CN115201206B - 基于机器视觉的电动车车把缺陷检测方法 - Google Patents
基于机器视觉的电动车车把缺陷检测方法 Download PDFInfo
- Publication number
- CN115201206B CN115201206B CN202210870502.4A CN202210870502A CN115201206B CN 115201206 B CN115201206 B CN 115201206B CN 202210870502 A CN202210870502 A CN 202210870502A CN 115201206 B CN115201206 B CN 115201206B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- line
- detection
- defect
- interest
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000009434 installation Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 8
- 210000003128 head Anatomy 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
Landscapes
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Textile Engineering (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于机器视觉的电动车车把缺陷检测方法,包括以下步骤:步骤1:获得电动车图像数据;步骤2:图像的预处理;步骤3:提取电动车感兴趣区域组;步骤4;根据感兴趣区域信息,确定电动车基准线组,确定电动车基准线组是用来确定车把装配缺陷的依据;步骤5:计算基准线间夹角、距离信息;步骤6:判定车把安装的缺陷。针对电动车的质量检验仍需要采用人工检测方式。不仅劳动强度高,而且容易出现人为误差。本发明可用于电动车生产厂商进行电动车车把安装的缺陷检测中,不仅可以减少人力资源的消耗,而且采用严格的过滤条件获得感兴趣区域中可靠的基准线和检测点,令后续检测判定结果更为可靠和可信,降低检测误差。
Description
技术领域
本发明属于检测电动车技术领域,具体涉及基于机器视觉的电动车车把缺陷检测方法。
背景技术
随着大众的消费水平的不断升级,人们已经不能满足于只是拥有产品,而是越来越关注于产品的质量和外观,生产高质量,高可靠性的产品已经成为主流趋势。缺陷检测对于减少生产成本、提高产品质量及生产效率有着至关重要的作用。
如今,由于所售商品出现问题及安全隐患,每年都会有大批厂家把已送达下游零售商及最终顾客的商品召回,造成巨大损失。严格的产品缺陷检查制度可以避免不合格商品进入市场,从而减少潜在的质量损失和法律纠纷,也可以提高公司企业的整体形象。此外,缺陷测试是协助公司及时发现问题并改善工艺,预判性地维持制造产品品质。及时的发现缺陷、并正确的判断出缺陷类型是有效改善生产工艺的重要前提。
机器视觉技术的诞生,能让机器如同生物的眼睛般对事物进行识别,监控和判断。机器视觉技术是一种复合技术,由图像处理技术、机械工程、传感器、点光源照明和计算机软硬件技术等技术组成。它一般使用摄像头等图像采集装置采集作业的图像信息,用图像处理技术提取有效图像信息,代替人眼做出各种检测和判断,从而大大提高检测的效率和自动化水平。
随着机器视觉技术的快速发展和成熟,该技术由于其高效率、高精度、易集成等显著优点,已经应用到了工业、农业、生产制造业、交通、安防等各个行业中。
发明内容
大多数电动车生产厂仍然需要组装工人人工组装车把,劳动繁重,难免会出现倾斜和内凹的组装缺陷。目前,面对电动车质量检验仍需要采用手工方式。不仅劳动强度高,而且容易出现人为误差。
为克服上述现有检测方法的不足,本发明的目的是为电动车厂商提供一种基于机器视觉的车把安装缺陷检测方法,旨在应用机器视觉更高效且可靠地检测车把的安装缺陷以及缺陷类别;解放人力的同时,进一步提高电动车的生产效率和质量。
为解决上述问题,提供了基于机器视觉的电动车车把缺陷检测方法,包括以下步骤:
步骤1:获得电动车图像数据;
从电动车组装流水线上安装的工业相机获取组装完成待质检的电动车的实时图像;这些实时图像是从组装流水线特定位置按固定时间间隔拍摄,工业相机的拍摄角度为电动车车头正前方向向下45度,通过使用OpenCV类库imread函数将图像读入到Mat对象,系统显示当前图像,方便检测人员查看;
步骤2:图像的预处理;
图像导入完成后,图像需要灰度化和滤波处理的预处理操作,图像的预处理主要是为了去除一些不需要的、会对结果造成影响的像素点,提高图像的质量,提高检测效率;
步骤3:提取电动车感兴趣区域组;
在完成图像的预处理操作后,处理的重点将转移到电动车,只对电动车的感兴趣区域进行处理,由于电动车在装配流水线上特定时间间隔的位置始终居中,根据电动车固定体量圈定主要的感兴趣区域组;为了提高检测精度和效率,选取三个感兴趣区域,分别是车身部分、车头部分和车把部分;对于不同的感兴趣区域进行单独提取和存储,方便进行后续操作;
步骤4;根据感兴趣区域信息,确定电动车基准线组,确定电动车基准线组是用来确定车把装配缺陷的依据;
步骤5:计算基准线间夹角、距离信息;
根据确定的横向和纵向基准线,计算两条基准线之间的夹角、横向基准线两侧外边缘点与纵向基准线的距离;
步骤6:判定车把安装的缺陷。
优选的,步骤4中需要确定纵向基准线和横向基准线;确定电动车纵向基准线的做法如下:
4.1对车头感兴趣区域进行检测;对上一步骤中提取的车头感兴趣区域,进行边缘检测和霍夫曼直线检测;边缘检测算子选择Canny算子,在减少数据量的同时,便于后续直线提取处理;
4.2提取对称直线对;对检测到的直线簇,根据车头形状对称的特点,提取斜率和为平角(允许一定误差)的直线对;
4.3绘制纵向基准线;计算对称直线对的交点和对称轴簇;根据对称轴簇和交点,计算平均的参考线作为纵向基准线。
优选的,确定电动车横向基准线的做法如下:所述步骤5的具体为:
5.1对车把感兴趣区域进行检测;在车把部分的感兴趣区域,进行霍夫曼直线检测;
5.2提取车把边缘点;在检测出的直线中,根据直线角度过滤,选取车把外边缘点;
5.3绘制横向基准线;将两个车把外边缘点连接起来,作为横向基准线。
优选的,所述步骤6的具体为:根据两条基准线的关系判定是否车把装配是否存在缺陷;如果存在缺陷,判定缺陷具体类型和数据;缺陷类型判定标准如下:
6.1若横向基准线不垂直于竖直基准线,则判定为车把安装倾斜
6.2若横向基准线垂直于竖直基准线,但是两边车把的外边缘点距离竖直基准线的距离不相等,则判定为车把安装左右不等距;
6.3若横向基准线垂直于竖直基准线,且两边车把的边缘点距离竖直基准线的距离相等,则判定为安装合格。
与现有技术相比,本发明的有益效果如下:
由于本发明采用了高精度相机拍摄图像作为可靠数据来源,首次采用了严格的机器视觉算法确保准确无误的检测电动车车把安装缺陷,所以具有方案新颖、结果准确的优点。
本发明针对电动车的质量检验仍需要采用人工检测方式。不仅劳动强度高,而且容易出现人为误差。
本发明可用于电动车生产厂商进行电动车车把安装的缺陷检测中,不仅可以减少人力资源的消耗,而且采用严格的过滤条件获得感兴趣区域中可靠的基准线和检测点,令后续检测判定结果更为可靠和可信,降低检测误差。
附图说明
图1是本发明的流程图。
图2是本发明的车头感兴趣区域直线检测结果图。
图3是本发明的车把感兴趣区域直线检测结果图。
图4是本发明的基准线绘制效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-4,本发明提供一种技术方案:一种基于机器视觉的电动车车把安装缺陷检测的方法,该方法包括以下步骤:
步骤1:获得电动车图像数据;
从电动车组装流水线上安装的工业相机获取组装完成待质检的电动车的实时图像。这些图像是从组装流水线特定位置按固定时间间隔拍摄,拍摄角度为电动车车头正前方向向下45度。通过使用OpenCV类库imread函数将图像读入到Mat对象,系统显示当前图像,方便检测人员查看。
步骤2:图像的预处理;
图像导入完成后,图像需要灰度化和滤波处理的预处理操作。图像的预处理主要是为了去除一些不需要的、会对结果造成影响的像素点,提高图像的质量,提高检测效率。首先,对图像进行灰度化,以方便得到简单的、易于识别的信息,有助于后期的分析。其次,使用高斯滤波对图像进行去噪处理。
步骤3:提取电动车感兴趣区域组;
在完成图像的预处理操作后,处理的重点将转移到电动车,只对电动车的感兴趣区域进行处理(Regions of Interest,ROI)。由于电动车在装配流水线上特定时间间隔的位置始终居中,根据电动车固定体量圈定主要的感兴趣区域组。为了提高检测精度和效率,本方法主要选取三个感兴趣区域,分别是车身部分、车头部分和车把部分。对于不同的感兴趣区域进行单独提取和存储,以方便进行后续操作。
步骤4;根据感兴趣区域信息,确定电动车基准线组
确定电动车基准线组是用来确定车把装配缺陷的依据,此步骤中需要确定纵向基准线和横向基准线。
确定电动车纵向基准线的做法如下:(1)对车头感兴趣区域进行检测,如图3所示。对上一步骤中提取的车头感兴趣区域,进行边缘检测和霍夫曼直线检测。边缘检测算子选择Canny算子,在减少数据量的同时,便于后续直线提取处理。(2)提取对称直线对。对检测到的直线簇,根据车头形状对称的特点,提取斜率和为平角(允许一定误差)的直线对。(3)绘制纵向基准线。计算对称直线对的交点和对称轴簇。根据对称轴簇和交点,计算平均的参考线作为纵向基准线。
确定电动车横向基准线的做法如下:(1)对车把感兴趣区域进行检测,如图4所示。在车把部分的感兴趣区域,进行霍夫曼直线检测。(2)提取车把边缘点。在检测出的直线中,根据直线角度过滤,选取车把外边缘点。(3)绘制横向基准线。将两个车把外边缘点连接起来,作为横向基准线。
基准线绘制效果如图4所示。
步骤5:计算基准线间夹角、距离信息;
根据确定的横向和纵向基准线,计算两条基准线之间的夹角、横向基准线两侧外边缘点与纵向基准线的距离。
步骤6:判定车把安装的缺陷
根据两条基准线的关系判定是否车把装配是否存在缺陷。如果存在缺陷,判定缺陷具体类型和数据。缺陷类型判定标准如下:
(1)若横向基准线不垂直于竖直基准线,则判定为车把安装倾斜
(2)若横向基准线垂直于竖直基准线,但是两边车把的外边缘点距离竖直基准线的距离不相等,则判定为车把安装左右不等距
(3)若横向基准线垂直于竖直基准线,且两边车把的边缘点距离竖直基准线的距离相等,则判定为安装合格。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.基于机器视觉的电动车车把缺陷检测方法,其特征在于,包括以下步骤:
步骤1:获得电动车图像数据;
从电动车组装流水线上安装的工业相机获取组装完成待质检的电动车的实时图像;这些实时图像是从组装流水线特定位置按固定时间间隔拍摄,工业相机的拍摄角度为电动车车头正前方向向下45度,通过使用OpenCV类库imread函数将图像读入到Mat对象,系统显示当前图像,方便检测人员查看;
步骤2:图像的预处理;
图像导入完成后,图像需要灰度化和滤波处理的预处理操作;图像的预处理主要是为了去除一些不需要的、会对结果造成影响的像素点,提高图像的质量,提高检测效率;
步骤3:提取电动车感兴趣区域组;
在完成图像的预处理操作后,处理的重点将转移到电动车,只对电动车的感兴趣区域进行处理;由于电动车在装配流水线上特定时间间隔的位置始终居中,根据电动车固定体量圈定主要的感兴趣区域组;为了提高检测精度和效率,选取三个感兴趣区域,分别是车身部分、车头部分和车把部分;对于不同的感兴趣区域进行单独提取和存储,方便进行后续操作;
步骤4;根据感兴趣区域信息,确定电动车基准线组,确定电动车基准线组是用来确定车把装配缺陷的依据;
步骤5:计算基准线间夹角、距离信息;
根据确定的横向和纵向基准线,计算两条基准线之间的夹角、横向基准线两侧外边缘点与纵向基准线的距离;
步骤6:判定车把安装的缺陷。
2.根据权利要求1所述的基于机器视觉的电动车车把缺陷检测方法,其特征在于,步骤4中需要确定纵向基准线和横向基准线;确定电动车纵向基准线的做法如下:
4.1对车头感兴趣区域进行检测;对上一步骤中提取的车头感兴趣区域,进行边缘检测和霍夫曼直线检测;边缘检测算子选择Canny算子,在减少数据量的同时,便于后续直线提取处理;
4.2提取对称直线对;对检测到的直线簇,根据车头形状对称的特点,提取斜率和为平角的直线对;
4.3绘制纵向基准线;计算对称直线对的交点和对称轴簇;根据对称轴簇和交点,计算平均的参考线作为纵向基准线。
3.根据权利要求1所述的基于机器视觉的电动车车把缺陷检测方法,其特征在于,确定电动车横向基准线的做法如下:所述步骤5的具体为:
5.1对车把感兴趣区域进行检测;在车把部分的感兴趣区域,进行霍夫曼直线检测;
5.2提取车把边缘点;在检测出的直线中,根据直线角度过滤,选取车把外边缘点;
5.3绘制横向基准线;将两个车把外边缘点连接起来,作为横向基准线。
4.根据权利要求1所述的基于机器视觉的电动车车把缺陷检测方法,其特征在于,所述步骤6的具体为:根据两条基准线的关系判定是否车把装配是否存在缺陷;如果存在缺陷,判定缺陷具体类型和数据;缺陷类型判定标准如下:
6.1若横向基准线不垂直于竖直基准线,则判定为车把安装倾斜
6.2若横向基准线垂直于竖直基准线,但是两边车把的外边缘点距离竖直基准线的距离不相等,则判定为车把安装左右不等距;
6.3若横向基准线垂直于竖直基准线,且两边车把的边缘点距离竖直基准线的距离相等,则判定为安装合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870502.4A CN115201206B (zh) | 2022-07-22 | 2022-07-22 | 基于机器视觉的电动车车把缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210870502.4A CN115201206B (zh) | 2022-07-22 | 2022-07-22 | 基于机器视觉的电动车车把缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115201206A CN115201206A (zh) | 2022-10-18 |
CN115201206B true CN115201206B (zh) | 2024-04-26 |
Family
ID=83583104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210870502.4A Active CN115201206B (zh) | 2022-07-22 | 2022-07-22 | 基于机器视觉的电动车车把缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115201206B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115775251B (zh) * | 2023-02-13 | 2023-04-07 | 成都睿瞳科技有限责任公司 | 一种视觉系统的图像处理方法、系统、存储介质及处理器 |
CN117269180B (zh) * | 2023-11-24 | 2024-03-12 | 成都数之联科技股份有限公司 | 车辆外观检测方法、装置、服务器和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100999219A (zh) * | 2006-12-18 | 2007-07-18 | 杭州电子科技大学 | 车辆轮对踏面缺陷在线检测方法及装置 |
WO2014205280A1 (en) * | 2013-06-20 | 2014-12-24 | Cycling Sports Group, Inc. | Camera system for adjustable vehicle fitting system |
CN110853073A (zh) * | 2018-07-25 | 2020-02-28 | 北京三星通信技术研究有限公司 | 确定关注点的方法、装置、设备、系统及信息处理方法 |
WO2020133046A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
-
2022
- 2022-07-22 CN CN202210870502.4A patent/CN115201206B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100999219A (zh) * | 2006-12-18 | 2007-07-18 | 杭州电子科技大学 | 车辆轮对踏面缺陷在线检测方法及装置 |
WO2014205280A1 (en) * | 2013-06-20 | 2014-12-24 | Cycling Sports Group, Inc. | Camera system for adjustable vehicle fitting system |
CN110853073A (zh) * | 2018-07-25 | 2020-02-28 | 北京三星通信技术研究有限公司 | 确定关注点的方法、装置、设备、系统及信息处理方法 |
WO2020133046A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳配天智能技术研究院有限公司 | 一种缺陷检测方法及装置 |
CN113362308A (zh) * | 2021-06-08 | 2021-09-07 | 深圳市华汉伟业科技有限公司 | 一种物体边缘的毛刺检测方法及装置、存储介质 |
Non-Patent Citations (2)
Title |
---|
基于Halcon的动车配电盘开关状态批量检测方法;曹瑞;史程程;朱肖谣;;制造业自动化;20200925(第09期);全文 * |
基于激光雷达信息和单目视觉信息的车辆识别方法;闫尧;李春书;;河北工业大学学报;20191215(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115201206A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115201206B (zh) | 基于机器视觉的电动车车把缺陷检测方法 | |
CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
CN110751604B (zh) | 一种基于机器视觉的钢管焊缝缺陷在线检测方法 | |
CN109682839B (zh) | 一种金属弧形工件表面缺陷在线检测方法 | |
CN109685760B (zh) | 一种基于matlab的slm粉床铺粉图像凸包凹陷缺陷检测方法 | |
CN108921819B (zh) | 一种基于机器视觉的验布装置及方法 | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
CN113702391B (zh) | 一种钢坯表面及近表面缺陷复合检测方法及装置 | |
CN112326671A (zh) | 一种基于机器视觉的金属板材表面缺陷检测方法 | |
CN115375686A (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN110853018A (zh) | 一种基于计算机视觉的振动台疲劳裂纹在线检测系统及检测方法 | |
CN105184792B (zh) | 一种圆锯片磨损量在线测量方法 | |
CN109949291A (zh) | 一种汽车铸铝件x射线图像的缺陷检测方法 | |
CN116228651A (zh) | 一种布匹缺陷检测方法、系统、设备及介质 | |
CN115345876A (zh) | 一种基于超声图像的螺栓螺纹缺陷检测方法 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
CN112345540B (zh) | 一种基于圆形结构光检测内孔过盈配合表面拆卸损伤的检测方法 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN111833350A (zh) | 机器视觉检测方法与系统 | |
CN109584212B (zh) | 一种基于matlab的slm粉床铺粉图像划痕缺陷识别方法 | |
CN117152093A (zh) | 基于数据融合和深度学习的轮胎缺陷检测系统及方法 | |
CN111504192B (zh) | 一种基于机器视觉的压缩机外观检测方法 | |
CN113240629B (zh) | 基于边缘的图像匹配窄间隙焊缝初始点定位装置和方法 | |
CN114937015A (zh) | 一种锂电池极片制造中智能视觉识别方法和系统 |
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 |