CN116787022B - 基于多源数据的散热铜底板焊接质量检测方法及系统 - Google Patents
基于多源数据的散热铜底板焊接质量检测方法及系统 Download PDFInfo
- Publication number
- CN116787022B CN116787022B CN202311094185.2A CN202311094185A CN116787022B CN 116787022 B CN116787022 B CN 116787022B CN 202311094185 A CN202311094185 A CN 202311094185A CN 116787022 B CN116787022 B CN 116787022B
- Authority
- CN
- China
- Prior art keywords
- welding
- information
- analysis
- data
- analysis result
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 377
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 100
- 229910052802 copper Inorganic materials 0.000 title claims abstract description 100
- 239000010949 copper Substances 0.000 title claims abstract description 100
- 238000001514 detection method Methods 0.000 title claims abstract description 66
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 231
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000007547 defect Effects 0.000 claims description 38
- 230000004927 fusion Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000005855 radiation Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005476 soldering Methods 0.000 description 3
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
- B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
- B23K31/125—Weld quality monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Investigating And Analyzing Materials By Characteristic Methods (AREA)
Abstract
本发明公开了一种基于多源数据的散热铜底板焊接质量检测方法及系统,包括:获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接实时调节。提高了检测效率和准确性,保障产品质量和生产效率。
Description
技术领域
本发明涉及散热铜底板焊接质量检测技术领域,尤其涉及一种基于多源数据的散热铜底板焊接质量检测方法及系统。
背景技术
随着电子设备的不断发展和应用范围的扩大,散热铜底板在电子产品中的应用越来越广泛。散热铜底板作为散热元件的重要组成部分,其质量对电子设备的稳定性和性能有着至关重要的影响。焊接是散热铜底板制造过程中的关键环节之一,其焊接质量直接关系到散热铜底板的导热性能和机械稳定性。
然而,由于散热铜底板的特殊性质以及焊接过程中的复杂性,焊接质量检测面临着一系列挑战。传统的目视检测和人工检测方法存在着主观性强、效率低下以及难以应对大批量生产的问题。因此,迫切需要一种高效、精准的散热铜底板焊接质量检测方法,以保障产品质量和生产效率。
发明内容
本发明克服了现有技术的缺陷,提供了一种基于多源数据的散热铜底板焊接质量检测方法及系统,其重要目的在于提高检测效率和准确性,保障产品质量和生产效率。
为实现上述目的本发明第一方面提供了一种基于多源数据的散热铜底板焊接质量检测方法,包括:
获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;
基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;
获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;
根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接实时调节。
本方案中,所述获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,具体为:
获取焊接过程中的焊接温度数据和焊接设备数据,所述焊接设备数据包括:焊接设备电流数据和焊接设备电压数据;
根据所述焊接温度数据绘制温度变化趋势图,根据所述焊接设备数据绘制设备数据变化趋势图;
根据温度变化趋势图进行焊接温度分析,预设焊接温度判断阈值,截取温度波动时间段的焊接温度数据,根据焊接温度判断阈值计算各时间段的温度差值,得到温度差值信息;
将所述温度差值信息与预设温度差值判断阈值进行判断,统计超过预设温度差值判断阈值的次数和持续时间,并计算温度变化率,得到温度分析信息;
根据设备数据变化趋势图进行设备变化分析,进行特征提取,获取平均电流和平均电压,根据平均电流和平均电压计算电流脉冲频率和电压标准差,得到设备分析信息;
基于随机森林算法构建第一分析模型,将所述温度分析信息和设备分析信息导入第一分析模型进行分析,集成每个决策树的预测结果,选择出现频率最高的作为最终分析结果,得到第一分析结果信息。
本方案中,所述获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,具体为:
基于超声波检测技术进行散热铜底板进行焊接质量测试,获取回波信号,得到回波信息;
根据超声波成像技术构建超声波图像,构成散热铜底板焊接内部图像信息,进行去噪和滤波预处理,结合所述回波信息构成焊接内部数据;
构建焊接质量检测模型,对所述焊接内部数据进行特征提取,提取回波时间、不同传播路径声波的幅度、频率及能量和焊接内部缺陷信息,得到焊接内部特征信息;
将所述焊接内部特征信息通过焊接质量检测模型继续进行分析,通过分析散热铜底板内部焊接情况,确定缺陷位置、大小和数量,得到焊接质量检测信息;
预测焊接质量判断阈值,将所述焊接质量检测信息与焊接质量判断阈值进行判断,得到第二分析结果信息。
本方案中,所述构建焊接质量检测模型,还包括:
根据CSP结构和DCN网络的构建特征提取层,将输入的焊接内部数据进行多尺度融合重置,对重置后的焊接内部数据进行特征提取;
根据加权双向金字塔网络和自适应空间融合网络构建特征融合层,将低层的特征信息向高层融合及将高层的特征信息向低层融合,将融合后的特征信息输入至自适应空间融合网络;
通过加权双向金字塔网络实现双向路径和多尺度融合,双向表示自顶向下和自底向上,加权表示带权重进行特征融合;
自适应空间融合网络通过学习每个尺度上特征融合的空间权值来过滤冲突信息,包含特征尺度调整和自适应融合两部分,从而提高特征信息的尺度不变性;
根据YOLOX算法构建目标检测层,通过将目标检测任务分解为不同的分支,每个分支负责预测不同类别的目标以及对应的位置信息,不同的检测分支对应于不同尺度下的特征,从而提高检测性能和加速收敛速度;
将融合后的特征信息输入至目标检测层进行检测,对焊接缺陷的精确分类和定位,并识别缺陷大小和数量。
本方案中,所述获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,具体为:
获取焊接时的铜底板实时图像信息,包括铜底板侧面图像信息和铜底板正面图像信息;
基于大数据检索获取不同类别焊缝的图像信息,构成对比数据集;
基于目标分割算法对所述铜底板实时图像信息进行目标区域分割,得到目标区域图像,对目标区域图像进行去噪和中值滤波,得到目标区域图像信息;
对所述目标区域图像信息进行加权计算,将RGB颜色通道的像素值进行加权平均计算,得到各像素点的亮度值,进行排序,预设选取阈值,根据选取阈值选择N个像素点,将选取的N个像素点的亮度值进行平均计算,得到大气光值信息;
获取目标区域图像的暗通道值,基于暗通道先验方法进行透射率计算,得到透射率信息;
根据所述大气光值信息和透射率信息进行去雾处理,得到去雾图像信息;
预设判断阈值,将去雾图像信息和对比数据集进行相似度计算,获取相似度值,与判断阈值进行判断分析,得到第三分析结果信息。
本方案中,所述进行焊接质量综合分析,根据分析结果进行焊接调节,具体为:
获取第一分析结果信息、第二分析结果信息和第三分析结果信息;
基于BP神经网络构建焊接质量综合分析模型,将所述第一分析结果信息、第二分析结果信息和第三分析结果信息导入焊接质量综合评估模型进行焊接质量综合分析,得到焊接质量综合分析信息;
根据所述焊接质量分析信息分析出现焊接质量问题的原因,得到原因分析结果信息;
通过原因分析结果信息对焊接设备进行调节,从而提高散热铜底板的焊接质量。
本发明第二方面提供了一种基于多源数据的散热铜底板焊接质量检测系统,该系统包括:存储器、处理器,所述存储器中包含基于多源数据的散热铜底板焊接质量检测方法程序,所述基于多源数据的散热铜底板焊接质量检测方法程序被所述处理器执行时实现如下步骤:
获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;
基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;
获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;
根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接实时调节。
本发明公开了一种基于多源数据的散热铜底板焊接质量检测方法及系统,包括:获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接实时调节。提高了检测效率和准确性,保障产品质量和生产效率。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案,下面将对实施例或示例性描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以按照这些附图示出的获得其他的附图。
图1为本发明一实施例提供的一种基于多源数据的散热铜底板焊接质量检测方法流程图;
图2为本发明一实施例提供的散热铜底板焊接质量检测方法的数据处理流程图;
图3为本发明一实施例提供的一种基于多源数据的散热铜底板焊接质量检测系统框图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1为本发明一实施例提供的一种基于多源数据的散热铜底板焊接质量检测方法流程图;
如图1所示,本发明提供了一种基于多源数据的散热铜底板焊接质量检测方法流程图,包括:
S102,获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;
获取焊接过程中的焊接温度数据和焊接设备数据,所述焊接设备数据包括:焊接设备电流数据和焊接设备电压数据;
根据所述焊接温度数据绘制温度变化趋势图,根据所述焊接设备数据绘制设备数据变化趋势图;
根据温度变化趋势图进行焊接温度分析,预设焊接温度判断阈值,截取温度波动时间段的焊接温度数据,根据焊接温度判断阈值计算各时间段的温度差值,得到温度差值信息;
将所述温度差值信息与预设温度差值判断阈值进行判断,统计超过预设温度差值判断阈值的次数和持续时间,并计算温度变化率,得到温度分析信息;
根据设备数据变化趋势图进行设备变化分析,进行特征提取,获取平均电流和平均电压,根据平均电流和平均电压计算电流脉冲频率和电压标准差,得到设备分析信息;
基于随机森林算法构建第一分析模型,将所述温度分析信息和设备分析信息导入第一分析模型进行分析,集成每个决策树的预测结果,选择出现频率最高的作为最终分析结果,得到第一分析结果信息。
需要说明的是,首先,获取焊接温度数据和焊接设备数据。焊接温度数据是记录焊接过程中的温度变化情况,而焊接设备数据包括焊接设备的电流和电压数据。使用获取的数据,分别绘制焊接温度数据的变化趋势图和焊接设备数据的变化趋势图,直观地展示温度和设备状态的变化情况。对焊接温度数据进行分析。在预设的焊接温度判断阈值的基础上,确定温度波动的时间段,并计算在这些时间段内的温度差值。这些差值提供了关于焊接温度的波动程度的信息。对焊接设备数据进行分析。从设备数据趋势图中提取特征,包括平均电流和平均电压。然后,利用这些特征计算电流脉冲频率和电压标准差,越低的标准差表示电压波动越小,电压稳定性越高。这些信息反映了焊接设备状态的变化情况。使用随机森林算法构建第一分析模型。将温度分析信息和设备分析信息导入第一分析模型中,每个决策树会根据输入的信息进行预测,然后将所有决策树的预测结果集成,选择出现频率最高的预测结果作为最终的分析结果,以获得关于焊接质量和焊接过程稳定性的信息。这些分析结果可以帮助判断焊接质量,并及早发现潜在的问题。
进一步的,获取历史焊接数据,基于统计学算法对缺陷产品和区域进行统计,得到高频缺陷信息;根据所述高频缺陷信息进行产品几何特征分析并通过聚类算法进行类别划分,得到几何特征类别信息;根据所述几何特征类别信息通过大数据检索获取解决缺陷的最佳焊接温度,构成缺陷对比数据集;获取缺陷产品数据,对所述缺陷产品数据进行特征提取,提取缺陷产品的几何特征和缺陷特征,得到缺陷产品特征信息;将所述缺陷产品特征信息与缺陷对比数据集进行相似度计算,将计算得到的相似度值与预设阈值进行判断分析,并匹配对应的最佳焊接温度,得到分析结果信息;根据分析结果信息进行焊接温度实时调节,从而提高生产质量;基于大数据检索获取各种产品几何类别和不同缺陷程度的散热性能数据,构成散热性能训练数据集;获取当前生产批次的缺陷产品数据,提取缺陷特征和几何特征,得到当前批次的缺陷产品特征信息;基于BP神经网络构建散热性能分析模型,通过所述散热性能训练数据集进行深度学习和训练,得到符合期望的散热性能分析模型;将当前批次的缺陷产品特征信息导入散热性能分析模型中进行分析,得到散热性能分析信息;预设若干判断阈值,将所述散热性能分析信息与判断阈值进行判断,得到判断结果信息;根据所述判断结果信息分析缺陷产品是否符合继续利用的标准,得到缺陷产品分析信息;通过缺陷产品分析信息对符合继续利用标准缺陷产品进行标记和分类,在下次生产时,根据生产标准结合缺陷产品分析信息和判断结果信息判断是否可以直接使用,以提高生产效率和经济效益。
S104,基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;
基于超声波检测技术进行散热铜底板进行焊接质量测试,获取回波信号,得到回波信息;
根据超声波成像技术构建超声波图像,构成散热铜底板焊接内部图像信息,进行去噪和滤波预处理,结合所述回波信息构成焊接内部数据;
构建焊接质量检测模型,对所述焊接内部数据进行特征提取,提取回波时间、不同传播路径声波的幅度、频率及能量和焊接内部缺陷信息,得到焊接内部特征信息;
将所述焊接内部特征信息通过焊接质量检测模型继续进行分析,通过分析散热铜底板内部焊接情况,确定缺陷位置、大小和数量,得到焊接质量检测信息;
预测焊接质量判断阈值,将所述焊接质量检测信息与焊接质量判断阈值进行判断,得到第二分析结果信息。
进一步的,所述构建焊接质量检测模型,具体包括:根据CSP结构和DCN网络的构建特征提取层,将输入的焊接内部数据进行多尺度融合重置,对重置后的焊接内部数据进行特征提取;根据加权双向金字塔网络和自适应空间融合网络构建特征融合层,将低层的特征信息向高层融合及将高层的特征信息向低层融合,将融合后的特征信息输入至自适应空间融合网络;通过加权双向金字塔网络实现双向路径和多尺度融合,双向表示自顶向下和自底向上,加权表示带权重进行特征融合;自适应空间融合网络通过学习每个尺度上特征融合的空间权值来过滤冲突信息,包含特征尺度调整和自适应融合两部分,从而提高特征信息的尺度不变性;根据YOLOX算法构建目标检测层,通过将目标检测任务分解为不同的分支,每个分支负责预测不同类别的目标以及对应的位置信息,不同的检测分支对应于不同尺度下的特征,从而提高检测性能和加速收敛速度;将融合后的特征信息输入至目标检测层进行检测,对焊接缺陷的精确分类和定位,并识别缺陷大小和数量。
需要说明的是,通过超声波检测技术获取焊接过程中的回波信号,这些回波信号包含了焊接内部的信息。利用超声波成像技术构建散热铜底板焊接内部的超声波图像,图像使焊接内部结构的可视化表示。在构建超声波图像之前,需要进行去噪和滤波等预处理步骤,以确保获取的图像信息更加准确。在焊接质量检测模型中,使用CSP结构和DCN网络构建特征提取层。首先,将焊接内部数据进行多尺度融合重置,以提取不同尺度的特征。提取回波时间、不同传播路径声波的幅度、频率和能量,以及焊接内部的缺陷信息,提供了关于焊接内部情况的详细信息。然后,使用加权双向金字塔网络和自适应空间融合网络构建特征融合层,将低层和高层特征信息融合,实现双向和多尺度特征融合。利用构建的焊接质量检测模型对融合后的特征信息进行进一步分析。根据分析获得的特征信息,通过模型分析焊接内部的情况。确定缺陷的位置、大小和数量,从而得到焊接质量检测的信息。最后,设定焊接质量判断阈值,将检测分析得到的信息与预设阈值进行比较。根据比较结果得出第二分析结果信息,指示焊接质量是否满足标准。
需要说明的是,通过分析信号的特征来确定焊缝内部是否存在缺陷。根据回波分析信号的回波图谱,确定回波的数量、强度和位置。异常回波通常是由缺陷引起的。时间域分析:分析信号的时间变化,检查信号的到达时间和强度。异常信号到达时间或强度的变化可能表明焊缝内部存在缺陷。频域分析:将信号转换到频域,分析信号的频率成分。特定频率的变化可以指示缺陷。波形形态分析:比较正常焊缝的信号波形和潜在缺陷的信号波形,检测异常形态。
S106,获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;
获取焊接时的铜底板实时图像信息,包括铜底板侧面图像信息和铜底板正面图像信息;
基于大数据检索获取不同类别焊缝的图像信息,构成对比数据集;
基于目标分割算法对所述铜底板实时图像信息进行目标区域分割,得到目标区域图像,对目标区域图像进行去噪和中值滤波,得到目标区域图像信息;
对所述目标区域图像信息进行加权计算,将RGB颜色通道的像素值进行加权平均计算,得到各像素点的亮度值,进行排序,预设选取阈值,根据选取阈值选择N个像素点,将选取的N个像素点的亮度值进行平均计算,得到大气光值信息;
获取目标区域图像的暗通道值,基于暗通道先验方法进行透射率计算,得到透射率信息;
根据所述大气光值信息和透射率信息进行去雾处理,得到去雾图像信息;
预设判断阈值,将去雾图像信息和对比数据集进行相似度计算,获取相似度值,与判断阈值进行判断分析,得到第三分析结果信息。
需要说明的是,首先,获取焊接时的铜底板实时图像信息,包括铜底板侧面图像和铜底板正面图像。这些图像提供了焊接过程中铜底板的视觉信息。然后,基于大数据检索,获取不同类别焊缝的图像信息,构成对比数据集。这些数据将用于与实时图像进行对比,以评估焊接质量。接着,使用目标分割算法对铜底板实时图像信息进行目标区域分割,提取出焊接区域的图像部分。对目标区域图像进行去噪和中值滤波,以减少噪声的影响。根据去雾图像处理方法进一步处理,通过对目标区域图像信息进行加权计算,计算每个像素点的亮度值。通过对亮度值排序并选取阈值,选择N个像素点。然后计算选取的N个像素点的亮度值的平均值,得到大气光值信息。 获取目标区域图像的暗通道值,并基于暗通道先验方法计算透射率信息。透射率衡量了图像中光线透过雾霭的程度。利用所述大气光值信息和透射率信息进行去雾处理,将实时图像中的雾霭效应去除,得到去雾图像信息。预设判断阈值,将去雾图像信息与对比数据集中的图像进行相似度计算,获取相似度值。将相似度值与判断阈值进行比较,以确定焊接质量。如果相似度值超过阈值,则可能表示焊接质量较差,反之则可能表示焊接质量较好。
S108,根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接实时调节;
获取第一分析结果信息、第二分析结果信息和第三分析结果信息;
基于BP神经网络构建焊接质量综合分析模型,将所述第一分析结果信息、第二分析结果信息和第三分析结果信息导入焊接质量综合评估模型进行焊接质量综合分析,得到焊接质量综合分析信息;
根据所述焊接质量分析信息分析出现焊接质量问题的原因,得到原因分析结果信息;
通过原因分析结果信息对焊接设备进行调节,从而提高散热铜底板的焊接质量。
需要说明的是,基于BP神经网络构建焊接质量综合分析模型。该模型将第一分析结果信息、第二分析结果信息和第三分析结果信息作为输入,通过神经网络的学习和训练,综合考虑各种分析结果,得出综合的焊接质量分析信息。各种分析结果的权重和影响可以得到平衡,从而更全面地评估焊接质量。基于综合分析的结果,分析出现焊接质量问题的原因。通过综合分析,可以更准确地确定焊接质量不良的根本原因,可能涉及温度、设备、材料等多个方面。根据原因分析结果信息,对焊接设备进行调节。通过识别出的问题原因,可以针对性地调整焊接设备的参数、工艺或操作,以提高散热铜底板焊接质量。
图2为本发明一实施例提供的散热铜底板焊接质量检测方法的数据处理流程图;
如图2所示,本发明提供了散热铜底板焊接质量检测方法的数据处理流程图,包括:
S202,获取焊接过程中的焊接温度数据和焊接设备数据,基于第一分析模型进行分析;
S204,构成散热铜底板焊接内部图像信息,结合所述回波信息构成焊接内部数据;
S206,对所述焊接内部数据进行特征提取,通过焊接质量检测模型继续进行分析;
S208,获取焊接时的铜底板实时图像信息,进行图像处理后进行相似度分析;
S210,进行焊接质量综合分析。
进一步的,获取焊接温度数据和焊接设备数据,对所述焊接温度数据和焊接设备数据分别进行特征提取,提取异常波动数据,得到异常波动信息;分别对温度、电流和电压预设不同的划分阈值,根据划分阈值对异常波动信息进行类别划分,将出现异常波动的数据按照波动程度进行划分,得到类别划分信息,并基于统计学算法对类别划分信息进行统计,得到统计信息;预设若干等级判断阈值,将统计信息与等级判断阈值进行判断,根据不同类别的异常波动数据出现次数判断异常波动等级,得到等级判断结果信息;基于神经网络构建焊接设备评估模型,将所述等级判断结果信息、焊接设备数据信息和焊接温度信息导入焊接设备评估模型进行评估,通过出现异常波动的次数和等级以及异常波动的数据对设备的运行状况进行评估,得到设备运行状况评估信息;基于大数据检索获取设备老化和发生故障前的异常数据,构成对比数据集;将所述等级判断结果信息、焊接设备数据信息和焊接温度信息与对比数据集进行相似度计算,获取相似度值,并与预设阈值进行判断,得到设备状况分析信息;结合设备状况分析信息和设备运行状况评估信息进行设备使用寿命分析和设备故障分析,判断焊接设备是否出现老化现象并分析焊接设备的故障出现概率,得到最终分析结果信息;根据所述最终分析结果信息生成设备状态报告,并结合设备状态报告生成预警信息进行预警提示,保证生产的安全和效率。
图3为本发明一实施例提供的一种基于多源数据的散热铜底板焊接质量检测系统框图3,该系统包括:存储器31、处理器32,所述存储器31中包含基于多源数据的散热铜底板焊接质量检测方法程序,所述基于多源数据的散热铜底板焊接质量检测方法程序被所述处理器32执行时实现如下步骤:
获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;
基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;
获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;
根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接调节。
需要说明的是,通过对焊接过程中的焊接温度和设别运行数据进行分析,可以有效的了解焊接过程中的焊接环境和焊接设备运行状态,有助于检测焊接质量;通过超声波技术对散热铜底板的内部焊接情况进行检测,通过对回波信号和内部焊接结构图进行分析,从而进行内部焊接分析,判断是否合格;基于散热铜底板的外部图像,分析焊缝是否符合焊接标准;最后结合所有分析结果信息,进行综合分析,从三方面分析散热铜底板的焊接质量,并分析导致焊接质量问题的原因,根据原因分析信息进行调节,从而保证生产质量和效率,提高经济收益。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于多源数据的散热铜底板焊接质量检测方法,其特征在于,包括:
获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;
基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;
获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;
根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接调节;
所述获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,具体包括:
获取焊接过程中的焊接温度数据和焊接设备数据,所述焊接设备数据包括:焊接设备电流数据和焊接设备电压数据;
根据所述焊接温度数据绘制温度变化趋势图,根据所述焊接设备数据绘制设备数据变化趋势图;
根据温度变化趋势图进行焊接温度分析,预设焊接温度判断阈值,截取温度波动时间段的焊接温度数据,根据焊接温度判断阈值计算各时间段的温度差值,得到温度差值信息;
将所述温度差值信息与预设温度差值判断阈值进行判断,统计超过预设温度差值判断阈值的次数和持续时间,并计算温度变化率,得到温度分析信息;
根据设备数据变化趋势图进行设备变化分析,进行特征提取,获取平均电流和平均电压,根据平均电流和平均电压计算电流脉冲频率和电压标准差,得到设备分析信息;
基于随机森林算法构建第一分析模型,将所述温度分析信息和设备分析信息导入第一分析模型进行分析,集成每个决策树的预测结果,选择出现频率最高的作为最终分析结果,得到第一分析结果信息;
所述获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,具体包括:
基于超声波检测技术进行散热铜底板进行焊接质量测试,获取回波信号,得到回波信息;
根据超声波成像技术构建超声波图像,构成散热铜底板焊接内部图像信息,进行去噪和滤波预处理,结合所述回波信息构成焊接内部数据;
构建焊接质量检测模型,对所述焊接内部数据进行特征提取,提取回波时间、不同传播路径声波的幅度、频率及能量和焊接内部缺陷信息,得到焊接内部特征信息;
将所述焊接内部特征信息通过焊接质量检测模型继续进行分析,通过分析散热铜底板内部焊接情况,确定缺陷位置、大小和数量,得到焊接质量检测信息;
预测焊接质量判断阈值,将所述焊接质量检测信息与焊接质量判断阈值进行判断,得到第二分析结果信息;
所述获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,具体包括:
获取焊接时的铜底板实时图像信息,包括铜底板侧面图像信息和铜底板正面图像信息;
基于大数据检索获取不同类别焊缝的图像信息,构成对比数据集;
基于目标分割算法对所述铜底板实时图像信息进行目标区域分割,得到目标区域图像,对目标区域图像进行去噪和中值滤波,得到目标区域图像信息;
对所述目标区域图像信息进行加权计算,将RGB颜色通道的像素值进行加权平均计算,得到各像素点的亮度值,进行排序,预设选取阈值,根据选取阈值选择N个像素点,将选取的N个像素点的亮度值进行平均计算,得到大气光值信息;
获取目标区域图像的暗通道值,基于暗通道先验方法进行透射率计算,得到透射率信息;
根据所述大气光值信息和透射率信息进行去雾处理,得到去雾图像信息;
预设判断阈值,将去雾图像信息和对比数据集进行相似度计算,获取相似度值,与判断阈值进行判断分析,得到第三分析结果信息。
2.根据权利要求1所述的一种基于多源数据的散热铜底板焊接质量检测方法,其特征在于,所述构建焊接质量检测模型,具体包括:
根据CSP结构和DCN网络的构建特征提取层,将输入的焊接内部数据进行多尺度融合重置,对重置后的焊接内部数据进行特征提取;
根据加权双向金字塔网络和自适应空间融合网络构建特征融合层,将低层的特征信息向高层融合及将高层的特征信息向低层融合,将融合后的特征信息输入至自适应空间融合网络;
通过加权双向金字塔网络实现双向路径和多尺度融合,双向表示自顶向下和自底向上,加权表示带权重进行特征融合;
自适应空间融合网络通过学习每个尺度上特征融合的空间权值来过滤冲突信息,包含特征尺度调整和自适应融合两部分,从而提高特征信息的尺度不变性;
根据YOLOX算法构建目标检测层,通过将目标检测任务分解为不同的分支,每个分支负责预测不同类别的目标以及对应的位置信息,不同的检测分支对应于不同尺度下的特征,从而提高检测性能和加速收敛速度;
将融合后的特征信息输入至目标检测层进行检测,对焊接缺陷的精确分类和定位,并识别缺陷大小和数量。
3.根据权利要求1所述的一种基于多源数据的散热铜底板焊接质量检测方法,其特征在于,所述进行焊接质量综合分析,根据分析结果进行焊接调节,具体包括:
获取第一分析结果信息、第二分析结果信息和第三分析结果信息;
基于BP神经网络构建焊接质量综合分析模型,将所述第一分析结果信息、第二分析结果信息和第三分析结果信息导入焊接质量综合评估模型进行焊接质量综合分析,得到焊接质量综合分析信息;
根据所述焊接质量分析信息分析出现焊接质量问题的原因,得到原因分析结果信息;
通过原因分析结果信息对焊接设备进行调节,从而提高散热铜底板的焊接质量。
4.一种基于多源数据的散热铜底板焊接质量检测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包含基于多源数据的散热铜底板焊接质量检测方法程序,所述基于多源数据的散热铜底板焊接质量检测方法程序被所述处理器执行时实现如下步骤:
获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,得到第一分析结果信息;
基于超声波检测技术进行焊接质量测试,获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,得到第二分析结果信息;
获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,得到第三分析结果信息;
根据所述第一分析结果信息、第二分析结果信息和第三分析结果信息进行焊接质量综合分析,根据分析结果进行焊接调节;
所述获取焊接过程的焊接温度数据和焊接设备数据,绘制变化趋势图进行焊接过程分析,具体包括:
获取焊接过程中的焊接温度数据和焊接设备数据,所述焊接设备数据包括:焊接设备电流数据和焊接设备电压数据;
根据所述焊接温度数据绘制温度变化趋势图,根据所述焊接设备数据绘制设备数据变化趋势图;
根据温度变化趋势图进行焊接温度分析,预设焊接温度判断阈值,截取温度波动时间段的焊接温度数据,根据焊接温度判断阈值计算各时间段的温度差值,得到温度差值信息;
将所述温度差值信息与预设温度差值判断阈值进行判断,统计超过预设温度差值判断阈值的次数和持续时间,并计算温度变化率,得到温度分析信息;
根据设备数据变化趋势图进行设备变化分析,进行特征提取,获取平均电流和平均电压,根据平均电流和平均电压计算电流脉冲频率和电压标准差,得到设备分析信息;
基于随机森林算法构建第一分析模型,将所述温度分析信息和设备分析信息导入第一分析模型进行分析,集成每个决策树的预测结果,选择出现频率最高的作为最终分析结果,得到第一分析结果信息;
所述获取散热铜底板的焊接内部数据,根据所述焊接内部数据进行内部焊接质量分析,具体包括:
基于超声波检测技术进行散热铜底板进行焊接质量测试,获取回波信号,得到回波信息;
根据超声波成像技术构建超声波图像,构成散热铜底板焊接内部图像信息,进行去噪和滤波预处理,结合所述回波信息构成焊接内部数据;
构建焊接质量检测模型,对所述焊接内部数据进行特征提取,提取回波时间、不同传播路径声波的幅度、频率及能量和焊接内部缺陷信息,得到焊接内部特征信息;
将所述焊接内部特征信息通过焊接质量检测模型继续进行分析,通过分析散热铜底板内部焊接情况,确定缺陷位置、大小和数量,得到焊接质量检测信息;
预测焊接质量判断阈值,将所述焊接质量检测信息与焊接质量判断阈值进行判断,得到第二分析结果信息;
所述获取焊接时的铜底板实时图像信息,进行外观焊接质量分析,具体包括:
获取焊接时的铜底板实时图像信息,包括铜底板侧面图像信息和铜底板正面图像信息;
基于大数据检索获取不同类别焊缝的图像信息,构成对比数据集;
基于目标分割算法对所述铜底板实时图像信息进行目标区域分割,得到目标区域图像,对目标区域图像进行去噪和中值滤波,得到目标区域图像信息;
对所述目标区域图像信息进行加权计算,将RGB颜色通道的像素值进行加权平均计算,得到各像素点的亮度值,进行排序,预设选取阈值,根据选取阈值选择N个像素点,将选取的N个像素点的亮度值进行平均计算,得到大气光值信息;
获取目标区域图像的暗通道值,基于暗通道先验方法进行透射率计算,得到透射率信息;
根据所述大气光值信息和透射率信息进行去雾处理,得到去雾图像信息;
预设判断阈值,将去雾图像信息和对比数据集进行相似度计算,获取相似度值,与判断阈值进行判断分析,得到第三分析结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094185.2A CN116787022B (zh) | 2023-08-29 | 2023-08-29 | 基于多源数据的散热铜底板焊接质量检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311094185.2A CN116787022B (zh) | 2023-08-29 | 2023-08-29 | 基于多源数据的散热铜底板焊接质量检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116787022A CN116787022A (zh) | 2023-09-22 |
CN116787022B true CN116787022B (zh) | 2023-10-24 |
Family
ID=88038876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311094185.2A Active CN116787022B (zh) | 2023-08-29 | 2023-08-29 | 基于多源数据的散热铜底板焊接质量检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116787022B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118192477B (zh) * | 2024-05-15 | 2024-07-09 | 深圳市鑫源力劲科技有限公司 | 一种用于塑焊一体机的设备智能控制系统及方法 |
CN118329907A (zh) * | 2024-06-04 | 2024-07-12 | 普瑞特机械制造股份有限公司 | 一种焊缝检测方法及系统 |
CN118330034B (zh) * | 2024-06-06 | 2024-09-13 | 深圳沃特检验集团股份有限公司 | 基于数据分析的电焊机性能测评方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424198A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
WO2021208726A1 (zh) * | 2020-11-23 | 2021-10-21 | 平安科技(深圳)有限公司 | 基于注意力机制的目标检测方法、装置及计算机设备 |
CN113568944A (zh) * | 2021-06-24 | 2021-10-29 | 东风汽车集团股份有限公司 | 一种基于大数据数理统计的焊点质量分析系统及方法 |
CN113887593A (zh) * | 2021-09-18 | 2022-01-04 | 深圳市裕展精密科技有限公司 | 训练方法、电子装置、焊接检测方法、装置及焊接设备 |
CN114994184A (zh) * | 2022-05-25 | 2022-09-02 | 南昌航空大学 | 基于灰色预测的搭接焊中焊缝熔深测量方法及系统 |
CN116563280A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
CN116612106A (zh) * | 2023-06-06 | 2023-08-18 | 哈尔滨理工大学 | 一种基于yolox算法的光学元件表面缺陷检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7132617B2 (en) * | 2002-02-20 | 2006-11-07 | Daimlerchrysler Corporation | Method and system for assessing quality of spot welds |
-
2023
- 2023-08-29 CN CN202311094185.2A patent/CN116787022B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107424198A (zh) * | 2017-07-27 | 2017-12-01 | 广东欧珀移动通信有限公司 | 图像处理方法、装置、移动终端及计算机可读存储介质 |
WO2021208726A1 (zh) * | 2020-11-23 | 2021-10-21 | 平安科技(深圳)有限公司 | 基于注意力机制的目标检测方法、装置及计算机设备 |
CN113568944A (zh) * | 2021-06-24 | 2021-10-29 | 东风汽车集团股份有限公司 | 一种基于大数据数理统计的焊点质量分析系统及方法 |
CN113887593A (zh) * | 2021-09-18 | 2022-01-04 | 深圳市裕展精密科技有限公司 | 训练方法、电子装置、焊接检测方法、装置及焊接设备 |
CN114994184A (zh) * | 2022-05-25 | 2022-09-02 | 南昌航空大学 | 基于灰色预测的搭接焊中焊缝熔深测量方法及系统 |
CN116612106A (zh) * | 2023-06-06 | 2023-08-18 | 哈尔滨理工大学 | 一种基于yolox算法的光学元件表面缺陷检测方法 |
CN116563280A (zh) * | 2023-07-07 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于数据分析的复合铜散热底板加工检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116787022A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116787022B (zh) | 基于多源数据的散热铜底板焊接质量检测方法及系统 | |
Wang et al. | Automatic identification of different types of welding defects in radiographic images | |
CN117152161B (zh) | 一种基于图像识别的刨花板质量检测方法及系统 | |
CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
CN113344475B (zh) | 基于序列模态分解的变压器套管缺陷识别方法及系统 | |
CN117541483B (zh) | 一种扩散板的结构性能评估方法及系统 | |
CN111753794B (zh) | 水果品质分类方法、装置、电子设备及可读存储介质 | |
Kumar et al. | Classifications of citrus fruit using image processing-GLCM parameters | |
CN109239073A (zh) | 一种用于汽车车身的表面缺陷检测方法 | |
CN109900363A (zh) | 一种基于轮廓提取的目标物红外测温方法和装置 | |
CN117333467B (zh) | 基于图像处理的玻璃瓶瓶身瑕疵识别检测方法及系统 | |
CN112070762A (zh) | 液晶面板的mura缺陷检测方法、装置、存储介质及终端 | |
CN117314826A (zh) | 一种显示屏的性能检测方法 | |
CN116542967B (zh) | 一种锂电池极柱缺陷的检测方法、装置以及设备 | |
CN116935308B (zh) | 基于车辆情景ai智能识别的洗车机安全监控系统及方法 | |
CN117589784A (zh) | 一种基于深度学习的测试分析方法、系统及存储介质 | |
CN117668518A (zh) | 一种离散型智能制造方法及系统 | |
WO2023282043A1 (ja) | 検査方法、分類方法、管理方法、鋼材の製造方法、学習モデルの生成方法、学習モデル、検査装置及び鋼材の製造設備 | |
CN112767365A (zh) | 一种探伤方法 | |
CN115128548A (zh) | 一种sar射频干扰检测方法 | |
Zhao et al. | Blowhole Detection Based on Bidirectional Enhancement and Omnidirectional Analysis for X‐Ray Inspection of Castings | |
Chen et al. | Grading method for tomato multi-view shape using machine vision | |
JP6457728B2 (ja) | 層流煙検出装置および層流煙検出方法 | |
CN118279773B (zh) | 一种基于无人机的违禁渔具监测方法及系统 | |
CN118397617B (zh) | 基于图像处理的食品变质检测方法及系统 |
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 |