CN116524412A - 一种基于单相机的飞机防撞灯工作状态检测方法 - Google Patents
一种基于单相机的飞机防撞灯工作状态检测方法 Download PDFInfo
- Publication number
- CN116524412A CN116524412A CN202310619517.8A CN202310619517A CN116524412A CN 116524412 A CN116524412 A CN 116524412A CN 202310619517 A CN202310619517 A CN 202310619517A CN 116524412 A CN116524412 A CN 116524412A
- Authority
- CN
- China
- Prior art keywords
- frame
- image
- red
- anchor
- frames
- 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
- 238000001514 detection method Methods 0.000 title claims description 18
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 description 7
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241001282110 Pagrus major Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于单相机的飞机防撞灯工作状态检测方法,包括:获取飞机泊位内视频中当前帧的图像;得到飞机在图像中的位置信息,获取飞机所在区域的图片;将图片从RGB色彩空间转换到HSV色彩空间下并滤除红色分量以外的颜色分量;通过差值来判断存在红色分量的锚框及其位置;提取下一帧图像得到多帧的图像;滤除存在静态红色物体的锚框,保留存在动态红色物体的锚框;根据变化规律来滤除同样闪烁的动态红色物体并获取飞机防撞灯的工作状态。本发明解决了现有的飞机防撞灯状态识别方法容易出现图像信息失真、模糊,导致识别准确率低的问题。
Description
技术领域
本发明属于机场检测技术领域,具体涉及一种基于单相机的飞机防撞灯工作状态检测方法。
背景技术
飞机防撞灯(anti-collision light)是飞机航行灯系统的组成部分,一般使用红色高频闪光灯,在飞机机身的顶部和底部各设置一个。飞机防撞灯的作用是提醒附近的人员和车辆飞机发动机正在运转状态中,注意与飞机保持安全距离。
相比于红绿灯,飞机防撞灯在画面内占据的区域更小,发光范围更大,由于飞机是移动的,飞机防撞灯会随着飞机的移动而移动,所以防撞灯的移动范围更大,如何设置防撞灯感兴趣区域相比于固定位置的红绿灯来说更难。
基于传统视觉的方案中,一般会把红绿灯颜色从RGB空间转到别的色彩空间(比如HSV,YUV)再进行颜色识别,但是红绿灯处于不同的光照条件下,在机器视觉中所展现的颜色受光照条件影响很大;防撞灯检测时,飞机主要在机坪范围内移动,所处的光照环境更加复杂,这对防撞灯色彩的检测带来了更大的难度。
现有飞机防撞灯状态识别一般采用计算机视觉技术;具体来说,通过采用高分辨率摄像头对飞机进行拍摄,然后使用图像处理算法对图像进行处理和分析,从而可以快速、准确地检测出飞机的防撞灯状态。在图像处理过程中,可以使用相关特征提取和分类算法,例如颜色、形状等特征对防撞灯进行判断和分类,以实现对防撞灯状态的识别。
但上述现有的防撞灯状态识别方法仍然存在一些缺陷:
1、受光线、天气等环境因素的影响,可能会导致飞机防撞灯的图像信息出现失真、模糊等问题,从而影响防撞灯状态的识别准确率;
2、如果防撞灯形状和颜色等特征与其他灯光相似度较高,如红色尾灯或白色照明灯,它们可能会被误判为防撞灯,从而导致识别错误;
3、对于特定型号、不同制造厂家的飞机,其防撞灯设计和设置也可能不同,难以通用性的处理所有的情况。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种基于单相机的飞机防撞灯工作状态检测方法,以解决现有的飞机防撞灯状态识别方法容易出现图像信息失真、模糊,导致识别准确率低的问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种基于单相机的飞机防撞灯工作状态检测方法,步骤如下:
步骤S1:通过机位相机获取飞机泊位内视频中当前帧的图像;
步骤S2:采用图像目标检测算法对获取的图像进行检测,得到飞机在图像中的位置信息,通过位置信息从图像中获取飞机所在区域的图片;
步骤S3:在飞机所在区域图片中绘制一定数量的锚框(Anchor Box)作为感兴趣区域,将图片从RGB色彩空间转换到HSV色彩空间下并滤除红色分量以外的颜色分量;
步骤S4:设定一个红色分量阈值,计算步骤S3中每个滤除其他颜色分量的锚框与红色分量阈值之间的差值,通过差值来判断存在红色分量的锚框及其位置;
步骤S5:提取下一帧图像并重复步骤S2到S4,同时在飞机移动过程中动态调整区域大小以及锚框位置,得到了多帧的图像;
步骤S6:将获取到的第一帧图像和最后一帧图像通过帧差法计算差值,通过统计每个锚框中红色像素灰度值随时间的变化以及对应飞机相同位置的锚框在多帧图像之间计算前后每两帧之间的差值,滤除存在静态红色物体的锚框,保留存在动态红色物体的锚框;
步骤S7:通过判断存在动态红色物体的锚框在不同帧之间的差值并结合时序变化(即红色峰值出现的脉冲周期)统计得到其变化规律,根据得到的变化规律来滤除同样闪烁的动态红色物体并获取飞机防撞灯的工作状态。
进一步地,所述步骤S2具体包括:
将采集到的图像输入到目标检测算法YOLOV5中,得到图像的检测结果,检测结果包含飞机存在于图像中的位置信息,通过飞机在图像中的位置信息,从图像中截取出来作为处理图像。
进一步地,所述步骤S3具体包括:
将处理图像按照一定数量分割成大小相同的锚框,对飞机所在区域的处理图像进行从RGB颜色空间转换到HSV颜色空间的转换处理,在HSV颜色空间下,通过计算将非红色分量滤除使得处理图像只存在红色分量。
进一步地,所述步骤S4具体包括:
设定一个红色分量得阈值,在处理图像中,将步骤S3中处理后的图片减去红色分量阈值,得到每个锚框和红色分量之间的差值,根据差值判断锚框中是否存在红色分量,以统计出存在红色分量的锚框,所述差值大于0则表示锚框中存在红色分量;并根据红色分量所在锚框中的位置判断图像中所有红色分量所在图像的大致位置,以及存在红色分量的锚框位置,得到的位置中包含有飞机防撞灯的位置。
进一步地,所述步骤S5具体包括:
采集若干帧的图像中的飞机,再对每一帧中的飞机图片进行步骤S2到S4的处理,在处理过程中,根据飞机的在图像中的位置,动态调整锚框的大小。
进一步地,所述步骤S6具体包括:
采集到若干帧的图像以及图像中飞机防撞灯所在的锚框位置,通过对第一帧图像和采集时间段内最后一帧图像进行帧差法计算得到两帧之间的差值,然后找到存在红色分量锚框在两帧之间的红色像素灰度值随时间的变化以及对应飞机相同位置的锚框前后两帧之间的差值,通过差值变化和灰度值变化滤除存在静态红色物体的锚框,剩下的是存在防撞灯的锚框,从而确定防撞灯所在的图像中的位置以及锚框的位置。
进一步地,所述步骤S7具体包括:
通过多次统计防撞灯所在锚框,在多帧图像之间的差值,结合时序数据统计出红色分量在该锚框中所出现的脉冲周期以及起变化状态,根据起变化状态来判断出飞机防撞灯的工作状态。
本发明的有益效果:
本发明通过深度神经网络来识别图像中的飞机从而裁剪出飞机区域以及根据飞机的移动来动态划分锚框,保证航空器相对位置在图片中能确定对应的锚框;通过单帧内锚框之间的互相比较来确定红色分量变化值,并结合帧差法滤除防撞灯以外的红色物体并确定防撞灯所在锚框,结合统计学判断出防撞灯的工作状态。
针对RGB色彩空间容易受到光照环境影响,光照强度变化会影响区域色彩对比度的问题,通过使用色彩通道转换的方式,剔除光照对图像的影响,增强对颜色分割和颜色的识别,并且通过单帧内锚框互相计算差值来避免光照对颜色数值的影响。
附图说明
图1为本发明方法的原理图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种基于单相机的飞机防撞灯工作状态检测方法,步骤如下:
步骤S1:通过机位相机获取飞机泊位内视频中当前帧的图像;
步骤S2:采用图像目标检测算法对获取的图像进行检测,得到飞机在图像中的位置信息,通过位置信息从图像中获取飞机所在区域的图片;具体包括:
将采集到的图像输入到目标检测算法YOLOV5中,得到图像的检测结果,检测结果包含飞机存在于图像中的位置信息,通过飞机在图像中的位置信息,从图像中截取出来作为处理图像。
步骤S3:在飞机所在区域图片中绘制一定数量的锚框(Anchor Box)作为感兴趣区域,将图片从RGB色彩空间转换到HSV色彩空间下并滤除红色分量以外的颜色分量;具体包括:
将处理图像按照一定数量分割成大小相同的锚框,对飞机所在区域的处理图像进行从RGB颜色空间转换到HSV颜色空间的转换处理,在HSV颜色空间下,通过计算将非红色分量滤除使得处理图像只存在红色分量。
步骤S4:设定一个红色分量阈值,计算步骤S3中每个滤除其他颜色分量的锚框与红色分量阈值之间的差值,通过差值来判断存在红色分量的锚框及其位置;具体包括:
设定一个红色分量得阈值,在处理图像中,将步骤S3中处理后的图片减去红色分量阈值,得到每个锚框和红色分量之间的差值,根据差值判断锚框中是否存在红色分量,以统计出存在红色分量的锚框,所述差值大于0则表示锚框中存在红色分量;并根据红色分量所在锚框中的位置判断图像中所有红色分量所在图像的大致位置,以及存在红色分量的锚框位置,得到的位置中包含有飞机防撞灯的位置。
步骤S5:提取下一帧图像并重复步骤S2到S4,同时在飞机移动过程中动态调整区域大小以及锚框位置,得到了多帧的图像;具体包括:采集若干帧的图像中的飞机,再对每一帧中的飞机图片进行步骤S2到S4的处理,在处理过程中,根据飞机的在图像中的位置,动态调整锚框的大小。
步骤S6:将获取到的第一帧图像和最后一帧图像通过帧差法计算差值,通过统计每个锚框中红色像素灰度值随时间的变化以及对应飞机相同位置的锚框在多帧图像之间计算前后每两帧之间的差值,滤除存在静态红色物体的锚框,保留存在动态红色物体的锚框;具体包括:
采集到若干帧的图像以及图像中飞机防撞灯所在的锚框位置,通过对第一帧图像和采集时间段内最后一帧图像进行帧差法计算得到两帧之间的差值,然后找到存在红色分量锚框在两帧之间的红色像素灰度值随时间的变化以及对应飞机相同位置的锚框前后两帧之间的差值,通过差值变化和灰度值变化滤除存在静态红色物体的锚框,剩下的是存在防撞灯的锚框,从而确定防撞灯所在的图像中的位置以及锚框的位置。
步骤S7:通过判断存在动态红色物体的锚框在不同帧之间的差值并结合时序变化(即红色峰值出现的脉冲周期)统计得到其变化规律,根据得到的变化规律来滤除同样闪烁的动态红色物体并获取飞机防撞灯的工作状态;具体包括:
通过多次统计防撞灯所在锚框,在多帧图像之间的差值,结合时序数据统计出红色分量在该锚框中所出现的脉冲周期以及起变化状态,根据起变化状态来判断出飞机防撞灯的工作状态。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (7)
1.一种基于单相机的飞机防撞灯工作状态检测方法,其特征在于,步骤如下:
步骤S1:通过机位相机获取飞机泊位内视频中当前帧的图像;
步骤S2:采用图像目标检测算法对获取的图像进行检测,得到飞机在图像中的位置信息,通过位置信息从图像中获取飞机所在区域的图片;
步骤S3:在飞机所在区域图片中绘制一定数量的锚框作为感兴趣区域,将图片从RGB色彩空间转换到HSV色彩空间下并滤除红色分量以外的颜色分量;
步骤S4:设定一个红色分量阈值,计算步骤S3中每个滤除其他颜色分量的锚框与红色分量阈值之间的差值,通过差值来判断存在红色分量的锚框及其位置;
步骤S5:提取下一帧图像并重复步骤S2到S4,同时在飞机移动过程中动态调整区域大小以及锚框位置,得到了多帧的图像;
步骤S6:将获取到的第一帧图像和最后一帧图像通过帧差法计算差值,通过统计每个锚框中红色像素灰度值随时间的变化以及对应飞机相同位置的锚框在多帧图像之间计算前后每两帧之间的差值,滤除存在静态红色物体的锚框,保留存在动态红色物体的锚框;
步骤S7:通过判断存在动态红色物体的锚框在不同帧之间的差值并结合时序变化统计得到其变化规律,根据得到的变化规律来滤除同样闪烁的动态红色物体并获取飞机防撞灯的工作状态。
2.根据权利要求1所述的基于单相机的飞机防撞灯工作状态检测方法,其特征在于,所述步骤S2具体包括:
将采集到的图像输入到目标检测算法YOLOV5中,得到图像的检测结果,检测结果包含飞机存在于图像中的位置信息,通过飞机在图像中的位置信息,从图像中截取出来作为处理图像。
3.根据权利要求1所述的基于单相机的飞机防撞灯工作状态检测方法,其特征在于,所述步骤S3具体包括:
将处理图像按照一定数量分割成大小相同的锚框,对飞机所在区域的处理图像进行从RGB颜色空间转换到HSV颜色空间的转换处理,在HSV颜色空间下,通过计算将非红色分量滤除使得处理图像只存在红色分量。
4.根据权利要求1所述的基于单相机的飞机防撞灯工作状态检测方法,其特征在于,所述步骤S4具体包括:
设定一个红色分量得阈值,在处理图像中,将步骤S3中处理后的图片减去红色分量阈值,得到每个锚框和红色分量之间的差值,根据差值判断锚框中是否存在红色分量,以统计出存在红色分量的锚框,所述差值大于0则表示锚框中存在红色分量;并根据红色分量所在锚框中的位置判断图像中所有红色分量所在图像的大致位置,以及存在红色分量的锚框位置,得到的位置中包含有飞机防撞灯的位置。
5.根据权利要求1所述的基于单相机的飞机防撞灯工作状态检测方法,其特征在于,所述步骤S5具体包括:
采集若干帧的图像中的飞机,再对每一帧中的飞机图片进行步骤S2到S4的处理,在处理过程中,根据飞机的在图像中的位置,动态调整锚框的大小。
6.根据权利要求1所述的基于单相机的飞机防撞灯工作状态检测方法,其特征在于,所述步骤S6具体包括:
采集到若干帧的图像以及图像中飞机防撞灯所在的锚框位置,通过对第一帧图像和采集时间段内最后一帧图像进行帧差法计算得到两帧之间的差值,然后找到存在红色分量锚框在两帧之间的红色像素灰度值随时间的变化以及对应飞机相同位置的锚框前后两帧之间的差值,通过差值变化和灰度值变化滤除存在静态红色物体的锚框,剩下的是存在防撞灯的锚框,从而确定防撞灯所在的图像中的位置以及锚框的位置。
7.根据权利要求1所述的基于单相机的飞机防撞灯工作状态检测方法,其特征在于,所述步骤S7具体包括:
通过多次统计防撞灯所在锚框,在多帧图像之间的差值,结合时序数据统计出红色分量在该锚框中所出现的脉冲周期以及起变化状态,根据起变化状态来判断出飞机防撞灯的工作状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619517.8A CN116524412A (zh) | 2023-05-29 | 2023-05-29 | 一种基于单相机的飞机防撞灯工作状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310619517.8A CN116524412A (zh) | 2023-05-29 | 2023-05-29 | 一种基于单相机的飞机防撞灯工作状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116524412A true CN116524412A (zh) | 2023-08-01 |
Family
ID=87392257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310619517.8A Pending CN116524412A (zh) | 2023-05-29 | 2023-05-29 | 一种基于单相机的飞机防撞灯工作状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524412A (zh) |
-
2023
- 2023-05-29 CN CN202310619517.8A patent/CN116524412A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10127448B2 (en) | Method and system for dismount detection in low-resolution UAV imagery | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN109918971B (zh) | 监控视频中人数检测方法及装置 | |
CN105139011B (zh) | 一种基于标识物图像的车辆识别方法及装置 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN107315990B (zh) | 一种基于xcs-lbp特征的行人检测算法 | |
CN112001299B (zh) | 一种隧道车指器和照明灯故障识别方法 | |
CN110427979B (zh) | 基于K-Means聚类算法的道路水坑识别方法 | |
CN113324864A (zh) | 一种基于深度学习目标检测的受电弓碳滑板磨耗检测方法 | |
CN102610104B (zh) | 一种车载的前方车辆检测方法 | |
CN110032946A (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
CN111476804A (zh) | 托辊图像高效分割方法、装置、设备及存储介质 | |
CN111105398A (zh) | 一种基于可见光图像数据的输电线路部件裂纹检测方法 | |
CN111539980A (zh) | 一种基于可见光的多目标追踪方法 | |
CN114677406A (zh) | 利用累计帧差与色彩统计从视频流中识别石油火焰的方法 | |
TWI498830B (zh) | 不均勻光線下的車牌辨識方法及系統 | |
Zong et al. | Traffic light detection based on multi-feature segmentation and online selecting scheme | |
JP2012023572A (ja) | ホワイトバランス係数算出装置及びプログラム | |
CN116524412A (zh) | 一种基于单相机的飞机防撞灯工作状态检测方法 | |
CN110688876A (zh) | 一种基于视觉的车道线检测方法及装置 | |
KR102188162B1 (ko) | 안개 상황에서 차량 검출 방법 및 시스템 | |
CN109784176B (zh) | 车载热成像行人检测RoIs提取方法和装置 | |
Rajapaksha et al. | Optimized Multi-Shaped Traffic Light Detection and Signal Recognition with Guided Framework | |
Schmitt et al. | Sky detection in CSC-segmented color images | |
JPH05290293A (ja) | 車頭検出装置 |
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 |