CN117260492A - 金属工件加工设备及其方法 - Google Patents
金属工件加工设备及其方法 Download PDFInfo
- Publication number
- CN117260492A CN117260492A CN202311388448.0A CN202311388448A CN117260492A CN 117260492 A CN117260492 A CN 117260492A CN 202311388448 A CN202311388448 A CN 202311388448A CN 117260492 A CN117260492 A CN 117260492A
- Authority
- CN
- China
- Prior art keywords
- classification
- feature
- image
- unit
- metal workpiece
- 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.)
- Withdrawn
Links
- 238000012545 processing Methods 0.000 title claims abstract description 84
- 239000002184 metal Substances 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 238000000227 grinding Methods 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims description 67
- 238000012546 transfer Methods 0.000 claims description 37
- 230000004927 fusion Effects 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000003754 machining Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000009740 moulding (composite fabrication) Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B27/00—Other grinding machines or devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
- B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
- B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及智能检测领域，其具体公开了一种金属工件加工设备及其方法，其使用基于深度神经网络的人工智能技术来对磨削工件的检测图像进行特征提取和编码，以得到表示当前工件磨削是否合格的分类标签。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本。
Description
技术领域
本申请涉及智能检测领域，且更为具体的涉及一种金属工件加工设备及其方法。
背景技术
金属工件加工设备是用于对金属材料进行切削、成形和加工的机械设备，具体包括对金属工件的切削、钻孔、磨削、冲压等。在对金属工件进行磨削时需要对工件进行检查来保证磨削的效果合格。传统的对磨削工件的检测往往是通过人工检测的方法进行的，对人工的熟练度要求较高，且耗费人力和时间成本。
因此，期待一种优化的金属工件加工设备。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种金属工件加工设备及其方法，其使用基于深度神经网络的人工智能技术来对磨削工件的检测图像进行特征提取和编码，以得到表示当前工件磨削是否合格的分类标签。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本。
根据本申请的一个方面，提供了一种金属工件加工设备，其包括：
图像采集模块，用于获取磨削工件的检测图像；
图像畸变校正模块，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
方向梯度提取模块，用于提取所述校正后检测图像的方向梯度直方图；
多通道聚合模块，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
深浅特征融合模块，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；
优化模块，用于对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图；
结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。
在上述的金属工件加工设备中，所述图像畸变校正模块，包括：
图像编码单元，用于将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；
特征解码单元，用于将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
在上述的金属工件加工设备中，所述方向梯度提取模块，包括：
划分单元，用于对所述校正后检测图像进行均匀划分以得到多个细胞空间；
梯度计算单元，用于计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；
直方图生成单元，用于基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
在上述的金属工件加工设备中，所述深浅特征融合模块，用于：
使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
在上述的金属工件加工设备中，所述深浅特征融合模块，包括：
浅层特征提取单元，用于从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6；
深层特征提取单元，用于从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10；
深浅融合单元，用于使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。
在上述的金属工件加工设备中，所述优化模块，包括：
块状切分单元，用于对所述分类特征图进行均匀块状切分以得到多个分类块状特征图；
全局均值池化单元，用于对所述多个分类块状特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量；
语义重心单元，用于对所述分类特征图的沿通道维度的全局均值池化以得到分类全局语义重心特征向量；
类空间单元，用于计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义重心特征向量之间的转移矩阵，并分别计算所述转移矩阵的全局均值以得到多个类空间类别转移特征值；
最大值归一化单元，用于对所述多个类空间类别转移特征值进行基于最大值的归一化处理以得到多个归一化类空间类别转移特征值；
加权单元，用于以所述多个归一化类空间类别转移特征值作为权重值分别对所述多个分类块状特征图进行加权以得到多个加权后分类块状特征图；
拼接单元，用于将所述多个加权后分类块状特征图进行拼接以得到所述优化分类特征图。
在上述的金属工件加工设备中，所述结果生成模块，包括：
展开单元，用于将优化分类特征图按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面，还提供了一种金属工件加工设备的检测方法，其包括：
获取磨削工件的检测图像；
将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
提取所述校正后检测图像的方向梯度直方图；
将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；
对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图；
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。
与现有技术相比，本申请提供的金属工件加工设备及其方法，其使用基于深度神经网络的人工智能技术来对磨削工件的检测图像进行特征提取和编码，以得到表示当前工件磨削是否合格的分类标签。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的金属工件加工设备的框图。
图2图示了根据本申请实施例的金属工件加工设备的系统架构图。
图3图示了根据本申请实施例的金属工件加工设备中方向梯度提取模块的框图。
图4图示了根据本申请实施例的金属工件加工设备的检测方法的流程图。
图5图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，在对金属工件进行磨削时需要对工件进行检查来保证磨削的效果合格。传统的对磨削工件的检测往往是通过人工检测的方法进行的，对人工的熟练度要求较高，且耗费人力和时间成本。因此，期待一种优化的金属工件加工设备。
针对上述技术问题，提出了一种优化的金属工件加工设备，其使用基于深度神经网络的人工智能技术来对磨削工件的检测图像进行特征提取和编码，以得到表示当前工件磨削是否合格的分类标签。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为金属工件加工设备提供了新的解决思路和方案。
具体地，首先，获取磨削工件的检测图像。通过获取磨削工件的检测图像，可以对工件的质量进行检测和评估。图像中的细节和特征可以反映出工件的表面质量、尺寸精度、形状信息。通过分析和处理图像，可以检测出工件是否存在缺陷、磨削不均匀或尺寸偏差问题，从而判断工件的磨削是否合格。
然后，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。考虑到在实际应用中，由于摄像头或传感器的特性、镜头形状等因素，采集到的图像可能存在畸变问题，如几何形状的扭曲、图像的拉伸或压缩等。通过基于自动编解码器的图像畸变校正器，可以对这些畸变进行校正，使得图像中的物体形状和比例恢复到真实的状态。校正后的图像通常具有更好的视觉效果和观感。通过去除图像中的畸变和失真，可以提高图像的清晰度、对比度和细节表现，能够更准确地分析和判断图像中的特征和细节。
接着，提取所述校正后检测图像的方向梯度直方图。方向梯度直方图是一种常用的图像特征表示方法，可以描述图像的边缘和纹理信息。通过计算图像中每个像素点的梯度方向和梯度强度，并将其统计到不同方向的直方图中，可以得到图像的方向梯度直方图。这种特征表示可以捕捉到图像中的纹理特征和边缘信息，对于磨削工件的表面质量、形状等特征具有较好的表达能力。
然后，将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像。将方向梯度直方图与校正后的检测图像进行通道聚合，可以将不同的特征信息融合在一起，丰富了图像的特征表示能力。方向梯度直方图提供了关于边缘和纹理的信息，而校正后的检测图像提供了关于形状、颜色和亮度等方面的信息。通过将它们聚合在一起，可以综合利用不同的特征信息，提高图像的表达能力。
接着，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。深浅特征融合模块可以将多通道输入图像中的深层特征和浅层特征进行融合。深层特征通常具有更高级别的语义信息，而浅层特征通常包含更多的细节信息。通过融合深浅特征，可以综合利用它们的优势，提高特征的表达能力和分类性能。卷积神经网络模型可以通过学习从多通道输入图像中提取分类特征。通过卷积层、池化层和全连接层等网络结构，模型可以逐层提取图像中的特征，并将其转化为具有分类能力的特征表示。分类特征图可以反映图像中不同位置的类别相关信息，有助于后续的目标分类和识别任务。
进而，将所述分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本。
进一步地，在本申请技术方案中，考虑到在提取分类特征图的过程中，使用了深浅特征融合模块的卷积神经网络模型。这个模型通常具有多个卷积层和池化层，用于从输入图像中提取不同层次的特征。由于不同层次的卷积核和池化操作的感受野大小不同，对图像的不同区域可能有不同的响应。这导致了分类特征图在空间上的特征分布存在异质性，不同区域的特征重要性和分布可能不同。同时，分类特征图也存在吗，具体有两个因素，首先，深浅特征融合模块中的卷积神经网络模型在提取特征时可能对不同尺度、纹理或形状的特征有不同的敏感性，导致分类特征图在空间上的分布不均匀。其次，输入图像本身可能存在不均匀的特征分布，例如，某些区域可能更具辨别性或信息丰富度，而其他区域可能相对较平凡。这些不均匀性会传递到分类特征图中，导致其空间维度的特征分布也不均匀。
由于存在空间异质性和不均匀性，分类特征图中不同区域的特征对分类器的贡献可能不同。这可能导致分类结果的类概率域偏移，即某些类别在特定区域具有更高的概率，而其他类别在该区域具有较低的概率。这种类概率域偏移可能会影响分类器的准确性和稳定性，并导致分类结果的偏差。因此，在应用分类器时，需要考虑这种空间异质性和不均匀性，以准确解释和评估分类结果。基于此，在本申请的技术方案钟，对所述分类特征图进行特征子空间一致性强化。
具体地，对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图，包括：对所述分类特征图进行均匀块状切分以得到多个分类块状特征图；对所述多个分类块状特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量；对所述分类特征图的沿通道维度的全局均值池化以得到分类全局语义重心特征向量；计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义重心特征向量之间的转移矩阵，并分别计算所述转移矩阵的全局均值以得到多个类空间类别转移特征值；对所述多个类空间类别转移特征值进行基于最大值的归一化处理以得到多个归一化类空间类别转移特征值；以所述多个归一化类空间类别转移特征值作为权重值分别对所述多个分类块状特征图进行加权以得到多个加权后分类块状特征图；将所述多个加权后分类块状特征图进行拼接以得到所述优化分类特征图。
这里，对所述分类特征图进行空间域块状切分以得到多个分类块状特征图，接着对所述多个分类块状特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量。接着，以所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类特征图的沿通道维度的全局均值池化特征向量(即，所述分类全局语义重心特征向量)之间的转移矩阵的全局均值来表示所述各个分类块状特征图在其特征空间域中特征分布空间一致性和偏移性。进而，以所述多个类空间类别转移特征值的归一化结果来对所述多个分类块状特征图进行加权以对所述所述分类特征图的各个局部特征图进行基于空间分布一致性的特征分布校正，以此来提升所述分类特征图的特征表达的结构合理性和鲁棒性。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1图示了根据本申请实施例的金属工件加工设备的框图。如图1所示，根据本申请实施例的金属工件加工设备100，包括：图像采集模块110，用于获取磨削工件的检测图像；图像畸变校正模块120，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；方向梯度提取模块130，用于提取所述校正后检测图像的方向梯度直方图；多通道聚合模块140，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；深浅特征融合模块150，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；优化模块160，用于对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图；以及结果生成模块170，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。
图2图示了根据本申请实施例的金属工件加工设备的系统架构图。如图2所示，在该系统架构中，首先，获取磨削工件的检测图像。然后，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。接着，提取所述校正后检测图像的方向梯度直方图。然后，将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像。接着，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。然后，对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图。进而，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。
在上述的金属工件加工设备100中，所述图像采集模块110，用于获取磨削工件的检测图像。如上述背景技术所言，在对金属工件进行磨削时需要对工件进行检查来保证磨削的效果合格。传统的对磨削工件的检测往往是通过人工检测的方法进行的，对人工的熟练度要求较高，且耗费人力和时间成本。因此，期待一种优化的金属工件加工设备。
针对上述技术问题，提出了一种优化的金属工件加工设备，其使用基于深度神经网络的人工智能技术来对磨削工件的检测图像进行特征提取和编码，以得到表示当前工件磨削是否合格的分类标签。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为金属工件加工设备提供了新的解决思路和方案。
具体地，首先，获取磨削工件的检测图像。通过获取磨削工件的检测图像，可以对工件的质量进行检测和评估。图像中的细节和特征可以反映出工件的表面质量、尺寸精度、形状信息。通过分析和处理图像，可以检测出工件是否存在缺陷、磨削不均匀或尺寸偏差问题，从而判断工件的磨削是否合格。
在上述的金属工件加工设备100中，所述图像畸变校正模块120，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像。考虑到在实际应用中，由于摄像头或传感器的特性、镜头形状等因素，采集到的图像可能存在畸变问题，如几何形状的扭曲、图像的拉伸或压缩等。通过基于自动编解码器的图像畸变校正器，可以对这些畸变进行校正，使得图像中的物体形状和比例恢复到真实的状态。校正后的图像通常具有更好的视觉效果和观感。通过去除图像中的畸变和失真，可以提高图像的清晰度、对比度和细节表现，能够更准确地分析和判断图像中的特征和细节。
具体地，在本申请实施例中，所述图像畸变校正模块120，包括：图像编码单元，用于将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；以及特征解码单元，用于将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
在上述的金属工件加工设备100中，所述方向梯度提取模块130，用于提取所述校正后检测图像的方向梯度直方图。方向梯度直方图是一种常用的图像特征表示方法，可以描述图像的边缘和纹理信息。通过计算图像中每个像素点的梯度方向和梯度强度，并将其统计到不同方向的直方图中，可以得到图像的方向梯度直方图。这种特征表示可以捕捉到图像中的纹理特征和边缘信息，对于磨削工件的表面质量、形状等特征具有较好的表达能力。
图3图示了根据本申请实施例的金属工件加工设备中方向梯度提取模块的框图。如图3所示，所述方向梯度提取模块130，包括：划分单元131，用于对所述校正后检测图像进行均匀划分以得到多个细胞空间；梯度计算单元132，用于计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；以及直方图生成单元133，用于基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
在上述的金属工件加工设备100中，所述多通道聚合模块140，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像。将方向梯度直方图与校正后的检测图像进行通道聚合，可以将不同的特征信息融合在一起，丰富了图像的特征表示能力。方向梯度直方图提供了关于边缘和纹理的信息，而校正后的检测图像提供了关于形状、颜色和亮度等方面的信息。通过将它们聚合在一起，可以综合利用不同的特征信息，提高图像的表达能力。
在上述的金属工件加工设备100中，所述深浅特征融合模块150，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图。深浅特征融合模块可以将多通道输入图像中的深层特征和浅层特征进行融合。深层特征通常具有更高级别的语义信息，而浅层特征通常包含更多的细节信息。通过融合深浅特征，可以综合利用它们的优势，提高特征的表达能力和分类性能。卷积神经网络模型可以通过学习从多通道输入图像中提取分类特征。通过卷积层、池化层和全连接层等网络结构，模型可以逐层提取图像中的特征，并将其转化为具有分类能力的特征表示。分类特征图可以反映图像中不同位置的类别相关信息，有助于后续的目标分类和识别任务。
具体地，在本申请实施例中，所述深浅特征融合模块150，用于：使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
具体地，在本申请实施例中，所述深浅特征融合模块150，包括：浅层特征提取单元，用于从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6；深层特征提取单元，用于从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10；深浅融合单元，用于使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图
在上述的金属工件加工设备100中，所述优化模块160，用于对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图。在本申请技术方案中，考虑到在提取分类特征图的过程中，使用了深浅特征融合模块的卷积神经网络模型。这个模型通常具有多个卷积层和池化层，用于从输入图像中提取不同层次的特征。由于不同层次的卷积核和池化操作的感受野大小不同，对图像的不同区域可能有不同的响应。这导致了分类特征图在空间上的特征分布存在异质性，不同区域的特征重要性和分布可能不同。同时，分类特征图也存在吗，具体有两个因素，首先，深浅特征融合模块中的卷积神经网络模型在提取特征时可能对不同尺度、纹理或形状的特征有不同的敏感性，导致分类特征图在空间上的分布不均匀。其次，输入图像本身可能存在不均匀的特征分布，例如，某些区域可能更具辨别性或信息丰富度，而其他区域可能相对较平凡。这些不均匀性会传递到分类特征图中，导致其空间维度的特征分布也不均匀。
由于存在空间异质性和不均匀性，分类特征图中不同区域的特征对分类器的贡献可能不同。这可能导致分类结果的类概率域偏移，即某些类别在特定区域具有更高的概率，而其他类别在该区域具有较低的概率。这种类概率域偏移可能会影响分类器的准确性和稳定性，并导致分类结果的偏差。因此，在应用分类器时，需要考虑这种空间异质性和不均匀性，以准确解释和评估分类结果。基于此，在本申请的技术方案钟，对所述分类特征图进行特征子空间一致性强化。
具体地，对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图，包括：对所述分类特征图进行均匀块状切分以得到多个分类块状特征图；对所述多个分类块状特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量；对所述分类特征图的沿通道维度的全局均值池化以得到分类全局语义重心特征向量；计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义重心特征向量之间的转移矩阵，并分别计算所述转移矩阵的全局均值以得到多个类空间类别转移特征值；对所述多个类空间类别转移特征值进行基于最大值的归一化处理以得到多个归一化类空间类别转移特征值；以所述多个归一化类空间类别转移特征值作为权重值分别对所述多个分类块状特征图进行加权以得到多个加权后分类块状特征图；将所述多个加权后分类块状特征图进行拼接以得到所述优化分类特征图。
这里，对所述分类特征图进行空间域块状切分以得到多个分类块状特征图，接着对所述多个分类块状特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量。接着，以所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类特征图的沿通道维度的全局均值池化特征向量(即，所述分类全局语义重心特征向量)之间的转移矩阵的全局均值来表示所述各个分类块状特征图在其特征空间域中特征分布空间一致性和偏移性。进而，以所述多个类空间类别转移特征值的归一化结果来对所述多个分类块状特征图进行加权以对所述所述分类特征图的各个局部特征图进行基于空间分布一致性的特征分布校正，以此来提升所述分类特征图的特征表达的结构合理性和鲁棒性。
具体地，在本申请实施例中，所述优化模块160，包括：块状切分单元，用于对所述分类特征图进行均匀块状切分以得到多个分类块状特征图；全局均值池化单元，用于对所述多个分类块状特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量；语义重心单元，用于对所述分类特征图的沿通道维度的全局均值池化以得到分类全局语义重心特征向量；类空间单元，用于计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义重心特征向量之间的转移矩阵，并分别计算所述转移矩阵的全局均值以得到多个类空间类别转移特征值；最大值归一化单元，用于对所述多个类空间类别转移特征值进行基于最大值的归一化处理以得到多个归一化类空间类别转移特征值；加权单元，用于以所述多个归一化类空间类别转移特征值作为权重值分别对所述多个分类块状特征图进行加权以得到多个加权后分类块状特征图；拼接单元，用于将所述多个加权后分类块状特征图进行拼接以得到所述优化分类特征图。
在上述的金属工件加工设备100中，所述结果生成模块170，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本。
具体地，在本申请实施例中，所述结果生成模块170，包括：展开单元，用于将优化分类特征图按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上，根据本申请实施例的金属工件加工设备已被阐明，其使用基于深度神经网络的人工智能技术来对磨削工件的检测图像进行特征提取和编码，以得到表示当前工件磨削是否合格的分类标签。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本。
如上所述，根据本申请实施例的金属工件加工设备100可以实现在各种终端设备中，例如金属工件加工设备的服务器等。在一个示例中，根据本申请实施例的金属工件加工设备100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该金属工件加工设备100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该金属工件加工设备100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该金属工件加工设备100与该终端设备也可以是分立的设备，并且该金属工件加工设备100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了根据本申请实施例的金属工件加工设备的检测方法的流程图。如图4所示，根据本申请实施例的所述金属工件加工设备的检测方法，包括步骤：S110，获取磨削工件的检测图像；S120，将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；S130，提取所述校正后检测图像的方向梯度直方图；S140，将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；S150，将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；S160，对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图；以及S170，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。
这里，本领域技术人员可以理解，上述金属工件加工设备的检测方法中的各个步骤的具体操作已经在上面参考图1到图3的金属工件加工设备的描述中得到了详细介绍，并因此，将省略其重复描述。
综上，根据本申请实施例的金属工件加工设备的检测方法已被阐明，其使用基于深度神经网络的人工智能技术来对磨削工件的检测图像进行特征提取和编码，以得到表示当前工件磨削是否合格的分类标签。这样，通过智能检测磨削工件的磨削情况，提高了检测效率，降低时间和人力成本。
示例性电子设备
下面，参考图5来描述根据本申请实施例的电子设备。图5为根据本申请实施例的电子设备的框图。如图5所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的金属工件加工设备的检测方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如磨削工件的检测图像等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括当前工件磨削是否合格等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的金属工件加工设备的检测方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的金属工件加工设备的检测方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种金属工件加工设备，其特征在于，包括：
图像采集模块，用于获取磨削工件的检测图像；
图像畸变校正模块，用于将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
方向梯度提取模块，用于提取所述校正后检测图像的方向梯度直方图；
多通道聚合模块，用于将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
深浅特征融合模块，用于将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；
优化模块，用于对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图；
结果生成模块，用于将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。
2.根据权利要求1所述的金属工件加工设备，其特征在于，所述图像畸变校正模块，包括：
图像编码单元，用于将所述检测图像输入所述图像畸变矫正器的编码器，其中，所述编码器使用卷积层对所述检测图像进行显式空间编码以得到图像特征；
特征解码单元，用于将所述图像特征输入所述图像畸变矫正器的解码器，其中，所述解码器使用反卷积层对所述图像特征进行反卷积处理以得到所述校正后检测图像。
3.根据权利要求2所述的金属工件加工设备，其特征在于，所述方向梯度提取模块，包括：
划分单元，用于对所述校正后检测图像进行均匀划分以得到多个细胞空间；
梯度计算单元，用于计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；
直方图生成单元，用于基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
4.根据权利要求3所述的金属工件加工设备，其特征在于，所述深浅特征融合模块，用于：
使用所述卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、池化处理和非线性激活处理以由所述卷积神经网络模型的各层分别输出特征图。
5.根据权利要求4所述的金属工件加工设备，其特征在于，所述深浅特征融合模块，包括：
浅层特征提取单元，用于从所述卷积神经网络模型的第M层得到浅层特征图，其中，所述M大于等于4且小于等于6；
深层特征提取单元，用于从所述卷积神经网络模型的第N层得到深层特征图，其中，N/M大于等于5且小于等于10；
深浅融合单元，用于使用所述卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到分类特征图。
6.根据权利要求5所述的金属工件加工设备，其特征在于，所述优化模块，包括：
块状切分单元，用于对所述分类特征图进行均匀块状切分以得到多个分类块状特征图；
全局均值池化单元，用于对所述多个分类块状特征图分别进行全局均值池化以得到多个分类子块全局语义特征向量；
语义重心单元，用于对所述分类特征图的沿通道维度的全局均值池化以得到分类全局语义重心特征向量；
类空间单元，用于计算所述多个分类子块全局语义特征向量中各个分类子块全局语义特征向量与所述分类全局语义重心特征向量之间的转移矩阵，并分别计算所述转移矩阵的全局均值以得到多个类空间类别转移特征值；
最大值归一化单元，用于对所述多个类空间类别转移特征值进行基于最大值的归一化处理以得到多个归一化类空间类别转移特征值；
加权单元，用于以所述多个归一化类空间类别转移特征值作为权重值分别对所述多个分类块状特征图进行加权以得到多个加权后分类块状特征图；
拼接单元，用于将所述多个加权后分类块状特征图进行拼接以得到所述优化分类特征图。
7.根据权利要求6所述的金属工件加工设备，其特征在于，所述结果生成模块，包括：
展开单元，用于将优化分类特征图按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；
全连接编码单元，用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
分类结果生成单元，用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种金属工件加工设备的检测方法，其特征在于，包括：
获取磨削工件的检测图像；
将所述检测图像通过基于自动编解码器的图像畸变矫正器以得到校正后检测图像；
提取所述校正后检测图像的方向梯度直方图；
将所述方向梯度直方图和所述校正后检测图像沿着通道维度进行聚合以得到多通道输入图像；
将所述多通道输入图像通过包含深浅特征融合模块的卷积神经网络模型以得到分类特征图；
对所述分类特征图进行特征子空间一致性强化以得到优化分类特征图；
将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格。
9.根据权利要求8所述的金属工件加工设备的检测方法，其特征在于，提取所述校正后检测图像的方向梯度直方图，包括：
对所述校正后检测图像进行均匀划分以得到多个细胞空间；
计算所述多个细胞空间中各个细胞空间内各像素点的梯度，并根据梯度分布生成多个细胞方向梯度直方图；
基于所述多个细胞方向梯度直方图，生成所述方向梯度直方图。
10.根据权利要求9所述的金属工件加工设备的检测方法，其特征在于，将所述优化分类特征图通过分类器以得到分类结果，所述分类结果用于表示当前工件磨削是否合格，包括：
将优化分类特征图按照行向量或者列向量展开为一维特征向量后进行级联以得到分类特征向量；
使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；
将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388448.0A CN117260492A (zh) | 2023-10-24 | 2023-10-24 | 金属工件加工设备及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311388448.0A CN117260492A (zh) | 2023-10-24 | 2023-10-24 | 金属工件加工设备及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117260492A true CN117260492A (zh) | 2023-12-22 |
Family
ID=89219426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311388448.0A Withdrawn CN117260492A (zh) | 2023-10-24 | 2023-10-24 | 金属工件加工设备及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117260492A (zh) |
-
2023
- 2023-10-24 CN CN202311388448.0A patent/CN117260492A/zh not_active Withdrawn
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
| CN109584248B (zh) | 基于特征融合和稠密连接网络的红外面目标实例分割方法 | |
| CN108229490B (zh) | 关键点检测方法、神经网络训练方法、装置和电子设备 | |
| CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| Yuan et al. | DMFNet: Deep multi-modal fusion network for RGB-D indoor scene segmentation | |
| CN111680705B (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
| CN112597918B (zh) | 文本检测方法及装置、电子设备、存储介质 | |
| CN116797533B (zh) | 电源适配器的外观缺陷检测方法及其系统 | |
| CN111444923A (zh) | 自然场景下图像语义分割方法和装置 | |
| CN111597845A (zh) | 一种二维码检测方法、装置、设备及可读存储介质 | |
| CN111179270A (zh) | 基于注意力机制的图像共分割方法和装置 | |
| CN116038147A (zh) | 激光金属切割机及其控制方法 | |
| CN116152226A (zh) | 基于可融合的特征金字塔的换向器内侧图像缺陷检测方法 | |
| CN111814820A (zh) | 图像处理方法及装置 | |
| CN115239946A (zh) | 小样本迁移学习训练、目标检测方法、装置、设备和介质 | |
| WO2024174726A1 (zh) | 基于深度学习的手写及打印文本检测方法和装置 | |
| Shit et al. | An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection | |
| CN118172308A (zh) | 融合注意力机制与可变形卷积的轮毂表面缺陷检测方法、装置、电子设备及存储介质 | |
| CN118053027A (zh) | 一种缺陷识别方法、装置、电子设备及存储介质 | |
| CN117884379A (zh) | 一种矿石分选方法及系统 | |
| CN117670860A (zh) | 光伏玻璃缺陷检测方法及装置 | |
| CN116843677A (zh) | 钣金件的外观质量检测系统及其方法 | |
| CN116994049A (zh) | 全自动针织横机及其方法 | |
| CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 | |
| CN117173154A (zh) | 玻璃瓶的在线图像检测系统及其方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231222 |