CN109614888B - 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 - Google Patents
基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 Download PDFInfo
- Publication number
- CN109614888B CN109614888B CN201811406966.XA CN201811406966A CN109614888B CN 109614888 B CN109614888 B CN 109614888B CN 201811406966 A CN201811406966 A CN 201811406966A CN 109614888 B CN109614888 B CN 109614888B
- Authority
- CN
- China
- Prior art keywords
- data set
- auxiliary data
- training
- defect
- sample
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000005540 biological transmission Effects 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000013508 migration Methods 0.000 claims abstract description 32
- 230000005012 migration Effects 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 3
- 238000007689 inspection Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 239000012212 insulator Substances 0.000 claims description 5
- 230000002950 deficient Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法,步骤如下:S1、参照无人机航拍图,构建实物模型并模拟缺陷;S2、拍摄装置采集缺陷数据样本,随后进行筛选,将符合要求的数据作为辅助数据集,记作A;S3、将无人机拍摄得到的目标数据集B与迁移辅助数据集混合,得到训练集T;S4、将训练集作为目标检测算法的输入,每经过预先设定的几轮训练后,使用A进行测试,如果测试的结果与真实标签相同,则保留该样本,否则剔除该数据样本;S5、将经过裁剪的数据集A与目标数据集B混合,用于下一轮训练,重复上述步骤直至经过剔除的A剩下的样本占整个训练集的比例小于比例下限或者测试结果全部正确为止。
Description
技术领域
本发明涉及机器学习技术领域,具体涉及一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法。
背景技术
为确保电力系统安全、稳定运行,工作人员必须定期对架空输电线路进行检修。传统检测方式主要依靠人工进行,在其存在误检或者漏检问题的同时,又耗费了大量的人力和物力。针对这一问题,无人机巡检技术得到了广泛的应用,它们搭载拍摄装置沿输电线路走廊飞行,近距离拍摄线路,获取航拍图像,人工标注航拍图像中架空输电线路的缺陷部位。
传统的图像标注是人工完成的,在数据量不是很多的情况下,对图像的理解与标注相对准确,但在大数据环境下,人工标注工作量巨大,并且容易受到主观经验的影响,对同一幅图像的标注不一致。近几年,深度学习在目标检测上优异的表现,于是有学者提出了利用计算机实现电力缺陷的自动标注。智能检测方法因其优良的性能、广泛的适应范围、符合现代智能化和自动化的要求等优点作为新的线路巡检方式而逐渐受到重视。然而,基于深度学习的缺陷检测技术仍然存在不少的关键问题有待于解决,其中较为突出的当属于类别不平衡问题。
传统的目标检测算法把不同类型的数据同等看待,致力于提高整体的分类准确度。但现实中,电力系统中的异常数据较正常数据少得多,异常数据(少数)和正常数据类(多数)分布不平衡,甚至极度不平衡。传统目标检测大多以数据分布均衡作为前提,以样本总体的分类准确率作为目标,这对不平衡分类问题并不适用。当数据分布不平衡时,正确区分少数类样本的意义高于整体分类准确率。而少数类样本或者是较少出现,或者是收集代价高,这部分样本的严重缺乏给不平衡分类增加了难度。因此,为了进一步提升模型泛化能力、解决网络训练时无人机巡检航拍图中的不平衡样本处理问题,在原有深度学习算法模型做出相应的改进,才能满足现代智能巡检要求。
针对不平衡的电力巡检数据,采用相关的辅助数据集对不平衡的目标数据集进行迁移学习,能够解决目标数据集中少数样本的稀缺问题,然而该方法也存在以下问题:辅助数据中往往存在大量冗余数据,这些数据可能与目标数据集很不相似,他们的存在不但会影响模型的训练速度,还会导致分类精度的下降。针对这个问题,提出一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法,优化辅助数据集样本,动态剔除辅助数据集中不相关数据样本,不断优化电力缺陷检测中的辅助训练数据集。
发明内容
本发明的目的是为了解决基于深度学习的电力缺陷检测中正负数据样本不平衡这一问题,提供一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法,在获取迁移辅助数据样本后,优化辅助数据集样本,动态剔除辅助数据集中不相关数据样本,不断优化电力缺陷检测中的辅助训练数据集,能够有效缓解电力缺陷检测中缺陷数据样本不足导致的模型泛化能力差这一问题。
本发明的目的可以通过采取如下技术方案达到:
一种基于架空输电线路辅助数据集的深度学习缺陷检测模型训练方法,所述的训练方法包括以下步骤:
S1、参照无人机巡检航拍图,针对架空输电线路某种特定缺陷类型,构建实物模型并模拟缺陷;
S2、采用拍摄装置采集缺陷数据样本,随后进行筛选,将筛选后的数据样本作为迁移辅助数据集,记作A;
S3、将无人机巡检拍摄得到的目标数据集B与上述采集到的迁移辅助数据集A按比例抽取混合,得到用于模型训练的数据集T;
S4、将数据集T作为目标检测算法的输入,每经过指定的训练轮数后,使用迁移辅助数据集A进行测试,如果测试的结果与真实标签相同,则保留该数据样本,否则剔除该数据样本;
S5、将经过裁剪的迁移辅助数据集A与目标数据集B混合,作为下一轮训练输入,重复上述步骤直至经过裁剪的迁移辅助数据集A剩下的样本占整个训练集的比例小于比例下限或者测试结果与真实标签全部相同为止。
作为优选的技术方案,步骤S1的具体过程如下:
参照架空输电线路实物,搭建电力元器件的可调节缺陷的实物模型,随后模拟相应缺陷,其中,电力元器件包括绝缘子、线夹、连接金具。
作为优选的技术方案,步骤S2的具体过程如下:
在已搭建的有缺陷的实物模型上,使用拍摄装置在不同角度、不同位置处采集缺陷数据样本,随后从采集到的缺陷数据样本中挑选出清晰并且包含前景物的图片样本,这部分样本即为辅助数据样本。
将筛选后的数据样本作为迁移辅助数据集,记作A。
作为优选的技术方案,步骤S3的具体过程如下:
将步骤S2中的迁移辅助数据集A与无人机拍摄得到的数据混合,为了保证剔除后正常类与缺陷类别平衡,使混合后的数据中缺陷类数据样本多于正常类数据样本。
作为优选的技术方案,步骤S4的具体过程如下:
将数据集T与其对应的标签放到指定路径下,设置训练轮数,经过指定的训练轮数训练后,保存训练完毕的深度学习缺陷检测模型,使用迁移辅助数据集A测试该模型,将测试结果与真实结果进行比较,如果测试的结果与真实标签相同,则保留该样本,否则剔除该数据样本,将裁剪后的迁移辅助数据集A作为新一轮训练的辅助数据样本。
作为优选的技术方案,步骤S5的具体过程如下:
将迁移辅助数据集A与目标数据集打乱顺序随机混合后作为新一轮训练样本,重复上述过程,直至迁移辅助数据样本测试结果全部正确或者剩下的迁移辅助数据集A占整个训练集的比例小于比例下限,保存最终训练完毕的深度学习缺陷检测模型。
本发明相对于现有技术具有如下的优点及效果:
1、本发明方法采用实验的方法构建迁移辅助数据集,使得最终训练用的数据样本中正常类别数据量与缺陷类样本数目相同,有效提高了训练模型的泛化能力;
2、本发明方法为了进一步确保用于训练的辅助样本与真实样本的相似性,动态剔除辅助数据集中不相关数据样本,不断优化电力缺陷检测中的辅助训练数据集。
附图说明
图1是示例搭建的部分实物模型示意图,其中,图1(a)是单片绝缘子与金具示例图,图1(b)是双片绝缘子与金具示例图;
图2是示例拍摄示意图;
图3是本发明公开的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法的步骤流程图。
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。
实施例
如图1所示搭建的实物模型,其中,图1(a)和图1(b)展示了玻璃绝缘子与金具之间的连接方式,电力金具闭口销有正常与缺陷(缺失、松动)两种状态,图2所示的拍摄示意图,表明在数据采集时为了保证样本数据之间的差异性,拍摄装置应在不同位置、不同角度上采集数据,图3所示的流程图展示了一种基于架空输电线路辅助数据集的深度学习缺陷检测模型训练方法包括以下步骤:
S1、针对架空输电线路连接金具闭口销缺陷,搭建连接金具实物模型,分别模拟闭口销松动、缺失(脱落)状态,分别在以上两种缺陷状态下借助拍摄设备在不同位置上多角度拍摄,获取闭口销松动样本与缺失样本各800张;
S2、从步骤S1拍摄得到的数据挑选出清晰且包含金具前景物的数据样本,经筛选后的数据包括闭口销缺失样本708份,松动图片768张,筛选后的数据即为迁移辅助数据集;
S3、将无人机采集到的数据(正常样本780张,闭口销缺失图片96张,闭口销松动图片88张)与步骤S2中的迁移辅助数据集混合在一起作为最初一轮的用于模型训练的数据集T;
S4、调用Faster R-CNN算法模型,输入用于模型训练的数据集T以及相应的标签,经过3轮训练后,保存训练模型,并将迁移辅助数据样本作为测试集,测试该模型,根据测试结果剔除测试结果与实际标签不一致的辅助数据样本,将经过裁剪后的辅助数据与原先目标数据混合,计算辅助数据集所占比例为52%,超过设置的下限比例42%;
S5、混合数据集作为训练集,重复步骤S4,直至辅助数据集所占比例低于42%,保存相应训练模型。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (4)
1.一种基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法,其特征在于,所述的训练方法包括以下步骤:
S1、参照无人机巡检航拍图,针对架空输电线路某种特定缺陷类型,构建实物模型并模拟缺陷;
S2、采用拍摄装置采集缺陷数据样本,随后进行筛选,将筛选后的数据样本作为迁移辅助数据集,记作A;所述的步骤S2具体为:
在已搭建的有缺陷的实物模型上,使用拍摄装置在不同角度、不同位置处采集缺陷数据样本,随后从采集到的缺陷数据样本中挑选出清晰并且包含前景物的图片样本,将筛选后的数据样本作为迁移辅助数据集,记作A;
S3、将无人机巡检拍摄得到的目标数据集B与上述采集到的迁移辅助数据集A按比例抽取混合,得到用于模型训练的数据集T;
S4、将数据集T作为目标检测算法的输入,每经过指定的训练轮数后,使用迁移辅助数据集A进行测试,如果测试的结果与真实标签相同,则保留该数据样本,否则剔除该数据样本;
所述的步骤S4具体为:
将数据集T与其对应的标签放到指定路径下,设置训练轮数,经过指定的训练轮数训练后,保存训练完毕的深度学习缺陷检测模型,使用迁移辅助数据集A测试该模型,将测试结果与真实结果进行比较,如果测试的结果与真实标签相同,则保留该样本,否则剔除该数据样本,将裁剪后的迁移辅助数据集A作为新一轮训练的辅助数据样本;
S5、将经过裁剪的迁移辅助数据集A与目标数据集B混合,作为下一轮训练输入,重复上述步骤直至经过裁剪的迁移辅助数据集A剩下的样本占整个训练集的比例小于比例下限或者测试结果与真实标签全部相同为止。
2.根据权利要求1所述的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法,其特征在于,所述的步骤S1具体为:
参照架空输电线路实物,搭建电力元器件的可调节缺陷的实物模型,随后模拟相应缺陷,其中,电力元器件包括绝缘子、线夹、连接金具。
3.根据权利要求1所述的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法,其特征在于,所述的步骤S3具体为:
将迁移辅助数据集A与无人机拍摄得到的数据混合,并使混合后的数据中缺陷类数据样本多于正常类数据样本。
4.根据权利要求1所述的基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法,其特征在于,所述的步骤S5具体为:
将迁移辅助数据集A与目标数据集打乱顺序随机混合后作为新一轮训练样本,重复上述过程,直至迁移辅助数据样本测试结果全部正确或者剩下的迁移辅助数据集A占整个训练集的比例小于比例下限,保存最终训练完毕的深度学习缺陷检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406966.XA CN109614888B (zh) | 2018-11-23 | 2018-11-23 | 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811406966.XA CN109614888B (zh) | 2018-11-23 | 2018-11-23 | 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109614888A CN109614888A (zh) | 2019-04-12 |
CN109614888B true CN109614888B (zh) | 2023-09-29 |
Family
ID=66004536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811406966.XA Active CN109614888B (zh) | 2018-11-23 | 2018-11-23 | 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109614888B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111259974B (zh) * | 2020-01-20 | 2023-03-10 | 华南理工大学 | 一种小样本柔性ic基板的表面缺陷定位和分类方法 |
CN111709918B (zh) * | 2020-06-01 | 2023-04-18 | 深圳市深视创新科技有限公司 | 基于深度学习的联合多个通道产品缺陷分类方法 |
CN112036450B (zh) * | 2020-08-12 | 2024-02-23 | 国家电网有限公司 | 一种基于迁移学习的高压电缆局放模式识别方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
CN103941131A (zh) * | 2014-05-14 | 2014-07-23 | 国家电网公司 | 基于精简集约简不均衡svm变压器故障检测方法 |
CN105388402A (zh) * | 2015-10-30 | 2016-03-09 | 山东电力研究院 | 基于参数优化svm算法的交联电缆局部放电模式识别方法 |
CN107392321A (zh) * | 2017-08-04 | 2017-11-24 | 北京奇艺世纪科技有限公司 | 一种应用迁移学习可行性度量方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
-
2018
- 2018-11-23 CN CN201811406966.XA patent/CN109614888B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103278326A (zh) * | 2013-06-14 | 2013-09-04 | 上海电机学院 | 风力发电机组齿轮箱的故障诊断方法 |
CN103941131A (zh) * | 2014-05-14 | 2014-07-23 | 国家电网公司 | 基于精简集约简不均衡svm变压器故障检测方法 |
CN105388402A (zh) * | 2015-10-30 | 2016-03-09 | 山东电力研究院 | 基于参数优化svm算法的交联电缆局部放电模式识别方法 |
CN107392321A (zh) * | 2017-08-04 | 2017-11-24 | 北京奇艺世纪科技有限公司 | 一种应用迁移学习可行性度量方法及装置 |
CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
CN108108772A (zh) * | 2018-01-06 | 2018-06-01 | 天津大学 | 一种基于配电线路航拍图像的绝缘子污闪状态检测方法 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109614888A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN108365557B (zh) | 一种无人机精细化巡检输电线路的方法及系统 | |
CN109614888B (zh) | 基于架空输电线路缺陷辅助数据集的深度学习缺陷检测模型训练方法 | |
CN107657603B (zh) | 一种基于智能视觉的工业外观检测方法 | |
CN108197668A (zh) | 模型数据集的建立方法及云系统 | |
CN110222683A (zh) | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 | |
CN112229845A (zh) | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN109767443A (zh) | 一种布料瑕疵数据收集方法及装置 | |
CN104239899A (zh) | 一种用于无人机巡检的输电线路间隔棒识别方法 | |
US20200090319A1 (en) | Machine learning method implemented in aoi device | |
CN111695493A (zh) | 一种输电线路隐患的检测方法及系统 | |
CN109086737B (zh) | 基于卷积神经网络的航运货物监控视频识别方法及系统 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN109598349A (zh) | 基于类别随机采样的架空输电线路缺陷检测数据样本批处理训练方法 | |
CN108182676B (zh) | 一种精子碎片化率检测方法、装置、设备及可读存储介质 | |
CN108198182A (zh) | 一种复合绝缘子芯棒护套界面性能评价方法及装置 | |
CN108564125A (zh) | 一种绝缘子图像分类方法及系统 | |
CN109598293B (zh) | 基于类别平衡采样的无人机巡检航拍图片批处理训练方法 | |
CN113222947B (zh) | 一种非金属材料焊接缺陷智能检测方法及系统 | |
CN115147392A (zh) | 一种基于改进YOLOv4的煤矸石检测方法和装置 | |
CN113989684A (zh) | 一种机巡缺陷图片图像标注定级方法及缺陷定级系统 | |
CN113610789A (zh) | 一种复合绝缘子粉化识别方法、终端设备及可读存储介质 | |
CN113538412A (zh) | 一种航拍图像的绝缘子缺陷检测方法及装置 | |
CN207423981U (zh) | 一种化验室样品的自动识别系统及其放置样品的坩埚 |
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 |