CN112669318B - 表面缺陷检测方法、装置、设备及存储介质 - Google Patents
表面缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112669318B CN112669318B CN202110283809.XA CN202110283809A CN112669318B CN 112669318 B CN112669318 B CN 112669318B CN 202110283809 A CN202110283809 A CN 202110283809A CN 112669318 B CN112669318 B CN 112669318B
- Authority
- CN
- China
- Prior art keywords
- gradient
- determining
- map
- normal
- pixel 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 128
- 230000007547 defect Effects 0.000 title claims abstract description 111
- 239000013598 vector Substances 0.000 claims abstract description 89
- 238000000034 method Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 239000003973 paint Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 101100512334 Bacillus subtilis (strain 168) mapB gene Proteins 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 101150112095 map gene Proteins 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005375 photometry Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Abstract
本发明公开了一种表面缺陷检测方法、装置、设备及存储介质，包括：获取待检测物体表面分别在多个光源照射下的检测图片，其中，多个光源的数量为至少3个；根据每个检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个检测图片对应的法向图，其中，法向图用于指示检测图片中每个像素点的法向量；根据法向图，确定法向图的梯度图，其中，梯度图用于指示法向图中每个像素点的梯度值；根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。该表面缺陷检测方法的检测准确性较高。
Description
技术领域
本发明实施例涉及缺陷检测领域，尤其涉及一种表面缺陷检测方法、装置、设备及存储介质。
背景技术
飞机蒙皮是指包围在飞机骨架结构外且用粘接剂或铆钉固定于骨架上，形成飞机气动力外形的维形构件，其是飞机保持良好气动外形的重要结构。在飞行过程中，飞机蒙皮会时刻受到变化的外界压力，其表面的缺陷会影响飞行的安全性。因此，对飞机蒙皮的表面缺陷进行检测非常重要。
目前，主要使用传统机器视觉进行检测：采集单光源照射下的飞机蒙皮表面的图像，然后通过图像增强技术使得该图像中的缺陷与正常表面的反差更明显，再使用基于传统机器视觉训练出的识别模型进行缺陷识别。
但是，由于飞机外形曲面复杂，缺陷种类繁多，利用图像增强技术以及识别模型识别出的缺陷不够全面，造成识别准确率较低。
发明内容
本发明提供一种表面缺陷检测方法、装置、设备及存储介质，以解决目前的表面缺陷检测方法准确率较低的技术问题。
第一方面，本发明实施例提供一种表面缺陷检测方法，包括：
获取待检测物体表面分别在多个光源照射下的检测图片；其中，所述多个光源的数量为至少3个；
根据每个所述检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个所述检测图片对应的法向图；其中，所述法向图用于指示所述检测图片中每个像素点的法向量；
根据所述法向图，确定所述法向图的梯度图；其中，所述梯度图用于指示所述法向图中每个像素点的梯度值；
根据所述梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。
第二方面，本发明实施例提供一种表面缺陷检测装置，包括：
获取模块，用于获取待检测物体表面分别在多个光源照射下的检测图片；其中，所述多个光源的数量为至少3个；
第一确定模块，用于根据每个所述检测图片中像素点的灰度值以及所述每个光源在像素点的方向向量，确定多个所述检测图片对应的法向图；其中，所述法向图用于指示所述检测图片中每个像素点的法向量；
第二确定模块，用于根据所述法向图，确定所述法向图的梯度图；其中，所述梯度图用于指示所述法向图中每个像素点的梯度值；
第三确定模块，用于根据所述梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的表面缺陷检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的表面缺陷检测方法。
本发明实施例提供一种表面缺陷检测方法、装置、设备及存储介质，该方法包括：获取待检测物体表面分别在多个光源照射下的检测图片，其中，多个光源的数量为至少3个；根据每个检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个检测图片对应的法向图，其中，法向图用于指示检测图片中每个像素点的法向量；根据法向图，确定法向图的梯度图，其中，梯度图用于指示法向图中每个像素点的梯度值；根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。该表面缺陷检测方法中，基于检测图片中像素点的法向量的变化程度，确定缺陷区域，一方面，基于待检测物体表面分别在多个光源照射下的检测图片，可以高精度重建待检测物体表面，从而，提高后续检测的鲁棒性与准确性，另一方面，在本实施例提供的检测方法中，待检测物体表面任何微小缺陷都会造成光场法矢量突变，从而被放大，利于检测，进而提高检测准确性，再一方面，本实施例提供的方法不需要进行识别模型训练，成本较低，又一方面，本实施例提供的方法的可解释性强，相较于识别模型，更便于实际运用。
附图说明
图1为本发明一个实施例提供的表面缺陷检测方法的流程示意图；
图2为光线反射原理的结构示意图；
图3为本发明另一个实施例提供的表面缺陷检测方法的流程示意图；
图4为二值化梯度图及连通区域的示意图；
图5为本发明一个实施例提供的表面缺陷检测装置的结构示意图；
图6为本发明另一个实施例提供的表面缺陷检测装置的结构示意图；
图7为本发明一个实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
本发明实施例提供的表面缺陷检测方法，基于光度学原理，通过使用漫反射原理、通过多角度光源照射产生的光学特性，还原飞机蒙皮表面状态的方法，从而实现飞机蒙皮表面划痕、凹陷、掉漆、磕碰伤等缺陷的准确检测。
图1为本发明一个实施例提供的表面缺陷检测方法的流程示意图。本实施例适用于对待检测物体表面的缺陷进行检测的场景中。本实施例可以由表面缺陷检测装置来执行，该表面缺陷检测装置可以由软件和/或硬件的方式实现，该表面缺陷检测装置可以集成于计算机设备中。如图1所示，本实施例提供的表面缺陷检测方法包括如下步骤：
步骤101：获取待检测物体表面分别在多个光源照射下的检测图片。
其中，多个光源的数量为至少3个。
具体地，本实施例中的待检测物品可以为需要对表面缺陷进行检测的物体，例如，对表面光滑度要求较高零件。示例性地，本实施例中的待检测物体可以为飞机蒙皮。本实施例中的表面缺陷可以包括：划痕、凹陷、掉漆及磕碰伤等。
本实施例利用光度立体视觉（Photometric stereo）算法，重建待检测物体表面信息。通过多个点光源多角度进行照射，得到不同方向照射的待检测物体表面的检测图片，并生成表面光场的法向量组成的法向图，然后通过法向量的梯度变化生成梯度图，从而进行缺陷的识别。
待检测物体表面的缺陷大致可分为划痕、凹陷、掉漆等类别。无论何种缺陷，其最终都将导致待检测物体表面形成一块“不平整”的区域，或者说，“不连续”的区域。在法向图中，这些区域都有一个共同的特征——它们的法向量变化相对较大。因此，我们可以根据法向量的变化程度判定某一区域是否属于缺陷。
表面缺陷如掉漆划伤凹陷、凸起等都会引起待检测物体表面光矢量出现突变，本实施例中，通过这光矢量生成法向图，通过法向图中多矢量突变特征的提取，间接识别缺陷。
光度立体视觉算法中，假设待检测物体表面是朗伯（Lambertian）表面，
Lambertian表面的每个点在接收到入射光的能量后，反射到各个方向的值都是一样的。当
光线照射到粗糙物体表面后，会无序地向四周反射，这一现象被称为漫反射。由于反射是无
序的，可以近似认为其向各个方向的反射的光线强度是一致的。因此，待检测物体表面的某
点的反射的光线强度为：
。其中，kd为待检测物体表面的漫反射系数，
Ilight为入射光的强度，Idiffuse为反射的光线强度，其可以通过相机采集到的该点的灰度值
来表征，θ为光线的入射方向与物体表面的该点的法向量的夹角，如图2所示。图2为光线反
射原理的结构示意图。
θ可以由入射光线方向向量与待检测物体表面该点的法向量计算得出，于是：
。
是待检测物体表面某点的法向量的方向向量，
是入射光线在该
点的方向向量。
与
均为单位向量。
在步骤101中，在将相机固定后，拍摄每个光源单独照射待检测物体表面时的图片。本实施例中为了描述方便，将拍摄到的图片称为检测图片。本实施例中的相机可以为Photometric相机。
一种实现方式中，多个光源与待检测物体表面之间的距离，以及，相机与待检测物体表面之间的距离相等。
需要说明的是，获取到的多张检测图片中，检测图片的像素点的数量以及像素点的排列方式均相同，不同的是，由于是在不同光源的照射下拍摄的图片，因此，同一位置的像素点的灰度值可能会不同。
步骤102：根据每个检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个检测图片对应的法向图。
其中，法向图用于指示检测图片中每个像素点的法向量。
具体地，在获取到多个检测图片之后，可以根据每个检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个检测图片对应的法向图。可选地，这里的法向图的数量为一张，即，根据多张检测图片，确定出一张法向图。法向图用于指示检测图片中每个像素点的法向量。
本实施例中的法向图实质是检测图片中每个像素点的法向量，按照检测图片中像素点的排列方式进行排列所构成的矩阵，也可以称其为法向矩阵。
一种实现方式中，在步骤102之前，针对每个光源，根据光源在世界坐标系下的坐标以及光源对应的检测图片中像素点在世界坐标系下的坐标值，确定光源在像素点的方向向量。
以下详细介绍如何确定光源在像素点的方向向量。本实施例中提前标定每个光源在像素点的方向向量。本实施例中可以结合Photometric相机以及深度相机，计算光源在像素点的方向向量。获得像素点的深度数据后，可根据下式转换到第一图像坐标系下。其中，第一图像坐标系为Photometric相机拍摄的图像的坐标系。
其中，[u,v]与[s,t]分别是第一图像坐标系与第二图像坐标系下的像素点的坐
标，第二图像坐标系为深度相机拍摄的深度图像的坐标系，dpn为该像素点的深度值，由深度
图像上取出；
、
、
、
分别是Photometric相机的内参矩阵、位姿矩阵和深度
相机的内参矩阵、位姿矩阵，这些矩阵由准备工作中相机标定获得；
，dpm为
Photometric相机的标定参数。
Photometric相机拍摄的图像上某一像素点对应的世界坐标系下的空间坐标即为：
因此，点光源在某个像素点的方向向量为：
其中，xlight为某一光源在世界坐标系下的坐标，x为该光源对应的检测图片中像素
点在世界坐标系下的坐标值。||xlight-x||表示xlight-x的范数。本实施例中光源对应的检测
图片指的是该光源照射待检测物体表面时所获取到的检测图片。可选地，
可以为三维向
量。
因此，针对每个光源，根据光源在世界坐标系下的坐标以及光源对应的检测图片中像素点在世界坐标系下的坐标值，可以确定出该光源在像素点的方向向量，进而，可以确定出该光源在所有像素点的方向向量。
可选地，步骤102的具体实现方式为：针对每个像素点，根据多个检测图片中像素点的灰度值、多个光源在像素点的方向向量、多个光源的入射光的强度以及待检测物体表面的漫反射系数，确定多个检测图片中像素点的法向量；将检测图片中所有像素点的法向量，按照检测图片中像素点的排列方式进行排列所组成的矩阵，确定为检测图片对应的法向图。
上述确定法向图的方式，实现简单且准确性较高。
更具体地，检测图片中每个像素点的法向量可以由反射光强度、入射光强度与入射方向计算得到。Photometric相机采集单通道的光线强度。假设光源的数量为6个。6个光源可以提供6组不同的入射方向，因此：
其中，
，
，
表示第一个光源对应的检测图片中
像素点的灰度值，
表示第二个光源对应的检测图片中像素点的灰度值，
表示第三
个光源对应的检测图片中像素点的灰度值，
表示第四个光源对应的检测图片中像素点
的灰度值，
表示第五个光源对应的检测图片中像素点的灰度值，
表示第六个光源
对应的检测图片中像素点的灰度值，这里的像素点指的是同一位置的像素点。
表示第一
个光源在像素点的方向向量，
表示第二个光源在像素点的方向向量，
表示第三个光源
在像素点的方向向量，
表示第四个光源在像素点的方向向量，
表示第五个光源在像素
点的方向向量，
表示第六个光源在像素点的方向向量。
表示像素点在x方向的法向量，
表示像素点在y方向的法向量，
表示像素点在z方向的法向量。
根据上述方式，可以确定出检测图片中每个像素点的法向量。假设检测图片的尺寸为M*N个，则确定出的法向量的个数也为M*N。将检测图片中所有像素点的法向量，按照检测图片中像素点的排列方式进行排列所组成的矩阵，确定为检测图片对应的法向图。
可选地，本实施例中确定出的法向图可以为一个三维矩阵，即，每个元素值为一个三维向量。
步骤103：根据法向图，确定法向图的梯度图。
其中，梯度图用于指示法向图中每个像素点的梯度值。
具体地，梯度表示了某像素点附近变化的“程度”。在实现中，可以使用3*3的Sobel算子对法向图进行卷积以计算法向图中每个像素点的梯度大小。即，
其中，
，
，N表示法向图。G表示梯度图。
可选地，本实施例中每个像素点的法向量可以包括第一方向分量、第二方向分量以及第三方向分量。相对应地，步骤103具体为：根据梯度算子以及法向图，确定法向图中每个像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值；根据法向图中每个像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值，确定像素点的法向量的梯度值；将检测图片中所有像素点的法向量的梯度值，按照检测图片中像素点的排列方式进行排列所组成的矩阵，确定为法向图的梯度图。
上述实现过程中，一方面利用梯度算子计算梯度值，实现效率较高；另一方面，基于每个像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值，确定该像素点的法向量的梯度值，在确定梯度值时考虑的因素较为全面，使得确定出的梯度值更为准确，从而，可以提高后续的检测准确性。
更具体地，可以将像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值的平均值作为该像素点的梯度值。
本实施例中的梯度图实质是法向图中每个像素点的梯度值，按照检测图片中像素点的排列方式进行排列所构成的矩阵，也可以称其为梯度矩阵。
步骤104：根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。
具体地，在确定出梯度图后，可以根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。
一种实现方式中，可以将梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定为缺陷区域。
另一种实现方式中，可以根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定连通区域，再将连通区域确定为缺陷区域。
再一种实现方式中，可以根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定连通区域，再将连通区域的最小包围盒确定为缺陷区域。
需要说明的是，为了统一描述，本实施例中将法向图及梯度图中的元素称为像素点，可以理解的是，在本实施例中，法向图及梯度图中的像素点即指的是元素。
本实施例提供一种表面缺陷检测方法，包括：获取待检测物体表面分别在多个光源照射下的检测图片，其中，多个光源的数量为至少3个；根据每个检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个检测图片对应的法向图，其中，法向图用于指示检测图片中每个像素点的法向量；根据法向图，确定法向图的梯度图，其中，梯度图用于指示法向图中每个像素点的梯度值；根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。该表面缺陷检测方法中，基于检测图片中像素点的法向量的变化程度，确定缺陷区域，一方面，基于待检测物体表面分别在多个光源照射下的检测图片，可以高精度重建待检测物体表面，从而，提高后续检测的鲁棒性与准确性，另一方面，在本实施例提供的检测方法中，待检测物体表面任何微小缺陷都会造成光场法矢量突变，从而被放大，利于检测，进而提高检测准确性，再一方面，本实施例提供的方法不需要进行识别模型训练，成本较低，又一方面，本实施例提供的方法的可解释性强，相较于识别模型，更便于实际运用。
图3为本发明另一个实施例提供的表面缺陷检测方法的流程示意图。本实施例提供的表面缺陷检测方法在图1所示实施例及各种可选的实现方案的基础上，对如何根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域作一详细说明。如图3所示，本实施例提供的表面缺陷检测方法包括如下步骤：
步骤301：获取待检测物体表面分别在多个光源照射下的检测图片。
其中，多个光源的数量为至少3个。
步骤302：根据每个检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个检测图片对应的法向图。
其中，法向图用于指示检测图片中每个像素点的法向量。
步骤303：根据法向图，确定法向图的梯度图。
其中，梯度图用于指示法向图中每个像素点的梯度值。
步骤301与步骤101、步骤302与步骤102、步骤303与步骤103的实现过程和技术原理类似，此处不再赘述。
步骤304：根据梯度图中对应的各个梯度值与预设阈值的大小关系，对梯度图进行二值化处理，得到二值化梯度图。
其中，梯度图中大于或者等于预设阈值的梯度值在二值化梯度图中的梯度值为第一数值，梯度图中小于预设阈值的梯度值二值化梯度图中的梯度值为第二数值。
具体地，由于待检测物体表面本身即有轻微的弯曲，且可能存在一定的环境噪声，为了减轻这些因素带来的影响，在步骤304中，基于预设阈值，对梯度图进行二值化，得到二值化梯度图。
一种实现方式中，
，其中，G（p）表示梯度图中第p个像
素点的梯度值，B（p）表示二值化梯度图中第p个像素点的梯度值。threshold表示预设阈值。
在该实现方式中，第一数值为1，第二数值为0。
预设阈值越大，受噪声干扰的影响越小，但也将降低“较为平整”的缺陷被检出的可能性。
步骤305：根据二值化梯度图中，对应的梯度值为第一数值的目标像素点的位置，确定目标像素点组成的连通区域。
具体地，在确定出二值化梯度图后，可以根据梯度值较大的像素点的位置，即，梯度值为第一数值的目标像素点的位置，确定目标像素点组成的连通区域。
可选地，步骤305包括如下步骤。
步骤3051：以每个目标像素点为顶点，以及，与目标像素点相邻的像素点对应的梯度值与目标像素点对应的梯度值是否相同的关系为边，建立第一图结构。
其中，第一图结构中，当目标像素点与相邻的像素点对应的梯度值相同时，目标像素点与相邻的像素点之间具有边。
二值化梯度图B示出了检测图片中法线变化较大的“像素点”。对于缺陷而言，每一个缺陷都是由相邻的梯度较大的像素点所形成的一块连通的“区域”。本实施例中，需要遍历二值化梯度中的这些像素点来找出缺陷区域。
首先，建立一个图，即G=(V,E), B中每一个值为1（白色）的目标像素点均对应一个
顶点
；对于
，
当且仅当
，
或
。即，若某目标像素点与其相邻的像素点都是白色（值为1），则G在中对应的
两个顶点间添加一条边，如图4所示。图4中以0、1、……、15表示像素点。
可选地，目标像素点相邻的像素点可以为该目标像素点右边或者下边的像素点。
图4为二值化梯度图及连通区域的示意图。在图4中，二值化梯度图为仅有“黑”“白”两色的图像。白色的部分即为梯度较大的部分，也即，梯度值为第一数值的像素点。
步骤3052：遍历第一图结构，确定连通区域。
具体地，在建立第一图结构之后，可以遍历该第一图结构，确定连通区域。
更具体地，可以利用广度优先搜索遍历G中的节点，即可找出各个连通的区域。实际上，G中每一棵树都是一个连通区域。连通区域如图4所示。
步骤306：根据目标像素点组成的连通区域，确定缺陷区域。
可选地，步骤306包括：将目标像素点组成的连通区域的最小包围盒，确定为缺陷区域。
示例性地，本实施例中的最小包围盒可以为连通区域的最小外接矩形。当然，本实施例中的最小包围盒还可以为连通区域的其他形状的最小包围盒。本实施例对此不做限制。最小包围盒的属性包括左上角的像素点的坐标、该最小包围盒的长度和宽度。可选地，最小包围盒的长度和宽度可以为像素的个数表示。
进一步地，由于可能会出现缺陷区域间相邻较近，但并不连通的情况，因此，输出的最小包围盒可能会发生重叠。若要优化这些重叠部分，可以对最小包围盒再进行一次合并，形成更大的包围盒。
当最小包围盒为多个，并且，至少两个最小包围盒之间具有重叠区域时，确定缺陷区域的过程可以为：以每个最小包围盒为顶点，以及，两个最小包围盒之间的距离与预设距离阈值的关系为边，建立第二图结构，其中，第二图结构中，当两个最小包围盒之间的距离小于预设距离阈值时，两个最小包围盒之间具有边；遍历第二图结构，确定由目标最小包围盒组成的超连通区域；将多个最小包围盒中除目标最小包围盒之外的剩余的最小包围盒，以及，超连通区域的最小包围盒，均确定为缺陷区域。这种实现方式可以在最小包围盒存在重叠区域的情况下，实现确定缺陷区域，进一步提高了检测的准确性。
更具体地，两个最小包围盒之间的距离可以为曼哈顿距离，以提升运行速度。
本实施例提供的表面缺陷检测方法，可以根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域，在这个过程中，一方面，对梯度图进行二值化处理，以减少环境噪声，进一步提高了检测准确性，另一方面，根据对应的梯度值为第一数值的目标像素点的位置，确定目标像素点组成的连通区域，再基于连通区域，确定缺陷区域，使得确定出的缺陷区域为连通的区域，而不是孤立的像素点，进一步提高了检测准确性。
图5为本发明一个实施例提供的表面缺陷检测装置的结构示意图。如图5所示，本实施例提供的表面缺陷检测装置包括如下模块：获取模块51、第一确定模块52、第二确定模块53以及第三确定模块54。
获取模块51，用于获取待检测物体表面分别在多个光源照射下的检测图片。
其中，多个光源的数量为至少3个。
示例性地，待检测物体为飞机蒙皮。
第一确定模块52，用于根据每个检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个检测图片对应的法向图。
其中，法向图用于指示检测图片中每个像素点的法向量。
可选地，该装置还包括：第四确定模块，用于针对每个光源，根据光源在世界坐标系下的坐标以及光源对应的检测图片中像素点在世界坐标系下的坐标值，确定光源在像素点的方向向量。
可选地，第一确定模块52具体用于：针对每个像素点，根据多个检测图片中像素点的灰度值、多个光源在像素点的方向向量、多个光源的入射光的强度以及待检测物体表面的漫反射系数，确定多个检测图片中像素点的法向量；将检测图片中所有像素点的法向量，按照检测图片中像素点的排列方式进行排列所组成的矩阵，确定为检测图片对应的法向图。
第二确定模块53，用于根据法向图，确定法向图的梯度图。
其中，梯度图用于指示法向图中每个像素点的梯度值。
可选地，法向量包括第一方向分量、第二方向分量以及第三方向分量。第二确定模块53具体用于：根据梯度算子以及法向图，确定法向图中每个像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值；根据法向图中每个像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值，确定像素点的法向量的梯度值；将检测图片中所有像素点的法向量的梯度值，按照检测图片中像素点的排列方式进行排列所组成的矩阵，确定为法向图的梯度图。
第三确定模块54，用于根据梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。
本发明实施例所提供的表面缺陷检测装置可执行本发明任意实施例所提供的表面缺陷检测方法，具备执行方法相应的功能模块和有益效果。
图6为本发明另一个实施例提供的表面缺陷检测装置的结构示意图。本实施例在图5所示实施例及各种可选的实现方案的基础上，对表面缺陷检测装置中第三确定模块54的结构作一详细说明。如图6所示，本实施例提供的表面缺陷检测装置的第三确定模块54包括如下子模块：第一确定子模块541、第二确定子模块542以及第三确定子模块543。
第一确定子模块541，用于根据梯度图中对应的各个梯度值与预设阈值的大小关系，对梯度图进行二值化处理，得到二值化梯度图。
其中，梯度图中大于或者等于预设阈值的梯度值在二值化梯度图中的梯度值为第一数值，梯度图中小于预设阈值的梯度值二值化梯度图中的梯度值为第二数值。
第二确定子模块542，用于根据二值化梯度图中，对应的梯度值为第一数值的目标像素点的位置，确定目标像素点组成的连通区域。
可选地，第二确定子模块542具体用于：以每个目标像素点为顶点，以及，与目标像素点相邻的像素点对应的梯度值与目标像素点对应的梯度值是否相同的关系为边，建立第一图结构，其中，第一图结构中，当目标像素点与相邻的像素点对应的梯度值相同时，目标像素点与相邻的像素点之间具有边；遍历第一图结构，确定连通区域。
第三确定子模块543，用于根据目标像素点组成的连通区域，确定缺陷区域。
可选地，第三确定子模块543具体用于将目标像素点组成的连通区域的最小包围盒，确定为缺陷区域。
更具体地，当最小包围盒为多个，并且，至少两个最小包围盒之间具有重叠区域时，第三确定子模块543具体用于以每个最小包围盒为顶点，以及，两个最小包围盒之间的距离与预设距离阈值的关系为边，建立第二图结构，其中，第二图结构中，当两个最小包围盒之间的距离小于预设距离阈值时，两个最小包围盒之间具有边；遍历第二图结构，确定由目标最小包围盒组成的超连通区域；将多个最小包围盒中除目标最小包围盒之外的剩余的最小包围盒，以及，超连通区域的最小包围盒，均确定为缺陷区域。
本发明实施例所提供的表面缺陷检测装置可执行本发明任意实施例所提供的表面缺陷检测方法，具备执行方法相应的功能模块和有益效果。
图7为本发明一个实施例提供的计算机设备的结构示意图。如图7所示，该计算机设备包括处理器70和存储器71。该计算机设备中处理器70的数量可以是一个或多个，图7中以一个处理器70为例；该计算机设备的处理器70和存储器71可以通过总线或其他方式连接，图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的表面缺陷检测方法对应的程序指令以及模块（例如，表面缺陷检测装置中的获取模块51、第一确定模块52、第二确定模块53以及第三确定模块54）。处理器70通过运行存储在存储器71中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及表面缺陷检测方法，即实现上述的表面缺陷检测方法。
存储器71可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器71可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器71可进一步包括相对于处理器70远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种表面缺陷检测方法，该方法包括：
获取待检测物体表面分别在多个光源照射下的检测图片；其中，所述多个光源的数量为至少3个；
根据每个所述检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个所述检测图片对应的法向图；其中，所述法向图用于指示所述检测图片中每个像素点的法向量；
根据所述法向图，确定所述法向图的梯度图；其中，所述梯度图用于指示所述法向图中每个像素点的梯度值；
根据所述梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的表面缺陷检测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述的表面缺陷检测方法。
值得注意的是，上述表面缺陷检测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (9)
1.一种表面缺陷检测方法，其特征在于，所述方法包括：
获取待检测物体表面分别在多个光源照射下的检测图片；其中，所述多个光源的数量为至少3个；
根据每个所述检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个所述检测图片对应的法向图；其中，所述法向图用于指示所述检测图片中每个像素点的法向量；
根据所述法向图，确定所述法向图的梯度图；其中，所述梯度图用于指示所述法向图中每个像素点的梯度值；
根据所述梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域；
其中，所述根据所述梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域，包括：
根据所述梯度图中对应的各个梯度值与所述预设阈值的大小关系，对所述梯度图进行二值化处理，得到二值化梯度图；其中，所述梯度图中大于或者等于所述预设阈值的梯度值在所述二值化梯度图中的梯度值为第一数值，所述梯度图中小于所述预设阈值的梯度值所述二值化梯度图中的梯度值为第二数值；
根据所述二值化梯度图中，对应的梯度值为第一数值的目标像素点的位置，确定所述目标像素点组成的连通区域；
根据所述目标像素点组成的连通区域，确定所述缺陷区域；
其中，所述根据所述目标像素点组成的连通区域，确定所述缺陷区域，包括：
将所述目标像素点组成的连通区域的最小包围盒，确定为所述缺陷区域；
其中，当所述最小包围盒为多个，并且，至少两个所述最小包围盒之间具有重叠区域时，所述将所述目标像素点组成的连通区域的最小包围盒，确定为所述缺陷区域，包括：
以每个所述最小包围盒为顶点，以及，两个所述最小包围盒之间的距离与预设距离阈值的关系为边，建立第二图结构；其中，所述第二图结构中，当两个所述最小包围盒之间的距离小于所述预设距离阈值时，两个所述最小包围盒之间具有边；
遍历所述第二图结构，确定由目标最小包围盒组成的超连通区域；
将多个所述最小包围盒中除所述目标最小包围盒之外的剩余的最小包围盒，以及，所述超连通 区域的最小包围盒，均确定为所述缺陷区域。
2.根据权利要求1所述的方法，其特征在于，所述根据所述二值化梯度图中，对应的梯度值为第一数值的目标像素点的位置，确定所述目标像素点组成的连通区域，包括：
以每个所述目标像素点为顶点，以及，与所述目标像素点相邻的像素点对应的梯度值是否与所述目标像素点对应的梯度值是否相同的关系为边，建立第一图结构；其中，所述第一图结构中，当所述目标像素点与相邻的像素点对应的梯度值相同时，所述目标像素点与所述相邻的像素点之间具有边；
遍历所述第一图结构，确定所述连通区域。
3.根据权利要求1至2任一项所述的方法，其特征在于，所述根据每个所述检测图片中像素点的灰度值以及所述每个光源在像素点的方向向量，确定多个所述检测图片对应的法向图之前，所述方法还包括：
针对每个光源，根据所述光源在世界坐标系下的坐标以及所述光源对应的检测图片中像素点在世界坐标系下的坐标值，确定所述光源在像素点的方向向量。
4.根据权利要求3所述的方法，其特征在于，所述根据每个所述检测图片中像素点的灰度值以及所述每个光源在像素点的方向向量，确定多个所述检测图片对应的法向图，包括：
针对每个像素点，根据多个所述检测图片中像素点的灰度值、多个所述光源在像素点的方向向量、多个光源的入射光的强度以及所述待检测物体表面的漫反射系数，确定多个所述检测图片中所述像素点的法向量；
将所述检测图片中所有所述像素点的法向量，按照所述检测图片中像素点的排列方式进行排列所组成的矩阵，确定为所述检测图片对应的法向图。
5.根据权利要求1至2任一项所述的方法，其特征在于，所述法向量包括第一方向分量、第二方向分量以及第三方向分量；
所述根据法向图，确定所述法向图的梯度图，包括：
根据梯度算子以及所述法向图，确定所述法向图中每个像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值；
根据所述法向图中每个像素点的第一方向分量的梯度值、第二方向分量的梯度值以及第三方向分量的梯度值，确定所述像素点的法向量的梯度值；
将所述检测图片中所有所述像素点的法向量的梯度值，按照所述检测图片中像素点的排列方式进行排列所组成的矩阵，确定为所述法向图的梯度图。
6.根据权利要求1至2任一项所述的方法，其特征在于，所述待检测物体为飞机蒙皮。
7.一种表面缺陷检测装置，其特征在于，包括：
获取模块，用于获取待检测物体表面分别在多个光源照射下的检测图片；其中，所述多个光源的数量为至少3个；
第一确定模块，用于根据每个所述检测图片中像素点的灰度值以及每个光源在像素点的方向向量，确定多个所述检测图片对应的法向图；其中，所述法向图用于指示所述检测图片中每个像素点的法向量；
第二确定模块，用于根据所述法向图，确定所述法向图的梯度图；其中，所述梯度图用于指示所述法向图中每个像素点的梯度值；
第三确定模块，用于根据所述梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域；
其中，所述根据所述梯度图中对应的梯度值大于预设阈值的像素点组成的区域，确定缺陷区域，包括：
根据所述梯度图中对应的各个梯度值与所述预设阈值的大小关系，对所述梯度图进行二值化处理，得到二值化梯度图；其中，所述梯度图中大于或者等于所述预设阈值的梯度值在所述二值化梯度图中的梯度值为第一数值，所述梯度图中小于所述预设阈值的梯度值所述二值化梯度图中的梯度值为第二数值；
根据所述二值化梯度图中，对应的梯度值为第一数值的目标像素点的位置，确定所述目标像素点组成的连通区域；
根据所述目标像素点组成的连通区域，确定所述缺陷区域；
其中，所述根据所述目标像素点组成的连通区域，确定所述缺陷区域，包括：
将所述目标像素点组成的连通区域的最小包围盒，确定为所述缺陷区域；
其中，当所述最小包围盒为多个，并且，至少两个所述最小包围盒之间具有重叠区域时，所述将所述目标像素点组成的连通区域的最小包围盒，确定为所述缺陷区域，包括：
以每个所述最小包围盒为顶点，以及，两个所述最小包围盒之间的距离与预设距离阈值的关系为边，建立第二图结构；其中，所述第二图结构中，当两个所述最小包围盒之间的距离小于所述预设距离阈值时，两个所述最小包围盒之间具有边；
遍历所述第二图结构，确定由目标最小包围盒组成的超连通区域；
将多个所述最小包围盒中除所述目标最小包围盒之外的剩余的最小包围盒，以及，所述超连通 区域的最小包围盒，均确定为所述缺陷区域。
8.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的表面缺陷检测方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的表面缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110283809.XA CN112669318B (zh) | 2021-03-17 | 2021-03-17 | 表面缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110283809.XA CN112669318B (zh) | 2021-03-17 | 2021-03-17 | 表面缺陷检测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669318A CN112669318A (zh) | 2021-04-16 |
| CN112669318B true CN112669318B (zh) | 2021-06-08 |
Family
ID=75399613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110283809.XA Active CN112669318B (zh) | 2021-03-17 | 2021-03-17 | 表面缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669318B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112858318B (zh) * | 2021-04-26 | 2021-08-06 | 高视科技(苏州)有限公司 | 屏幕异物缺陷与灰尘的区分方法、电子设备及存储介质 |
| CN113538432B (zh) * | 2021-09-17 | 2021-12-21 | 南通蓝城机械科技有限公司 | 一种基于图像处理的零件缺陷检测方法及系统 |
| CN114511565B (zh) * | 2022-04-19 | 2022-07-26 | 杭州灵西机器人智能科技有限公司 | 基于多角度光源的2.5d缺陷检测方法、装置、设备及介质 |
| CN114972892B (zh) * | 2022-07-12 | 2022-10-21 | 山东嘉通专用汽车制造有限公司 | 基于计算机视觉的汽车刹车片缺陷分类方法 |
| CN115272258A (zh) * | 2022-08-03 | 2022-11-01 | 无锡九霄科技有限公司 | 基于机器视觉的金属圆柱面缺陷检测方法、系统和介质 |
| CN115980059B (zh) * | 2022-12-21 | 2023-12-15 | 中科慧远视觉技术（洛阳）有限公司 | 表面缺陷检测系统及其检测方法、装置、设备、存储介质 |
| CN116071357B (zh) * | 2023-03-07 | 2023-06-16 | 飞杨电源技术(深圳)有限公司 | 一种大功率充电器表面缺陷检测方法 |
| CN115953409B (zh) * | 2023-03-15 | 2023-05-30 | 深圳市深奇浩实业有限公司 | 基于图像处理的注塑件表面缺陷检测方法 |
| CN116580028B (zh) * | 2023-07-12 | 2023-11-03 | 深圳思谋信息科技有限公司 | 一种物体表面缺陷检测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523541A (zh) * | 2018-11-23 | 2019-03-26 | 五邑大学 | 一种基于视觉的金属表面细微缺陷检测方法 |
| US10311569B1 (en) * | 2015-12-31 | 2019-06-04 | Cerner Innovation, Inc. | Identifying liquid blood components from sensed data to monitor specimen integrity |
| CN110308153A (zh) * | 2019-08-03 | 2019-10-08 | 广西师范大学 | 基于单目立体视觉的金属工件缺陷检测方法、系统、存储介质、以及装置 |
| US10582187B2 (en) * | 2015-02-20 | 2020-03-03 | Tetra Tech, Inc. | 3D track assessment method |
| CN110874862A (zh) * | 2018-08-30 | 2020-03-10 | 中国石油化工股份有限公司 | 用于三维重建的系统及方法 |
| CN110874863A (zh) * | 2018-08-30 | 2020-03-10 | 中国石油化工股份有限公司 | 三维重建方法和用于三维重建的系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101256157B (zh) * | 2008-03-26 | 2010-06-02 | 广州中国科学院工业技术研究院 | 表面缺陷检测方法和装置 |
| US11511373B2 (en) * | 2017-08-25 | 2022-11-29 | Massachusetts Institute Of Technology | Sensing and control of additive manufacturing processes |
| CN108230321A (zh) * | 2018-01-19 | 2018-06-29 | 深圳市亿图视觉自动化技术有限公司 | 缺陷检测方法及装置 |
| CN110992328B (zh) * | 2019-11-28 | 2024-04-02 | 京东方科技集团股份有限公司 | 暗点检测方法和装置 |
-
2021
- 2021-03-17 CN CN202110283809.XA patent/CN112669318B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10582187B2 (en) * | 2015-02-20 | 2020-03-03 | Tetra Tech, Inc. | 3D track assessment method |
| US10311569B1 (en) * | 2015-12-31 | 2019-06-04 | Cerner Innovation, Inc. | Identifying liquid blood components from sensed data to monitor specimen integrity |
| CN110874862A (zh) * | 2018-08-30 | 2020-03-10 | 中国石油化工股份有限公司 | 用于三维重建的系统及方法 |
| CN110874863A (zh) * | 2018-08-30 | 2020-03-10 | 中国石油化工股份有限公司 | 三维重建方法和用于三维重建的系统 |
| CN109523541A (zh) * | 2018-11-23 | 2019-03-26 | 五邑大学 | 一种基于视觉的金属表面细微缺陷检测方法 |
| CN110308153A (zh) * | 2019-08-03 | 2019-10-08 | 广西师范大学 | 基于单目立体视觉的金属工件缺陷检测方法、系统、存储介质、以及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于P-ReliefF特征选择方法的带钢表面缺陷识别;屈尔庆等;《电子测量与仪器学报》;20170731;第31卷(第7期);1053-1060页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669318A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669318B (zh) | 表面缺陷检测方法、装置、设备及存储介质 | |
| US10115035B2 (en) | Vision system and analytical method for planar surface segmentation | |
| CN109801333B (zh) | 体积测量方法、装置、系统及计算设备 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| EP3213292A1 (en) | Three dimensional object recognition | |
| CN103727930A (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
| CN112613378A (zh) | 3d目标检测方法、系统、介质及终端 | |
| JP2016166853A (ja) | 位置推定装置および位置推定方法 | |
| Zhang et al. | Stud pose detection based on photometric stereo and lightweight YOLOv4 | |
| CN111709923A (zh) | 一种三维物体检测方法、装置、计算机设备和存储介质 | |
| US20210350115A1 (en) | Methods and apparatus for identifying surface features in three-dimensional images | |
| EP3867866A1 (en) | Automated inspection for sheet parts of arbitrary shape from manufactured film | |
| CN110648359A (zh) | 一种果实目标定位识别方法及系统 | |
| Fischer et al. | A feature descriptor for texture-less object representation using 2D and 3D cues from RGB-D data | |
| Tang et al. | Cascaded foreign object detection in manufacturing processes using convolutional neural networks and synthetic data generation methodology | |
| US11468609B2 (en) | Methods and apparatus for generating point cloud histograms | |
| CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 | |
| CN116309817A (zh) | 一种基于rgb-d相机的托盘检测与定位方法 | |
| CN113313803A (zh) | 垛型分析方法、装置、计算设备及计算机存储介质 | |
| JPS6298204A (ja) | 物体認識方法およびその装置 | |
| Fernandes et al. | A fast and accurate approach for computing the dimensions of boxes from single perspective images | |
| CN116579955B (zh) | 一种新能源电芯焊缝反光点去噪和点云补全方法及系统 | |
| CN115131298B (zh) | 一种面向二维图像拍摄的视点可见性评估方法 | |
| Weinmann et al. | Point cloud registration | |
| WO2023026703A1 (ja) | 画像解析装置、方法及びプログラム |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231204 Address after: Room 712, South, No. 69 Zhangjiang Road, China (Shanghai) Pilot Free Trade Zone, Pudong New Area, Shanghai, 2012 Patentee after: Shangfei Intelligent Technology Co.,Ltd. Address before: 919 Shangfei Road, Pudong New Area, Shanghai, 201324 Patentee before: SHANGHAI AIRCRAFT MANUFACTURING Co.,Ltd. |
|
| TR01 | Transfer of patent right |