CN109655483B - 一种基于深度学习算法的材料微观结构缺陷检测方法 - Google Patents
一种基于深度学习算法的材料微观结构缺陷检测方法 Download PDFInfo
- Publication number
- CN109655483B CN109655483B CN201811536060.XA CN201811536060A CN109655483B CN 109655483 B CN109655483 B CN 109655483B CN 201811536060 A CN201811536060 A CN 201811536060A CN 109655483 B CN109655483 B CN 109655483B
- Authority
- CN
- China
- Prior art keywords
- data
- defect
- temperature
- deep learning
- learning algorithm
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于深度学习算法的材料微观结构缺陷检测方法,包括以下步骤:(1)利用缺陷扰动置换法模拟出大量的样本数据;(2)基于深度学习算法,对步骤(1)中输出的样本数据进行训练;(3)对待检测材料表面施加热源,直至加热到稳态温度并提取其表面的温度分布数据和热量分布数据;(4)将提取的温度分布数据和热量分布数据输入参数到步骤(2)训练后的深度学习算法中,以获取输出结果,输出结果中包括待检测材料的内部缺陷类型、大小和位置,以达到利用缺陷扰动置换法与深度学习方法相结合,能够训练出以待检测材料表面温度数据和表面热量分布数据为输入,以输出材料内部缺陷类型、大小和位置数据,具有快速高效的特点。
Description
技术领域
本发明属于材料缺陷检测的技术领域,具体而言,涉及一种基于深度学习算法的材料微观结构缺陷检测方法。
背景技术
金属材料作为我国很多工业的主要原材料,其质量对其衍生的产品的质量影响至关重要。金属材料在生产过程、使用过程中由于受到原材料、轧制工艺、使用环境等诸多技术因素的影响,会产生如裂纹,夹杂等缺陷,使材料的质量降低。因此,及时有效的对金属材料进行缺陷检测就显得尤为重要。
鉴于材料的生产及加工技术限制,缺陷不可避免地存在于工程材料中,严重影响材料的性能。在材料出厂或者使用之前,对材料进行缺陷检测,筛选出不含缺陷的优质材料,以提升其加工性能和服役性能。在材料的成形加工过程中,内部缺陷会逐渐暴露出来,影响加工件的性能,更甚者导致材料不可用。因此,对于那些需要多次加工和处理的材料而言,内部缺陷检测更是极为必要。
目前,针对材料缺陷的检测方法主要有漏磁法、超声法、三维工业CT法、迫振振型分析法、红外波成像法及并联电阻检测法等。其中,漏磁法、超声法、三维工业CT法、迫振振型分析法、红外波成像法及并联电阻检测法等都是基于给定激励分析响应函数来判定材料内部缺陷,采用该方式进行判定时,只能检测出缺陷类型、大小和位置的其中一种或两种,不能够将材料内部缺陷精准检测出来。而且,所述红外波成像法和本方法类似,但采用红外波热成像法是通过利用红外热波无损检测设备对复合材料进行检测,生成红外图像,再对红外序列图像进行相空间重构,确定其内部缺陷,在检测过程中,存在需要耗费长时间等待检测结果和检测速度较慢的缺点。
发明内容
有鉴于此,为了解决现有技术存在的上述问题,本发明的目的在于提供一种基于深度学习算法的材料微观结构缺陷检测方法以达到利用缺陷扰动置换法与深度学习方法相结合,能够训练出以待检测材料表面温度数据为输入,以输出材料内部缺陷类型、大小和位置数据,具有快速高效的特点。
本发明所采用的技术方案为:一种基于深度学习算法的材料微观结构缺陷检测方法,包括以下步骤:
(1)利用缺陷扰动置换法模拟出大量的样本数据;
(2)基于深度学习算法,对步骤(1)中输出的样本数据进行训练,以提升算法鲁棒性;
(3)对待检测材料表面施加热源,直至加热到稳态温度并提取其表面的温度分布数据和热量分布数据;
(4)将提取的温度分布数据和热量分布数据输入参数到步骤(2)训练后的深度学习算法中,以获取输出结果,输出结果中包括待检测材料的内部缺陷类型、大小和位置。
进一步地,所述步骤(1)中的样本数据包括多组数据样本,每组数据样本中均以缺陷类型、大小和位置作为输入参数,以材料的内部温度分布、表面温度数据和表面热量数据作为输出参数,且所述表面温度数据是通过提取材料的内部温度分布的最表层数据得到。
进一步地,所述步骤(1)中通过缺陷扰动置换法模拟出大量的样本数据,其具体步骤如下:
(1.1)选取缺陷扰动置换法的控制方程如下:
其中,C为影响系数;
(1.3)将(2)式代入至(1)中,整理得:
(1.4)获取材料的内部温度分布:
其中,T1 d为缺陷内部的扰动温度,T2 d为缺陷外部的扰动温度,Ψ为影响系数,x为位置向量;
(1.5)以步骤(1.4)所获得的内部温度分布,并通过提取内部温度分布的最表层数据以得到表面温度数据,表面温度数据和所述表面热量分布数据组成所述样本数据。
进一步地,所述影响系数C和影响系数Ψ均可由牛顿位势函数推导得出。
进一步地,所述步骤(2)中的深度学习算法进行训练时,以材料的表面热量分布数据和表面温度数据作为输入参数,以缺陷类型、大小和位置为输出参数,对深度学习算法的权值进行训练,以获取最优权值。
进一步地,所述步骤(3)中通过热成像装置和温度检测装置分别提取热量分布数据和温度分布数据。
本发明的有益效果为:
1.采用本发明所提供的基于深度学习算法的材料微观结构缺陷检测方法,首先通过利用缺陷扰动置换法模拟出各种材料缺陷导致的下表面及表面温度分布;然后,获取大量的数据样本,并输入至深度学习算法进行训练以提高该算法的鲁棒性;最后,通过提取待检测材料在稳态温度时表面温度分布数据和热量分布数据,并利用训练好的深度学习算法输出缺陷类型、大小和位置,以达到对材料的内部缺陷进行高效、快速和精准的检测。该方法具有成本低廉、算法稳定高效和检测效果好的特点。
2.本发明利用缺陷扰动置换法模拟出大量的样本数据,并将样本数据输入至深度学习算法中进行样本训练,以提升深度学习算法的鲁棒性和准确性,从而,在输入温度分布数据和热量分布数据之后,能够提升输出结果的准确性。
附图说明
图1是本发明提供的基于深度学习算法的材料微观结构缺陷检测方法中深度学习算法的架构图;
图2是本发明提供的基于深度学习算法的材料微观结构缺陷检测方法的运算流程图。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
如图1、图2所示,在本实施例中,具体提供了一种基于深度学习算法的材料微观结构缺陷检测方法,包括以下步骤:
(1)利用缺陷扰动置换法模拟出大量的样本数据,该样本数据包括多组数据样本,每组数据样本中均以缺陷类型、大小和位置作为输入参数,该输入参数由已知的待检测材料所得,以材料的内部温度分布、表面温度数据和表面热量数据作为输出参数,且所述表面温度数据是通过提取材料的内部温度分布的最表层数据得到。
缺陷扰动置换法的基本原理如下:
将存在于材料内部的微观结构缺陷看作是一种和材料本身不同材料属性的介质,热量在含缺陷的材料中传导时,温度场将会受到缺陷的扰动;而缺陷对温度场的扰动,可以看做是向同等条件下均质材料温度场中加入了一个扰动,从而将缺陷扰动置换成了添加扰动。
基于缺陷扰动置换法,便可得到在受热载荷作用下,含任意形状缺陷的材料内部的温度分布数据。
该步骤中通过缺陷扰动置换法模拟出大量的样本数据,其具体步骤如下:
(1.1)选取缺陷扰动置换法的控制方程如下:
其中,等式左端表示缺陷中的热通量,等式右端表示置换后的缺陷中的热通量;λi和λm分别表示缺陷和待检测材料的导热系数,为缺陷中的初始温度梯度,为缺陷产生的扰动温度梯度,表示特征温度梯度;所述温度梯度是指具有连续温度场的物体内,过任意一点P温度变化率最大的方向位于等温线的法线方向上,称过点P的最大温度变化率为温度梯度,用gradt表示。
其中,C为影响系数,可由牛顿位势函数推导得出。
(1.3)将(2)式代入至(1)中,整理得:
在式(3)中,仅有为未知量,可利用LU分解、高斯消元法或共轭梯度法来求解,以获取结合步骤(1.1)中等式左端求出待检测材料内部和表面热通量,以得到表面热量分布数据;其中,LU分解:在线性代数中,LU分解(LU Decomposition)是矩阵分解的一种,可以将一个矩阵分解为一个单位下三角矩阵和一个上三角矩阵的乘积(有时是它们和一个置换矩阵的乘积),LU分解主要应用在数值分析中,用来解线性方程、求反矩阵或计算行列式;
高斯消元法:数学上,高斯消元法(或译:高斯消去法),是线性代数规划中的一个算法,可用来为线性方程组求解;
共轭梯度法:共轭梯度法(Conjugate Gradient)是介于最速下降法与牛顿法之间的一个方法,它仅需利用一阶导数信息,但克服了最速下降法收敛慢的缺点,又避免了牛顿法需要存储和计算Hesse矩阵并求逆的缺点,共轭梯度法不仅是解决大型线性方程组最有用的方法之一,也是解大型非线性最优化最有效的算法之一,在各种优化算法中,共轭梯度法是非常重要的一种。其优点是所需存储量小,具有步收敛性,稳定性高,而且不需要任何外来参数。
其中,T1 d为缺陷内部的扰动温度,T2 d为缺陷外部的扰动温度(即该缺陷以外的扰动温度),Ψ为影响系数,同样,也可由牛顿位势函数推导得出,x为位置向量,由此可知,缺陷内部的扰动温度梯度与影响系数Ψ有关,而缺陷外部的扰动温度梯度与位置向量x有关。
(1.5)以步骤(1.4)所获得的内部温度分布,并通过提取内部温度分布的最表层数据以得到表面温度数据,表面温度数据和所述表面热量分布数据组成所述样本数据。
(2)基于深度学习算法,对步骤(1)中输出的样本数据进行训练,以提升算法鲁棒性和准确性,在模型训练过程中,深度学习算法不断的进行自我修正;当深度学习算法进行训练时,以材料的表面热量分布数据和表面温度数据作为输入参数,以缺陷类型、大小和位置为输出参数,对深度学习算法的权值进行训练,以获取最优权值,以具有最优权值的深度学习算法进行后续的计算。所述深度学习算法的模型训练利用Python语言编程在英特尔酷睿八代(6核、6线程)处理器上完成。
(3)通过外置的加热装置对待检测材料表面施加热源,直至加热到稳态温度并提取其表面的温度分布数据和热量分布数据;优选的,在实际操作过程中,通过热成像装置和温度检测装置分别提取热量分布数据和温度分布数据。所述热成像装置为红外热像仪,且红外热像仪用于采集材料表面的热成像数据,即热量分布数据;热像仪是利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形反映到红外探测器的光敏元件上,从而获得红外热像图,这种热像图与物体表面的热分布场相对应,通俗地讲热像仪就是将物体发出的不可见红外能量转变为可见的热图像。所述温度检测装置为非接触式红外测温仪,且非接触式红外测温仪用于采集材料表面的温度分布数据;非接触式红外测温仪可以通过测量目标表面所辐射的红外能量来确定表面温度。
具体的,加热装置包括加热器和热源控制器,所述加热器与热源控制器连接,热源控制器的电源端与电源系统连接,电源系统对加热器提供持续的电能,热源控制器对加热器的功率进行控制,以实现将待检测材料的表面加热至稳态温度。
优选的,为保证该缺陷检测方法中对待检测材料的温度数据进行准确测量,在本实施例中,提供了一种便捷式材料微观结构缺陷检测装置,包括加热装置、多个热成像装置、多个温度检测装置、温控传感器、微型计算机、数据交换系统、显示系统和电源系统,所述微型计算机分别与显示系统、电源系统、数据交换系统、温控传感器和加热装置电连接,数据交换系统分别与各所述温度检测装置、各所述热成像装置电连接并进行数据传输;所述加热装置、显示系统、各所述热成像装置和各所述温度检测装置均通过电源系统对其提供电源;所述加热装置为可调节功率和辐射范围的加热装置。
其中,所述加热装置包括加热器和热源控制器,所述加热器与热源控制器连接,热源控制器的电源端与所述电源系统连接,热源控制器的控制端与所述微型计算机电连接;所述加热器设为电阻丝灯或者红外加热灯。所述微型计算机包括智能芯片和数据存储单元,所述数据存储单元内存储有样本数据和历史数据。所述智能芯片内置有基于深度学习的缺陷检测算法模块。所述热成像装置为红外热像仪,且红外热像仪用于采集材料表面的热成像数据。所述温度检测装置为非接触式红外测温仪,且非接触式红外测温仪用于采集材料表面的温度分布数据。所述显示系统设为触摸显示屏。还包括电路保护系统,所述电路保护系统用于过载保护;所述微型计算机、温度检测装置、加热装置和热成像装置均通过电路保护系统与电源系统电连接。所述电源系统包括高功率密度电池。各所述热成像装置和各所述温度检测装置呈相互交错的方式均匀分布在所述加热装置的周围。
(4)将提取的温度分布数据和表面热量分布数据输入参数到步骤(2)训练后的深度学习算法中,以获取输出结果,输出结果中包括待检测材料的内部缺陷类型、大小和位置。如图1所示,该深度学习算法包括输入层、隐层和输出层,将温度分布数据和热量分布数据输入至输入层,并通过隐层进行数据运算,最终通过输出层输出缺陷类型、大小和位置。
通过以上步骤(1)-步骤(4)可以精准地得到材料内部微观结构缺陷大小及位置,并生成缺陷分析报告。本发明能够基于含缺陷材料温度场扰动置换方法,利用深度学习算法,将模拟结果作为输入和输出样本训练,得到最优权值。进一步通过对待检测材料表面施加热源至稳态并提取表面温度数据,作为训练好的深度学习算法的输入,最终快速有效精确地得到待检测材料内部微观结构缺陷的类型、大小和位置信息。该缺陷检测方法具有成本低廉、算法稳定高效、检测效果好的特点。
本发明不局限于上述可选实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是落入本发明权利要求界定范围内的技术方案,均落在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习算法的材料微观结构缺陷检测方法,其特征在于,包括以下步骤:
(1)利用缺陷扰动置换法模拟出大量的样本数据;
(2)基于深度学习算法,对步骤(1)中输出的样本数据进行训练,以提升算法鲁棒性;
(3)对待检测材料表面施加热源,直至加热到稳态温度并提取其表面的温度分布数据和热量分布数据;
(4)将提取的温度分布数据和热量分布数据输入参数到步骤(2)训练后的深度学习算法中,以获取输出结果,输出结果中包括待检测材料的内部缺陷类型、大小和位置;
所述步骤(1)中的样本数据包括多组数据样本,每组数据样本中均以缺陷类型、大小和位置作为输入参数,以材料的内部温度分布、表面温度数据和表面热量数据作为输出参数,且所述表面温度数据是通过提取材料的内部温度分布的最表层数据得到;
所述步骤(1)中通过缺陷扰动置换法模拟出大量的样本数据,其具体步骤如下:
(1.1)选取缺陷扰动置换法的控制方程如下:
其中,C为影响系数;
(1.3)将(2)式代入至(1)中,整理得:
(1.4)获取材料的内部温度分布:
其中,T1 d为缺陷内部的扰动温度,T2 d为缺陷外部的扰动温度,Ψ为影响系数,x为位置向量;
(1.5)以步骤(1.4)所获得的内部温度分布,并通过提取内部温度分布的最表层数据以得到表面温度数据,表面温度数据和所述表面热量分布数据组成所述样本数据。
2.根据权利要求1所述的基于深度学习算法的材料微观结构缺陷检测方法,其特征在于,所述影响系数C和影响系数Ψ均可由牛顿位势函数推导得出。
3.根据权利要求1所述的基于深度学习算法的材料微观结构缺陷检测方法,其特征在于,所述步骤(2)中的深度学习算法进行训练时,以材料的表面热量分布数据和表面温度数据作为输入参数,以缺陷类型、大小和位置为输出参数,对深度学习算法的权值进行训练,以获取最优权值。
4.根据权利要求1所述的基于深度学习算法的材料微观结构缺陷检测方法,其特征在于,所述步骤(3)中通过热成像装置和温度检测装置分别提取热量分布数据和温度分布数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536060.XA CN109655483B (zh) | 2018-12-14 | 2018-12-14 | 一种基于深度学习算法的材料微观结构缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536060.XA CN109655483B (zh) | 2018-12-14 | 2018-12-14 | 一种基于深度学习算法的材料微观结构缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109655483A CN109655483A (zh) | 2019-04-19 |
CN109655483B true CN109655483B (zh) | 2021-06-15 |
Family
ID=66113412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811536060.XA Active CN109655483B (zh) | 2018-12-14 | 2018-12-14 | 一种基于深度学习算法的材料微观结构缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109655483B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062920B (zh) * | 2019-12-13 | 2023-06-20 | 北京百度网讯科技有限公司 | 用于生成半导体检测报告的方法及装置 |
CN116500086B (zh) * | 2023-06-28 | 2023-09-05 | 深圳市鑫典金光电科技有限公司 | 一种基于深度学习的铜复铝散热底板生产评价方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692429B (zh) * | 2011-03-24 | 2013-10-30 | 中国科学院沈阳自动化研究所 | 一种复合材料内部缺陷类型自动识别检测方法 |
CN103760231B (zh) * | 2014-01-07 | 2016-11-23 | 天津大学 | 基于决策树的焊接缺陷巨磁电阻涡流检测方法及检测装置 |
CN104181200B (zh) * | 2014-08-29 | 2016-09-14 | 北京卫星环境工程研究所 | 空间结构的损伤热像检测方法 |
CN104698035B (zh) * | 2015-03-22 | 2018-02-23 | 何赟泽 | 一种微波阶跃热成像检测和层析成像方法及系统 |
CN106546628A (zh) * | 2016-09-22 | 2017-03-29 | 西安理工大学 | 一种基于温度场层析成像的无损检测方法 |
CN106682685B (zh) * | 2016-12-06 | 2020-05-01 | 重庆大学 | 基于微波加热温度场分布特征深度学习的局部温度变化异常检测方法 |
US10473603B2 (en) * | 2017-04-18 | 2019-11-12 | Saudi Arabian Oil Company | Apparatus, system and method for inspecting composite structures using quantitative infra-red thermography |
CN108563121B (zh) * | 2018-04-12 | 2021-06-15 | 南京航空航天大学 | 基于历史数据的微波加热温度场智能监控方法 |
-
2018
- 2018-12-14 CN CN201811536060.XA patent/CN109655483B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109655483A (zh) | 2019-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439342B (zh) | 基于热图时序特征的红外无损检测方法 | |
Gao et al. | Electromagnetic thermography nondestructive evaluation: Physics-based modeling and pattern mining | |
CN105447857B (zh) | 脉冲涡流红外热图像的特征提取方法 | |
CN109655483B (zh) | 一种基于深度学习算法的材料微观结构缺陷检测方法 | |
Ye | Thermal simulation and evaluation for non-uniformity detection of electrode | |
CN105319174B (zh) | 同时获取半透明材料温变导热系数及吸收系数的测量方法 | |
CN114722732B (zh) | 基于点云网络的高超声速飞行器燃料箱温度场预测方法 | |
CN103901291A (zh) | 一种变电设备内部绝缘缺陷的诊断方法 | |
CN109813758A (zh) | 基于红外检测图像信号的层间脱粘缺陷复杂边界轮廓定量重构方法 | |
CN106248725A (zh) | 一种多孔介质等效导热系数测量方法 | |
Wei et al. | Improved teaching-learning-based optimization for estimation of temperature-dependent radiative properties of semitransparent media | |
CN105547508B (zh) | 一种基于柜门外测量的开关柜温度检测装置和方法 | |
CN113486544A (zh) | 低功率激光测试材料室温热导率获取方法、设备及介质 | |
CN106289999A (zh) | 金属材料在高温条件下的力学性能测试设备及其测试方法 | |
Yang et al. | A new method for transformer hot-spot temperature prediction based on dynamic mode decomposition | |
Dhalsamant | Development, validation, and comparison of FE modeling and ANN model for mixed‐mode solar drying of potato cylinders | |
CN109540968A (zh) | 一种定量检测设备内部三维缺陷的方法 | |
Dudzik | Characterization of material defects using active thermography and an artificial neural network | |
Liu et al. | Artificial neural networks-based software for measuring heat collection rate and heat loss coefficient of water-in-glass evacuated tube solar water heaters | |
US5217304A (en) | Electrical network method for the thermal or structural characterization of a conducting material sample or structure | |
Paknezhad et al. | A hybrid genetic–BP algorithm approach for thermal conductivity modeling of nanofluid containing silver nanoparticles coated with PVP | |
Sun et al. | Combined lock-in thermography and SQP algorithm for non-intrusive reconstruction of optical and thermal properties in semitransparent medium | |
Wen et al. | Prediction of the coupled heat radiation and conduction parameters and boundary condition using the unscented Kalman filter | |
CN106546628A (zh) | 一种基于温度场层析成像的无损检测方法 | |
Chilka et al. | Drying of almonds I: Single particle |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 610000 Wuhou District, Chengdu, South Ring Road, No. 1, No. 1, Sichuan Applicant after: Sichuan University Address before: 610000 Sichuan, Chengdu, South Ring Road, No. 1, No. 24 Applicant before: Sichuan University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |