CN109655234A - 一种针对于相机的自动化测试方法 - Google Patents
一种针对于相机的自动化测试方法 Download PDFInfo
- Publication number
- CN109655234A CN109655234A CN201811553016.XA CN201811553016A CN109655234A CN 109655234 A CN109655234 A CN 109655234A CN 201811553016 A CN201811553016 A CN 201811553016A CN 109655234 A CN109655234 A CN 109655234A
- Authority
- CN
- China
- Prior art keywords
- camera
- curve
- value
- detected
- point
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
- G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
- G03B43/00—Testing correct operation of photographic apparatus or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Studio Devices (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了一种针对于相机的自动化测试方法,包括感光性能测试和周期性条纹测试,其中,感光性能测试包括:步骤1,将待检测相机放置在光度可调的感光性检测装置的相机安装孔;步骤2,根据设定的光照强度,逐渐增加感光检测装置的曝光时间,并由待检测相机获取曝光时间下对应的采样图像;步骤3,根据采样图像的像素灰度值和曝光时间,生成感光点,并将感光点的连线,记作待检测相机的待测感光曲线;步骤4,将待测感光曲线与标准感光曲线进行比较,生成待检测相机的一致性检测结果;步骤5,计算待测感光曲线的最小特征根,并根据最小特征根,生成待检测相机的线性度检测结果。通过本发明中的技术方案,有利于降低出厂时相机间的差异性。
Description
技术领域
本发明涉及相机检测的技术领域,具体而言,涉及一种针对于相机的自动化测试方法。
背景技术
随着图像处理技术的不断发展,工业相机被频繁地应用于工业检测之中,工业相机拍摄图像的图像质量,影响着工业检测的准确度。由于工业相机在生产、装配过程中的质量问题,导致装配后的工业相机存在感光性能不一致的问题,影响客户的正常使用。
而现有技术中,一方面,通常是采用固定光强的计算平均灰度值方法,由检测人员对待测相机进行测试,导致相机感光性检测的效率偏低、一致性和可靠性较差,容易出现差异性较大的相机产品。另一方面,通常是采用邻近降采样的缩放方法,对拍摄的标准图像进行缩放,提升标准图像的灰度值差异表现,再由检测人员通过人眼对缩放后的标准图像进行检测,由于周期性条纹的像素灰度值差异较小、性状不一、出现位置不固定等因素,导致检测周期性条纹的可靠性较低,且存在人为因素的影响。
发明内容
本发明的目的在于:提高了相机感光检测和周期性条纹检测的一致性和可靠性,有利于降低出厂时相机间的差异性。
本发明的技术方案是:提供了一种针对于相机的自动化测试方法,该方法包括改变待检测相机的拍摄物或感光条件,通过对待检测相机对不同拍摄物或感光条件所拍摄的图像进行自动化测试。
上述任一项技术方案中,进一步地,方法包括对相机的感光性能进行感光性能测试,该感光性能测试包括:步骤1,将待检测相机放置在光度可调的感光性检测装置的相机安装孔;步骤2,根据设定的光照强度,逐渐增加感光检测装置的曝光时间,并由待检测相机获取曝光时间下对应的采样图像;步骤3,根据采样图像的像素灰度值和曝光时间,生成感光点,并将感光点的连线,记作待检测相机的待测感光曲线;步骤4,将待测感光曲线与标准感光曲线进行比较,生成待检测相机的一致性检测结果;步骤5,计算待测感光曲线的最小特征根,并根据最小特征根,生成待检测相机的线性度检测结果。
上述任一项技术方案中,进一步地,感光性能测试中的步骤4具体包括:步骤41,计算相邻的两个感光点之间的线性距离,生成线性距离集合;步骤42,采用叠加算法,依次计算线性距离集合对应的偏差;步骤43,判断偏差与偏差阈值之间的大小关系,当判定偏差大于偏差阈值时,将当前叠加的线性距离对应的感光点标记为曲线拐点,并记录曲线拐点的数量和曲线拐点在待测感光曲线中的坐标信息;步骤44,根据曲线拐点的数量和坐标信息,与标准感光曲线进行比较,生成一致性检测结果。
上述任一项技术方案中,进一步地,感光性能测试中的偏差阈值的计算公式为:
式中,Threshold为偏差阈值,k为比例系数,比例系数k的取值由检测精度决定,Lm为线性距离集合中线性距离的和值,m为线性距离集合中线性距离的数量。
上述任一项技术方案中,进一步地,感光性能测试中的步骤44中具体包括:将相邻的两个拐点的中点记作特征点,其中,特征点的坐标由两个拐点对应的坐标信息确定;当特征点与标准感光曲线的差异比例小于或等于比例阈值时,判定待测感光曲线合格,生成一致性检测结果。
上述任一项技术方案中,进一步地,感光性能测试中的比例阈值的取值为20%。
上述任一项技术方案中,进一步地,感光性能测试中的步骤5具体包括:步骤51,选取待测感光曲线上任一个感光点,记作中心点;步骤52,根据中心点和预设邻域,选取邻域范围内的、待测感光曲线中的感光点,生成对应的离散点集合;步骤53,构建离散点集合的二维矩阵;步骤54,根据特征根计算公式,计算二维矩阵对应的最小特征根。
上述任一项技术方案中,进一步地,感光性能测试中的二维矩阵的第1行第2列对应的元素与二维矩阵的第2行第1列对应的元素相等。
上述任一项技术方案中,进一步地,感光性能测试,还包括:步骤6,当判定待测感光曲线中感光点对应的像素灰度值取值稳定时,判断稳定后的像素灰度值是否大于254;步骤7,当判定稳定后的像素灰度值小于或等于254时,生成相机感光不饱和信息。
上述任一项技术方案中,进一步地,方法还包括对待检测相机的周期性条纹进行测试,该周期性条纹测试包括:步骤10,以检测靶标为拍摄物,利用待检测相机获取检测靶标的待检测图像;步骤20,根据接收到的检测指令和待检测图像,生成检测像素集合,其中,检测指令包括竖条纹检测指令和横条纹检测指令,检测像素集合中的元素为待检测图像的每一列或每一行的像素平均灰度值;步骤30,根据检测像素集合中元素的第一差值,生成数字码点集合;步骤40,根据数字码点集合中的数字码点,确定数字码点对应的元素的标号;步骤50,根据数字码点、标号和预设差值比例阈值,生成图像检测信息。
本申请的有益效果是:通过将待测相机放置于光度可调的感光性检测装置中,提高了待测相机间光源的一致性,排除了光源对相机感光性测试的干扰。通过确定待测感光曲线上的拐点和拐点对应特征点的坐标,减小了相机感光曲线一致性测试过程中的数据运算量,提高了运算速率。通过生成离散点集合,并计算对应的最小特征根,生成感光曲线线性度检测结果,提高了曲线线性度计算的准确性和可靠性。通过对感光曲线的一致性检测和线性度检测,对出厂相机的感光性进行全面检查,提高了相机的产品质量,降低了检测人员的作业强度,提高了相机检测效率,提高了用户的使用体验。
本申请通过计算待检测图像的每一列或每一行的像素平均灰度值,获取像素平均灰度值的变化趋势,并进行赋值,组成数字码点,有利于提高检测周期性条纹的抗干扰性,通过数字码点计算出像素平均灰度值周期性变化对应的行标号或者列标号,进而确定是否存在横条纹或者竖条纹,提高周期性条纹检测的准确性和可靠性,降低了因灰度值变化不明显导致检测错误的可能性,减小了周期性条纹检测过程中人为因素的影响,有利于提高工业相机的产品质量。
附图说明
本发明的上述和/或附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是根据本发明的一个实施例的针对于相机感光性能的自动化测试方法的示意流程图;
图2是根据本发明的一个实施例的感光检测装置的示意图;
图3是根据本发明的一个实施例的标准感光曲线和待测感光曲线的仿真图;
图4是根据本发明的一个实施例的计算曲线拐点的示意图;
图5是根据本发明的一个实施例的针对于工业相机周期性条纹自动化测试方法的示意流程图;
图6是根据本发明的一个实施例的行像素平均灰度值曲线;
图7是根据本发明的一个实施例的部分行像素平均灰度值曲线;
图8是根据本发明的一个实施例的列像素平均灰度值曲线;
图9是根据本发明的一个实施例的部分列像素平均灰度值曲线。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互结合。
在下面的描述中,阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例一:
以下将参照图1-4对本发明的实施例一进行说明。
如图1所示,本实施例提出了一种针对于相机感光性能的自动化测试方法,包括下列步骤:
步骤1,将待检测相机放置在光度可调的感光性检测装置的相机安装孔,其中,感光性检测装置用于调整待检测相机的感光条件,感光检测装置为一个暗箱,暗箱的顶部设置有相机安装孔,暗箱的底部放置有底部背光源,即面光源,从下往上发光,提供大面积的均匀光源,确保相机的传感器在不同位置处的光强相差较小。底部背光源平行于暗箱的底部设置,底部背光源连接于数字式光源控制器,数字式光源控制器用于调节底部背光源的曝光时间。
具体地,如图2所示,在暗箱22的顶部设置一个相机安装孔23,将待检测相机21放置在由暗箱22构成的感光性检测装置上,暗箱22的底部设置有面光源24,其中,面光源24连接于数字式光源控制器,数字式光源控制器可以调节面光源24的曝光时间。
步骤2,根据设定的光照强度,逐渐增加感光检测装置的曝光时间,并由待检测相机获取曝光时间下对应的采样图像;
具体地,设定曝光时间t为一个线性增加的函数,对应的计算公式为:
t=10x+17,
式中,t为曝光时间,单位为us,x的取值范围为整数。
随着曝光时间t的的逐渐增加,待检测相机21获取对应的采样图像。
优选地,曝光时间t也可以为一个以10为底的指数函数。
步骤3,根据采样图像的像素灰度值和曝光时间,生成感光点,并将感光点的连线,记作待检测相机的待测感光曲线;
具体地,如图3所示,以曝光时间t为横轴、像素灰度值为纵轴,构建直角坐标系,根据待检测相机21在不同曝光时间t下,获取的采样图像的像素灰度值,绘制待测感光曲线,如图3(B)所示,其中,图3(A)为标准感光曲线。
步骤4,将待测感光曲线与标准感光曲线进行比较,生成待检测相机的一致性检测结果;
进一步地,步骤4具体包括:
步骤41,计算相邻的两个感光点之间的线性距离,生成线性距离集合;
具体地,为了减少测试感光性曲线过程中的计算量以及噪声的影响,将待测感光曲线等效为由多个离散的感光点构成的一条折线,定义第i个感光点pi和第i+1个感光点pi+1之间的线性距离为pipi+1,其中,1≤i≤n,n为感光点总数,因此,待测感光曲线对应的线性距离集合为{p1p2、p2p3、...、pn-1pn}。
步骤42,采用叠加算法,依次计算线性距离集合对应的偏差;
具体地,采用叠加算法,依次对线性距离集合中的元素进行叠加,设定Lm为m个线性距离的和值,1≤m≤n-1,Dm为第1个感光点与第m+1个感光点之间的直线距离,将和值Lm与直线距离Dm之间的差值定义为偏差值Xm,对应的计算公式为:
Lm=p1p2+p2p3+…+pmpm+1,
Dm=p1pm+1,
Xm=Lm-Dm。
如图4所示,以前6个感光点为例进行说明,虚线为两个相邻感光点之间的线性距离,实线为第1个感光点与第6个感光点之间的直线距离D5,因此,对应的计算公式为:
L5=p1p2+p2p3+p3p4+p4p5+p5p6,
D5=p1p6,
X5=L5-D5。
步骤43,判断偏差与偏差阈值之间的大小关系,
当判定偏差大于偏差阈值时,将当前叠加的线性距离对应的感光点标记为曲线拐点,并记录曲线拐点的数量和曲线拐点在待测感光曲线中的坐标信息;
优选地,偏差阈值的计算公式为:
式中,Threshold为偏差阈值,k为比例系数,比例系数k的取值由检测精度决定。
具体地,当计算到第6个感光点p6时,5个直线距离的和值为L5,此时,偏差值为X5,对应的偏差阈值为:
当判定偏差值X5小于或等于对应的阈值Threshold时,感光点p1至感光点p6这6个感光点近似在一条直线上,再通过叠加算法计算第7个感光点p7是否近似在这条直线上。
当判定偏差值X5大于对应的阈值Threshold时,则说明第6个感光点p6不在前5个感光点构成的直线上,将第6个感光点p6记作曲线拐点,并记录第6个感光点p6在待测感光曲线上的坐标信息,坐标信息的形式为(曝光时间,像素灰度值)。再以第6个感光点p6和第7个感光点p7对应的线性距离为起始值,重新构建直线,计算后续的感光点是否近似在重新构建的直线上。
步骤44,根据曲线拐点的数量和坐标信息,与标准感光曲线进行比较,生成一致性检测结果。
进一步地,步骤44中具体包括:
步骤a,将相邻的两个拐点的中点记作特征点,其中,特征点的坐标由两个拐点对应的坐标信息确定;
具体地,得到待测感光曲线中的全部曲线拐点后,将得到的曲线拐点和标准感光曲线进行比较。设定相邻的两个拐点为第α个感光点和第β个感光点,则第α个感光点和第β个感光点之间曝光时间的差值对应的距离码值γα为特征点的纵坐标,第α个感光点和第β个感光点连线与横轴(曝光时间t为该横轴)之间夹角对应的角度码值θα为特征点的横坐标,则特征点α为(θα,γα)。
更具体的,确定角度码值θα时,将一个圆周等分为12份区域,每一份区域对应π/6,角度码值θα的取值范围为[1,12]。根据第α个感光点和第β个感光点之间的连线与横轴夹角的大小,确定夹角在圆周中对应的区域,进而确定角度码值θα的取值。
确定距离码值γα时,以所有感光点之间曝光时间差值的均值为基准值,当判定第α个感光点和第β个感光点之间曝光时间差值大于2倍的基准值时,将距离码值γα的取值标记为7,将2倍的基准值平均分为6份,因此,距离码值γi的取值范围为[1,7]。根据第α个感光点和第β个感光点之间曝光时间差值的大小,确定距离码值γα的取值。例如,当一个特征点为(3,6)时,则表明该特征点所代表的两个拐点连线与横轴之间夹角在(π/3,π/2]之间,两个拐点的曝光时间差值在之间。
步骤b,当特征点与标准感光曲线的差异比例小于或等于比例阈值时,判定待测感光曲线合格,生成一致性检测结果。
优选地,比例阈值的取值为20%。
优选地,判断特征点与标准感光曲线的差异比例,具体包括:
步骤c,计算标准感光曲线上感光点对应的标准特征点;
步骤d,根据特征点和标准特征点,确定基准点;
步骤e,以基准点为起始点,根据加权算法,计算特征点与标准感光曲线的差异比例。
具体地,设定标准特征点包括A1(2、2)、B1(3、2)和C1(4、2),特征点包括A2(3、1)、B2(2、1)、C2(3、2)和D2(5、2),通过比较标准特征点和特征点,确定基准点为B1(3、2)和C2(3、2)。
设定角度码值θα的权重值为0.7,距离码值γα的权重值为0.3。以基准点B1(3、2)和C2(3、2)为起始点,逐点计算特征点与邻近的标准特征点之间的差值。
特征点B2(2、1)与标准特征点A1(2、2)之间的差值为:
(2-2)×0.7+|1-2|×0.3=0.3;
特征点A2(3、1)与标准特征点A1(2、2)之间的差值为:
(3-2)×0.7+|1-2|×0.3=1;
特征点D2(5、2)与标准特征点C1(4、2)之间的差值为:
(5-4)×0.7+|2-2|×0.3=0.7;
则特征点与标准感光曲线的差值Δ=0.3+1+0.7=2,对应的差异比例σ为:
式中,为拐点的数量。
当差异比例σ小于或等于比例阈值20%时,判定待测感光曲线合格,生成一致性检测结果。
优选地,步骤44之后,还包括:
步骤45,以相邻三个感光点中第二感光点为原点,以第一感光点和第二感光点之间的线性距离所在的直线为横轴,建立直角坐标系,其中,横轴的正方向由第一感光点指向第二感光点,纵轴的正方向与横轴正方向之间的夹角呈顺时针方向90°;
步骤46,根据第三感光点与原点之间的曝光时间差值,确定第三感光点的距离纵坐标,其中,距离纵坐标的计算方法与确定距离码值γα的方法相同,此处不再赘述;
步骤47,根据第三感光点在以第一感光点和第二感光点之间连线为横轴的直角坐标系中的斜率,确定第三感光点的角度横坐标,其中,角度横坐标的计算方法与确定角度码值θα的方法相同,此处不再赘述;
步骤48,根据角度横坐标和距离纵坐标,判断第三感光点是否为待测感光曲线上的干扰感光点,并统计干扰感光点的数量;
具体地,根据角度横坐标和距离纵坐标,计算第三感光点与标准感光曲线中对应感光点之间的差异值,当两者的差异值大于差异阈值时,判定第三感光点为待测感光曲线上的干扰点。
步骤49,当判定干扰感光点在待测感光曲线上的比例大于10%时,生成干扰曲线提示信息。
步骤5,计算待测感光曲线的最小特征根,并根据最小特征根,生成待检测相机的线性度检测结果。
进一步地,步骤5具体包括:
步骤51,选取待测感光曲线上任一个感光点,记作中心点;
具体地,在待测感光曲线上选择任一个感光点pτ,记作中心点,其对应的坐标为(xτ,yτ),横坐标xτ为曝光时间,纵坐标yτ为像素灰度值。
步骤52,根据中心点和预设邻域,选取邻域范围内的、待测感光曲线中的感光点,生成对应的离散点集合;
步骤53,构建离散点集合的二维矩阵;
优选地,二维矩阵的第1行第2列对应的元素与二维矩阵的第2行第1列对应的元素相等。
具体地,设定邻域范围h的取值为2,以感光点pi为中心点,在待测感光曲线中选取对应的感光点,生成离散点集合c<n,则离散点集合Sc对应的二维矩阵C为:
式中,二维矩阵C的第一行第一列的元素c11的计算公式为:
μ=2h+1。
二维矩阵C的第二行第二列的元素c22的计算公式为:
二维矩阵C中第一行第二列的元素c12等于第二行第一列的元素c21,对应的计算公式为:
步骤54,根据特征根计算公式,计算二维矩阵对应的最小特征根,其中,特征根计算公式为:
式中,λi为待测感光曲线上第i个感光点对应的最小特征根,c11为二维矩阵的第1行第1列对应的元素,c22为二维矩阵的第2行第2列对应的元素,c12为二维矩阵的第1行第2列对应的元素。
优选地,计算待测感光曲线中感光点对应的最小特征跟的算数平均值,记作特征均值,当判定特征均值小于感光曲线质量指标时,判定待测感光曲线线性度良好,生成待检测相机的线性度检测结果。
具体地,根据邻域范围的取值不同,在待测感光曲线上可以计算出[2,n-1]范围内的每个感光点对应的最小特征根,计算最小特征根对应的特征均值,将特征均值与感光曲线质量指标进行比较,判断待测感光曲线线性度,感光曲线质量指标的计算公式为:
式中,θ为每个感光点的估计曲率。估计曲率θ的取值,可以通过估计曲率表设定,例如,当待测感光曲线上5个感光点的坐标分别为(10,0.1)、(15,0.2)、(30,0.3)、(25,0.4)以及(30,0.5),此时,第三个感光点(30,0.3)与其余感光点不共线,可设定估计曲率θ的取值为0.0048。
综上所述,在生成待测感光曲线一致性检测结果的过程中,以标准感光曲线为检测标准,将两者之间的比较结果作为待测感光曲线的一致性检测结果,以便于检测待测相机的感光一致性。而进行线性度检测结果时,检测的是待测感光曲线的自身的线性度,并不与标准感光曲线进行比较,若任一个待检测相机线性度与其他待检测相机的线性度平均值相差较大时,如差值大于20%,则可以判定该待检测相机的线性度异常。
进一步地,该方法还包括:
步骤6,当判定待测感光曲线中感光点对应的像素灰度值取值稳定时,判断稳定后的像素灰度值是否大于254;
步骤7,当判定稳定后的像素灰度值小于或等于254时,生成相机感光不饱和信息。
具体地,感光曲线随着曝光时间的增加,其像素灰度值逐渐增加至最大值,相机的曝光性能达到饱和,通过判断稳定后的像素灰度值是否大于254,能够判断相机的曝光性能达到饱和,当像素灰度值小于或等于254时,说明相机的曝光性能没有达到饱和,生成相机感光不饱和信息。
实施例二:
以下将参照图5-9对本发明的实施例二进行说明。
如图5所示,本实施例提供的一种针对于工业相机周期性条纹自动化测试方法,包括下列步骤:
步骤10,以检测靶标为拍摄物,利用待检测相机获取检测靶标的待检测图像;
步骤20,根据接收到的检测指令和待检测图像,生成检测像素集合,其中,检测指令包括竖条纹检测指令和横条纹检测指令,检测像素集合中的元素为待检测图像的每一列或每一行的像素平均灰度值;
具体地,对于任一待检测图像,均是由多个像素点排列而成,由于工业相机在生产、装配过程中的质量问题,会导致待检测图像中出现周期性的竖条纹和/或周期性的横条纹,因此,在检测周期性条纹的过程中,可以先检测竖条纹再检测横条纹。
本实施例以检测周期性竖条纹为例,对周期性条纹自动化测试方法进行说明。由于周期性条纹的最小出现周期为2,即每个一列出现一次像素点灰度值的变化,可以为灰度值增加或者灰度值减小,因此,在接收到竖条纹检测指令时,逐列扫描检测靶标的待检测图像,计算待检测图像的每一列像素点的像素平均灰度值,先求取每一列中像素点灰度值的和值,再计算和值的平均值,记作该列像素点的像素平均灰度值。得到像素平均灰度值之后,按照每一列像素点的顺序,生成检测像素集合。若每一列像素点的像素平均灰度值均为255,则对应的检测像素集合为[255,255,...,255],其中,任一像素平均灰度值为该检测像素集合中对应的元素。
步骤30,根据检测像素集合中元素的第一差值,生成数字码点集合;
在该步骤30中,具体包括:
步骤301,计算检测像素集合中相邻的两个元素之间的第一差值;
具体地,设定检测像素集合N=[x1,x2,...,xn],xi为检测像素集合N中的第i个元素,其数值大小为对应的像素平均灰度值,标号i=1,2,...,n,n为待检测图像中像素列数的最大值,且n为偶数,第一差值yj=xi-xi+1,即将第i个元素与第i+1个元素之间的差,记作第j个第一差值yj,j=1,2,...,n-1。
步骤302,根据第一差值的大小、元素对应的标号和预设数字码,确定元素对应的像素数字码,其中,预设数字码可以设定为0,1,2,3,4。
具体地,计算相邻的两个元素之间的第一差值yj,根据第一差值yj的大小和预设数字码,确定第一差值yj对应的预设数字码,再根据第一差值yj与元素xi对应的标号i之间的对应关系,确定元素xi对应的像素数字码z,像素数字码z的取值为0,1,2,3,4。
在该步骤302,具体包括:
步骤3020,当判定第一差值小于0.4或大于-0.4时,确定像素数字码为预设数字码中的0;
具体地,当-0.4<第一差值yj<0.4时,表明元素xi和元素xi+1之间的像素平均灰度值没有发生变化,确定元素xi对应的像素数字码zi=0。
步骤3021,当判定第一差值小于或等于-0.4时,判断标号是否为奇数,若是,确定像素数字码为预设数字码中的1,若否,确定像素数字码为预设数字码中的2;
具体地,当第一差值yj≤-0.4,且标号i为奇数时,确定元素xi对应的像素数字码zi=1,表明标号i为奇数的元素xi的像素平均灰度值将上升;当第一差值yj≤-0.4,且标号i为偶数时,确定元素xi对应的像素数字码zi=2,表明标号i为偶数的元素xi的像素平均灰度值将上升。
步骤3022,当判定第一差值大于或等于0.4时,判断标号是否为奇数,若是,确定像素数字码为预设数字码中的3,若否,确定像素数字码为预设数字码中的4。
具体地,当第一差值yj≥0.4,且标号i为奇数时,确定元素xi对应的像素数字码zi=3,表明标号i为奇数的元素xi的像素平均灰度值将下降;当第一差值yj≥0.4,且标号i为偶数时,确定元素xi对应的像素数字码zi=4,表明标号i为偶数的元素xi的像素平均灰度值将下降。
步骤303,根据像素数字码和标号,生成数字码点集合。
具体地,数字码点集合M=[(z1,z2),(z3,z4),...,(zn-3,zn-2)],表明待检测图像相邻两列像素点的像素平均灰度值的变化规律,例如,(z1,z2)=(1,2)时,表明第一列的像素点的像素平均灰度值增加且第二列的像素点的像素平均灰度值增加。
在该步骤303中,具体包括:
步骤3031,确定标号中奇数标号为数字码点的序号;
步骤3032,确定奇数标号对应的像素数字码为数字码点的第一坐标数;
步骤3033,确定奇数标号相邻的下一个标号对应的像素数字码为数字码点的第二坐标数;
具体地,由于数字码点由两个像素数字码组成,奇数标号对应的像素数字码为第一坐标数,相邻的下一个偶数标号对应的像素数字码为第二坐标数,因此,最后一个数字码点mw的序号w=n-3,序号w=1,3,5,...,n-3。其中,第一坐标数包括1、3和0,第二坐标数包括2、4、0。
步骤3034,根据序号、第一坐标数和第二坐标数,生成数字码点;
具体地,元素xi对应的数字码点mw=(zi,zi+1),其中,i为奇数。
步骤3035,根据数字码点,生成数字码点集合。
步骤40,根据数字码点集合中的数字码点,确定数字码点对应的元素的标号;
具体地,当生成数字码点集合M之后,对于数字码点集合M中的任一数字码点mw,能确定唯一的标号i。
进一步地,步骤40之后,具体还包括:步骤401,分别计算数字码点集合中,除第一类数字码点外,各类数字码点的第一比例,其中,第一类数字码点为第一坐标数等于第二坐标数的数字码点;
具体地,生成的数字码点有以下组合:(1,2),(3,4),(0,0),(1,4),(1,0),(3,2),(3,0),(0,4),(0,2),第一类数字码点为(0,0),表示待检测图像中对应的像素平均灰度值没有变化,其余各类数字码点则表示像素平均灰度值存在变化,因此,计算除第一类数字码点外,各类数字码点对应的第一比例,可以得出各类像素平均灰度值变化趋势在待检测图像中所占的比例。
步骤402,判断第一比例是否小于预设第一比例阈值,若是,执行步骤43,若否,执行步骤50;
步骤403,生成图像检测正常信息。
具体地,通过判断第一比例是否小于预设第一比例阈值,确定任一第一比例对应的任一类数字码点在数字码点集合中所占的比例是否满足判断出现周期性条纹的条件,当判定第一比例小于预设第一比例阈值时,则不符合存在周期性条纹的条件,当判定第一比例大于或等于预设第一比例阈值时,则符合存在周期性条纹的条件,设定第一比例阈值P1的计算公式为:
式中,s为第一类数字码点的个数。
进一步地,步骤41之前,具体还包括:步骤40A,计算第一类数字码点在数字码点集合中的第二比例;步骤40B,判断第二比例是否小于预设第二比例阈值,若是,执行步骤41,若否,执行步骤40C;步骤40C,生成图像检测正常信息。
具体地,在判断是否符合存在周期性条纹的条件之前,为了提高周期性条纹的检测速度,首先计算第一类数字码点在数字码点集合中的第二比例,即计算像素平均灰度值没有变化的列像素或者行像素在待检测图像中所占的比例,当第二比例大于或等于预设第二比例阈值时,则认为待检测图像中不存在周期性条纹,其中,第二比例阈值为89%。
步骤50,根据数字码点、标号和预设差值比例阈值,生成图像检测信息。
在该步骤50中,具体包括:
步骤501,滤除第一坐标数和第二坐标数相等的数字码点;
步骤502,提取剩余数字码点集合中重复出现次数最多的数字码点,生成数字码点子集;
具体地,生成的数字码点有以下组合:(1,2),(3,4),(0,0),(1,4),(1,0),(3,2),(3,0),(0,4),(0,2),若每一列像素点的像素平均灰度值均为255,则对应的数字码点集合M=[(0,0),(0,0),...,(0,0)]。因此,滤除由数字码点(0,0)组成的数字码点子集。对于存在周期性竖条纹的待检测图像而言,其数字码点集合M中存在重复出现的一种或多种组合,提取重复出现次数最多的数字码点,生成对应的数字码点子集,数字码点子集中的数字码点表明变化趋势相同的元素的列标号。
步骤503,计算数字码点子集中相邻的两个数字码点对应的标号之间的第二差值;
具体地,元素xi对应的标号i与数字码点mw的序号w的取值相等,对于由相同数字码点组成的数字码点子集而言,表示了待检测图像中,像素平均灰度值变化趋势相同的所有列像素点位置的集合,计算相邻两个数字码点对应标号之间的第二差值,即可以求出列像素点像素平均灰度值相同变化趋势之间所间隔的列数差,当该列数差重复出现多次时,表明该列数对应于周期性出现的竖条纹。
步骤504,计算数字码点子集中相同的第二差值的差值比例;
步骤505,根据差值比例和预设差值比例阈值之间的大小关系,生成图像检测信息,其中,图像检测信息包括图像检测异常信息和图像检测正常信息。
具体地,对于数字码点子集中,变化趋势相同的列像素点之间的列标号差(第二差值)可能存在多种数值,只有当任一个列标号差出现的差值比例大于预设差值比例阈值的情况下,才可以判定待检测图像中出现了周期性竖条纹,为了提高检测的准确性,可以设定预设差值比例阈值为50%。
在该步骤505中,具体包括:
步骤5051,当判定差值比例大于预设差值比例阈值时,生成图像检测异常信息;
步骤5052,当判定差值比例小于或等于预设差值比例阈值时,生成图像检测正常信息。
具体地,设定测试环境为均匀光照,并使用平面光源,以减小光照环境的影响,设定待检测图像中存在网格型(同时存在横条纹和竖条纹)周期性条纹,横条纹和竖条纹的出现周期均为4,待检测图像中横条纹对应的每一行平均灰度值变化如图6所示,待检测图像中竖条纹对应的每一列平均灰度值变化如图7所示。
首先对横条纹进行检测,计算待检测图像中每一行平均灰度值,如图6所示,可见每一行的平均灰度值的变化是无规律的,选取部分行的平均灰度值,如图7所示,第1813行(标号)像素平均灰度值A和第1817行像素平均灰度值B对应的数字码点均为(1,4),表示奇数行像素平均灰度值上升,且偶数行像素平均灰度值下降。通过对数字码点集合M中的数字码点进行统计,数字码点(1,4)重复出现的次数最多,因此,根据数字码点(1,4)生成数字码点子集,计算相邻的两个数字码点对应标号之间的差值(第二差值),再计算差值出现的比例(差值比例),具体地计算结果如表1所示。
表1
标号的差值 | 出现的次数(次) | 比例(%) |
2 | 193 | 18.58% |
4 | 827 | 79.60% |
6 | 7 | 0.67% |
8 | 11 | 1.06% |
12 | 11 | 0.10% |
通过比较各差值出现的差值比例与预设差值比例阈值50%的大小关系,可以判断出是否出现周期性横条纹,即可以判断本实施例中待检测图像每隔4行出现一次周期性横条纹。
其次对竖条纹进行检测,计算待检测图像中每一列平均灰度值,如图8所示,可见每一列的平均灰度值的变化是无规律的,选取部分列的平均灰度值,如图9所示,第81列(标号)像素平均灰度值C和第84列像素平均灰度值D对应的数字码点均为(1,4),表示奇数行像素平均灰度值上升,且偶数行像素平均灰度值下降。具体地计算结果如表2所不。
表2
标号的差值 | 出现的次数(次) | 占比(%) |
4 | 246 | 97.23% |
8 | 6 | 2.37% |
12 | 1 | 0.40% |
通过比较各差值出现的差值比例与预设差值比例阈值50%的大小关系,可以判断出是否出现周期性竖条纹,即可以判断本实施例中待检测图像每隔4列出现一次周期性竖条纹。
以上结合附图详细说明了本发明的技术方案,本发明提出了一种针对于相机的自动化测试方法,包括感光性能测试和周期性条纹测试,其中,感光性能测试包括:步骤1,将待检测相机放置在光度可调的感光性检测装置的相机安装孔;步骤2,根据设定的光照强度,逐渐增加感光检测装置的曝光时间,并由待检测相机获取曝光时间下对应的采样图像;步骤3,根据采样图像的像素灰度值和曝光时间,生成感光点,并将感光点的连线,记作待检测相机的待测感光曲线;步骤4,将待测感光曲线与标准感光曲线进行比较,生成待检测相机的一致性检测结果;步骤5,计算待测感光曲线的最小特征根,并根据最小特征根,生成待检测相机的线性度检测结果。通过本发明中的技术方案,提高了相机感光检测的一致性和可靠性,有利于降低出厂时相机间的差异性。
本发明中的步骤可根据实际需求进行顺序调整、合并和删减。
本发明装置中的单元可根据实际需求进行合并、划分和删减。
尽管参考附图详地公开了本发明,但应理解的是,这些描述仅仅是示例性的,并非用来限制本发明的应用。本发明的保护范围由附加权利要求限定,并可包括在不脱离本发明保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
Claims (10)
1.一种针对于相机的自动化测试方法,其特征在于,该方法包括改变待检测相机的拍摄物或感光条件,通过对所述待检测相机对不同拍摄物或感光条件所拍摄的图像进行自动化测试。
2.如权利要求1所述的针对于相机的自动化测试方法,其特征在于,所述方法包括对所述相机的感光性能进行感光性能测试,该感光性能测试包括:
步骤1,将所述待检测相机放置在光度可调的感光性检测装置的相机安装孔;
步骤2,根据设定的光照强度,逐渐增加所述感光检测装置的曝光时间,并由所述待检测相机获取所述曝光时间下对应的采样图像;
步骤3,根据所述采样图像的像素灰度值和所述曝光时间,生成感光点,并将所述感光点的连线,记作所述待检测相机的待测感光曲线;
步骤4,将所述待测感光曲线与标准感光曲线进行比较,生成所述待检测相机的一致性检测结果;
步骤5,计算所述待测感光曲线的最小特征根,并根据所述最小特征根,生成所述待检测相机的线性度检测结果。
3.如权利要求2所述的针对于相机的自动化测试方法,其特征在于,所述感光性能测试中的所述步骤4,具体包括:
步骤41,计算相邻的两个所述感光点之间的线性距离,生成线性距离集合;
步骤42,采用叠加算法,依次计算所述线性距离集合对应的偏差;
步骤43,判断所述偏差与偏差阈值之间的大小关系,
当判定所述偏差大于所述偏差阈值时,将当前叠加的所述线性距离对应的所述感光点标记为曲线拐点,并记录所述曲线拐点的数量和所述曲线拐点在所述待测感光曲线中的坐标信息;
步骤44,根据所述曲线拐点的所述数量和所述坐标信息,与所述标准感光曲线进行比较,生成所述一致性检测结果。
4.如权利要求3所述的针对于相机的自动化测试方法,其特征在于,
所述感光性能测试中的所述偏差阈值的计算公式为:
式中,Threshold为所述偏差阈值,k为比例系数,所述比例系数k的取值由检测精度决定,Lm为所述线性距离集合中所述线性距离的和值,m为所述线性距离集合中所述线性距离的数量。
5.如权利要求3所述的针对于相机的自动化测试方法,其特征在于,所述感光性能测试中的所述步骤44中,具体包括:
将相邻的两个所述拐点的中点记作特征点,其中,所述特征点的坐标由两个所述拐点对应的所述坐标信息确定;
当所述特征点与所述标准感光曲线的差异比例小于或等于比例阈值时,判定所述待测感光曲线合格,生成所述一致性检测结果。
6.如权利要求5所述的针对于相机的自动化测试方法,其特征在于,
所述感光性能测试中的所述比例阈值的取值为20%。
7.如权利要求2所述的针对于相机的自动化测试方法,其特征在于,所述感光性能测试中的所述步骤5,具体包括:
步骤51,选取所述待测感光曲线上任一个所述感光点,记作中心点;
步骤52,根据所述中心点和预设邻域,选取邻域范围内的、所述待测感光曲线中的所述感光点,生成对应的离散点集合;
步骤53,构建所述离散点集合的二维矩阵;
步骤54,根据特征根计算公式,计算所述二维矩阵对应的所述最小特征根。
8.如权利要求7所述的针对于相机的自动化测试方法,其特征在于,
所述感光性能测试中的所述二维矩阵的第1行第2列对应的元素与所述二维矩阵的第2行第1列对应的元素相等。
9.如权利要求2所述的针对于相机的自动化测试方法,其特征在于,所述感光性能测试,还包括:
步骤6,当判定所述待测感光曲线中所述感光点对应的所述像素灰度值取值稳定时,判断稳定后的所述像素灰度值是否大于254;
步骤7,当判定稳定后的所述像素灰度值小于或等于254时,生成相机感光不饱和信息。
10.如权利要求1所述的针对于相机的自动化测试方法,其特征在于,所述方法还包括对所述相机的周期性条纹进行测试,该周期性条纹测试包括:
步骤10,以检测靶标为所述拍摄物,利用所述待检测相机获取所述检测靶标的待检测图像;
步骤20,根据接收到的检测指令和所述待检测图像,生成检测像素集合,其中,所述检测指令包括竖条纹检测指令和横条纹检测指令,所述检测像素集合中的元素为所述待检测图像的每一列或每一行的像素平均灰度值;
步骤30,根据所述检测像素集合中所述元素的第一差值,生成数字码点集合;
步骤40,根据所述数字码点集合中的数字码点,确定所述数字码点对应的所述元素的标号;
步骤50,根据所述数字码点、所述标号和预设差值比例阈值,生成图像检测信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811553016.XA CN109655234B (zh) | 2018-12-19 | 2018-12-19 | 一种针对于相机的自动化测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811553016.XA CN109655234B (zh) | 2018-12-19 | 2018-12-19 | 一种针对于相机的自动化测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109655234A true CN109655234A (zh) | 2019-04-19 |
CN109655234B CN109655234B (zh) | 2020-09-04 |
Family
ID=66113465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811553016.XA Active CN109655234B (zh) | 2018-12-19 | 2018-12-19 | 一种针对于相机的自动化测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109655234B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880179A (zh) * | 2019-12-20 | 2020-03-13 | 易思维(杭州)科技有限公司 | 视觉传感器工作状态测试方法 |
CN111028779A (zh) * | 2020-01-02 | 2020-04-17 | 昆山国显光电有限公司 | 显示面板的补偿方法、装置以及显示面板 |
CN111609998A (zh) * | 2020-05-11 | 2020-09-01 | 歌尔股份有限公司 | 光照均匀性的检测方法、检测装置和可读存储介质 |
CN113194305A (zh) * | 2021-04-09 | 2021-07-30 | 深圳市磐锋精密技术有限公司 | 一种手机感光元件检测装置及检测方法 |
CN113873222A (zh) * | 2021-08-30 | 2021-12-31 | 卡莱特云科技股份有限公司 | 一种工业相机的线性度校正方法及装置 |
CN116773152A (zh) * | 2023-08-25 | 2023-09-19 | 成都中嘉微视科技有限公司 | 一种镜头性能的检测方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1079886A (ja) * | 1996-09-03 | 1998-03-24 | Sony Corp | ビデオカメラおよび非直線性ひずみ補正方法 |
JP2014030188A (ja) * | 2012-07-03 | 2014-02-13 | Clarion Co Ltd | レンズ付着物検知装置、レンズ付着物検知方法、および、車両システム |
CN104954701A (zh) * | 2015-06-19 | 2015-09-30 | 长春理工大学 | 一种相机响应曲线生成方法 |
CN106981065A (zh) * | 2016-11-02 | 2017-07-25 | 北京信息科技大学 | 一种基于曝光补偿的图像绝对中心矩改进算法 |
CN108537770A (zh) * | 2018-01-11 | 2018-09-14 | 中国人民解放军战略支援部队航天工程大学 | 一种无定标卫星成像目标辐射特性反演方法及系统 |
-
2018
- 2018-12-19 CN CN201811553016.XA patent/CN109655234B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1079886A (ja) * | 1996-09-03 | 1998-03-24 | Sony Corp | ビデオカメラおよび非直線性ひずみ補正方法 |
JP2014030188A (ja) * | 2012-07-03 | 2014-02-13 | Clarion Co Ltd | レンズ付着物検知装置、レンズ付着物検知方法、および、車両システム |
CN104954701A (zh) * | 2015-06-19 | 2015-09-30 | 长春理工大学 | 一种相机响应曲线生成方法 |
CN106981065A (zh) * | 2016-11-02 | 2017-07-25 | 北京信息科技大学 | 一种基于曝光补偿的图像绝对中心矩改进算法 |
CN108537770A (zh) * | 2018-01-11 | 2018-09-14 | 中国人民解放军战略支援部队航天工程大学 | 一种无定标卫星成像目标辐射特性反演方法及系统 |
Non-Patent Citations (1)
Title |
---|
孟然等: ""黑白CCD相机平场影响因素分析及校正方法研究"", 《天津科技大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110880179A (zh) * | 2019-12-20 | 2020-03-13 | 易思维(杭州)科技有限公司 | 视觉传感器工作状态测试方法 |
CN111028779A (zh) * | 2020-01-02 | 2020-04-17 | 昆山国显光电有限公司 | 显示面板的补偿方法、装置以及显示面板 |
CN111028779B (zh) * | 2020-01-02 | 2021-07-16 | 昆山国显光电有限公司 | 显示面板的补偿方法、装置以及显示面板 |
CN111609998A (zh) * | 2020-05-11 | 2020-09-01 | 歌尔股份有限公司 | 光照均匀性的检测方法、检测装置和可读存储介质 |
CN113194305A (zh) * | 2021-04-09 | 2021-07-30 | 深圳市磐锋精密技术有限公司 | 一种手机感光元件检测装置及检测方法 |
CN113873222A (zh) * | 2021-08-30 | 2021-12-31 | 卡莱特云科技股份有限公司 | 一种工业相机的线性度校正方法及装置 |
CN113873222B (zh) * | 2021-08-30 | 2023-08-01 | 卡莱特云科技股份有限公司 | 一种工业相机的线性度校正方法及装置 |
CN116773152A (zh) * | 2023-08-25 | 2023-09-19 | 成都中嘉微视科技有限公司 | 一种镜头性能的检测方法、装置、电子设备及存储介质 |
CN116773152B (zh) * | 2023-08-25 | 2023-11-03 | 成都中嘉微视科技有限公司 | 一种镜头性能的检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109655234B (zh) | 2020-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109655234A (zh) | 一种针对于相机的自动化测试方法 | |
CN102353519B (zh) | 三代微光像增强器分辨力评价方法 | |
CN112115895B (zh) | 指针型仪表读数识别方法、装置、计算机设备及存储介质 | |
CN106412573B (zh) | 一种检测镜头污点的方法和装置 | |
CN113674273B (zh) | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 | |
CN106097361A (zh) | 一种缺陷区域检测方法及装置 | |
CN109903282B (zh) | 一种细胞计数方法、系统、装置和存储介质 | |
CN107784651A (zh) | 一种基于模糊检测加权的模糊图像质量评价方法 | |
CN108520514A (zh) | 基于计算机视觉的印刷电路板电子元器一致性检测方法 | |
CN109727226A (zh) | 一种基于机器学习的位置表自动生成方法 | |
CN113808121A (zh) | 一种纱线亚像素级直径测量方法及系统 | |
CN109949725A (zh) | 一种aoi系统图像灰度标准化方法及系统 | |
CN106683084B (zh) | 一种基于行间像偏移估计的tdi图像形变程度客观评价方法 | |
CN112381751A (zh) | 一种基于图像处理算法的在线智能检测系统及方法 | |
CN110225335A (zh) | 相机稳定性评估方法及装置 | |
CN114565565A (zh) | 一种视觉测量目标中心亚像素定位方法 | |
CN105574844B (zh) | 辐射响应函数估计方法和装置 | |
CN107392948B (zh) | 一种分振幅实时偏振成像系统的图像配准方法 | |
CN110335219B (zh) | 一种像素畸变的校正方法、校正装置及终端 | |
CN112381177A (zh) | 一种基于深度学习的表盘数字字符识别方法及系统 | |
Mo et al. | Digital multimeter reading recognition for automation verification | |
CN112165616B (zh) | 一种摄像头模组的测试方法、装置、电子设备及存储介质 | |
CN113628225A (zh) | 基于结构相似度和图像区域块的模糊c均值图像分割方法及系统 | |
JP2014135007A (ja) | フラットパネルディスプレイの自動ムラ検出装置および自動ムラ検出方法 | |
CN103229497B (zh) | 用于估计图像检测装置的纱窗效应的方法和设备 |
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 |