°～从右至左侧视60°，优选地为45°。按照要求规范的拍摄4张损伤细节照片既可以利用深度学习分割网络从中选择出有利于外部总成部件识别的细节图片来做部件分割识别，同时从不同视角下也可以对细节图片的损伤类型看得更清楚，全面，有利于后台审核人员阅读理解该细节图片发生的事故情况。由于车辆外观损伤随意拍照容易导致拍摄后的图片中的损伤类型和损伤所在的总成部件辨别难度大，因此经过规范的拍摄方法由于从不同视角下拍摄损伤发生处，也就是说以4张为一组的损伤细节图片是有信息冗余的，算法可以从4张中筛选出有利于总成部件辨识角度的细节图片，而这个角度通常无法固定到某个视角下，另外，从不同视角下分析损伤细节更容易让算法系统看得更完整，全面和清晰。
当然，在实际实施过程中，一组损伤细节照片也可以设置为3张至6张分别为不同角度的照片，正对拍摄的角度根据实际情况也可偏差15°以内。
如图2所示，在上述实施例中，优选地，获取移动终端针对事故车辆的不同损伤处分别上传的一组损伤细节照片具体包括：获取移动终端针对事故车辆的一个损伤处上传的一组损伤细节照片；该损伤处的一组损伤细节照片获取后，获取该移动终端针对该事故车辆的另一损伤处上传的一组损伤细节照片。具体地，不同损伤处的损伤细节照片的过程包括：获取用户拍摄的车辆远/中景照片；获取用户正对一损伤处拍摄的1张损伤细节照片；获取用户俯视该损伤处45°拍摄的1张损伤细节照片；获取用户从左至右侧视该损伤处45°拍摄的1张损伤细节照片；获取用户从右至左侧视该损伤处45°拍摄的1张损伤细节照片；根据上述步骤遍历获取另一损伤处的一组损伤细节照片。
在上述实施例中，优选地，利用深度学习分割网络分割出该组损伤细节图片中用于识别的车辆总成部件具体包括：利用深度学习分割网络对该组损伤细节图片进行图像分割，获得损伤细节图片中受损的车辆总成部件图片；利用深度学习分割网络选择并输出车辆总成部件图片中反映损伤细节的一张或多张。
以上所述为本发明的实施方式，根据本发明提出的基于深度学习的车辆损伤识别方法，通过用户通过移动终端上传的事故车辆的远/中景照片获取事故车辆的基本信息，获取用户通过移动终端针对事故车辆的不同损伤处分别上传的标准规范的损伤细节照片，并经过深度学习分割网络输出能最好反映车辆损伤细节的照片，再利用深度学习算法识别出损伤详情，提高了事故车辆定损取证的标准规范性，以及提高了对事故车辆自动定损取证的识别精度，进一步提高了事故处理用户的使用体验。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于深度学习的车辆损伤识别方法，其特征在于，包括：
获取移动终端上传的事故车辆的远/中景照片；
获取所述移动终端针对所述事故车辆的不同损伤处分别上传的一组损伤细节照片；
利用深度学习分割网络分割出该组损伤细节图片中用于识别的车辆总成部件；
利用深度学习算法识别并输出所述车辆总成部件的损伤详情。
2.根据权利要求1所述的基于深度学习的车辆损伤识别方法，其特征在于，针对一损伤处的一组损伤细节照片具体包括：正对损伤处的照片、俯视损伤处预定角度范围的照片、从左至右侧视损伤处预定角度范围的照片、以及从右至左侧视损伤处预定角度范围的照片。
3.根据权利要求2所述的基于深度学习的车辆损伤识别方法，其特征在于，正对损伤处的偏差角度范围为15°以内，俯视损伤处的预定角度范围为俯视30°～俯视60°，从左至右侧视损伤处的预定角度范围为从左至右侧视30°～从左至右侧视60°，从右至左侧视的预定角度范围为从右至左侧视30°～从右至左侧视60°。
4.根据权利要求1所述的基于深度学习的车辆损伤识别方法，其特征在于，所述获取所述移动终端针对所述事故车辆的不同损伤处分别上传的一组损伤细节照片具体包括：
获取所述移动终端针对所述事故车辆的一个损伤处上传的一组损伤细节照片；
该损伤处的一组损伤细节照片获取后，获取该移动终端针对该事故车辆的另一损伤处上传的一组损伤细节照片。
5.根据权利要求1所述的基于深度学习的车辆损伤识别方法，其特征在于，所述利用深度学习分割网络分割出该组损伤细节图片中用于识别的车辆总成部件具体包括：
利用所述深度学习分割网络对该组损伤细节图片进行图像分割，获得所述损伤细节图片中受损的车辆总成部件图片；
利用所述深度学习分割网络选择并输出所述车辆总成部件图片中反映损伤细节的一张或多张。
CN201811526449.6A 2018-12-13 2018-12-13 基于深度学习的车辆损伤识别方法 Pending CN109344819A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811526449.6A CN109344819A (zh) 2018-12-13 2018-12-13 基于深度学习的车辆损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811526449.6A CN109344819A (zh) 2018-12-13 2018-12-13 基于深度学习的车辆损伤识别方法

Publications (1)

Publication Number Publication Date
CN109344819A true CN109344819A (zh) 2019-02-15

Family

ID=65304555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811526449.6A Pending CN109344819A (zh) 2018-12-13 2018-12-13 基于深度学习的车辆损伤识别方法

Country Status (1)

Country Link
CN (1) CN109344819A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033386A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 车辆事故的鉴定方法及装置、电子设备
WO2020239089A1 (zh) * 2019-05-30 2020-12-03 深圳市聚蜂智能科技有限公司 一种保险定损方法、装置、计算机设备和存储介质
CN112364820A (zh) * 2020-11-27 2021-02-12 深源恒际科技有限公司 一种基于深度学习的车险核保验车图片采集方法及系统
JP2022539559A (ja) * 2019-07-03 2022-09-12 オカド・イノベーション・リミテッド 損傷検出装置及び方法
CN117671329A (zh) * 2023-11-14 2024-03-08 平安科技(上海)有限公司 基于人工智能的车辆损伤分析方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881434A (zh) * 2015-04-29 2015-09-02 长江岩土工程总公司（武汉） 一种基于图像特征的野外岩性智能识别方法
CN105654043A (zh) * 2015-12-24 2016-06-08 广东欧珀移动通信有限公司 控制方法、控制装置及拍照系统
CN106709699A (zh) * 2016-12-22 2017-05-24 安徽保腾网络科技有限公司 用于投保车辆的定损方法
US20170148235A1 (en) * 2015-11-19 2017-05-25 Continental Automotive Systems, Inc. Vehicle damage detection and notification system
CN107368776A (zh) * 2017-04-28 2017-11-21 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN108446618A (zh) * 2018-03-09 2018-08-24 平安科技（深圳）有限公司 车辆定损方法、装置、电子设备及存储介质
CN108596047A (zh) * 2018-03-30 2018-09-28 上海与德通讯技术有限公司 车损识别方法、智能终端以及计算机可读存储介质
CN108734702A (zh) * 2018-04-26 2018-11-02 平安科技（深圳）有限公司 车损判定方法、服务器及存储介质
CN108921811A (zh) * 2018-04-03 2018-11-30 阿里巴巴集团控股有限公司 检测物品损伤的方法和装置、物品损伤检测器
CN108921068A (zh) * 2018-06-22 2018-11-30 深源恒际科技有限公司 一种基于深度神经网络的汽车外观自动定损方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104881434A (zh) * 2015-04-29 2015-09-02 长江岩土工程总公司（武汉） 一种基于图像特征的野外岩性智能识别方法
US20170148235A1 (en) * 2015-11-19 2017-05-25 Continental Automotive Systems, Inc. Vehicle damage detection and notification system
CN105654043A (zh) * 2015-12-24 2016-06-08 广东欧珀移动通信有限公司 控制方法、控制装置及拍照系统
CN106709699A (zh) * 2016-12-22 2017-05-24 安徽保腾网络科技有限公司 用于投保车辆的定损方法
CN107368776A (zh) * 2017-04-28 2017-11-21 阿里巴巴集团控股有限公司 车辆定损图像获取方法、装置、服务器和终端设备
CN108446618A (zh) * 2018-03-09 2018-08-24 平安科技（深圳）有限公司 车辆定损方法、装置、电子设备及存储介质
CN108596047A (zh) * 2018-03-30 2018-09-28 上海与德通讯技术有限公司 车损识别方法、智能终端以及计算机可读存储介质
CN108921811A (zh) * 2018-04-03 2018-11-30 阿里巴巴集团控股有限公司 检测物品损伤的方法和装置、物品损伤检测器
CN108734702A (zh) * 2018-04-26 2018-11-02 平安科技（深圳）有限公司 车损判定方法、服务器及存储介质
CN108921068A (zh) * 2018-06-22 2018-11-30 深源恒际科技有限公司 一种基于深度神经网络的汽车外观自动定损方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033386A (zh) * 2019-03-07 2019-07-19 阿里巴巴集团控股有限公司 车辆事故的鉴定方法及装置、电子设备
CN110033386B (zh) * 2019-03-07 2020-10-02 阿里巴巴集团控股有限公司 车辆事故的鉴定方法及装置、电子设备
WO2020239089A1 (zh) * 2019-05-30 2020-12-03 深圳市聚蜂智能科技有限公司 一种保险定损方法、装置、计算机设备和存储介质
US11966981B2 (en) 2019-05-30 2024-04-23 Shenzhen Ju Feng Technology Company Method and apparatus for assessing an insured loss, computer device, and storage medium
JP2022539559A (ja) * 2019-07-03 2022-09-12 オカド・イノベーション・リミテッド 損傷検出装置及び方法
JP7362792B2 (ja) 2019-07-03 2023-10-17 オカド・イノベーション・リミテッド 損傷検出装置及び方法
CN112364820A (zh) * 2020-11-27 2021-02-12 深源恒际科技有限公司 一种基于深度学习的车险核保验车图片采集方法及系统
CN117671329A (zh) * 2023-11-14 2024-03-08 平安科技(上海)有限公司 基于人工智能的车辆损伤分析方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN109344819A (zh) 基于深度学习的车辆损伤识别方法
CN110378879A (zh) 一种桥梁裂缝检测方法
CN109409272B (zh) 基于机器视觉的电缆验收系统和方法
CN111563557B (zh) 一种电力电缆隧道内目标检测的方法
CN105279971B (zh) 一种车辆信息匹配方法、系统及监控装置
CN110598535B (zh) 一种监控视频数据中使用的人脸识别分析方法
WO2019127273A1 (zh) 一种多人脸检测方法、装置、服务器、系统及存储介质
CN105225493B (zh) 一种车辆识别方法、装置及稽查系统
CN104483326A (zh) 基于深度信念网络的高压线绝缘子缺陷检测方法及系统
CN109801265A (zh) 一种基于卷积神经网络的实时输电设备异物检测系统
CN108805008A (zh) 一种基于深度学习的社区车辆安保系统
CN205354056U (zh) 一种带有人脸识别的执法记录仪
CN109345524A (zh) 一种基于视觉的轴承外观缺陷检测系统
CN113808098A (zh) 道路病害识别方法、装置、电子设备及可读存储介质
CN110930566A (zh) 监狱往来车辆的安全复核方法、系统、装置及可存储介质
CN110070043A (zh) 一种基于人脸识别的驾培管理系统及方法
CN109001210B (zh) 一种人防门密封胶条老化龟裂检测系统及方法
CN112668557A (zh) 一种行人再识别系统中防御图像噪声攻击的方法
CN112541432A (zh) 一种基于深度学习的视频牲畜身份认证系统及方法
CN106934424A (zh) 识别管理方法和装置
CN115471487A (zh) 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置
CN107784649A (zh) 基于图像识别的芯棒测试远程报警系统及方法
CN112115770A (zh) 一种用于架空线路无人机自主巡检缺陷识别的方法及系统
CN112911219B (zh) 电力设备巡检路线的识别方法、系统及设备
CN205451068U (zh) 一种智能考试系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190215

RJ01 Rejection of invention patent application after publication