CN113409284A - 电路板故障检测方法、装置、设备以及存储介质 - Google Patents
电路板故障检测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN113409284A CN113409284A CN202110717896.5A CN202110717896A CN113409284A CN 113409284 A CN113409284 A CN 113409284A CN 202110717896 A CN202110717896 A CN 202110717896A CN 113409284 A CN113409284 A CN 113409284A
- Authority
- CN
- China
- Prior art keywords
- fault
- test
- circuit board
- image
- node
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06T2207/10056—Microscopic 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本公开提供了电路板故障检测方法、装置、设备以及存储介质,涉及云计算、计算机视觉领域。具体实现方案为:获取电路板的显微图像;根据显微图像以及预先训练的图像识别模型,确定候选故障区域,图像识别模型用于表征显微图像与故障区域的对应关系;根据候选故障区域,确定出测试输入节点和测试输出节点;响应于向测试输入节点输入测试激励,对测试输出节点的输出信号进行分析,确定故障特征向量;基于故障特征向量以及预先训练的故障预测模型,预测电路板的故障信息,故障预测模型用于表征特征向量与故障信息之间的对应关系。本实现方式可以对电路板进行自动故障检测,诊断速度快,结果准确度高。
Description
技术领域
本公开涉及计算机技术领域,具体涉及云计算、计算机视觉技术领域,尤其涉及电路板故障检测方法、装置、设备以及存储介质。
背景技术
随着电子技术的快速发展,电路板也广泛使用。印刷电路板的某些电子线路、元器件的损坏、失效,会导致整个设备不能正常发挥作用。由于我国正处在由机械化半机械化向信息化转型的重要时期。各种一体化的仪器设备,集多种新技术、新材料、新工艺于一身,其技术标准要求高,运行机理非常复杂,维修保养和故障诊断难度大,传统的保障手段和故障诊断方法,已远不能适应信息化设备保障建设的需要。
发明内容
本公开提供了一种电路板故障检测方法、装置、设备以及存储介质。
根据第一方面,提供了一种电路板故障检测方法,包括:获取电路板的显微图像;根据显微图像以及预先训练的图像识别模型,确定候选故障区域,图像识别模型用于表征显微图像与故障区域的对应关系;根据候选故障区域,确定出测试输入节点和测试输出节点;响应于向测试输入节点输入测试激励,对测试输出节点的输出信号进行分析,确定故障特征向量;基于故障特征向量以及预先训练的故障预测模型,预测电路板的故障信息,故障预测模型用于表征特征向量与故障信息之间的对应关系。
根据第二方面,提供了一种电路板故障检测装置,包括:图像获取单元,被配置成获取电路板的显微图像;图像识别单元,被配置成根据显微图像以及预先训练的图像识别模型,确定候选故障区域,图像识别模型用于表征显微图像与故障区域的对应关系;节点确定单元,被配置成根据候选故障区域,确定出测试输入节点和测试输出节点;信号分析单元,被配置成响应于向测试输入节点输入测试激励,对测试输出节点的输出信号进行分析,确定故障特征向量;故障预测单元,被配置成基于故障特征向量以及预先训练的故障预测模型,预测电路板的故障信息,故障预测模型用于表征特征向量与故障信息之间的对应关系。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与上述至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,上述指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,上述计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面,一种计算机程序产品,包括计算机程序,上述计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本公开的技术可以对电路板进行自动故障检测,诊断速度快,结果准确度高。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的电路板故障检测方法的一个实施例的流程图;
图3是根据本公开的电路板故障检测方法的一个应用场景的示意图;
图4是根据本公开的电路板故障检测方法的另一个实施例的流程图;
图5是根据本公开的电路板故障检测装置的一个实施例的结构示意图;
图6是用来实现本公开实施例的电路板故障检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的电路板故障检测方法或电路板故障检测装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括电路板101、显微镜102、终端设备103、网络104和服务器105。其中,显微镜102用于采集电路板101的显微图像。在采集过程中,显微镜102的镜头可以不停移动以采集电路板101不同区域的显微图像。
显微镜102可以在采集显微图像的过程中或者在采集显微图像后,通过网络104将采集的显微图像发送给终端设备103和/或服务器105。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备103和/或服务器105上可以安装有各类应用程序,例如图像处理类应用等等。用户可以使用终端设备101、102、103查看显微图像或者查看故障检测结果。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备103提供各种模型的后台服务器。后台服务器可以将训练好的各种模型反馈给终端设备103,以供终端设备103利用这些模型进行图像处理。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的电路板故障检测方法可以由终端设备103执行,也可以由服务器105执行。相应地,电路板故障检测装置可以设置于终端设备103中,也可以设置于服务器105中。
应该理解,图1中的电路板、显微镜、终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的电路板、显微镜、终端设备、网络和服务器。
继续参考图2,示出了根据本公开的电路板故障检测方法的一个实施例的流程200。本实施例的电路板故障检测方法,包括以下步骤:
步骤201,获取电路板的显微图像。
进行电路故障检测时,通常情况下不会立即去使用仪器测量,而是用肉眼去查找电路可能存在的异常部位。查看电阻跟电容有没有明显烧焦问题,通电情况下元器件有没有过热、冒烟和明显焦黑。随着技术的发展,印刷电路板朝着超薄型、高密度、多层数、高性能等方向发展。目前,印刷电路板的设计、加工水平己达到0.2-0.3mm(孔径),0.10-0.12mm(线条宽度和间距),肉眼已经无法辨认,本公开中利用显微镜来采集图像,可以提高图像的分辨率。
本实施例中,电路板故障检测方法的执行主体可以通过各种方式获取电路板的显微图像。例如,执行主体可以通过网络从显微镜处获取电路板的显微图像。上述显微镜可以是各种能够采集电路板的显微图像的显微镜。显微镜采集电路板的表面图像时,通过不断变焦和移动镜头来获得详细的电路板的表面图像。由于检测过程中需要不断移动镜头来收集图像信息,而肉眼无法长时间集中精神查看,容易遗漏信息。从而本实施例中的显微图像能够包含更全面的电路板信息。可以理解的是,显微图像可以是一张,也可以是多张。多张显微图像的尺寸可以相同。
步骤202,根据显微图像以及预先训练的图像识别模型,确定候选故障区域。
执行主体可以将得到的显微图像输入预先训练的图像识别模型,确定显微图像中是否存在候选故障区域。这里,候选故障区域可以是存在烧焦、发黑、断线的图像区域。上述图像识别模型可以用于表征显微图像与故障区域的对应关系,其可以是各种机器学习算法,例如卷积神经网络等。
在一些具体的实践中,上述图像识别模型可以为Restinanet网络。Restinanet的网络结构可以包含有四部分:ResNet网络(残差网络)、FPN(Feature Pyramid Net,特征金字塔网络)、class subnet和box subnet。ResNet和FPN用于提取多尺度的特征,classsubnet用于目标分类,box subnet用于进行物体检测。这个网络主要包含了focal loss的损失函数,能够解决正负样本数量差距太大的情况,性能和精度都非常高,能够准确地检测出电路板表面的缺陷。缺陷主要包括:短路、断路、虚焊、错焊等。利用上述图像识别模型,执行主体可以将缺陷所在区域标注出来,标注出的区域可以称为候选故障区域。
步骤203,根据候选故障区域,确定出测试输入节点和测试输出节点。
本实施例中,执行主体可以对候选故障区域进行重点检测,即从候选故障区域中确定出测试输入节点和测试输出节点。具体的,执行主体可以将电流进入候选故障区域中电子元件的节点作为测试输入节点,将候选故障区域中输出的电流经过的第一个节点作为测试输出节点。或者,执行主体可以对候选故障区域内的节点进行分析,将各节点作为测试输出节点,将向测试输出节点输入电流的节点作为测试输入节点。
步骤204,响应于向测试输入节点输入测试激励,对测试输出节点的输出信号进行分析,确定故障特征向量。
电路板故障诊断中可利用的诊断信息较多(电路板测试种类较多,如电压、电流、导纳等),虽然利用单一测试方法可以完成电路的故障诊断,但诊断结果多不可靠。在电路板故障诊断中,器件的多样性与电路的复杂性决定了电路的故障模式必然是多种多样的。而且,在电路板故障诊断中,环境的变化和电磁干扰、测量仪器的误差常常使得测量信息存在着较大的变化。
本实施例中,为了充分检测电路板的故障,可以向测试输入节点输入多种测试激励。这里,测试激励可以是各种信号,例如可以是正弦信号、脉冲信号等等。上述测试激励可以是测试设备发出的。在将测试激励输入测试输入节点后,执行主体可以从测试输出节点得到输出信号。为了对各路测试激励对应的输出信号进行分析,执行主体可以对输出信号进行融合等处理,得到故障特征向量。
步骤205,基于故障特征向量以及预先训练的故障预测模型,预测电路板的故障信息。
执行主体在得到故障特征向量后,可以结合预先训练的故障预测模型,来预测电路板的故障信息。上述故障预测模型可以用于表征特征向量与故障信息之间的对应关系。在一些具体的实践中,上述故障预测模型可以是Informer模型。这里应用Informer模型的原因是,它在进行t时刻的故障预测的过程中,能够参考前面时刻的结果。Informer模型的整体结构分成编码和解码两部分。编码过程,编码器接收长序列输入,通过ProbSparse自注意力模块和自注意力蒸馏模块,得到特征表示。解码过程,解码器接收长序列输入,通过多头注意力与编码特征进行交互,最后直接预测输出结果。Informer的ProbSparse自注意力模块和自注意力蒸馏模块分别能够减少计算复杂度和减少网络参数量。
执行主体可以将故障特征向量输入上述故障预测模型,故障预测模型的输出即为故障信息。故障预测过程中,模型能够根据输入的结果得到系统的输出,并跟预期值相比较生成残差。当生成的残差要小于预设的阈值时,无故障发生。当被控对象存在异常时,预期值与被控对象的实际输出存在的残差大于预设的阈值,则认为此时发生了故障。
上述故障信息可以包括故障所在的节点、故障的类型、证明上述故障的特征信息和故障信号来源等。故障所在的节点可以是测试输入节点,也可以是测试输出节点,或者是测试输入节点与测试输出节点之间的节点。故障的类型可以包括短路、断路等。证明上述故障的特征信息可以包括测试输出节点输出的信号、对输出信号进行分析得到的某一参数等。
继续参见图3,其示出了根据本公开的电路板故障检测方法的一个应用场景的示意图。在图3的应用场景中,显微镜301将采集到的电路板的显微图像发送给终端设备302,终端设备302通过利用图像识别模型,确定出电路板中的候选故障区域。然后,分析出测试输入节点和测试输出节点。在测试激励输入测试输入节点后,可以对测试输出节点的输出信号进行分析,确定出故障特征向量。最后,利用故障预测模型,预测出电路板的故障信息,并显示出来供用户查看。
本公开的上述实施例提供的电路板故障检测方法,首先利用图像识别方法确定出候选故障区域,然后重点对候选故障区域进行故障测试,从而可以对电路板进行智能化故障检测,并且诊断速度快,结果准确度高。
继续参见图4,其示出了根据本公开的电路板故障检测方法的另一个实施例的流程400。如图4所示,本实施例的方法可以包括以下步骤:
步骤401,获取电路板的显微图像。
步骤402,根据显微图像以及预先训练的图像识别模型,确定候选故障区域。
在本实施例的一些可选的实现方式中,上述图像识别模型可以通过图4中未示出的以下训练步骤训练得到:获取训练样本集合;将各训练样本中的样本电路板图像作为输入,将与所输入的样本电路板图像对应的故障区域作为期望输出,训练得到图像识别模型。
本实现方式中,训练样本集合中的各训练样本包括样本电路板图像以及对应的故障区域。执行主体可以将将各训练样本中的样本电路板图像作为输入,将与所输入的样本电路板图像对应的故障区域作为期望输出,对模型的参数进行迭代优化,从而能够训练得到图像识别模型。
需要说明的是,用于训练图像识别模型的执行主体可以与本实施例的执行主体相同,也可以不同。如果不同,则用于训练图像识别模型的执行主体可以将训练完成的图像识别模型发送给本实施例的执行主体以供使用。
步骤403,对候选故障区域进行扫描,采集候选故障区域的放大图像;根据放大图像,确定出测试输入节点和测试输出节点。
本实施例中,在确定候选故障区域后,为了能够更准确地确定出可诊断的最小单元,可以对候选故障区域进行扫描,以采集候选故障区域的放大图像。这里,为了方便采集候选故障区域的放大图像,执行主体可以对候选故障区域进行连续扫描,以提高放大图像的采集效率。可诊断的最小单元可以理解为利用最少的节点诊断出故障的单元。上述单元中可以包括多个节点和至少一个元件。可以理解的是,放大图像的放大倍数要大于显微图像的放大倍数。这样方便分析电路板上候选故障区域的电子元件的接线关系。根据上述接线关系,确定出测试输入节点和测试输出节点。具体的,执行主体可以将各个节点分别作为测试输出节点,并为每个测试输出节点确定测试输入节点。执行主体可以将输入信号和输出信号较多的节点作为测试输入节点。这些节点对测试输出节点的影响较大,通过在这些节点处输入测试激励,能够更准确地反映出电路板的问题。
在本实施例的一些可选的实现方式中,执行主体可以根据放大图像,确定候选故障区域的电子元件的接线;根据接线,确定出测试输入节点和测试输出节点。
本实现方式中,可以对放大图像进行图像处理,以识别出电路板中的电子元件以及接线,从而能够确定出电子元件之间的接线关系。执行主体可以将电子元件的输出作为测试输出节点,将接线数量超过预设值的节点作为测试输入节点。
在本实施例的一些可选的实现方式中,如果通过步骤402的处理后,未在显微图像中检测到候选故障区域,则执行主体可以将所有节点作为测试输出节点,然后将对每个测试输出节点有较大影响的节点作为测试输入节点。
步骤404,对测试输出节点的各路输出信号进行小波变换,确定故障特征向量。
电路板中的故障信息往往都包含在被测信号的奇异点中,小波变换是一种时频分析方法,具有多分辨率分析的特点。在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较低的频率分辨率和较高的时间分辨率。
由于小波变换在时域和频域良好的局部化或近似局部化性质和对信号自适应变焦、多分辨分析的能力,能将信号在不同尺度上展开,提取不同频带上的特征,同时保留信号在各个尺度的时频特性,很适合探测正常信号中夹带的瞬态反常现象并展示其成分。应用小波变换能将不同频率组成的混合信号分解成不同频率成分的块信号,可有效地进行信噪分离与特征提取。
本实施例中,执行主体可以首先对测试输出节点的输出信号进行采样。然后应用小波分析进行采样数据的预处理,提取故障特征。选取小波分解后的低频系数作为特征值并赋予其较大的权值,高频系数也作为特征值,但是其权值较小。在进行电路板诊断时,对电路中选定的输出节点的数据进行正交小波包分解,得到小波分解系数序列,把各系数序列的能量组合为特征向量。
步骤405,将测试输入节点、测试输出节点、测试激励以及故障特征向量进行融合,得到融合向量;根据融合向量以及故障预测模型,预测电路板的故障信息。
电路板故障诊断中可利用的诊断信息较多(电路板测试种类较多,如电压、电流、导纳等),虽然利用单一测试方法可以完成电路的故障诊断,但诊断结果多不可靠。在电路板故障诊断中,器件的多样性与电路的复杂性决定了电路的故障模式必然是多种多样的。而且,在电路板故障诊断中,环境的变化和电磁干扰、测量仪器的误差常常使得测量信息存在着较大的变化,即使利用小波分解进行数据预处理也不能完全消除容差与噪声。信息融合充分利用可以观测到的每项信息,由于所得信息的特征不同,通过对各项信息的合理支配与使用,弥补单一信息不足,使得各项信息能够在时间或空间上进行互补。
本实施例中,执行主体可以对不同来源的信息会进行统一的编码,将同一时间不同的特征向量映射到同一个空间,然后进行特征的合并。即,将各测试输出节点输出的信号进行统一编码后映射至同一空间后合并。为了充分利用测试过程中的信息,执行主体还可以将测试输入节点、测试输出节点、测试激励也进行统一编码,将得到的信息与上述特征进行融合,得到融合向量。然后,将融合向量输入上述故障预测模型中,得到故障信息。上述故障信息可以包括故障所在的节点、故障的类型,以及导致这个预测结果的重要特征向量和故障信号来源。
可选的,在本实施例中,可以通过以下步骤训练得到故障预测模型:获取第二训练样本集合,包括多个第二训练样本;将各第二训练样本中的样本故障特征向量作为输入,将与所输入的样本故障特征向量对应的故障信息作为期望输出,训练得到故障预测模型。
本实现方式中,第二训练样本集合中的各第二训练样本包括样本故障特征向量和对应的故障信息。执行主体可以将将各第二训练样本中的样本故障特征向量作为输入,将与所输入的样本故障特征向量对应的故障信息作为期望输出,对模型的参数进行迭代优化,从而能够训练得到故障预测模型。
需要说明的是,用于训练故障预测模型的执行主体可以与本实施例的执行主体相同,也可以不同。如果不同,则用于训练故障预测模型的执行主体可以将训练完成的故障预测模型发送给本实施例的执行主体以供使用。
步骤406,记录故障信息。
本实施例中,执行可以将故障信息记录下来,以供后续使用。
步骤407,根据故障信息以及预设的信息库,确定针对故障信息的解决方案;基于解决方案,生成诊断报告。
本实施例中,执行主体还可以在预设的信息库中查询上述故障信息,以确定针对故障信息的解决方案。上述信息库中可以包括故障信息以及对应的解决措施。执行主体可以基于上述解决方案,生成诊断报告。具体的,执行主体可以内置有诊断报告模板,然后根据解决方案向模板中填入具体信息,自动生成诊断报告。可以理解的是,执行主体还可以将诊断报告输出以供查看。
步骤408,接收针对诊断报告的修改信息,存储修改后的诊断报告。
本实施例中,执行主体还可以提供交互接口。通过上述交互接口,执行主体可以接收用户针对诊断报告的操作,例如确认、修改和调整。在用户对诊断报告进行修改时,会通过交互接口上传修改信息。上述修改信息可以是针对诊断报告中的解决方案进行修改,也可以是针对故障信息进行修改。执行主体可以将修改后的诊断报告存储到信息库中,这样可以实现信息库的更新和丰富。
在本实施例的一些可选的实现方式中,执行主体还可以利用电路板故障过程中生成的故障信息以及用户修改后的诊断报告,生成新的训练样本,用于再次训练故障预测模型,以提高故障预测模型的精度。
本公开的上述实施例提供的电路板故障检测方法,能够充分利用测试仪器的数据,挖掘数据中隐藏的问题;诊断报告能够自动化形成,同时能够展示在人工交互界面上,方便用户查看和修改;能够将故障诊断的数据和结果保留下来,相当于把故障诊断的专家经验保留了下来。对于相同的问题,能够快速定位。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种电路板故障检测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的电路板故障检测装置500包括:图像获取单元501、图像识别单元502、节点确定单元503、信号分析单元504和故障预测单元505。
图像获取单元501,被配置成获取电路板的显微图像。
图像识别单元502,被配置成根据显微图像以及预先训练的图像识别模型,确定候选故障区域。图像识别模型用于表征显微图像与故障区域的对应关系。
节点确定单元503,被配置成根据候选故障区域,确定出测试输入节点和测试输出节点。
信号分析单元504,被配置成响应于向测试输入节点输入测试激励,对测试输出节点的输出信号进行分析,确定故障特征向量。
故障预测单元505,被配置成基于故障特征向量以及预先训练的故障预测模型,预测电路板的故障信息。故障预测模型用于表征特征向量与故障信息之间的对应关系。
在本实施例的一些可选的实现方式中,节点确定单元503可以进一步被配置成:对候选故障区域进行扫描,采集候选故障区域的放大图像;根据放大图像,确定出测试输入节点和测试输出节点。
在本实施例的一些可选的实现方式中,节点确定单元503可以进一步被配置成:根据放大图像,确定候选故障区域的电子元件的接线;根据接线,确定出测试输入节点和测试输出节点。
在本实施例的一些可选的实现方式中,信号分析单元504可以进一步被配置成:接收测试激励的选定指令;向测试输入节点输入选定指令指示的测试激励。
在本实施例的一些可选的实现方式中,信号分析单元504可以进一步被配置成:对测试输出节点的各路输出信号进行小波变换,确定故障特征向量。
在本实施例的一些可选的实现方式中,故障预测单元505可以进一步被配置成:将测试输入节点、测试输出节点、测试激励以及故障特征向量进行融合,得到融合向量;根据融合向量以及故障预测模型,预测电路板的故障信息。
在本实施例的一些可选的实现方式中,装置500还可以包括图5中未示出的信息记录单元,被配置成:记录故障信息。
在本实施例的一些可选的实现方式中,装置500还可以包括图5中未示出的报告生成单元,被配置成:根据故障信息以及预设的信息库,确定针对故障信息的解决方案;基于解决方案,生成诊断报告。
在本实施例的一些可选的实现方式中,装置500还可以包括图5中未示出的报告修改单元,被配置成:接收针对诊断报告的修改信息,存储修改后的诊断报告。
在本实施例的一些可选的实现方式中,装置500还可以包括图5中未示出的模型训练单元,被配置成通过以下训练步骤得到所述图像识别模型:获取训练样本集合,训练样本集合中的各训练样本包括样本电路板图像以及对应的故障区域;将各训练样本中的样本电路板图像作为输入,将与所输入的样本电路板图像对应的故障区域作为期望输出,训练得到图像识别模型。
应当理解,电路板故障检测装置500中记载的单元501至单元505分别与参考图2中描述的方法中的各个步骤相对应。由此,上文针对电路板故障检测方法描述的操作和特征同样适用于装置500及其中包含的单元,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取、存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了根据本公开实施例的执行电路板故障检测方法的电子设备600的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示,电子设备600包括处理器601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储器608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。处理器601、ROM 602以及RAM 603通过总线604彼此相连。I/O接口(输入/输出接口)605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储器608,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器601可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器601执行上文所描述的各个方法和处理,例如电路板故障检测方法。例如,在一些实施例中,电路板故障检测方法可被实现为计算机软件程序,其被有形地包含于机器可读存储介质,例如存储器608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由处理器601执行时,可以执行上文描述的电路板故障检测方法的一个或多个步骤。备选地,在其他实施例中,处理器601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行电路板故障检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器601执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(“Virtual Private Server”,或简称“VPS”)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以是分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开的保护范围之内。
Claims (21)
1.一种电路板故障检测方法,包括:
获取电路板的显微图像;
根据所述显微图像以及预先训练的图像识别模型,确定候选故障区域,所述图像识别模型用于表征显微图像与故障区域的对应关系;
根据所述候选故障区域,确定出测试输入节点和测试输出节点;
响应于向所述测试输入节点输入测试激励,对所述测试输出节点的输出信号进行分析,确定故障特征向量;
基于所述故障特征向量以及预先训练的故障预测模型,预测所述电路板的故障信息,所述故障预测模型用于表征特征向量与故障信息之间的对应关系。
2.根据权利要求1所述的方法,其中,所述根据所述候选故障区域,确定出测试输入节点和测试输出节点,包括:
对所述候选故障区域进行扫描,采集所述候选故障区域的放大图像;
根据所述放大图像,确定出测试输入节点和测试输出节点。
3.根据权利要求2所述的方法,其中,所述根据所述放大图像,确定出测试输入节点和测试输出节点,包括:
根据所述放大图像,确定所述候选故障区域的电子元件的接线;
根据所述接线,确定出测试输入节点和测试输出节点。
4.根据权利要求1所述的方法,其中,所述向所述测试输入节点输入测试激励,包括:
接收测试激励的选定指令;
向所述测试输入节点输入所述选定指令指示的测试激励。
5.根据权利要求1所述的方法,其中,所述对所述测试输出节点的输出信号进行分析,确定故障特征向量,包括:
对所述测试输出节点的各路输出信号进行小波变换,确定故障特征向量。
6.根据权利要求1所述的方法,其中,所述基于所述故障特征向量以及预先训练的故障预测模型,预测所述电路板的故障信息,包括:
将所述测试输入节点、所述测试输出节点、所述测试激励以及所述故障特征向量进行融合,得到融合向量;
根据所述融合向量以及所述故障预测模型,预测所述电路板的故障信息。
7.根据权利要求1-6任一项所述的方法,其中,所述方法还包括:
根据所述故障信息以及预设的信息库,确定针对所述故障信息的解决方案;
基于所述解决方案,生成诊断报告。
8.根据权利要求7所述的方法,其中,所述方法还包括:
接收针对所述诊断报告的修改信息,存储修改后的诊断报告。
9.根据权利要求1-8任一项所述的方法,其中,所述图像识别模型通过以下训练步骤得到:
获取训练样本集合,所述训练样本集合中的各训练样本包括样本电路板图像以及对应的故障区域;
将各训练样本中的样本电路板图像作为输入,将与所输入的样本电路板图像对应的故障区域作为期望输出,训练得到所述图像识别模型。
10.一种电路板故障检测装置,包括:
图像获取单元,被配置成获取电路板的显微图像;
图像识别单元,被配置成根据所述显微图像以及预先训练的图像识别模型,确定候选故障区域,所述图像识别模型用于表征显微图像与故障区域的对应关系;
节点确定单元,被配置成根据所述候选故障区域,确定出测试输入节点和测试输出节点;
信号分析单元,被配置成响应于向所述测试输入节点输入测试激励,对所述测试输出节点的输出信号进行分析,确定故障特征向量;
故障预测单元,被配置成基于所述故障特征向量以及预先训练的故障预测模型,预测所述电路板的故障信息,所述故障预测模型用于表征特征向量与故障信息之间的对应关系。
11.根据权利要求10所述的装置,其中,所述节点确定单元进一步被配置成:
对所述候选故障区域进行扫描,采集所述候选故障区域的放大图像;
根据所述放大图像,确定出测试输入节点和测试输出节点。
12.根据权利要求11所述的装置,其中,所述节点确定单元进一步被配置成:
根据所述放大图像,确定所述候选故障区域的电子元件的接线;
根据所述接线,确定出测试输入节点和测试输出节点。
13.根据权利要求10所述的装置,其中,所述信号分析单元进一步被配置成:
接收测试激励的选定指令;
向所述测试输入节点输入所述选定指令指示的测试激励。
14.根据权利要求10所述的装置,其中,所述信号分析单元进一步被配置成:
对所述测试输出节点的各路输出信号进行小波变换,确定故障特征向量。
15.根据权利要求10所述的装置,其中,所述故障预测单元进一步被配置成:
将所述测试输入节点、所述测试输出节点、所述测试激励以及所述故障特征向量进行融合,得到融合向量;
根据所述融合向量以及所述故障预测模型,预测所述电路板的故障信息。
16.根据权利要求10-15任一项所述的装置,其中,所述装置还包括报告生成单元,被配置成:
根据所述故障信息以及预设的信息库,确定针对所述故障信息的解决方案;
基于所述解决方案,生成诊断报告。
17.根据权利要求16所述的装置,其中,所述装置还包括报告修改单元,被配置成:
接收针对所述诊断报告的修改信息,存储修改后的诊断报告。
18.根据权利要求10-17任一项所述的装置,其中,所述装置还包括模型训练单元,被配置成通过以下训练步骤得到所述图像识别模型:
获取训练样本集合,所述训练样本集合中的各训练样本包括样本电路板图像以及对应的故障区域;
将各训练样本中的样本电路板图像作为输入,将与所输入的样本电路板图像对应的故障区域作为期望输出,训练得到所述图像识别模型。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法。
21.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717896.5A CN113409284B (zh) | 2021-06-28 | 2021-06-28 | 电路板故障检测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110717896.5A CN113409284B (zh) | 2021-06-28 | 2021-06-28 | 电路板故障检测方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113409284A true CN113409284A (zh) | 2021-09-17 |
CN113409284B CN113409284B (zh) | 2023-10-20 |
Family
ID=77679713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110717896.5A Active CN113409284B (zh) | 2021-06-28 | 2021-06-28 | 电路板故障检测方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113409284B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113870262A (zh) * | 2021-12-02 | 2021-12-31 | 武汉飞恩微电子有限公司 | 基于图像处理的印刷电路板分类方法、装置及储存介质 |
CN114118534A (zh) * | 2021-11-08 | 2022-03-01 | 上海电享信息科技有限公司 | 基于Informer算法的动力电池热失控预警方法及其控制系统 |
CN114355173A (zh) * | 2022-01-04 | 2022-04-15 | 电子科技大学 | 一种基于多输入残差网络的模拟滤波电路故障诊断方法 |
CN117169246A (zh) * | 2023-09-01 | 2023-12-05 | 深圳市索亿电子有限公司 | 一种pcba电路板的故障检测方法及装置 |
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122133A (zh) * | 2011-01-21 | 2011-07-13 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类系统及方法 |
CN102520341A (zh) * | 2011-12-05 | 2012-06-27 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
CN104777418A (zh) * | 2015-05-11 | 2015-07-15 | 重庆大学 | 一种基于深度波尔兹曼机的模拟电路故障诊断方法 |
CN110390052A (zh) * | 2019-07-25 | 2019-10-29 | 腾讯科技(深圳)有限公司 | 搜索推荐方法、ctr预估模型的训练方法、装置及设备 |
US20200271720A1 (en) * | 2020-05-09 | 2020-08-27 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
-
2021
- 2021-06-28 CN CN202110717896.5A patent/CN113409284B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122133A (zh) * | 2011-01-21 | 2011-07-13 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类系统及方法 |
CN102520341A (zh) * | 2011-12-05 | 2012-06-27 | 南京航空航天大学 | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 |
CN104777418A (zh) * | 2015-05-11 | 2015-07-15 | 重庆大学 | 一种基于深度波尔兹曼机的模拟电路故障诊断方法 |
CN110390052A (zh) * | 2019-07-25 | 2019-10-29 | 腾讯科技(深圳)有限公司 | 搜索推荐方法、ctr预估模型的训练方法、装置及设备 |
US20200271720A1 (en) * | 2020-05-09 | 2020-08-27 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
Non-Patent Citations (2)
Title |
---|
PHAM, C: "Low cost wireless image sensor networks for visual surveillance and intrusion detection applications", 《2015 IEEE 12TH INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL (ICNSC)》 * |
吴云靖;董恩生;庞宇;赵德林;: "基于BP网络的同面多电极技术图像重构算法", 大连海事大学学报, no. 04 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114118534A (zh) * | 2021-11-08 | 2022-03-01 | 上海电享信息科技有限公司 | 基于Informer算法的动力电池热失控预警方法及其控制系统 |
CN113870262A (zh) * | 2021-12-02 | 2021-12-31 | 武汉飞恩微电子有限公司 | 基于图像处理的印刷电路板分类方法、装置及储存介质 |
CN113870262B (zh) * | 2021-12-02 | 2022-04-19 | 武汉飞恩微电子有限公司 | 基于图像处理的印刷电路板分类方法、装置及储存介质 |
CN114355173A (zh) * | 2022-01-04 | 2022-04-15 | 电子科技大学 | 一种基于多输入残差网络的模拟滤波电路故障诊断方法 |
CN114355173B (zh) * | 2022-01-04 | 2023-05-30 | 电子科技大学 | 一种基于多输入残差网络的模拟滤波电路故障诊断方法 |
CN117169246A (zh) * | 2023-09-01 | 2023-12-05 | 深圳市索亿电子有限公司 | 一种pcba电路板的故障检测方法及装置 |
CN117589798A (zh) * | 2024-01-19 | 2024-02-23 | 中诚华隆计算机技术有限公司 | 一种芯片故障检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113409284B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113409284B (zh) | 电路板故障检测方法、装置、设备以及存储介质 | |
CN108683562B (zh) | 异常检测定位方法、装置、计算机设备及存储介质 | |
CN112613569B (zh) | 图像识别方法、图像分类模型的训练方法及装置 | |
CN113361578B (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
US11619610B2 (en) | Computer-implemented processing for non-destructive evaluation of wooden specimen | |
CN113837596B (zh) | 一种故障确定方法、装置、电子设备及存储介质 | |
CN110427524A (zh) | 知识图谱补全的方法、装置、电子设备及存储介质 | |
CN116596854A (zh) | 一种设备缺陷的识别方法、装置、设备及介质 | |
CN115422028A (zh) | 标签画像体系的可信度评估方法、装置、电子设备及介质 | |
CN114428677A (zh) | 任务处理方法、处理装置、电子设备及存储介质 | |
CN113827240A (zh) | 情绪分类方法和情绪分类模型的训练方法、装置及设备 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN116932304A (zh) | 一种寄存器测试方法、装置、电子设备及存储介质 | |
CN116091416A (zh) | 印制电路板组装缺陷检测、变化检测模型训练方法及装置 | |
CN114863450B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115664568A (zh) | 测试天线性能的方法、装置、电子设备及存储介质 | |
CN111128775A (zh) | 集成电路制程异常的定位方法和装置 | |
CN111062920B (zh) | 用于生成半导体检测报告的方法及装置 | |
CN114116688A (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
CN112183714A (zh) | 基于人工神经网络的自动化数据切片 | |
Li et al. | Insulator OOD state identification algorithm based on distribution calibration with smooth classification boundaries | |
CN113778875B (zh) | 一种系统测试缺陷分类方法、装置、设备及存储介质 | |
WO2022202456A1 (ja) | 外観検査方法および外観検査システム | |
JP2018190304A (ja) | 点検支援装置、点検支援方法、および点検支援プログラム | |
CN116468076A (zh) | 一种驾驶行为分析方法、装置、电子设备及存储介质 |
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 |