CN111429411B - 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 - Google Patents
一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 Download PDFInfo
- Publication number
- CN111429411B CN111429411B CN202010181471.2A CN202010181471A CN111429411B CN 111429411 B CN111429411 B CN 111429411B CN 202010181471 A CN202010181471 A CN 202010181471A CN 111429411 B CN111429411 B CN 111429411B
- Authority
- CN
- China
- Prior art keywords
- carbon fiber
- points
- fiber composite
- composite core
- core wire
- 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提出了一种碳纤维复合芯导线的X射线缺陷图像样本生成方法,包括:步骤S1:对原始有缺陷的碳纤维复合芯导线的X射线图像做背景估计;步骤S2:利用步骤S1的背景估计结果对原始图作背景减除处理并截选出图像缺陷部分;步骤S3:随机改变步骤S2中截选出的缺陷部分的形态特征;步骤S4:将步骤S2中随机生成的缺陷部位与无缺陷碳纤维复合芯导线X射线图像相融合,生成缺陷图像。本方案生成的缺陷样本,能够有效扩充碳纤维复合芯导线缺陷库,有助于提升碳纤维导线缺陷自动识别技术的准确度。
Description
技术领域
本发明涉及无损检测技术领域,特别是涉及一种碳纤维复合芯导线的X射线缺陷图像样本生成方法。
背景技术
碳纤维复合芯是目前应对通道资源紧张、负荷快速增长的便利手段之一。但其产品生产、安装架线等过程中极易产生损伤,危及输电线路的运行安全。目前碳纤维复合芯导线缺陷的在线自动检测技术以国家电网公司和东南大学共同研发的基于深度学习技术的碳纤维复合芯导线缺陷自动检测方法为代表。该方法利用大量碳纤维复合芯导线的X射线图像训练得到自动检测模型,用于自动识别碳纤维复合芯导线中的缺陷位置。然而,在实际的场景中无缺碳纤维复合芯导线的X射线图像数量充足,而有缺陷的碳纤维复合芯导线的X射线图像数量稀少,难以获得。缺陷图像样本的不足严重限制了自动检测深度学习模型的性能。鉴于此,本发明提出一种碳纤维复合芯导线的X射线缺陷图像样本生成方法,该方法能够模拟真实缺陷情况,自动生成大量不同形貌,不同程度的缺陷图像样本,用于投入实际训练,提高深度学习自动检测算法模型的准确度。
发明内容
发明目的:在使用深度学习和X射线图像实现碳纤维复合芯导线缺陷的自动检测时,为使深度模型拥有更强的鲁棒性、更高的准确性,需要使用数量充足、缺陷情况丰富的X射线图像用于训练。然而有缺陷的碳纤维复合芯导线的X射线图像难以获取,即使获取到了,数量也有限,破损情况也相对简单,为解决这一问题,本发明提供了一种碳纤维复合芯导线的X射线缺陷图像样本生成方法。该方法能够模拟真实缺陷情况,自动生成大量不同形貌,不同程度的缺陷图像样本,用于投入实际训练,提高深度学习自动检测算法模型的准确度。
技术方案:为实现本发明的目的,本发明所采用的技术方案是:一种碳纤维复合芯导线的X射线缺陷图像样本生成方法,该方法包括如下步骤:
步骤S1:对1000张原始有缺陷的碳纤维复合芯导线的X射线图像作背景估计得到背景图Pbackground。背景估计流程图如图1所示,单张原始有缺陷的碳纤维复合芯导线的X射线图像如图2所示。其中,背景估计的具体过程包括以下步骤:
步骤S1.1:统计不同图像同一行的灰度直方图:将所有图中同一行的灰度进行直方图统计,横轴为灰度级,纵轴为像素个数,得到每个灰度级对应的频数,构成一个一维序列Qi,一共有64行,因此i∈[1,64];
步骤S1.2:对全部灰度直方图进行中值滤波:对序列Qi进行一维中值滤波,滤波核大小为3;
步骤S1.3:将每一行中频数最大的灰度值,作为背景图Pbackground上该行所有像素点的灰度值:求取序列Qi的最大值,作为背景图上第i行所有点的灰度值;
步骤S1.4:重复执行步骤S1.1到S1.3,遍历完所有的行。
步骤S2:求取背景图Pbackground和碳纤维复合芯导线原始图Poriginal之间各位置对应的像素点的像素差值的绝对值,得到背景差分图P,即P=|Pbackground-Poriginal|,背景差分图P如图3所示。人工剪裁出P中的破损区域S,破损区域S如图4所示;
步骤S3:随机改变S的形状、亮度、对比度,得到新缺陷S′,亮度变化范围为原图像的0.3~0.8倍。改变形状结果如图5所示。其中,随机改变截选出的破损部分S的形状包括以下几个步骤:
步骤S3.1:取破损区域S的几何中心点O作为原点建立一个极坐标系;
步骤S3.2:以极角坐标为依据等角度间隔地对破损区域S所有边界点采样360次得到360个点x1、x2、……、x360,获取这些点的坐标序列{(θ1,l1),(θ2,l2),……,(θ360,l360)}(θi为极角坐标,li为极径坐标);
步骤S3.3:将每个边界点xi的坐标(θi,li)乘以一个随机数ri得到新的点x′i和它的坐标(θ′i,l′i),即θ′i=θi*ri、l′i=li*ri,最终得到360个新点x'1、x′2、……、x′360和一个新坐标序列{(θ′1,l′1),(θ′2,l'2),……,(θ′3 ' 60,l′360)};其中,随机数ri的确定包括以下步骤:
步骤3.3.1:以极角坐标为依据等角度间隔地对x1、x2、……、x360采样100次得到100个点X1、X2、……、X100,并确定这100个点的随机数R1、R2、……、R100,(0.5<Rj<1.5);
步骤3.3.2:确定剩下点的随机数,若xi位于Xj、Xj+1之间,则xi所乘的随机数ri必满足Rj<ri<Rj+1或Rj+1<ri<Rj;
步骤S3.4:将x′1、x′2、……、x′360相连得到一条新的边界曲线L;
步骤S3.5:对被L包围的像素点赋值。赋值的过程包含以下步骤:
步骤S3.5.1:将x′1、x'2、……、x'360与原点O相连得到360条直线m1、m2、……、m360;
步骤S3.5.2:任意选取被L包围的一点k′,找出与k'最近的一条直线mi;
步骤S3.5.3:mi所对应边界点为x′i,将k′坐标除以与x′i对应的ri得到坐标k;
步骤S3.5.4:在x1、x2、……、x360中找出与k点欧式距离最近的一点,将该点的像素值赋给k′;
步骤S3.5.5:重复S3.5.2~S3.5.4,直至被L包围的像素点被全部赋值。
步骤S4:将步骤S3中随机生成的缺陷S′与原始碳纤维复合芯导线X射线图像Poriginal相融合,结果如图6所示。融合方式为:若原始碳纤维复合芯导线X射线图像Poriginal共有m行个像素点,则在其第或(取决于m的奇偶性,若m为偶数,取如果m为奇数,取)行上任取一点P,将P点与随机生成的缺陷S′的几何中心点O′作为原点在各自图像中建立直角坐标系,可以在Poriginal内找到坐标与S′内各点坐标相同的点,将这些点的像素值减去S′内与之坐标相同的点的像素值。
有益效果:与现有技术相比,本发明的技术方案具有以下有益技术效果:
本发明提供了一种碳纤维复合芯导线的X射线缺陷图像样本生成方法,主要解决在利用深度学习技术对碳纤维复合芯导线X射线图像实现碳纤维复合芯导线破损自动检测时破损样本不足的问题。使用该方法生成的样本数据更符合实际中碳纤维复合芯导线破损的情况且具有多样性,能够赋予深度模型更强的鲁棒性。
附图说明
图1是本发明实施例中碳纤维复合芯导线图像背景估计算法流程图;
图2是原始的有缺陷的碳纤维复合芯导线的X射线图像;
图3是经过背景减除后的碳纤维复合芯导线的X射线图像;
图4是截选出碳纤维复合芯导线破损部分的X射线图像;
图5是对截选出的碳纤维复合芯导线破损部分的X射线图像变形后的结果示意图;
图6是样本生成结果与原始碳纤维复合芯导线X射线图像相融合的结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
步骤S1:对1000张原始有缺陷的碳纤维复合芯导线的X射线图像作背景估计得到背景图Pbackground。背景估计流程图如图1所示,单张原始有缺陷的碳纤维复合芯导线的X射线图像如图2所示。其中,背景估计的具体过程包括以下步骤:
步骤S1.1:统计不同图像同一行的灰度直方图:将所有图中同一行的灰度进行直方图统计,横轴为灰度级,纵轴为像素个数,得到每个灰度级对应的频数,构成一个一维序列Qi,一共有64行,因此i∈[1,64];
步骤S1.2:对全部灰度直方图进行中值滤波:对序列Qi进行一维中值滤波,滤波核大小为3;
步骤S1.3:将每一行中频数最大的灰度值,作为背景图Pbackground上该行所有像素点的灰度值:求取序列Qi的最大值,作为背景图上第i行所有点的灰度值;
步骤S1.4:重复执行步骤S1.1到S1.3,遍历完所有的行。
步骤S2:求取背景图Pbackground和碳纤维复合芯导线原始图Poriginal之间各位置对应的像素点的像素差值的绝对值,得到背景差分图P,即P=|Pbackground-Poriginal|,背景差分图P如图3所示。人工剪裁出P中的破损区域S,破损区域S如图4所示;
步骤S3:随机改变S的形状、亮度、对比度,得到新缺陷S′,亮度变化范围为原图像的0.3~0.8倍。改变形状结果如图5所示。其中,随机改变截选出的破损部分S的形状包括以下几个步骤:
步骤S3.1:取破损区域S的几何中心点O作为原点建立一个极坐标系;
步骤S3.2:以极角坐标为依据等角度间隔地对破损区域S所有边界点采样360次得到360个点x1、x2、……、x360,获取这些点的坐标序列{(θ1,l1),(θ2,l2),……,(θ360,l360)}(θi为极角坐标,li为极径坐标);
步骤S3.3:将每个边界点xi的坐标(θi,li)乘以一个随机数ri得到新的点x′i和它的坐标(θ′i,l′i),即θ′i=θi*ri、l′i=li*ri,最终得到360个新点x′1、x′2、……、x′360和一个新坐标序列{(θ′1,l′1),(θ′2,l′2),……,(θ′360,l′360)};其中,随机数ri的确定包括以下步骤:
步骤3.3.1:以极角坐标为依据等角度间隔地对x1、x2、……、x360采样100次得到100个点X1、X2、……、X100,并确定这100个点的随机数R1、R2、……、R100,(0.5<Rj<1.5);
步骤3.3.2:确定剩下点的随机数,若xi位于Xj、Xj+1之间,则xi所乘的随机数ri必满足Rj<ri<Rj+1或Rj+1<ri<Rj;
步骤S3.4:将x′1、x′2、……、x′360相连得到一条新的边界曲线L;
步骤S3.5:对被L包围的像素点赋值。赋值的过程包含以下步骤:
步骤S3.5.1:将x′1、x′2、……、x′360与原点O相连得到360条直线m1、m2、……、m360;
步骤S3.5.2:任意选取被L包围的一点k′,找出与k′最近的一条直线mi;
步骤S3.5.3:mi所对应边界点为x′i,将k′坐标除以与x′i对应的ri得到坐标k;
步骤S3.5.4:在x1、x2、……、x360中找出与k点欧式距离最近的一点,将该点的像素值赋给k′;
步骤S3.5.5:重复S3.5.2~S3.5.4,直至被L包围的像素点被全部赋值。
步骤S4:将步骤S3中随机生成的缺陷S′与原始碳纤维复合芯导线X射线图像Poriginal相融合,结果如图6所示。融合方式为:若原始碳纤维复合芯导线X射线图像Poriginal共有m行个像素点,则在其第或(取决于m的奇偶性)行上任取一点P,将P点与随机生成的缺陷S′的几何中心点O′作为原点在各自图像中建立直角坐标系,可以在Poriginal内找到坐标与S′内各点坐标相同的点,将这些点的像素值减去S′内与之坐标相同的点的像素值。值得注意的是,在选取P点位置时应确保在Poriginal内找到的与S′内各点一一对应的点全都不在破损区域S中。
需要理解的是,以上对本发明的具体实施例进行的描述只是为了说明本发明的技术路线和特点,其目的在于让本领域内的技术人员能够了解本发明的内容并据以实施,但本发明并不限于上述特定实施方式。凡是在本发明权利要求的范围内做出的各种变化或修饰,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种碳纤维复合芯导线的X射线缺陷图像样本生成方法,其特征在于,该方法包括如下步骤:
步骤S1:对原始有缺陷的碳纤维复合芯导线的X射线图像作背景估计得到背景图Pbackground;
步骤S2:求取背景图Pbackground和碳纤维复合芯导线原始图Poriginal之间各位置对应的像素点的像素差值的绝对值,得到背景差分图P,即P=|Pbackground-Poriginal|;并裁出P中的破损区域S;
步骤S3:随机改变S的形状、亮度、对比度,得到新缺陷S′;
步骤S4:将步骤S3中随机生成的缺陷S′与原始碳纤维复合芯导线X射线图像Poriginal相融合生成新的图像;
步骤S3的具体方法如下:
步骤S3.1:取破损区域S的几何中心点O作为原点建立一个极坐标系;
步骤S3.2:以极角坐标为依据等角度间隔地对破损区域S所有边界点采样360次得到360个点x1、x2、......、x360,获取这些点的坐标序列{(θ1,l1),(θ2,l2),......,(θ360,l360)},θi为极角坐标,li为极径坐标;
步骤S3.3:将每个边界点xi的坐标(θi,li)乘以一个随机数ri得到新的点x′i和它的坐标(θ′i,l′i),即θ′i=θi*ri、l′i=li*ri,最终得到360个新点x′1、x′2、......、x′360和一个新坐标序列{(θ′1,l′1),(θ′2,l′2),......,(θ′360,l′360)};其中,随机数ri的确定包括以下步骤:
步骤3.3.1:以极角坐标为依据等角度间隔地对x1、x2、......、x360采样100次得到100个点X1、X2、......、X100,并确定这100个点的随机数R1、R2、......、R100,0.5<Rj<1.5;
步骤3.3.2:确定剩下点的随机数,若xi位于Xj、Xj+1之间,则xi所乘的随机数ri必满足Rj<ri<Rj+1或Rj+1<ri<Rj;
步骤S3.4:将x′1、x′2、......、x′360相连得到一条新的边界曲线L;
步骤S3.5:对被L包围的像素点赋值,赋值的过程包含以下步骤:
步骤S3.5.1:将x′1、x′2、......、x′360与原点O相连得到360条直线m1、m2、......、m360;
步骤S3.5.2:任意选取被L包围的一点k′,找出与k′最近的一条直线mi;
步骤S3.5.3:mi所对应边界点为x′i,将k′坐标除以与x′i对应的ri得到坐标k;
步骤S3.5.4:在x1、x2、......、x360中找出与k点欧式距离最近的一点,将该点的像素值赋给k′;
步骤S3.5.5:重复S3.5.2~S3.5.4,直至被L包围的像素点被全部赋值。
2.根据权利要求1所述的一种碳纤维复合芯导线的X射线缺陷图像样本生成方法,其特征在于,步骤S1中的背景估计的具体过程包括以下步骤:
步骤S1.1:统计不同图像同一行的灰度直方图:将所有图中同一行的灰度进行直方图统计,横轴为灰度级,纵轴为像素个数,得到每个灰度级对应的频数,构成一个一维序列Qi,i∈[1,N];
步骤S1.2:对全部灰度直方图进行中值滤波:对序列Qi进行一维中值滤波,滤波核大小为3;
步骤S1.3:将每一行中频数最大的灰度值,作为背景图Pbackground上该行所有像素点的灰度值:求取序列Qi的最大值,作为背景图上第i行所有点的灰度值;
步骤S1.4:重复执行步骤S1.1到S1.3,遍历完所有的行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010181471.2A CN111429411B (zh) | 2020-03-16 | 2020-03-16 | 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010181471.2A CN111429411B (zh) | 2020-03-16 | 2020-03-16 | 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429411A CN111429411A (zh) | 2020-07-17 |
CN111429411B true CN111429411B (zh) | 2023-04-25 |
Family
ID=71553532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010181471.2A Active CN111429411B (zh) | 2020-03-16 | 2020-03-16 | 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429411B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526867B (zh) * | 2022-09-30 | 2023-09-05 | 山东大学 | 碳纤维复合材料气瓶x射线图像裂纹缺陷提取方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087370A (zh) * | 2018-06-29 | 2018-12-25 | 华南理工大学 | 一种铸件海绵状缺陷图像生成方法 |
CN110288565A (zh) * | 2019-05-22 | 2019-09-27 | 国网江苏省电力有限公司电力科学研究院 | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 |
CN110675359A (zh) * | 2019-06-29 | 2020-01-10 | 创新奇智(南京)科技有限公司 | 一种钢卷表面的缺陷样本生成方法、系统及电子设备 |
CN110689477A (zh) * | 2019-09-07 | 2020-01-14 | 创新奇智(重庆)科技有限公司 | 一种通用的瑕疵图像模拟方法 |
CN110853035A (zh) * | 2020-01-15 | 2020-02-28 | 征图新视(江苏)科技股份有限公司 | 工业视觉检测中基于深度学习的样本生成方法 |
-
2020
- 2020-03-16 CN CN202010181471.2A patent/CN111429411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109087370A (zh) * | 2018-06-29 | 2018-12-25 | 华南理工大学 | 一种铸件海绵状缺陷图像生成方法 |
CN110288565A (zh) * | 2019-05-22 | 2019-09-27 | 国网江苏省电力有限公司电力科学研究院 | 碳纤维复合芯导线的缺陷识别方法、装置及存储介质 |
CN110675359A (zh) * | 2019-06-29 | 2020-01-10 | 创新奇智(南京)科技有限公司 | 一种钢卷表面的缺陷样本生成方法、系统及电子设备 |
CN110689477A (zh) * | 2019-09-07 | 2020-01-14 | 创新奇智(重庆)科技有限公司 | 一种通用的瑕疵图像模拟方法 |
CN110853035A (zh) * | 2020-01-15 | 2020-02-28 | 征图新视(江苏)科技股份有限公司 | 工业视觉检测中基于深度学习的样本生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111429411A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111650204B (zh) | 基于级联目标检测的输电线路金具缺陷检测方法及系统 | |
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN112233092A (zh) | 一种用于无人机电力巡检智能缺陷检测的深度学习方法 | |
CN110346699B (zh) | 基于紫外图像处理技术的绝缘子放电信息提取方法及装置 | |
CN116721107B (zh) | 一种电缆生产质量智能监控系统 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN116109635B (zh) | 复合悬式绝缘子表面质量检测方法、装置、设备及介质 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN115937626A (zh) | 基于实例分割的半虚拟数据集自动生成方法 | |
CN111429411B (zh) | 一种碳纤维复合芯导线的x射线缺陷图像样本生成方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN116363136B (zh) | 一种机动车部件自动化生产在线筛选方法及系统 | |
CN114581446B (zh) | 一种叠片电池的电芯异常检测方法及系统 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 | |
CN117677969A (zh) | 一种缺陷检测的方法和装置 | |
CN113901947A (zh) | 一种小样本下的轮胎表面瑕疵智能识别方法 | |
CN113989793A (zh) | 一种石墨电极钢印文字识别方法 | |
CN113920087A (zh) | 基于深度学习的微小元器件缺陷检测系统及方法 | |
CN112949641A (zh) | 图像分割方法及电子设备、计算机可读存储介质 | |
CN112487916B (zh) | 一种电力设备双目三维立体识别系统 | |
CN115239793B (zh) | 一种hdmi线缆传输分拣智能控制方法及系统 | |
CN112101138B (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别系统及方法 | |
CN113487541B (zh) | 绝缘子检测方法及装置 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201201 Address after: 210000, No. four archway, Xuanwu District, Jiangsu, Nanjing 2 Applicant after: SOUTHEAST University Applicant after: STATE GRID JIANGSU ELECTRIC POWER COMPANY Research Institute Address before: 210000, No. four archway, Xuanwu District, Jiangsu, Nanjing 2 Applicant before: SOUTHEAST University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |