CN117571358A - 一种用于桥梁的顶推装置性能检测方法及系统 - Google Patents
一种用于桥梁的顶推装置性能检测方法及系统 Download PDFInfo
- Publication number
- CN117571358A CN117571358A CN202410050972.5A CN202410050972A CN117571358A CN 117571358 A CN117571358 A CN 117571358A CN 202410050972 A CN202410050972 A CN 202410050972A CN 117571358 A CN117571358 A CN 117571358A
- Authority
- CN
- China
- Prior art keywords
- pushing
- bridge
- sequence
- acquisition time
- performance
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 73
- 238000010276 construction Methods 0.000 claims abstract description 114
- 238000013145 classification model Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 33
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002435 tendon Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/007—Subject matter not provided for in other groups of this subclass by applying a load, e.g. for resistance or wear testing
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Remote Sensing (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)
- Bridges Or Land Bridges (AREA)
Abstract
本申请涉及桥梁施工技术领域,尤其涉及一种用于桥梁的顶推装置性能检测方法及系统,性能检测方法包括:获取当前时刻之前每个采集时刻下顶推装置的负载大小以获取负载序列;利用无人机以设定位姿采集每个采集时刻的顶推施工图像;基于顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离,进而得到顶推偏移量序列和顶推距离序列;将顶推偏移量序列、顶推距离序列、负载序列以及顶推装置的额定功率输入训练完毕的性能分类模型,输出当前时刻顶推装置的性能等级。通过本申请的技术方案,能够准确获取顶推装置的性能检测结果,及时对顶推装置进行检修和维护。
Description
技术领域
本申请一般地涉及桥梁施工技术领域,尤其涉及一种用于桥梁的顶推装置性能检测方法及系统。
背景技术
桥梁是城市交通中的重要的基础设施之一,而在桥梁施工的过程中,顶推法施工又是常用且重要的一种施工方法,顶推法施工是指在桥头沿桥轴线方向逐段将预制梁向前推出使之就位的桥梁施工方法。具体而言,顶推施工是在桥台的后方设置施工场地,分节段浇筑梁体,并用纵向预应力筋将浇筑节段与已完成的梁体连成整体,然后利用顶推装置将梁体向前方顶推出施工场地,重复这些工序即可完成全部梁体施工;顶推施工过程中,顶推装置的性能好坏直接影响顶推施工的精度和效率。
目前,公开号为CN111324923A的专利申请文件公开了一种桥梁顶推结构实时监控方法、装置及系统,其中的方法包括:获取目标桥梁的当前桥位信息及至少一个桥梁监测点的实测数据,所述当前桥位信息为桥位坐标;将所述目标桥梁的当前桥位信息输入预设三维可视化模型;确定所述目标桥梁的当前姿态信息,所述当前姿态信息为当前时刻所述目标桥梁的各个位置的三维坐标;将所述目标桥梁的当前姿态信息输入预设桥梁有限元模型中,得到所述目标桥梁在当前姿态下的各个桥梁监测点的理论监测阈值;根据第一桥梁监测点的实测数据及理论监测阈值,对所述第一桥梁监测点进行实时监控;所述第一桥梁监测点为所述目标桥梁的任一桥梁监测点。
然而,上述方法虽然能够通过对比桥梁监测点的实测数据和理论监测阈值,实时判断顶推装置是否存在误差;但实时监测顶推装置是否存在误差无法准确判断顶推装置的性能,进而导致无法及时对顶推装置进行检修和维护,因此,在利用顶推装置进行桥梁顶推施工的过程中,如何准确获取顶推装置的性能检测结果是一个亟待解决的问题。
发明内容
为了解决本申请的上述技术问题,本申请提供了一种用于桥梁的顶推装置性能检测方法及系统,以准确获取顶推装置的性能检测结果,及时对顶推装置进行检修和维护。
本申请第一方面,提供了一种用于桥梁的顶推装置性能检测方法,用于在利用顶推装置进行桥梁顶推施工的过程中,检测所述顶推装置的性能等级,所述性能检测方法包括:获取当前时刻之前每个采集时刻下顶推装置的负载大小以获取负载序列;利用无人机以设定位姿采集每个采集时刻的顶推施工图像,所述顶推施工图像包括桥墩区域和桥梁梁体区域;基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离;分别将所述顶推偏移量和所述顶推距离按照采集时刻的先后顺序进行排列,得到顶推偏移量序列和顶推距离序列;将所述顶推偏移量序列、所述顶推距离序列、所述负载序列以及所述顶推装置的额定功率输入训练完毕的性能分类模型,输出当前时刻所述顶推装置的性能等级。
在一个实施例中,所述性能检测方法还包括:以桥梁顶推施工的起始时刻为起点,以当前时刻为终点,每间隔设定时间间隔作为一个采集时刻,得到所述当前时刻之前的多个采集时刻;其中,所述起始时刻为起始采集时刻。
在一个实施例中,所述利用无人机以设定位姿采集每个采集时刻的顶推施工图像包括:在所述起始采集时刻,控制无人机停留在设定坐标,并将无人机上搭载相机的姿态调节至设定俯仰角、设定翻滚角和设定偏航角,以采集所述起始采集时刻的顶推施工图像,其中所述设定坐标、设定俯仰角、设定翻滚角和设定偏航角对应于所述设定位姿;在除所述起始采集时刻之外的任意一个采集时刻,控制无人机在所述设定位姿采集所述采集时刻的顶推施工图像。
在一个实施例中,在基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离之前,所述性能检测方法还包括:利用滤波操作对所述起始采集时刻的顶推施工图像进行预处理,得到顶推施工去噪图像;利用最大类间方差法确定分割阈值,并基于所述分割阈值将所述顶推施工去噪图像划分为多个桥墩候选区域;依据桥墩面积阈值筛选所有桥墩候选区域,以确定所述起始采集时刻的顶推施工图像中所有桥墩区域,所述桥墩面积阈值包括桥墩面积大阈值和桥墩面积小阈值;基于连通域分析法确定每个桥墩区域的中心点坐标,将所有中心点坐标拟合为一条直线,得到桥墩中心线。
在一个实施例中,基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离包括:利用滤波操作对除所述起始采集时刻之外的任意一个采集时刻的顶推施工图像进行预处理以获取对应的预处理图像;利用最大类间方差法对所述预处理图像进行阈值分割,得到所述预处理图像中的候选区域;筛选所述候选区域以定位所述采集时刻对应顶推施工图像中的桥梁桥段区域,并获取所述桥梁桥段区域的最小外接矩形;将所述最小外接矩形中垂直于顶推方向的两条边作为目标边,所述目标边包括上目标边和下目标边,连接所述上目标边和所述下目标边的中心点以获取所述采集时刻的桥梁桥段中心线;基于所述桥梁桥段中心线和所述桥墩中心线计算所述采集时刻的顶推偏移量,所述顶推偏移量满足关系式:
其中,为所述桥墩中心线的斜率,/>为采集时刻/>时桥梁桥段中心线的斜率,/>为采集时刻/>时顶推偏移量;计算任意一个目标边的中心点到预设平面之间的垂直距离,并将所述采集时刻的垂直距离与上一个相邻采集时刻的垂直距离之间差值的绝对值作为所述采集时刻的顶推距离。
在一个实施例中,筛选所述候选区域以定位所述采集时刻对应顶推施工图像中的桥梁桥段区域包括:依据桥梁桥段面积阈值筛选所有候选区域,所述桥梁桥段面积阈值包括桥梁桥段面积大阈值和桥梁桥段面积小阈值;响应于一个候选区域的面积大于所述桥梁桥段面积小阈值,且小于所述桥梁桥段面积大阈值,将所述候选区域标记为桥梁桥段区域;其中,所述桥梁桥段面积大阈值和桥梁桥段面积小阈值组成桥梁桥段面积区间,所述桥墩面积大阈值和所述桥墩面积小阈值组成的桥墩面积区域,所述桥梁桥段面积区间和所述桥墩面积区域的交集为空集。
在一个实施例中,所述性能分类模型包括第一时序模型、第二时序模型、第三时序模型和分类模型;所述第一时序模型用于对所述顶推偏移量序列进行时序特征提取以获取顶推偏移量特征;所述第二时序模型用于对所述顶推距离序列进行时序特征提取以获取顶推距离特征;所述第三时序模型用于对负载序列进行时序特征提取以获取负载特征;将所述顶推偏移量特征、所述顶推距离特征、所述负载特征和所述顶推装置的额定功率拼接为拼接特征,所述分类模型用于对所述拼接特征进行维度变换并输出性能等级。
在一个实施例中,所述性能分类模型的训练方法包括:在任意一次历史桥梁顶推施工过程中,分别采集每个采集时刻的顶推偏移量、顶推距离和负载大小,以获取顶推偏移量样本序列、顶推距离样本序列和负载样本序列;将所述顶推偏移量样本序列、所述顶推距离样本序列、所述负载样本序列以及所述历史桥梁顶推施工过程中顶推装置的额定功率作为一组训练样本,并标注所述训练样本的性能标签;将所述训练样本输入性能分类模型以获取输出结果,基于所述输出结果和所述性能标签计算交叉熵损失值;依据所述交叉熵损失值进行反向传播,以更新所述性能分类模型;迭代地更新所述性能分类模型,响应于所述交叉熵损失值小于设定损失值,或迭代次数大于设定迭代次数,得到训练完毕的性能分类模型。
在一个实施例中,在输出当前时刻所述顶推装置的性能等级后,所述性能检测方法还包括:响应于所述性能等级不高于设定等级,提醒工作人员对所述顶推装置进行检修。
本申请第二方面,还提供了一种用于桥梁的顶推装置性能检测系统,包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的一种用于桥梁的顶推装置性能检测方法。
本申请的技术方案具有以下有益技术效果:
通过本申请提供的技术方案,在利用顶推装置进行桥梁顶推施工的过程中,获取当前时刻之前每个采集时刻的负载大小、顶推偏移量和顶推距离,构建负载序列、顶推偏移量序列和顶推距离序列;将能够表征顶推装置正常工作状态下顶推能力的额定功率,以及负载序列、顶推偏移量序列和顶推距离序列输入训练完毕的性能分类模型,可输出当前时刻所述顶推装置的性能等级;即综合顶推装置的额定功率以及顶推施工过程中顶推偏移量、顶推距离和负载大小的变化情况,准确获取桥梁顶推施工过程中顶推装置在每个时刻的性能检测结果,进而及时对顶推装置进行检修和维护。
进一步地,在构建顶推偏移量序列和顶推距离序列的过程中,依据无人机以设定位姿采集每个采集时刻的顶推施工图像,并依据顶推施工图像中桥墩区域和桥梁桥段区域的位置确定每个采集时刻的顶推偏移量和顶推距离,所述顶推偏移量用于反映桥梁桥段偏移设定顶推路径的偏移量;所述顶推距离用于反映当前采集时刻与上一个相邻采集时刻之间桥梁桥段沿设定顶推路径的推进距离。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的一种用于桥梁的顶推装置性能检测方法的流程图;
图2是根据本申请实施例的确定每个采集时刻的顶推偏移量和顶推距离的示意图;
图3是根据本申请实施例的性能分类模型的结构示意图;
图4是根据本申请实施例的一种用于桥梁的顶推装置性能检测系统的框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域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,都属于本申请保护的范围。
应当理解,当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面,本申请提供了一种用于桥梁的顶推装置性能检测方法,用于在利用顶推装置进行桥梁顶推施工的过程中,检测所述顶推装置的性能等级。顶推施工的过程中,所述顶推装置固定于桥墩上,顶推装置将预先浇筑好的至少一段桥梁梁体顶推至桥墩上的预设位置后,将该段桥梁梁体与桥墩上已完成的梁体连成一个整体,不断将桥梁梁体顶推至桥墩上的对应位置,如此完成全部桥梁梁体的施工。
图1是根据本申请实施例的用于桥梁的顶推装置性能检测方法的流程图。如图1所示,所述用于桥梁的顶推装置性能检测方法100包括步骤S101至S105,以下详细说明。
S101,获取当前时刻之前每个采集时刻下顶推装置的负载大小以获取负载序列。
在一个实施例中,在利用顶推装置进行桥梁顶推施工的过程中,依据顶推装置上部署的拉力传感器在当前时刻之前的每个采集时刻获取当前采集时刻的负载大小,所述负载大小为拉力传感器的示数。将所有负载大小按照采集时刻的先后顺序进行排列,即可得到当前时刻的负载序列。
其中,以桥梁顶推施工的起始时刻为起点,以当前时刻为终点,每间隔设定时间间隔作为一个采集时刻,得到所述当前时刻之前的多个采集时刻,其中,所述起始时刻为起始采集时刻。本实施例中,所述设定时间间隔为5分钟;实施者可依据具体的实施情况调整设定时间间隔。
如此,获取此次桥梁顶推施工过程中当前时刻之前顶推装置的负载序列,所述负载序列用于反映每一时刻顶推装置受到桥梁梁体的牵引力,即顶推装置的负载大小。
S102,利用无人机以设定位姿采集每个采集时刻的顶推施工图像,所述顶推施工图像包括桥墩区域和桥梁梁体区域。
在一个实施例中,一个采集时刻的顶推施工图像包括此次桥梁顶推施工过程中该采集时刻下的桥墩区域和桥梁梁体区域。具体地,所述利用无人机以设定位姿采集每个采集时刻的顶推施工图像包括:在所述起始采集时刻,控制无人机停留在设定坐标,并将无人机上搭载相机的姿态调节至设定俯仰角、设定翻滚角和设定偏航角,以采集所述起始采集时刻的顶推施工图像,其中所述设定坐标、设定俯仰角、设定翻滚角和设定偏航角对应于所述设定位姿;在除所述起始采集时刻之外的任意一个采集时刻,控制无人机在所述设定位姿采集所述采集时刻的顶推施工图像。
可以理解地,设定位姿下的无人机能够采集到桥梁顶推施工所有范围的图像信息;起始采集时刻的顶推施工图像中,由于此时为桥梁顶推施工的起始时刻,故起始采集时刻的顶推施工图像中仅包含桥墩区域,所述桥墩区域的数量为至少一个。且由于每个采集时刻的顶推施工图像均是在设定位姿下采集到的,故所有顶推施工图像中桥墩区域的位置保持不变。
如此,采集此次桥梁顶推施工过程中当前时刻之前每个采集时刻的顶推施工图像,所述顶推施工图像用于反映每一采集时刻桥墩区域和桥梁梁体区域的位置信息,基于桥墩区域和桥梁梁体区域的位置信息能够计算每个采集时刻下的偏移量和顶推距离。
S103,基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离。
在一个实施例中,在顶推装置性能良好的情况下,桥梁顶推施工过程中的偏移量应该为0,即桥梁梁体应该于桥墩所在的直线平行;且在相同时间间隔内,桥梁梁体朝着设定位置的顶推距离应相同;因此,为了准确判断顶推装置的性能等级,需确定每个采集时刻的顶推偏移量和顶推距离。
具体地,由于起始采集时刻的顶推施工图像中仅包含桥墩区域,且所有桥墩区域的位置在所有采集时刻的顶推施工图像中保持不变,故依据起始采集时刻的顶推施工图像能够获取桥墩中心线,用于计算任意采集时刻的偏移量。在基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离之前,所述性能检测方法还包括:利用滤波操作对所述起始采集时刻的顶推施工图像进行预处理,得到顶推施工去噪图像;利用最大类间方差法确定分割阈值,并基于所述分割阈值将所述顶推施工去噪图像划分为多个桥墩候选区域;依据桥墩面积阈值筛选所有桥墩候选区域,以确定所述起始采集时刻的顶推施工图像中所有桥墩区域,所述桥墩面积阈值包括桥墩面积大阈值和桥墩面积小阈值;基于连通域分析法确定每个桥墩区域的中心点坐标,将所有中心点坐标拟合为一条直线,得到桥墩中心线。
其中,所述滤波操作包括高斯滤波、中值滤波或均值滤波中的任意一种;桥墩面积大阈值的取值为200,桥墩面积小阈值的取值为150,当一个桥墩候选区域的面积处于桥墩面积大阈值和桥墩面积小阈值之间时,表示该桥墩候选区域为桥墩区域。
需要说明地,实施者可依据具体情况调整桥墩面积大阈值和桥墩面积小阈值的取值,桥墩面积大阈值和桥墩面积小阈值的取值与无人机的设定位姿和桥墩区域的真实面积有关。
在一个实施例中,请参见图2,是根据本申请实施例的确定每个采集时刻的顶推偏移量和顶推距离的示意图。基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离包括:利用滤波操作对除所述起始采集时刻之外的任意一个采集时刻的顶推施工图像进行预处理以获取对应的预处理图像;利用最大类间方差法对所述预处理图像进行阈值分割,得到所述预处理图像中的候选区域;筛选所述候选区域以定位所述采集时刻对应顶推施工图像中的桥梁桥段区域,并获取所述桥梁桥段区域的最小外接矩形;将所述最小外接矩形中垂直于顶推方向的两条边作为目标边,所述目标边包括上目标边和下目标边,连接所述上目标边和所述下目标边的中心点以获取所述采集时刻的桥梁桥段中心线;基于所述桥梁桥段中心线和所述桥墩中心线计算所述采集时刻的顶推偏移量,所述顶推偏移量满足关系式:
其中,为所述桥墩中心线的斜率,/>为采集时刻/>时桥梁桥段中心线的斜率,/>为采集时刻/>时顶推偏移量;计算任意一个目标边的中心点到预设平面之间的垂直距离,并将所述采集时刻的垂直距离与上一个相邻采集时刻的垂直距离之间差值的绝对值作为所述采集时刻的顶推距离。
其中,所述顶推方向为顶推施工过程中桥梁桥段的运动方向;所述预设平面为当前次顶推施工过程中设定位置所在的平面,所述设定位置为当前次顶推施工过程中桥梁桥段的目标位置。
在一个实施例中,由于桥梁桥段区域和桥墩区域在图像上的纹理特征相近,且采集时刻对应的顶推施工图像中同时包含了桥梁桥段区域和桥墩区域,因此,如何准确定位顶推施工图像中的桥梁桥段区域直接影响到顶推偏移量和顶推距离的准确性。具体地,筛选所述候选区域以定位所述采集时刻对应顶推施工图像中的桥梁桥段区域包括:依据桥梁桥段面积阈值筛选所有候选区域,所述桥梁桥段面积阈值包括桥梁桥段面积大阈值和桥梁桥段面积小阈值;响应于一个候选区域的面积大于所述桥梁桥段面积小阈值,且小于所述桥梁桥段面积大阈值,将所述候选区域标记为桥梁桥段区域;其中,所述桥梁桥段面积大阈值和桥梁桥段面积小阈值组成桥梁桥段面积区间,所述桥墩面积大阈值和所述桥墩面积小阈值组成的桥墩面积区域,所述桥梁桥段面积区间和所述桥墩面积区域的交集为空集。
可以理解地,桥梁桥段面积大阈值和桥梁桥段面积小阈值的取值与无人机的设定位姿和桥梁桥段区域的真实面积有关,且桥梁桥段面积区间和桥墩面积区域的交集为空集,可排除掉顶推施工图像中桥墩区域对桥梁桥段区域的干扰,准确定位顶推施工图像中的桥梁桥段区域。其中,桥梁桥段面积大阈值的取值为400,桥梁桥段面积小阈值的取值为450。
如此,依据顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离,所述顶推偏移量用于反映桥梁桥段偏移设定顶推路径的偏移量;所述顶推距离用于反映当前采集时刻与上一个相邻采集时刻之间桥梁桥段沿设定顶推路径的推进距离。
S104,分别将所述顶推偏移量和所述顶推距离按照采集时刻的先后顺序进行排列,得到顶推偏移量序列和顶推距离序列。
在一个实施例中,所述顶推偏移量序列反映桥梁顶推施工过程中顶推偏移量的变化情况;所述顶推距离序列反映桥梁顶推施工过程中顶推距离的变化情况。
S105,将所述顶推偏移量序列、所述顶推距离序列、所述负载序列以及所述顶推装置的额定功率输入训练完毕的性能分类模型,输出当前时刻所述顶推装置的性能等级。
在一个实施例中,所述顶推装置的额定功率用于表征顶推装置正常工作状态下的顶推能力;所述顶推偏移量序列、所述顶推距离序列和所述负载序列用于表征顶推施工过程中不同负载大小下的顶推距离和顶推偏移量;综合顶推装置的额定功率以及顶推施工过程中顶推偏移量、顶推距离和负载大小的变化情况,对顶推装置的性能进行检测,以判断顶推装置是否处于正常工作状态。
具体地,请参见图3,是根据本申请实施例的性能分类模型的结构示意图。所述性能分类模型包括第一时序模型、第二时序模型、第三时序模型和分类模型;所述第一时序模型用于对所述顶推偏移量序列进行时序特征提取以获取顶推偏移量特征;所述第二时序模型用于对所述顶推距离序列进行时序特征提取以获取顶推距离特征;所述第三时序模型用于对负载序列进行时序特征提取以获取负载特征;将所述顶推偏移量特征、所述顶推距离特征、所述负载特征和所述顶推装置的额定功率拼接为拼接特征,所述分类模型用于对所述拼接特征进行维度变换并输出性能等级。
其中,所述第一时序模型、所述第二时序模型和所述第三时序模型为LSTM或TCN等循环神经网络,所述分类模型为全连接神经网络。所述性能等级包括高级、中级、低级三种,在其它实施例中,实施者可依据实际情况调整性能等级的数量。
在一个实施例中,为保证性能分类模型能够输出准确的性能等级,需要对性能分类模型进行训练,以约束性能分类模型学习到输入信息(即顶推偏移量序列、顶推距离序列、负载序列以及顶推装置的额定功率)与和输出结果(性能等级)之间的映射关系。具体地,所述性能分类模型的训练方法包括:在任意一次历史桥梁顶推施工过程中,分别采集每个采集时刻的顶推偏移量、顶推距离和负载大小,以获取顶推偏移量样本序列、顶推距离样本序列和负载样本序列;将所述顶推偏移量样本序列、所述顶推距离样本序列、所述负载样本序列以及所述历史桥梁顶推施工过程中顶推装置的额定功率作为一组训练样本,并标注所述训练样本的性能标签;将所述训练样本输入性能分类模型以获取输出结果,基于所述输出结果和所述性能标签计算交叉熵损失值;依据所述交叉熵损失值进行反向传播,以更新所述性能分类模型;迭代地更新所述性能分类模型,响应于所述交叉熵损失值小于设定损失值,或迭代次数大于设定迭代次数,得到训练完毕的性能分类模型。
其中,所述设定损失值为0.001,所述设定迭代次数为10000。
在一个实施例中,在输出当前时刻所述顶推装置的性能等级后,所述性能检测方法还包括:响应于所述性能等级不高于设定等级,提醒工作人员对所述顶推装置进行检修。
其中,设定等级为中级,所述性能等级不高于设定等级即为性能等级为中级或低级。
如此,依据训练完毕的性能分类模型获取桥梁顶推施工的过程中,当前时刻顶推装置的性能等级,并依据性能等级及时提醒维修人员进行维修,保证桥梁顶推施工过程的效率和安全性。
以上通过具体实施例介绍了本申请的用于桥梁的顶推装置性能检测方法的技术原理和实施细节。通过本申请提供的技术方案,在利用顶推装置进行桥梁顶推施工的过程中,获取当前时刻之前每个采集时刻的负载大小、顶推偏移量和顶推距离,构建负载序列、顶推偏移量序列和顶推距离序列;将能够表征顶推装置正常工作状态下顶推能力的额定功率,以及负载序列、顶推偏移量序列和顶推距离序列输入训练完毕的性能分类模型,可输出当前时刻所述顶推装置的性能等级;即综合顶推装置的额定功率以及顶推施工过程中顶推偏移量、顶推距离和负载大小的变化情况,准确获取桥梁顶推施工过程中顶推装置在每个时刻的性能检测结果,进而及时对顶推装置进行检修和维护。
根据本申请的第二方面,本申请还提供了一种用于桥梁的顶推装置性能检测系统。图4是根据本申请实施例的用于桥梁的顶推装置性能检测系统的框图。如图4所示,所述系统50包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的一种用于桥梁的顶推装置性能检测方法。所述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本申请中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用于桥梁的顶推装置性能检测方法,其特征在于,用于在利用顶推装置进行桥梁顶推施工的过程中,检测所述顶推装置的性能等级,所述性能检测方法包括:
获取当前时刻之前每个采集时刻下顶推装置的负载大小以获取负载大小;
利用无人机以设定位姿采集每个采集时刻的顶推施工图像,所述顶推施工图像包括桥墩区域和桥梁梁体区域;
基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离;
分别将所述顶推偏移量和所述顶推距离按照采集时刻的先后顺序进行排列,得到顶推偏移量序列和顶推距离序列;
将所述顶推偏移量序列、所述顶推距离序列、所述负载序列以及所述顶推装置的额定功率输入训练完毕的性能分类模型,输出当前时刻所述顶推装置的性能等级。
2.根据权利要求1所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,所述性能检测方法还包括:
以桥梁顶推施工的起始时刻为起点,以当前时刻为终点,每间隔设定时间间隔作为一个采集时刻,得到所述当前时刻之前的多个采集时刻;
其中,所述起始时刻为起始采集时刻。
3.根据权利要求2所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,所述利用无人机以设定位姿采集每个采集时刻的顶推施工图像包括:
在所述起始采集时刻,控制无人机停留在设定坐标,并将无人机上搭载相机的姿态调节至设定俯仰角、设定翻滚角和设定偏航角,以采集所述起始采集时刻的顶推施工图像,其中所述设定坐标、设定俯仰角、设定翻滚角和设定偏航角对应于所述设定位姿;
在除所述起始采集时刻之外的任意一个采集时刻,控制无人机在所述设定位姿采集所述采集时刻的顶推施工图像。
4.根据权利要求2所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,在基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离之前,所述性能检测方法还包括:
利用滤波操作对所述起始采集时刻的顶推施工图像进行预处理,得到顶推施工去噪图像;
利用最大类间方差法确定分割阈值,并基于所述分割阈值将所述顶推施工去噪图像划分为多个桥墩候选区域;
依据桥墩面积阈值筛选所有桥墩候选区域,以确定所述起始采集时刻的顶推施工图像中所有桥墩区域,所述桥墩面积阈值包括桥墩面积大阈值和桥墩面积小阈值;
基于连通域分析法确定每个桥墩区域的中心点坐标,将所有中心点坐标拟合为一条直线,得到桥墩中心线。
5.根据权利要求4所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,基于所述顶推施工图像确定每个采集时刻的顶推偏移量和顶推距离包括:
利用滤波操作对除所述起始采集时刻之外的任意一个采集时刻的顶推施工图像进行预处理以获取对应的预处理图像;
利用最大类间方差法对所述预处理图像进行阈值分割,得到所述预处理图像中的候选区域;
筛选所述候选区域以定位所述采集时刻对应顶推施工图像中的桥梁桥段区域,并获取所述桥梁桥段区域的最小外接矩形;
将所述最小外接矩形中垂直于顶推方向的两条边作为目标边,所述目标边包括上目标边和下目标边,连接所述上目标边和所述下目标边的中心点以获取所述采集时刻的桥梁桥段中心线;
基于所述桥梁桥段中心线和所述桥墩中心线计算所述采集时刻的顶推偏移量,所述顶推偏移量满足关系式:
其中,为所述桥墩中心线的斜率,/>为采集时刻/>时桥梁桥段中心线的斜率,/>为采集时刻/>时顶推偏移量;
计算任意一个目标边的中心点到预设平面之间的垂直距离,并将所述采集时刻的垂直距离与上一个相邻采集时刻的垂直距离之间差值的绝对值作为所述采集时刻的顶推距离。
6.根据权利要求5所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,筛选所述候选区域以定位所述采集时刻对应顶推施工图像中的桥梁桥段区域包括:
依据桥梁桥段面积阈值筛选所有候选区域,所述桥梁桥段面积阈值包括桥梁桥段面积大阈值和桥梁桥段面积小阈值;
响应于一个候选区域的面积大于所述桥梁桥段面积小阈值,且小于所述桥梁桥段面积大阈值,将所述候选区域标记为桥梁桥段区域;
其中,所述桥梁桥段面积大阈值和桥梁桥段面积小阈值组成桥梁桥段面积区间,所述桥墩面积大阈值和所述桥墩面积小阈值组成的桥墩面积区域,所述桥梁桥段面积区间和所述桥墩面积区域的交集为空集。
7.根据权利要求1所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,所述性能分类模型包括第一时序模型、第二时序模型、第三时序模型和分类模型;
所述第一时序模型用于对所述顶推偏移量序列进行时序特征提取以获取顶推偏移量特征;
所述第二时序模型用于对所述顶推距离序列进行时序特征提取以获取顶推距离特征;
所述第三时序模型用于对负载序列进行时序特征提取以获取负载特征;
将所述顶推偏移量特征、所述顶推距离特征、所述负载特征和所述顶推装置的额定功率拼接为拼接特征,所述分类模型用于对所述拼接特征进行维度变换并输出性能等级。
8.根据权利要求7所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,所述性能分类模型的训练方法包括:
在任意一次历史桥梁顶推施工过程中,分别采集每个采集时刻的顶推偏移量、顶推距离和负载大小,以获取顶推偏移量样本序列、顶推距离样本序列和负载样本序列;
将所述顶推偏移量样本序列、所述顶推距离样本序列、所述负载样本序列以及所述历史桥梁顶推施工过程中顶推装置的额定功率作为一组训练样本,并标注所述训练样本的性能标签;
将所述训练样本输入性能分类模型以获取输出结果,基于所述输出结果和所述性能标签计算交叉熵损失值;
依据所述交叉熵损失值进行反向传播,以更新所述性能分类模型;
迭代地更新所述性能分类模型,响应于所述交叉熵损失值小于设定损失值,或迭代次数大于设定迭代次数,得到训练完毕的性能分类模型。
9.根据权利要求1至8任意一项所述的一种用于桥梁的顶推装置性能检测方法,其特征在于,在输出当前时刻所述顶推装置的性能等级后,所述性能检测方法还包括:
响应于所述性能等级不高于设定等级,提醒工作人员对所述顶推装置进行检修。
10.一种用于桥梁的顶推装置性能检测系统,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据权利要求1至9中任一项所述的一种用于桥梁的顶推装置性能检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050972.5A CN117571358B (zh) | 2024-01-15 | 2024-01-15 | 一种用于桥梁的顶推装置性能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050972.5A CN117571358B (zh) | 2024-01-15 | 2024-01-15 | 一种用于桥梁的顶推装置性能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117571358A true CN117571358A (zh) | 2024-02-20 |
CN117571358B CN117571358B (zh) | 2024-04-02 |
Family
ID=89888430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410050972.5A Active CN117571358B (zh) | 2024-01-15 | 2024-01-15 | 一种用于桥梁的顶推装置性能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571358B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006283323A (ja) * | 2005-03-31 | 2006-10-19 | Oriental Construction Co Ltd | 橋梁の押出架設装置 |
CN111324923A (zh) * | 2020-02-05 | 2020-06-23 | 石家庄铁道大学 | 桥梁顶推结构实时监控方法、装置及系统 |
CN111472784A (zh) * | 2020-03-25 | 2020-07-31 | 湖南建工交通建设有限公司 | 一种预制框架顶推施工纠偏预警装置 |
CN112084561A (zh) * | 2020-09-11 | 2020-12-15 | 重庆交通大学 | 一种顶推施工大跨轨道钢箱叠合梁桥施工控制方法 |
WO2021003903A1 (zh) * | 2019-07-11 | 2021-01-14 | 山东省路桥集团有限公司 | 钢箱梁步进式多点顶推施工装置及顶推施工方法 |
CN115559223A (zh) * | 2022-10-31 | 2023-01-03 | 浙江交工集团股份有限公司 | 一种连续钢箱梁斜交桥顶推工艺 |
CN115585164A (zh) * | 2022-09-05 | 2023-01-10 | 合建卡特工业股份有限公司 | 智能步履式顶推系统 |
CN116556225A (zh) * | 2023-06-05 | 2023-08-08 | 中交建筑集团有限公司 | 一种小曲率半径桥梁的顶推施工方法 |
CN116657507A (zh) * | 2023-06-14 | 2023-08-29 | 中铁大桥科学研究院有限公司 | 一种顶推桥梁结构自适应纠偏方法及装置 |
CN117390735A (zh) * | 2023-09-05 | 2024-01-12 | 中铁时代建筑设计院有限公司 | 基于数据清洗的可视化钢箱梁顶推施工监测方法及系统 |
-
2024
- 2024-01-15 CN CN202410050972.5A patent/CN117571358B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006283323A (ja) * | 2005-03-31 | 2006-10-19 | Oriental Construction Co Ltd | 橋梁の押出架設装置 |
WO2021003903A1 (zh) * | 2019-07-11 | 2021-01-14 | 山东省路桥集团有限公司 | 钢箱梁步进式多点顶推施工装置及顶推施工方法 |
CN111324923A (zh) * | 2020-02-05 | 2020-06-23 | 石家庄铁道大学 | 桥梁顶推结构实时监控方法、装置及系统 |
CN111472784A (zh) * | 2020-03-25 | 2020-07-31 | 湖南建工交通建设有限公司 | 一种预制框架顶推施工纠偏预警装置 |
CN112084561A (zh) * | 2020-09-11 | 2020-12-15 | 重庆交通大学 | 一种顶推施工大跨轨道钢箱叠合梁桥施工控制方法 |
CN115585164A (zh) * | 2022-09-05 | 2023-01-10 | 合建卡特工业股份有限公司 | 智能步履式顶推系统 |
CN115559223A (zh) * | 2022-10-31 | 2023-01-03 | 浙江交工集团股份有限公司 | 一种连续钢箱梁斜交桥顶推工艺 |
CN116556225A (zh) * | 2023-06-05 | 2023-08-08 | 中交建筑集团有限公司 | 一种小曲率半径桥梁的顶推施工方法 |
CN116657507A (zh) * | 2023-06-14 | 2023-08-29 | 中铁大桥科学研究院有限公司 | 一种顶推桥梁结构自适应纠偏方法及装置 |
CN117390735A (zh) * | 2023-09-05 | 2024-01-12 | 中铁时代建筑设计院有限公司 | 基于数据清洗的可视化钢箱梁顶推施工监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117571358B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN111027430B (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
CN111179274B (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
CN112380312B (zh) | 基于栅格检测的激光地图更新方法、终端及计算机设备 | |
CN111121849B (zh) | 传感器的方位参数的自动校准方法、边缘计算单元和路侧传感系统 | |
CN110298311B (zh) | 路面积水检测方法及装置 | |
EP3633551A1 (en) | Obstacle distribution simulation method, device and terminal based on a probability graph | |
CN117591984B (zh) | 基于深度学习的桥梁顶推路径监控方法及系统 | |
CN111898835A (zh) | 一种智能交通管理方法、装置、计算机及可读存储介质 | |
CN113836999A (zh) | 基于探地雷达的隧道施工风险智能识别方法及系统 | |
CN115423968B (zh) | 基于点云数据和实景三维模型的输电通道优化方法 | |
CN112613633A (zh) | 风电场的气象要素预测方法和装置 | |
CN117571358B (zh) | 一种用于桥梁的顶推装置性能检测方法及系统 | |
CN112733782B (zh) | 基于道路网的城市功能区识别方法、存储介质和电子设备 | |
CN106772697A (zh) | 云海自然景观预报方法及系统 | |
CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
CN115905997B (zh) | 基于预测偏差优化的风电机组气象灾害预警方法及系统 | |
CN116992628A (zh) | 一种用于露天矿厂的建模方法 | |
CN116416588A (zh) | 车道线预测方法、装置、电子设备及存储介质 | |
CN113934226B (zh) | 一种大桥巡检方法、系统、存储介质及智能终端 | |
CN101833665A (zh) | 遥感地图图像的道路提取方法 | |
CN115618602A (zh) | 一种车道级场景仿真方法及系统 | |
CN105301577A (zh) | 一种激光强度校准方法及装置 | |
CN115294040A (zh) | 基于DDRNets的路面裂痕检测方法、无人机、计算机可读介质 | |
CN110804912B (zh) | 一种铁路线路及沿线区域形变信息的提取方法 |
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 |