CN115452823B - 一种基于混合感知的防护材料质量检测方法及装置 - Google Patents
一种基于混合感知的防护材料质量检测方法及装置 Download PDFInfo
- Publication number
- CN115452823B CN115452823B CN202211034525.8A CN202211034525A CN115452823B CN 115452823 B CN115452823 B CN 115452823B CN 202211034525 A CN202211034525 A CN 202211034525A CN 115452823 B CN115452823 B CN 115452823B
- Authority
- CN
- China
- Prior art keywords
- protective material
- data
- processing
- mixed
- quality
- 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
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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
-
- 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
- G01N2021/8444—Fibrous material
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种基于混合感知的防护材料质量检测方法及装置,包括:将所要检测的防护材料样品放置于封闭的检测匣内,使用多种传感器设备获取混合感知信号流,将混合感知信号流进行压缩处理,之后通过网络传输到上位机进行运算分析,通过对所述混合感知信号流进行分析处理,得到防护材料质量参数,将所述防护材料质量参数显示在液晶显示屏。本发明利用机器视觉技术精度高、高效率以及非接触的优势使得该技术在防护材料质量检测方面得到有效的应用,改变对于大部分防护材料质量检测多依靠传统的人工检测方法的方式,避免了检测效率低、检测精度不够高、检测成本居高不下等问题。
Description
技术领域
本发明属于机器视觉和人工智能技术领域,特别是涉及一种基于混合感知的防护材料质量检测方法及装置。
背景技术
由簇状纤维束编织成的防护材料多为纺织复合材料,纺织复合材料具有比强度高、比刚度大、耐疲劳、耐腐蚀等众多优点,所以被广泛地应用于军工、航空航天、交通运输、海洋船舶等工业领域。对于大部分防护材料质量检测,目前多依靠传统的人工检测方法,这种传统检测方法存在检测效率低、检测精度不够高、检测成本居高不下等严重问题。
近年来,人工智能与机器视觉的快速发展为防护材料的自动检测提供了可能性。例如,人工智能算法已经在许多领域取得了突破性的进展,比如人脸识别、自然语言处理、推荐系统、语音识别、语音合成等。人工智能的发展为许多传统行业注入了新的发展活力。人工智能作为人类智能在计算机上的实现,随着云计算、大数据、深度神经网络等技术的兴起,其超强的计算能力、海量的云数据使其成为发展新技术的关键途径。人工智能的发展主要依靠机器学习和大数据技术两个重点领域的爆炸式发展,而现在,超强的计算能力使得机器学习模型不断复杂化,互联网中的数据也大量积累,使得将机器学习算法运用在本领域的防护材料质量检测中成为可能。
机器视觉技术是通过计算机模拟人的视觉功能,采用图像处理、模式识别等手段,进行信息的提取、处理和分析。图像捕捉和光源系统组成了一个典型的机器视觉系统。提高生产的灵活性和自动化程度是机器视觉系统应用的两大目标,例如在大批量且重复性高的工业生产过程中,用机器视觉检测方法就可以大幅度提高生产效率和自动化程度;机器视觉技术还可以通过将边缘检测运用于缺陷检测,然后提取主要特征。机器视觉技术精度高、高效率以及非接触的优势使得该技术在防护材料质量检测方面有望得到有效的应用。
发明内容
本发明的目的是提供一种基于混合感知的防护材料质量检测方法及装置,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种基于混合感知的防护材料质量检测方法,包括:
获取防护材料样品的信息,基于多模态数据融合算法将所述信息进行融合获得混合感知信号流;
将所述混合感知信号流进行压缩处理,得到压缩信号流;
对所述压缩信号流进行分析处理,得到所述防护材料的质量参数,基于所述防护材料的质量参数,以实现防护材料质量检测。
可选的,混合感知信号流为五维数据,第一维度到第三维度为图像三个维度的数据,第四维度为红外数据流、第五维度为超声数据流,所述五维数据为单精度浮点数。
可选的,所述分析处理的过程包括:通过TOTSU方法或者TCNN方法对所述压缩信号流进行处理获得防护材料样品的质量参数。
可选的,所述TOTSU方法的处理过程包括:获取所述压缩信号流,对所述压缩信号流进行灰度处理;使用全局阈值的大津算法对处理后的信号流进行二值化处理,将图像信息中的背景与目标分离,并且进行形态学去噪处理;遍历所有目标的轮廓后通过绘制矩形框将所有轮廓框选出来,同时过滤掉面积小于阈值的形状,对所述轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数。阈值为200像素。
可选的,所述TCNN方法的处理过程包括:获取所述压缩信号流,通过多尺度池化获得压缩信号流的特征信息;对所述特征信息进行批量归一化处理;基于卷积神经降低数据维度,抽取数据特征;通过双线性插值法还原数据信息并完成轮廓的标注;对所述轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数。
本发明还提供了一种基于混合感知的防护材料质量检测装置,包括:
材料放置模块,用于放置防护材料样品;
混合感知模块,用于获取混合感知数据流;
数据压缩模块,用于对混合感知数据流进行压缩处理;
数据传输模块,用于将压缩后的混合感知数据流传输到数据分析模块;
数据分析模块,用于对压缩后的混合感知数据流进行分析处理,得到防护材料样品的质量参数;
数据呈现模块,用于将防护材料样品的质量参数呈现在液晶显示屏上,同时呈现实时的防护材料图像数据。
可选的,所述材料放置模块包括前挡板、后挡板,后挡板夹层,后挡板夹层用于放置防护材料样品,前挡板上包括光源。
可选的,所述混合感知模块包括检测盒、高清摄像头、红外传感器、超声传感器,分别用于获取三维图像信息、红外图像信息、超声信息,其中,所述检测盒为封闭的不透光的立方体,高清摄像头、红外传感器、超声传感器安装在检测盒内。
本发明的技术效果为:
本发明利用机器视觉技术精度高、高效率以及非接触的优势使得该技术在防护材料质量检测方面得到有效的应用,改变对于大部分防护材料质量检测多依靠传统的人工检测方法的方式,避免了检测效率低、检测精度不够高、检测成本居高不下等问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的方法流程示意图;
图2为本发明实施例提供的使用TOTSU算法分析后的防护材料样品图像;
图3为本发明实施例提供的聚类分析得到的防护材料样品的质量参数图;
图4为本发明实施例提供的装置结构示意图;
图5为本发明实施例提供的设备结构示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请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申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1-4所示,本实施例中提供一种基于混合感知的防护材料质量检测方法,包括:
获取防护材料样品的信息,基于多模态数据融合算法将信息进行融合获得混合感知信号流;
将混合感知信号流进行压缩处理,得到压缩信号流;
对压缩信号流进行分析处理,得到防护材料的质量参数,基于防护材料的质量参数,以实现防护材料质量检测。
可选的,混合感知信号流为五维数据,第一维度到第三维度为图像三个维度的数据,第四维度为红外数据流、第五维度为超声数据流,五维数据为单精度浮点数。
可选的,分析处理的过程包括:通过TOTSU方法或者TCNN方法对压缩信号流进行处理获得防护材料样品的质量参数。
可选的,TOTSU方法的处理过程包括:获取压缩信号流,对压缩信号流进行灰度处理;使用全局阈值的大津算法对处理后的信号流进行二值化处理,将图像信息中的背景与目标分离,并且进行形态学去噪处理;遍历所有目标的轮廓后通过绘制矩形框将所有轮廓框选出来,同时过滤掉面积小于阈值的形状,对轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数。阈值为200像素。
可选的,TCNN方法的处理过程包括:获取压缩信号流,通过多尺度池化获得压缩信号流的特征信息;对特征信息进行批量归一化处理;基于卷积神经降低数据维度,抽取数据特征;通过双线性插值法还原数据信息并完成轮廓的标注;对轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数。
防护材料样品为由簇状纤维束编织成的单层纤维织物,且防护材料样品的线密度为已知的。
本实施例中提供一种基于混合感知的防护材料质量检测装置,其特征在于,
材料放置模块,用于放置防护材料样品;
混合感知模块,用于获取混合感知数据流;
数据压缩模块,用于对混合感知数据流进行压缩处理;
数据传输模块,用于将压缩后的混合感知数据流传输到数据分析模块;
数据分析模块,用于对压缩后的混合感知数据流进行分析处理,得到防护材料样品的质量参数;
数据呈现模块,用于将防护材料样品的质量参数呈现在液晶显示屏上,同时呈现实时的防护材料图像数据。
在一些实施例中,材料放置模块包括前挡板、后挡板,后挡板夹层,后挡板夹层用于放置防护材料样品,前挡板上包括光源。
材料放置模块目的在于提供一个标准化的检测环境,在一次完整的防护材料样品质量检测中,首先将防护材料样品放置在材料放置模块的后挡板夹层中,然后将安放于前挡板上的光源打开。所述光源为100x100的LED灯阵列,用户可以通过编码提供不同亮度、不同颜色、不同布局的光源。
在一些实施例中,混合感知模块包括检测盒、高清摄像头、红外传感器、超声传感器,分别用于获取三维图像信息、红外图像信息、超声信息,其中,检测盒为封闭的不透光的立方体,高清摄像头、红外传感器、超声传感器安装在检测盒内。
检测盒长为20cm,宽为20cm,高为30cm,是封闭的不透光的立方体。
高清摄像头采集到的图像信息为800x600x3的三维图像信息,每秒60帧;红外信息为800x600x1的红外图像信息,每秒30帧;超声信息为800x600x1的超声数据信息,每秒60帧。混合感知模块内置有多模态数据融合算法,通过对不同类型、不同维度的数据进行超采样与降采样,可将三种类型的信息数据融合为800x600x5的混合感知信号流,每秒30帧。
数据分析模块的分析处理有两种分析算法可供用户进行选择,分别为TOTSU算法和TCNN算法。
TOTSU算法的计算过程共分为六个步骤:第一步,信息流实时获取,将800x600x5的混合感知信号流输入到编码程序中;第二步,灰度处理,将输入的800x600x5的混合感知信号流灰度处理为800x600的信息数据;第三步,TOTSU处理,使用全局阈值的大津算法对信息进行二值化处理,将图像信息中的背景与目标分离开来并且进行形态学去噪处理;第四步,轮廓检测,遍历所有的目标轮廓后通过绘制矩形框将所有轮廓框选出来提供可视化的界面,同时过滤掉面积小于200的形状来提升轮廓检测的准确性;第五步,聚类处理,通过对框选出的轮廓进行聚类,根据行和列的最大聚类数量得出防护材料样品的质量参数;第六步,数据的实时显示和输出,处理后的信息数据经过分析可得出所检测的目标防护材料的质量,相对应的轮廓处理结果以及质量参数数据可实时地显示在显示屏中,帧率为30bps。
TCNN算法的计算过程共分为六个步骤:第一步,信息流实时获取,将800x600x5的混合感知信号流输入到编码程序中;第二步,多尺度池化,对全局的复杂信息进行深入的理解与分析,得到混合感知信号流的特征信息;第三步,批量归一化,将混合感知信号流的特征信息中每个值归一化到0至1之间,降低运算的复杂程度,提高运算效率;第四步,降采样处理,通过5~10层卷积神经降低数据维度,抽取数据特征;第五步,上采样处理,通过双线性插值法结合5~10个卷积层还原为800x600的数据信息,同时实现了轮廓的标注;第六步,输出参数,通过对轮廓进行聚类处理,根据行和列的最大聚类数量得出防护材料样品的质量参数。
本实施例中的防护材料质量检测设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现对装置的控制以及方法部分步骤的实施,设备结构如图5所示。
为了证明本实施例提出的一种基于混合感知的防护材料质量检测方法、装置和设备的有效性,设计了验证实验,选取了20个样品,对每个样品进行了100次重复实验,同时与标准参数进行了对比,误差在1%以内,这充分说明了本申请技术方案的有效性。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于混合感知的防护材料质量检测方法,其特征在于,包括以下步骤:
获取防护材料样品的信息,基于多模态数据融合算法将所述信息进行融合获得混合感知信号流;
将所述混合感知信号流进行压缩处理,得到压缩信号流;
对所述压缩信号流进行分析处理,得到所述防护材料的质量参数,基于所述防护材料的质量参数,以实现防护材料质量检测;
所述分析处理的过程包括:通过TOTSU方法或者TCNN方法对所述压缩信号流进行处理获得防护材料样品的质量参数;
所述TOTSU方法的处理过程包括:获取所述压缩信号流,对所述压缩信号流进行灰度处理;使用全局阈值的大津算法对处理后的信号流进行二值化处理,将图像信息中的背景与目标分离,并且进行形态学去噪处理;遍历所有目标的轮廓后通过绘制矩形框将所有轮廓框选出来,同时过滤掉面积小于阈值的形状,对所述轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数;
所述TCNN方法的处理过程包括:获取所述压缩信号流,通过多尺度池化获得压缩信号流的特征信息;对所述特征信息进行批量归一化处理;基于卷积神经降低数据维度,抽取数据特征;通过双线性插值法还原数据信息并完成轮廓的标注;对所述轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数;
通过设置在检测盒中的高清摄像头、红外传感器、超声传感器,分别获取防护材料样品的三维图像信息、红外图像信息和超声信息。
2.根据权利要求1所述的基于混合感知的防护材料质量检测方法,其特征在于,混合感知信号流为五维数据,第一维度到第三维度为图像三个维度的数据,第四维度为红外数据流、第五维度为超声数据流,所述五维数据为单精度浮点数。
3.一种基于混合感知的防护材料质量检测装置,其特征在于,
材料放置模块,用于放置防护材料样品;
混合感知模块,用于获取混合感知数据流;
数据压缩模块,用于对混合感知数据流进行压缩处理;
数据传输模块,用于将压缩后的混合感知数据流传输到数据分析模块;
数据分析模块,用于对压缩后的混合感知数据流进行分析处理,得到防护材料样品的质量参数;
数据呈现模块,用于将防护材料样品的质量参数呈现在液晶显示屏上,同时呈现实时的防护材料图像数据;
分析处理的过程包括:通过TOTSU方法或者TCNN方法对压缩信号流进行处理获得防护材料样品的质量参数;
TOTSU方法的处理过程包括:获取压缩信号流,对压缩信号流进行灰度处理;使用全局阈值的大津算法对处理后的信号流进行二值化处理,将图像信息中的背景与目标分离,并且进行形态学去噪处理;遍历所有目标的轮廓后通过绘制矩形框将所有轮廓框选出来,同时过滤掉面积小于阈值的形状,对轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数;阈值为200像素;
TCNN方法的处理过程包括:获取压缩信号流,通过多尺度池化获得压缩信号流的特征信息;对特征信息进行批量归一化处理;基于卷积神经降低数据维度,抽取数据特征;通过双线性插值法还原数据信息并完成轮廓的标注;对轮廓进行聚类处理,基于行和列的最大聚类数量得出防护材料样品的质量参数;
所述混合感知模块包括检测盒、高清摄像头、红外传感器、超声传感器,分别用于获取三维图像信息、红外图像信息、超声信息,其中,所述检测盒为封闭的不透光的立方体,高清摄像头、红外传感器、超声传感器安装在检测盒内。
4.根据权利要求3所述的基于混合感知的防护材料质量检测装置,其特征在于,所述材料放置模块包括前挡板、后挡板,后挡板夹层,后挡板夹层用于放置防护材料样品,前挡板上包括光源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034525.8A CN115452823B (zh) | 2022-08-26 | 2022-08-26 | 一种基于混合感知的防护材料质量检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211034525.8A CN115452823B (zh) | 2022-08-26 | 2022-08-26 | 一种基于混合感知的防护材料质量检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115452823A CN115452823A (zh) | 2022-12-09 |
CN115452823B true CN115452823B (zh) | 2023-07-18 |
Family
ID=84301383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211034525.8A Active CN115452823B (zh) | 2022-08-26 | 2022-08-26 | 一种基于混合感知的防护材料质量检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115452823B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105095898B (zh) * | 2015-09-06 | 2019-03-08 | 苏州经贸职业技术学院 | 一种面向实时视觉系统的目标压缩感知方法 |
CN106770332B (zh) * | 2017-02-14 | 2019-04-16 | 杭州字节信息技术有限公司 | 一种基于机器视觉的电子模切料缺陷检测实现方法 |
CN108663677A (zh) * | 2018-03-29 | 2018-10-16 | 上海智瞳通科技有限公司 | 一种多传感器深度融合提高目标检测能力的方法 |
CN110909603A (zh) * | 2019-10-23 | 2020-03-24 | 阜阳师范大学 | 一种基于支持向量机的智能监控系统 |
CN113100715A (zh) * | 2021-04-14 | 2021-07-13 | 深圳市人民医院 | 一种基于视触觉混合感知的皮肤检测系统及检测方法 |
-
2022
- 2022-08-26 CN CN202211034525.8A patent/CN115452823B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115452823A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN111626176B (zh) | 一种基于动态注意力机制的遥感目标快速检测方法及系统 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN112990391A (zh) | 基于特征融合的卷积神经网络的缺陷分类识别系统 | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN114612472B (zh) | 一种基于SegNet改进的皮革缺陷分割网络算法 | |
CN111932511A (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
CN114677349A (zh) | 编解码端边缘信息增强和注意引导的图像分割方法及系统 | |
CN114140373A (zh) | 一种基于LabVIEW深度学习的开关缺陷检测方法 | |
CN115452823B (zh) | 一种基于混合感知的防护材料质量检测方法及装置 | |
CN117011274A (zh) | 自动化玻璃瓶检测系统及其方法 | |
Ghamisi et al. | Anomaly detection in automated fibre placement: learning with data limitations | |
Giap et al. | Wavelet Subband-Based Tensor for Smartphone Physical Button Inspection | |
CN112907660B (zh) | 面向小样本的水下激光目标检测仪 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN113920087A (zh) | 基于深度学习的微小元器件缺陷检测系统及方法 | |
CN110751189B (zh) | 一种基于感知对比度和特征选择的椭圆检测方法 | |
Nikolskyy et al. | Using LabView for real-time monitoring and tracking of multiple biological objects | |
CN113591699B (zh) | 基于深度学习的在线视觉疲劳检测系统及方法 | |
Xie et al. | Application of graphic design with computer graphics and image processing: taking packaging design of agricultural products as an example | |
Zhao et al. | Online assembly inspection integrating lightweight hybrid neural network with positioning box matching | |
Lucas et al. | Design of experiments for performance evaluation and parameter tuning of a road image processing chain | |
Peker et al. | Improving Quality Inspections with Image Analysis and Artificial Intelligence | |
Anber et al. | Fractional Differentiation Based Image Enhancement for Automatic Detection of Malignant Melanoma |
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 |