CN112858351A - 一种基于机器视觉的x射线无损探伤方法 - Google Patents
一种基于机器视觉的x射线无损探伤方法 Download PDFInfo
- Publication number
- CN112858351A CN112858351A CN201911193042.0A CN201911193042A CN112858351A CN 112858351 A CN112858351 A CN 112858351A CN 201911193042 A CN201911193042 A CN 201911193042A CN 112858351 A CN112858351 A CN 112858351A
- Authority
- CN
- China
- Prior art keywords
- machine vision
- image
- nondestructive inspection
- ray
- inspection method
- 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.)
- Pending
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000007547 defect Effects 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 abstract description 3
- 239000010959 steel Substances 0.000 abstract description 3
- 238000005266 casting Methods 0.000 abstract 2
- 238000000926 separation method Methods 0.000 abstract 2
- 238000005242 forging Methods 0.000 abstract 1
- 230000005855 radiation Effects 0.000 abstract 1
- 238000009826 distribution Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002893 slag Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910021417 amorphous silicon Inorganic materials 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N23/02—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 by transmitting the radiation through the material
- G01N23/04—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 by transmitting the radiation through the material and forming images of the material
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开一种基于机器视觉的X射线无损探伤方法,比较合适钢铁领域中对已经成型、即将出厂的成品板材及棒材进行出厂检验。或者对铸造成型的精密复杂零件进行内部缺陷检测。其应用的场景包括铸件、锻件、工业元器件、汽车轮毂等产品内部结构检测。采用X射线扫描并获取零件图像后,经处理后得到图像的灰度值信息。然后利用机器视觉技术和图像处理算法得到零件的轮廓信息。最后综合灰度值信息和轮廓信息确定零件缺陷的分离阈值,实现零件完整部分及内部缺陷的分离。这种使用机器视觉来代替人工检测的方法,解决了人工检测可靠率低及辐射的问题;且X射线照射出的照片清晰度比较高,基本成像还优于相机成像,对机器视觉来说更好实现在线检测。
Description
技术领域
本发明属于X射线无损检测领域,具体来说是一种基于机器视觉的X射线无损探伤方法,用来探测金属材料或部件内部的裂纹或缺陷。
背景技术
机器视觉检测技术是未来代替人眼做测量和判断的智能技术.视觉检测技术是指通过机器视觉,将被摄取目标转换成图像信号,传送给专门的图像处理系统,根据像素分布和亮度,颜色等信息,将图像信息转变为数字化信号,图像系统通过算法对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来判定产品的好坏。它在检测缺陷和防止缺陷产品进入下游生产领域的作用具有不可估量的价值。
随着制造技术的发展,各类结构复杂的零件层出不穷,对零件不仅需要测量表面轮廓信息,更需获取内部缺陷等信息。为了获取零件内部信息而不破坏零件本身,这就需要X射线无损检测技术。
无损检测NDT(Non-destructive testing),就是利用声、光、磁和电等特性,在不损害或不影响被检对象使用性能的前提下,检测被检对象中是否存在缺陷或不均匀性,给出缺陷的大小、位置、性质和数量等信息,进而判定被检对象所处技术状态(如合格与否、剩余寿命等)的所有技术手段的总称。而在钢铁领域中检测复杂机械零件中能应用的机器视觉中的探伤方法是X光射线探伤。X探伤方法是指用X射线穿透试件,以胶片作为记录信息的器材的无损检测方法,该方法是最基本的,应用最广泛的一种非破坏性检验方法。X射线具备独特的性质,能通过穿透物品,并且根据物品内部不同结构对射线能量衰减不同的原理,最终可以分析射线穿透后的成像来获取物体的内部结构。
目前无损探伤有多种方式,X射线的方式就其中一种,X射线检测技术结果直观、影像可以长期保存,探伤灵敏度很高,对体积状缺陷敏感,缺陷影像的平面分布真实、尺寸测量准确.对被测物的表面光洁度没有严格要求。
目前进行X射线无损探伤的仪器一般都需要人工操作,对人身体有一定害,成本较高,底片需专门送洗。而且虽然对检测体积型的缺陷比较敏感,但是定位缺陷的埋藏深度和厚度这些功能比较有限.
发明内容
针对上述问题,本发明提出一种基于机器视觉的X射线无损探伤方法,在钢铁领域中,利用X射线无损探伤检测系统用来探测金属材料或部件内部的裂纹或缺陷。
本发明基于机器视觉的X射线无损探伤方法,具体步骤如下:
步骤1:对被测物进行夹装固定;
步骤2:通过x射线照射被测物;
步骤3:通过数字平板探测器获得被测物数字图像信息;
步骤4:数字图像滤波处理;
步骤5:滤除不合格图像;
步骤6:获得合格的数字图像信息的灰度值;
步骤7:通过灰度值进行元件缺陷检测。
本发明的优点在于:
1、本发明所提供的一种基于机器视觉的X射线无损探伤系统可以无损检测,并且获得缺陷的直观图像,定性准确,对长度、宽度尺寸的定量也比较准确;
2、本发明所提供的一种基于机器视觉的X射线无损探伤系统对体积型缺陷(气孔、夹渣、夹钨、烧穿、咬边、焊瘤、凹坑等)检出率很高,
3、本发明所提供的一种基于机器视觉的X射线无损探伤系统在数字化X射线探伤图像检测前加入图像的质量的分析和判断,从而采用中值去噪方式滤波,针对曝光程度来衡量采集到的图像是否符合缺陷识别系统的检测要求,优化系统的整体算法结构。
4、本发明所提供的一种基于机器视觉的X射线无损探伤系统,利用神经网络训练大量样本,获取权重的合理分配,提高X射线图像质量判断的正确率的同时也提高了整个系统的检测正确率;
5、本发明所提供的一种基于机器视觉的X射线无损探伤系统检测效率高,工件无需翻转即可完成正反面检测,而且可以在不同零件中快速切换;
附图说明
图1为本发明基于机器视觉的X射线无损探伤方法流程图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
本发明基于机器视觉的X射线无损探伤方法,具体步骤如下:
步骤1:对被测物进行夹装固定
通过在样品平台上安装夹具,通过夹具对被测物进行加持,实现被测物在样品平台上的固定。若被测物尺寸较大,则在样品平台两侧对应位置安装夹具对被测物两端两端进行加持。若被测物尺寸较小,则仅需在样品平台中部安装夹具加持被测物即可。上述待测元件工装夹具根据具体被测物外形具体设计,一般分为夹片式、夹钳式、十字式、柱式等不同形状的夹持器,在夹紧元件的同时,不妨碍X射线照射元件。
步骤2:通过x射线照射被测物
通过样品平台上方支架上安装的X射线发光管向被测物发射x射线。该X射线发光管安装于支架上固定的三轴移动平台上,实现x射线发光管空间三轴上的移动,使x射线对被测物整体进行照射。
步骤3:获得被测物数字图像信息
由被测物下方,安装于样品平台下表面的数字平板探测器直接获得数字化图像信息。数字平板探测器可以取代传统胶片等材料,将X射线透照工件生成的图像信号转换成易于存储和处理,符合一定行业标准的数字图像。本发明采用非晶硅平板探测器,使X射线先经荧光介质材料转换成可见光,再由光敏元件将可见光信号转换成电信号,最后将模拟电信号经A/D转换成数字信号。本发明采用数字平板探测器除了转换效率高,动态范围广还有空间分辨率高和环境适应性强。
步骤4:数字图像滤波处理
由计算机中图像处理系统获取步骤3中得到的数字图像信息,针对X射线图像的低对比度、噪声多等特点,对含有高斯噪声的数字图像进行仿真,从而采用中值去噪方式滤波,即保护了图像的细节信息又实现了图像去噪后的重构。
步骤5:滤除不合格图像
滤波后的数字图像以曝光程度来衡量采集到的图像是否符合缺陷识别系统的检测要求,滤除过度曝光和欠缺曝光的图像,减少对不合格图像的多余处理,优化的整体算法结构。
步骤5:获得合格的数字图像信息的灰度值
通过计算机中的机器视觉系统对滤波后的数字图像信息进行处理,得到数字图像上个点的灰度值;灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值),灰度范围为0-255。其中需要用到的方法就是二值化,,二值化的目的是将上步的图像增强结果转换成黑白二值图像,从而能得到清晰的边缘轮廓线,更好地为边缘提取、图像分割、目标识别等后续处理服务。具体为:
图像的像素矩阵中的每个像素的灰度值为0(黑色)或者255(白色),使整个图像呈现只有黑和白的效果。但一个像素在灰度化之后的灰度值的确定需要取一个阀值。本发明采用直方图方法来寻找二值化阀值,直方图是图像的重要特质。直方图方法认为图像由前景和背景组成,在灰度直方图上,背景与各个目标在图像的直方图各自形成一个波峰,即区域与波峰一一对应,每两个波峰之间形成一个波谷。那么,选择双峰之间的波谷所代表的灰度值T作为阈值,即可实现两个区域的分割。用上述算法确定最佳阈值T后,对灰度直方图作中低通滤波,进行图像的预处理,降低或去除噪声。
步骤6:元件缺陷检测
如果在探伤区域中有气孔,夹渣等缺陷,缺陷区域透过的X射线较多,所以在显示器上显示的图像就会形成一个亮点或一条亮线,图像缺陷判断就是利用上一步分析的图像灰度值来检测探伤图像是否出现缺陷。元件的缺陷也是多种多样的,每种缺陷表现出来的灰度特点也是不一样的。本发明中总结了不同缺陷的特点,并存储在数据库中,还可以通过自学习系统,利用神经网络训练大量样本,提高判断正确率。机器视觉系统还可以根据对比分析出的缺陷图像定位缺陷在元器件中的位置及轮廓。
本发明实现了无损探伤检测系统的智能判定,并通过大数据深度学习智能检测工具,自动获取图像信息进行分析处理,对合格品和不良品进行分类和剔除。
Claims (6)
1.一种基于机器视觉的X射线无损探伤方法,其特征在于:具体步骤如下:
步骤1:对被测物进行夹装固定;
步骤2:通过x射线照射被测物;
步骤3:通过数字平板探测器获得被测物数字图像信息;
步骤4:数字图像滤波处理;
步骤5:滤除不合格图像;
步骤6:获得对合格的数字图像信息的灰度值;
步骤7:通过灰度值进行元件缺陷检测。
2.如权利要求1所述一种基于机器视觉的X射线无损探伤方法,其特征在于:步骤5中,以曝光程度来衡量采集到的图像是否符合缺陷识别系统的检测要求,滤除过度曝光和欠缺曝光的图像。
3.如权利要求1所述一种基于机器视觉的X射线无损探伤方法,其特征在于:步骤6中,通过机器视觉系统对滤波后的数字图像信息进行处理,通过二值化方法得到数字图像上个点的灰度值,具体方法为:
图像中每个像素在灰度化之后的灰度值的确定需要取一个阀值,采用直方图方法来寻找二值化阀值,在灰度直方图上,背景与各个目标在图像的直方图各自形成一个波峰,即区域与波峰一一对应,每两个波峰之间形成一个波谷;因此选择双峰之间的波谷所代表的灰度值T作为阈值,即可实现两个区域的分割。
4.如权利要求1所述一种基于机器视觉的X射线无损探伤方法,其特征在于:步骤7中,利用图像灰度值与数据库中存储的不同缺陷特点进行对比,检测探伤图像是否出现缺陷。
5.如权利要求1所述一种基于机器视觉的X射线无损探伤方法,其特征在于:步骤7中,通过自学习系统,利用神经网络训练大量样本,存储于数据库中,用于进行对比提高判断正确率。
6.如权利要求1所述一种基于机器视觉的X射线无损探伤方法,其特征在于:步骤6中,确定最佳阈值T后,对灰度直方图作中低通滤波,进行图像的预处理,降低或去除噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193042.0A CN112858351A (zh) | 2019-11-28 | 2019-11-28 | 一种基于机器视觉的x射线无损探伤方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911193042.0A CN112858351A (zh) | 2019-11-28 | 2019-11-28 | 一种基于机器视觉的x射线无损探伤方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112858351A true CN112858351A (zh) | 2021-05-28 |
Family
ID=75995716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911193042.0A Pending CN112858351A (zh) | 2019-11-28 | 2019-11-28 | 一种基于机器视觉的x射线无损探伤方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112858351A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354649A (zh) * | 2021-12-29 | 2022-04-15 | 华中科技大学 | 一种cmp垫的金属微粒缺陷的检测装置及方法 |
CN114871130A (zh) * | 2022-03-30 | 2022-08-09 | 深圳市共进电子股份有限公司 | 电子产品内部检测系统和方法 |
CN115631362A (zh) * | 2022-09-26 | 2023-01-20 | 北京霍里思特科技有限公司 | 一种铁器的识别方法及装置 |
CN115753848A (zh) * | 2022-12-02 | 2023-03-07 | 中山大学孙逸仙纪念医院深汕中心医院 | 一种射线探伤远程在线监测系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100272235A1 (en) * | 2009-04-28 | 2010-10-28 | Fujifilm Corporation | Radiation phase contrast imaging apparatus |
CN104730079A (zh) * | 2015-03-10 | 2015-06-24 | 盐城市圣泰阀门有限公司 | 缺陷检测系统 |
CN104730091A (zh) * | 2015-02-10 | 2015-06-24 | 西安交通大学 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
CN106547010A (zh) * | 2015-09-21 | 2017-03-29 | 上海奕瑞光电子科技有限公司 | 基于自动曝光的x射线平板探测器 |
CN108960253A (zh) * | 2018-06-27 | 2018-12-07 | 魏巧萍 | 一种目标检测系统 |
CN110222681A (zh) * | 2019-05-31 | 2019-09-10 | 华中科技大学 | 一种基于卷积神经网络的铸件缺陷识别方法 |
-
2019
- 2019-11-28 CN CN201911193042.0A patent/CN112858351A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100272235A1 (en) * | 2009-04-28 | 2010-10-28 | Fujifilm Corporation | Radiation phase contrast imaging apparatus |
CN104730091A (zh) * | 2015-02-10 | 2015-06-24 | 西安交通大学 | 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法 |
CN104730079A (zh) * | 2015-03-10 | 2015-06-24 | 盐城市圣泰阀门有限公司 | 缺陷检测系统 |
CN106547010A (zh) * | 2015-09-21 | 2017-03-29 | 上海奕瑞光电子科技有限公司 | 基于自动曝光的x射线平板探测器 |
CN108960253A (zh) * | 2018-06-27 | 2018-12-07 | 魏巧萍 | 一种目标检测系统 |
CN110222681A (zh) * | 2019-05-31 | 2019-09-10 | 华中科技大学 | 一种基于卷积神经网络的铸件缺陷识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114354649A (zh) * | 2021-12-29 | 2022-04-15 | 华中科技大学 | 一种cmp垫的金属微粒缺陷的检测装置及方法 |
CN114354649B (zh) * | 2021-12-29 | 2023-12-26 | 华中科技大学 | 一种cmp垫的金属微粒缺陷的检测装置及方法 |
CN114871130A (zh) * | 2022-03-30 | 2022-08-09 | 深圳市共进电子股份有限公司 | 电子产品内部检测系统和方法 |
CN115631362A (zh) * | 2022-09-26 | 2023-01-20 | 北京霍里思特科技有限公司 | 一种铁器的识别方法及装置 |
CN115753848A (zh) * | 2022-12-02 | 2023-03-07 | 中山大学孙逸仙纪念医院深汕中心医院 | 一种射线探伤远程在线监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN107356608B (zh) | 大口径熔石英光学元件表面微缺陷快速暗场检测方法 | |
Shafeek et al. | Assessment of welding defects for gas pipeline radiographs using computer vision | |
CN108846397B (zh) | 一种基于图像处理的电缆半导电层自动检测方法 | |
CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
CN112033965B (zh) | 基于差分图像分析的3d弧形表面缺陷检测方法 | |
CN115760654B (zh) | 一种工业显微镜图像处理系统 | |
CN114943739A (zh) | 一种铝管质量检测方法 | |
JP2007017377A (ja) | 蛍光探傷装置および蛍光探傷方法 | |
CN111999305B (zh) | 机器视觉硬件系统和轮毂花键结合缝隙视觉检测方法 | |
CN105510364A (zh) | 基于x射线的工业部件缺陷的无损检测系统及其检测方法 | |
CN115096893A (zh) | 一种基于机器视觉的飞机结构件缺陷无损检测方法 | |
CN115601359A (zh) | 一种焊缝检测方法及装置 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
Wang et al. | Design of machine vision applications in detection of defects in high-speed bar copper | |
CN116148277A (zh) | 一种透明体缺陷三维检测方法、装置、设备及存储介质 | |
CN111879789A (zh) | 金属表面缺陷检测方法及系统 | |
Muresan et al. | Automatic vision inspection solution for the manufacturing process of automotive components through plastic injection molding | |
CN113177925B (zh) | 一种无损检测水果表面缺陷的方法 | |
CN117495791A (zh) | 一种表面缺陷定位方法 | |
CN115266774B (zh) | 基于人工智能的焊缝射线检测评片方法 | |
Qi et al. | Quantitative detection of minor defects in metal materials based on variation coefficient of CT image | |
Da Wu et al. | Enhanced Identification of Internal Casting Defects in Vehicle Wheels Using YOLO Object Detection and X-Ray Inspection. | |
Li et al. | A quantitative analysis method for pipeline defect inspection based on infrared thermal imaging |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
RJ01 | Rejection of invention patent application after publication |