CN111076667A - 一种金属表面划痕动态快速测量方法 - Google Patents
一种金属表面划痕动态快速测量方法 Download PDFInfo
- Publication number
- CN111076667A CN111076667A CN201911340212.3A CN201911340212A CN111076667A CN 111076667 A CN111076667 A CN 111076667A CN 201911340212 A CN201911340212 A CN 201911340212A CN 111076667 A CN111076667 A CN 111076667A
- Authority
- CN
- China
- Prior art keywords
- scratch
- point cloud
- depth
- cloud data
- metal surface
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/03—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring coordinates of points
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/22—Measuring arrangements characterised by the use of optical techniques for measuring depth
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种金属表面划痕动态快速测量方法,包括:定义需判断的最小划痕宽度及划痕深度;通过激光位移传感器沿划痕切线方向运动,获取被测金属表面划痕信息的点云数据;应用神经网络对所述获取被测金属表面划痕信息的点云数据,进行不含划痕信息的预测;将预测后的点云数据与获取点云数据进行点云数据比较;判断划痕存在位置,并计算划痕尺寸。该方法可实现金属表面划痕的动态快速测量,测量过程简单方便、准确率较高。
Description
技术领域
本发明涉及机器视觉技术领域,涉及一种金属表面划痕动态快速测量方法。
背景技术
随着工业技术的发展,划痕检测逐渐成为检测的重点,往往决定着该工件 是否有返修的必要。例如,在轮对检修过程中,由于拆卸导致对车轴表面造成 划伤,产生微小划痕,而划痕深浅、划痕数量、划痕密度直接决定着列车车轴 是否存在维修价值。
传统金属表面划痕的检测采用的是人工检测,检测者凭借着肉眼对产生的 表面划痕进行观察或通过经验对表面划痕进行识别。但在实际现场中检测者在 噪声、震动的恶劣环境下,往往因疲劳、经验论导致检测结果无重复性,人为 因素较多。导致划痕测量结果误差大、测量精度低,而且也存在检测人员劳动 强度大、工作效率低的问题。
另外,由于金属表面划痕由于材质反光、划痕细微等因素,无法准确对金 属表面划痕测量进行检测。
发明内容
鉴于现有技术中对金属的表面存在难以准确检测出划痕深度和宽度信息 的问题,本发明提出了一种金属表面划痕动态快速测量方法,包括:
定义需判断的最小划痕宽度及划痕深度;
通过激光位移传感器沿划痕切线方向运动,获取被测金属表面划痕信息的 点云数据;
应用神经网络对所述获取被测金属表面划痕信息的点云数据,进行不含划 痕信息的预测;
将预测后的点云数据与获取点云数据进行点云数据比较;
判断划痕存在位置,并计算划痕尺寸。
在一个实施例中,应用神经网络对所述获取被测金属表面划痕信息的点云 数据,进行不含划痕信息的预测,具体包括:
构建一个五层神经网络,将所述点云数据中的X方向及Y方向中前n/m 及后n/m的数据作为输入,通过训练,将中间1-2n/m的X方向及Y方向点云 作为期望结果输出。
在一个实施例中,将预测后的点云数据与获取点云数据进行点云数据比较, 包括:
设不含划痕信息的数据点为(xoi,yoi)(i=1,2,…,k),被测金属表面划痕信息的点云数据(xci,yci)(i=1,2,…,k);
步骤1:针对点云数据比较时,X方向坐标保持固定,只需对Y方向数据进 行比较,即:
εi=yoi-yci (1)
步骤2:若|εi|≥scratchdepth,则记录该点所在的位置xci,将其放置到数组new_xc中;scratchdepth表示预定义的最小划痕深度;
步骤3:判断所述数组new_xc中|εi|≥scratchdepth的个数是否超过δ;其中δ取 决于预定义的最小划痕宽度scratchwidth与被测划痕之间的点距dd。
在一个实施例中,判断划痕存在位置,并计算划痕尺寸,包括:
对数组new_xc中|εi|≥scratchdepth记录其起点位置及终点位置,并对该段数据进行计算;则所述被测划痕宽度为:
Csw=(scratchwidth_stop-scratchwidth_start)×dd (2)
(2)式中,scratchwidth_stop表示划痕终止位置时在数组new_xc中X方向的坐 标,scratchwidth_start表示划痕开始位置时在数组new_xc中X方向的坐标,Csw表示 为被测划痕宽度;
所述被测划痕深度为:
Csd=(scratchdepth_start+scratchdepth_stop)/2-min(scratchall_depth) (3)
(3)式中,scratchdepth_start表示划痕开始位置时在数组new_xc中Y方向的坐 标,scratchdepth_stop表示划痕终止位置时在数组new_xc中Y方向的坐标,Csd表示 为被测划痕深度,min(scratchall_depth)表示划痕开始位置至划痕结束位置Y方向的 最小数据值。
本发明实施例提供的上述技术方案的有益效果至少包括:
本发明实施例提供的一种金属表面划痕动态快速测量方法,通过预先定义 需判断的最小划痕宽度及划痕深度,利用激光位移传感器沿划痕切线方向运动 获取划痕信息的点云数据;应用神经网络对所述获取划痕信息的点云数据进行 不含划痕信息的预测;将预测后的点云数据与获取点云数据进行点云数据比较; 判断划痕存在位置,计算划痕尺寸;该方法可实现划痕动态的快速测量,测量 过程简单方便、准确率较高。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明 书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可 通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获 得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发 明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供金属表面划痕动态快速测量方法的流程图;
图2为本发明实施例提供的获取被测金属表面划痕信息的点云数据图;
图3为本发明实施例提供的预测不含划痕的金属表面数据图;
图4为本发明实施例提供的划痕数据框选图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了 本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被 这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本 公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供一种金属表面划痕动态快速测量方法, 包括:
S1、定义需判断的最小划痕宽度及划痕深度;
S2、通过激光位移传感器沿划痕切线方向运动,获取被测金属表面划痕信 息的点云数据;
S3、应用神经网络对所述获取被测金属表面划痕信息的点云数据,进行不 含划痕信息的预测;
S4、将预测后的点云数据与获取点云数据进行点云数据比较;
S5、判断划痕存在位置,并计算划痕尺寸。
本实施例中,上述步骤S1中,定义需判断的最小划痕宽度及划痕深度; 在对金属划痕进行测量时,根据测量对象不同,划痕的判断标准也存在着不同 的要求。比如测量火车轮对车轴表面划痕时,定义最小划痕宽度为scratch_wigth =0.1mm,最小划痕深度为scratch_depth=0.06mm。因此,需要针对测量对象进 行最小划痕宽度及划痕深度的定义,以满足测量需要。
上述步骤S2中,通过激光位移传感器沿划痕切线方向运动,参照图2所 示,获取被测金属表面划痕信息的点云数据;由于被测金属划痕一般呈现条状、 区域凹陷等情况,因此,针对条状划痕沿着被测金属表面划痕切线方向可最大 程度获取被测金属表面划痕的信息,同时,针对区域凹陷可沿着被测金属表面 划痕切线方向同样能够满足测量需要。
上述步骤S3中,应用神经网络对获取被测金属表面划痕信息的点云数据 进行不含划痕信息的预测;其中,预测不含划痕的金属表面数据如图3所示; 该神经网络可以包括多个神经网络,通过该多个神经网络分别对获取被测金属 表面划痕信息的点云数据进行识别得到不含划痕信息的预测。该神经网络的结 构类型可以是卷积神经网络、深度神经网络等,本申请对神经网络的结构不做 严格限定。
比如以卷积神经网络为例,构建一个五层神经网络,将点云数据中前n/m 及后n/m的数据作为输入,通过训练,将中间1-2n/m的X方向及Y方向点云 作为期望结果输出。例如选取前1/5及后1/5中进行训练,其中n=1,m=5;将 中间3/5的X方向及Y方向点云作为期望结果输出。
上述步骤S4中,将预测后的点云数据与获取点云数据进行点云数据比较; 通过计算预测点云与获取点云之间的距离差,参照图4所示,可以大致判断出 划痕存在的区域。通过距离差,可以统计出统计出连续不满足条件的数据,以 此作为判断依据。同时,在区域确定后,根据预设的划痕宽度及划痕深度,可 确定该位置是否为划痕。
在一个实施例中,上述步骤S4~S5中,具体包括:
设不含划痕信息的数据点为(xoi,yoi)(i=1,2,…,k),被测金属表面划痕信息的点云数据(xci,yci)(i=1,2,…,k);
步骤1:针对点云数据比较时,X方向坐标保持固定,只需对Y方向数据进 行比较,即:
εi=yoi-yci (1)
步骤2:若|εi|≥scratchdepth,则记录该点所在的位置xci,将其放置到数组new_xc中;scratchdepth表示预定义的最小划痕深度;
步骤3:判断所述数组new_xc中|εi|≥scratchdepth的个数是否超过δ;其中δ取 决于预定义的最小划痕宽度scratchwidth与被测划痕之间的点距dd。比如:被测划 痕点与点之间的距离为0.008mm,最小划痕宽度为0.08mm,那么δ取值为 0.08/0.008=10。即:判断数组new_xc中|εi|≥scratchdepth的个数是否超过10。
步骤4:对数组new_xc中|εi|≥scratchdepth记录其起点位置及终点位置,即根 据上述例子可知,记录数组new_xc中超过10的点记录起点位置及终点位置。 如图4所示表示划痕数据框选图,并对该段数据进行计算;则所述被测划痕宽 度为:
Csw=(scratchwidth_stop-scratchwidth_start)×dd (2)
(2)式中,scratchwidth_stop表示划痕终止位置时在数组new_xc中X方向的坐 标,scratchwidth_start表示划痕开始位置时在数组new_xc中X方向的坐标,Csw表示 为被测划痕宽度;
所述被测划痕深度为:
Csd=(scratchdepth_start+scratchdepth_stop)/2-min(scratchall_depth) (3)
(3)式中,scratchdepth_start表示划痕开始位置时在数组new_xc中Y方向的坐 标,scratchdepth_stop表示划痕终止位置时在数组new_xc中Y方向的坐标,Csd表示 为被测划痕深度,min(scratchall_depth)表示划痕开始位置至划痕结束位置Y方向的 最小数据值。
本发明实施例提供的一种金属表面划痕动态快速测量方法,可实现划痕动 态的快速测量,测量过程简单方便、准确率较高。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发 明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及 其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种金属表面划痕动态快速测量方法,其特征在于,包括:
定义需判断的最小划痕宽度及划痕深度;
通过激光位移传感器沿划痕切线方向运动,获取被测金属表面划痕信息的点云数据;
应用神经网络对所述获取被测金属表面划痕信息的点云数据,进行不含划痕信息的预测;
将预测后的点云数据与获取点云数据进行点云数据比较;
判断划痕存在位置,并计算划痕尺寸。
2.如权利要求1所述的一种金属表面划痕动态快速测量方法,其特征在于,应用神经网络对所述获取被测金属表面划痕信息的点云数据,进行不含划痕信息的预测,具体包括:
构建一个五层神经网络,将所述点云数据中的X方向及Y方向中前n/m及后n/m的数据作为输入,通过训练,将中间1-2n/m的X方向及Y方向点云作为期望结果输出。
3.如权利要求1所述的一种金属表面划痕动态快速测量方法,其特征在于,将预测后的点云数据与获取点云数据进行点云数据比较,包括:
设不含划痕信息的数据点为(xoi,yoi)(i=1,2,…,k),被测金属表面划痕信息的点云数据(xci,yci)(i=1,2,…,k);
步骤1:针对点云数据比较时,X方向坐标保持固定,只需对Y方向数据进行比较,即:
εi=yoi-yci (1)
步骤2:若|εi|≥scratchdepth,则记录该点所在的位置xci,将其放置到数组new_xc中;scratchdepth表示预定义的最小划痕深度;
步骤3:判断所述数组new_xc中|εi|≥scratchdepth的个数是否超过δ;其中δ取决于预定义的最小划痕宽度scratchwidth与被测划痕之间的点距dd。
4.如权利要求3所述的一种金属表面划痕动态快速测量方法,其特征在于,判断划痕存在位置,并计算划痕尺寸,包括:
对数组new_xc中|εi|≥scratchdepth记录其起点位置及终点位置,并对该段数据进行计算;则所述被测划痕宽度为:
Csw=(scratchwidth_stop-scratchwidth_start)×dd (2)
(2)式中,scratchwidth_stop表示划痕终止位置时在数组new_xc中X方向的坐标,scratchwidth_start表示划痕开始位置时在数组new_xc中X方向的坐标,Csw表示为被测划痕宽度;
所述被测划痕深度为:
Csd=(scratchdepth_start+scratchdepth_stop)/2-min(scratchall_depth) (3)
(3)式中,scratchdepth_start表示划痕开始位置时在数组new_xc中Y方向的坐标,scratchdepth_stop表示划痕终止位置时在数组new_xc中Y方向的坐标,Csd表示为被测划痕深度,min(scratchall_depth)表示划痕开始位置至划痕结束位置Y方向的最小数据值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340212.3A CN111076667B (zh) | 2019-12-23 | 2019-12-23 | 一种金属表面划痕动态快速测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340212.3A CN111076667B (zh) | 2019-12-23 | 2019-12-23 | 一种金属表面划痕动态快速测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111076667A true CN111076667A (zh) | 2020-04-28 |
CN111076667B CN111076667B (zh) | 2021-07-30 |
Family
ID=70316936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911340212.3A Expired - Fee Related CN111076667B (zh) | 2019-12-23 | 2019-12-23 | 一种金属表面划痕动态快速测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111076667B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066895A1 (zh) * | 2022-09-30 | 2024-04-04 | 上海施美德源高新科技有限责任公司 | 一种基于散斑域高斯分布拟合的通道划痕深度和宽度测定方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 |
US20180203439A1 (en) * | 2017-01-19 | 2018-07-19 | Omron Corporation | Prediction model creation apparatus, production facility monitoring system, and production facility monitoring method |
CN108318499A (zh) * | 2018-01-05 | 2018-07-24 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN108389181A (zh) * | 2018-01-23 | 2018-08-10 | 南京大学 | 一种基于深度学习和法向图的零件缺陷检测和定位方法 |
CN110009601A (zh) * | 2019-02-28 | 2019-07-12 | 南京航空航天大学 | 基于hog的大型装备不规则外形表面缺陷检测方法 |
KR20190088089A (ko) * | 2017-12-26 | 2019-07-26 | 세종대학교산학협력단 | 용접 표면 결점 검출 장치 및 방법 |
CN110132975A (zh) * | 2019-03-28 | 2019-08-16 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒包壳表面检测的方法、装置 |
CN110473175A (zh) * | 2019-07-26 | 2019-11-19 | 长春工程学院 | 一种列车车轴空间直线度测量方法 |
CN110494894A (zh) * | 2017-04-07 | 2019-11-22 | 科磊股份有限公司 | 基于轮廓的缺陷检测 |
CN110570398A (zh) * | 2019-08-14 | 2019-12-13 | 兰州理工大学 | 一种基于深度学习技术的线缆接头焊点合格性检测方法 |
-
2019
- 2019-12-23 CN CN201911340212.3A patent/CN111076667B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180203439A1 (en) * | 2017-01-19 | 2018-07-19 | Omron Corporation | Prediction model creation apparatus, production facility monitoring system, and production facility monitoring method |
CN106951847A (zh) * | 2017-03-13 | 2017-07-14 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN110494894A (zh) * | 2017-04-07 | 2019-11-22 | 科磊股份有限公司 | 基于轮廓的缺陷检测 |
CN107328787A (zh) * | 2017-07-05 | 2017-11-07 | 北京科技大学 | 一种基于深度卷积神经网络的金属板带表面缺陷检测系统 |
KR20190088089A (ko) * | 2017-12-26 | 2019-07-26 | 세종대학교산학협력단 | 용접 표면 결점 검출 장치 및 방법 |
CN108318499A (zh) * | 2018-01-05 | 2018-07-24 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN108389181A (zh) * | 2018-01-23 | 2018-08-10 | 南京大学 | 一种基于深度学习和法向图的零件缺陷检测和定位方法 |
CN110009601A (zh) * | 2019-02-28 | 2019-07-12 | 南京航空航天大学 | 基于hog的大型装备不规则外形表面缺陷检测方法 |
CN110132975A (zh) * | 2019-03-28 | 2019-08-16 | 中核建中核燃料元件有限公司 | 一种用于核燃料棒包壳表面检测的方法、装置 |
CN110473175A (zh) * | 2019-07-26 | 2019-11-19 | 长春工程学院 | 一种列车车轴空间直线度测量方法 |
CN110570398A (zh) * | 2019-08-14 | 2019-12-13 | 兰州理工大学 | 一种基于深度学习技术的线缆接头焊点合格性检测方法 |
Non-Patent Citations (2)
Title |
---|
YELDA TURKANA 等: "Adaptive wavelet neural network for terrestrial laser scanner-based crack detection", 《AUTOMATION IN CONSTRUCTION》 * |
李文俊 等: "基于深度神经网络的表面划痕识别方法", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066895A1 (zh) * | 2022-09-30 | 2024-04-04 | 上海施美德源高新科技有限责任公司 | 一种基于散斑域高斯分布拟合的通道划痕深度和宽度测定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111076667B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN103411533B (zh) | 结构光自适应多次曝光法 | |
JP6099479B2 (ja) | ひび割れ検出方法 | |
CN110827311B (zh) | 一种基于成像法的电缆导体截面积测量方法及系统 | |
JP2014527663A (ja) | 座標測定系データ整理 | |
US20040071334A1 (en) | Device and method for quality controlling a body | |
CN110276752B (zh) | 基于android系统的混凝土表面裂缝特征的APP检测方法 | |
CN107111871A (zh) | 从体图像记录确定局部质量测量 | |
CN101278314A (zh) | 用于确定图像拍摄类型的方法和装置 | |
CN104215179A (zh) | 使用激光位移传感器动态测量钢坯宽度的方法 | |
CN109085178A (zh) | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 | |
CN101745845A (zh) | 一种金属零件外轮廓形状的测量方法及加工精度的检测方法 | |
CN108961252B (zh) | 检测logo粘贴不良的方法、电子装置及计算机可读存储介质 | |
CN111076667B (zh) | 一种金属表面划痕动态快速测量方法 | |
CN110766683A (zh) | 一种珍珠光洁度等级检测方法及系统 | |
JP4640619B2 (ja) | 毛髪繊維形状解析システム及び解析方法 | |
CN104515473A (zh) | 一种漆包线直径的在线检测方法 | |
CN114881998A (zh) | 一种基于深度学习的工件表面缺陷检测方法及系统 | |
CN101696876B (zh) | 一种vcm磁钢的视觉检测方法 | |
CN108844469B (zh) | 一种基于激光测试工件台阶高度的方法及系统 | |
CN110823106A (zh) | 一种基于激光连续波调制原理的平板玻璃质量检测方法 | |
CN113607546A (zh) | 一种裂纹测量方法 | |
CN112037213B (zh) | 基于统计直方图的轮廓数据稳定特征点的获取方法及装置 | |
CN109211138A (zh) | 一种外形检测系统和方法 | |
CN112233104A (zh) | 实时位移场和应变场检测方法、系统、装置和存储介质 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210730 Termination date: 20211223 |