CN103778437B - 一种基于支持向量机的施工道路污染检测方法 - Google Patents
一种基于支持向量机的施工道路污染检测方法 Download PDFInfo
- Publication number
- CN103778437B CN103778437B CN201410026324.2A CN201410026324A CN103778437B CN 103778437 B CN103778437 B CN 103778437B CN 201410026324 A CN201410026324 A CN 201410026324A CN 103778437 B CN103778437 B CN 103778437B
- Authority
- CN
- China
- Prior art keywords
- road
- feature
- matrix
- color
- image
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于支持向量机的施工道路污染检测方法,该方法首先采集道路图像并对对道路图像进行特征提取,然后选取最佳的特征和参数r,c并训练支持向量机模型,最后进行施工道路清洁度的预测判断;本发明通过主成分分析降维和寻取最纯道路块的方法,提取道路的速度更快,精度更大,从而使分类结果更加准确。本方法一共提取12个特征,不同的施工道路能自动的选择最优特征和参数,从而适用绝大多数的施工道路,可移植性强。本发明的准确率很高,具有指导工方及时清扫道路、杜绝因道路污染导致危险事故发生的实际意义。
Description
技术领域
本发明涉及图像处理及城市环境风险监测预警技术领域,尤其涉及一种基于支持向量机的施工道路污染检测方法。
背景技术
施工道路由于施工和经常有车辆的经过的原因,很容易布满灰尘,严重的影响市容市貌和行人的健康。施工道路受灰尘污染的频率高和不确定性,导致人力监测的困难,因此需要一种准确高效的施工道路污染检测方法。
目前的施工道路污染检测主要基于图像处理中的图像分割方法,图像分割的方法有很多,比如区域增长法,聚类分割等,这些方法都不能完全的把道理部分和非道路部分分割开,分割的速度不快,无法做到对施工道路的实时检测;在特征选择方面,不同道路的最佳特征可能不一样,一种模型很难适用所有的施工道路。
发明内容
本发明的目的在于针对目前图像分割速度慢且不精确,模型单一等缺陷,提供一种基于支持向量机的施工道路污染检测方法,通过主成分分析降维和寻取最纯道路块的方法,提取道路的速度更快,精度更大,从而达到分类结果更加准确;通过提取12个特征,能自动的选择最优特征和参数,从而适用绝大多数的施工道路。
本发明是通过以下技术方案实现的:一种基于支持向量机的施工道路污染检测方法,该方法包括如下步骤:
步骤1:采集道路图像,将采集的图像作为训练集,并人为将训练集分为干净和不干净两个集合。位于干净集合的图像称为正样本,位于不干净集合的图像称为负样本,训练集中样本的个数是N。
步骤2:对道路图像进行特征提取,包含如下子步骤:
(2.1)简单分割道路与非道路部分:由于摄像头是固定的,对每张图片可以统一的除去非道路部分;用n表示道路区域的个数;用A[m,n]定义一个m行n列的矩阵A;A(y,x)表示在矩阵A中第y行第x列的值;A(k)表示矩阵A的第k行,是一个行向量;AT表示A的转置矩阵。
(2.2)颜色空间转换:把原颜色空间转化到LUV颜色空间,用LUVs[n,3]记录道路像素的LUV颜色值,LUVs(k)表示对应第k个道路像素点的LUV颜色值。
(2.3)主成分分析降低维数,把3维的颜色空间降到2维;采用如下方法:对LUVsT*LUVs采用SVD方法进行特征值特征向量分解,即有:LUVsT*LUVs=V*2*VT,PC[n,2]是LUVs*V的前两列,即道路颜色的主成分,用PC[i]表示矩阵PC的第i行。
(2.4)Meanshift聚类分割:首先定义一个矩阵S[256,256],其中1{true}=1,1{false}=0。在矩阵S上做meanshift分割,首先规定一个大小为nW*nW的矩形窗口,nW由检测区域的大小决定,不小于2,方法如下:
(2.4.1)在S中找一个非零元A,若A不存在,跳到步骤(2.4.4)。
(2.4.2)在S中,计算以A为中心大小为nW*nW矩形窗口内的质心B。
(2.4.3)如果A等于B,记录下中心点A值,在S内所有以A为中心窗口内的元素都设为零,回到步骤(2.4.1)。如果A不等于B,把B值赋给A,回到步骤(2.4.2)。
(2.4.4)得到K个中心点Centers[K,2],,定义Centers[i]为矩阵Centers[K,2]第i行;定义一个一维向量Tags[n],其中Tags[i]=argj min(||PC[i]-center[j]||)(i=0,1……n-1,j=0,1,……k-1),Tags[n]是记录道路像素点的类标签;分割成了K个类,同类元素有相同的类标签。。
(2.5)选取道路类:每个道路部分的元素点都对应一个LUV颜色和类标签,分别记录在LUVs和Tags中,需找到真到的道路点,除去车子行人这些像素点,即找到真正道路的类标签tag。遵循两个原则:道路的面积大和颜色比较统一,也就是个数多和颜色方差小的特点。对任意的类标签i,有:其中计算类i的个数,var(i)计算类i的方差。
(2.6)找到最纯的道路矩阵块:定义一个二维矩阵IR[iH,iW],iH表示图像的高度,iW是图像的宽度,IR(y,x)表示矩阵IR的第y行第X列。IR(y,x)=1表示像素点P(x,y)是在步骤2.1保留下的道路部分并且在步骤2.5其对应的类标签是tag,IS(y,x)=0,表示其他情况。取一个矩阵窗口(nH,nW),最纯的道路矩阵窗口则是在这个窗口内IR为1的个数最多。
(2.7)提取颜色与纹理特征:由于道路的统一性,可以在找到的矩阵块内提取颜色与纹理特征。提取的颜色特征有LUV的3个分量,分别对分量的值做均值方差歪斜度其中xi为LUV中的3个分量中的值。采用灰度共生提取的纹理特征得到灰度共生矩阵p[i,j],计算能量ASM=∑i∑j p(i,j)2,对比度CON=∑n n2(∑|i-j|=n p(i,j)),相关度一共是12个特征。
(2.8)特征的缩放:提取的特征数据相差很大,为了防止大数值主导数据的波动,小数值被忽略,需要进行数据的缩放,也可以避免计算的难度。可采用简单的线性缩放,把特征值缩放到[-1,1]上。
(2.9)特征提取结束。得到提取出的一个12维特征向量X,。
步骤3:选取最佳的特征和参数r,c:采用支持向量机技术和高斯核函数k(x1,x2)=exp(-r||x1-x2||2)。支持向量机训练的数据来源是:(X,(i),Y(i)),i=1,2……N,其中X,(i)是训练集中样本i经过步骤2所提取的特征向量,Y(i)=+1若样本i是正样本,Y(i)=-1若样本i是负样本。参数的选取采用网格遍历的方法,选取最佳的参数r,c。特征的选择采用如下方法:第一个特征的选择:对每个特征进行训练,选取准确率最高的特征。第二个特征的选择:剩下的特征和第一个选取的特征组合进行训练,选取准确率最高的特征。以此下去,直到准确率达到95%为止,停止特征选择。
步骤4:训练支持向量机模型。训练的数据是:(X(i),Y(i)),i=1,2……N,,训练的参数是步骤3选取的最佳参数r,c。利用这些数据和参数训练支持向量机模型,并保存下来。
步骤5:预测判断。提取摄像头拍摄的道路图像,对提取的图像按照步骤2的方法进行特征提取,选取步骤3所选取的特征X,利用步骤4保存下来的支持向量机模型进行预测判断,如果输出y=+1,则道路为干净,否则输出y=-1,代表道路不干净。从而达到对路面洁净度检测的目的。
本发明的有益效果是:本发明通过主成分分析降维和寻取最纯道路块的方法,提取道路的速度更快,精度更大,从而使分类结果更加准确。本方法一共提取12个特征,不同的施工道路能自动的选择最优特征和参数,从而适用绝大多数的施工道路,可移植性强。本发明的准确率很高,具有指导工方及时清扫道路、杜绝因道路污染导致危险事故发生的实际意义。
附图说明
图1是本发明施工道路污染检测方法实现流程图;
图2是本发明对道路图片进行特征提取的流程图。
具体实施方式
如图1所示,本发明基于支持向量机的施工道路污染检测方法包括如下步骤:
步骤1:采集道路图像,将采集的图像作为训练集,并人为将训练集分为干净和不干净两个集合。位于干净集合的图像称为正样本,位于不干净集合的图像称为负样本,训练集中样本的个数是N。
步骤2:对道路图像进行特征提取。如图2所示包含如下子步骤:
(2.1)简单分割道路与非道路部分。由于摄像头是固定的,对每张图片可以统一的除去非道路部分,比如绿化带等。用n表示道路区域的个数;用A[m,n]定义一个m行n列的矩阵A;A(y,x)表示在矩阵A中第y行第x列的值;A(k)表示矩阵A的第k行,是一个行向量;AT表示A的转置矩阵。
(2.2)颜色空间转换。把原颜色空间转化到LUV颜色空间,LUV颜色模型更符合人对颜色的感觉,弥补RGB颜色模型的不足。用LUVs[n,3]记录道路像素的LUV颜色值,LUVs(k)表示对应第k个道路像素点的LUV颜色值。
(2.3)主成分分析降低维数。把3维的颜色空间降到2维。采用如下方法:对LUVsT*LUVs采用SVD方法进行特征值特征向量分解,即有:LUVsT*LUVs=V*2*VT,PC[n,2]是LUVs*V的前两列,即道路颜色的主成分,用PC[i]表示矩阵PC的第i行。
(2.4)Meanshift聚类分割。首先定义一个矩阵S[256,256],其中1{true}=1,1{false}=0。在矩阵S上做meanshift分割,首先规定一个大小为nW*nW的矩形窗口,nW由检测区域的大小决定,不小于2,方法如下:
(2.4.1)在S中找一个非零元A,若A不存在,跳到步骤(2.4.4)。
(2.4.2)在S中,计算以A为中心大小为nW*nW矩形窗口内的质心B。
(2.4.3)如果A等于B,记录下中心点A值,在S内所有以A为中心窗口内的元素都设为零,回到步骤(2.4.1)。如果A不等于B,把B值赋给A,回到步骤(2.4.2)。
(2.4.4)得到K个中心点Centers[K,2],定义Centers[i]为矩阵Centers[K,2]第i行;定义一个一维向量Tags[n],其中Tags[i]=argj min(||PC[i]-center[j]||)(i=0,1……n-1,j=0,1,……k-1),Tags[n]是记录道路像素点的类标签;分割成了K个类,同类元素有相同的类标签。
(2.5)选取道路类。每个道路部分的元素点都对应一个LUV颜色和类标签,分别记录在LUVs和Tags中,需找到真到的道路点,除去车子行人这些像素点,即找到真正道路的类标签tag。遵循两个原则:道路的面积大和颜色比较统一,也就是个数多和颜色方差小的特点。对任意的类标签i,有:其中计算类i的个数,var(i)计算类i的方差。
(2.6)找到最纯的道路矩阵块。定义一个二维矩阵IR[iH,iW],iH表示图像的高度,iW是图像的宽度,IR(y,x)表示矩阵IR的第y行第X列。IR(y,x)=1表示像素点P(x,y)是在第一步保留下的道路部分并且在第五步其对应的类标签是tag,IS(y,x)=0,表示其他情况。取一个矩阵窗口(nH,nW),最纯的道路矩阵窗口则是在这个窗口内IR为1的个数最多。
(2.7)提取颜色与纹理特征。由于道路的统一性,可以在找到的矩阵块内提取颜色与纹理特征。提取的颜色特征有LUV的3个分量,分别对分量的值做均值方差歪斜度xi为LUV中的3个分量中的值。采用灰度共生提取的纹理特征得到灰度共生矩阵p[i,j],计算能量ASM=∑i∑j p(i,j)2,对比度CON=∑n n2(∑|i-j|=n p(i,j)),相关度一共是12个特征。
(2.8)特征的缩放。提取的特征数据相差很大,为了防止大数值主导数据的波动,小数值被忽略,需要进行数据的缩放,也可以避免计算的难度。可采用简单的线性缩放,把特征值缩放到[-1,1]上。
(2.9)特征提取结束。得到提取出的一个12维特征向量X,。
步骤3:选取最佳的特征和参数r,c:采用支持向量机技术和高斯核函数k(x1,x2)=exp(-r||x1-x2||2)。支持向量机训练的数据来源是:(X,(i),Y(i)),i=1,2……N,其中X,(i)是训练集中样本i经过步骤2所提取的特征向量,Y(i)=+1若样本i是正样本,Y(i)=-1若样本i是负样本。参数的选取采用网格遍历的方法,选取最佳的参数r,c。特征的选择采用如下方法:
第一个特征的选择:对每个特征进行训练,选取准确率最高的特征。第二个特征的选择:剩下的特征和第一个选取的特征组合进行训练,选取准确率最高的特征。以此下去,直到准确率达到满意为止,停止特征选择。
步骤4:训练支持向量机模型。训练的数据是:(X(i),Y(i)),i=1,2……N,,训练的参数是步骤3选取的最佳参数r,c。利用这些数据和参数训练支持向量机模型,并保存下来。
步骤5:预测判断。提取摄像头拍摄的道路图像,对提取的图像按照步骤2的方法进行特征提取,选取步骤3所选取的特征X,利用步骤4保存下来的支持向量机模型进行预测判断,如果输出y=+1,则道路为干净,否则输出y=-1,代表道路不干净。从而达到对路面洁净度检测的目的。
Claims (1)
1.一种基于支持向量机的施工道路污染检测方法,其特征在于,该方法包括如下步骤:
步骤1:采集道路图像,将采集的图像作为训练集,并人为将训练集分为干净和不干净两个集合;位于干净集合的图像称为正样本,位于不干净集合的图像称为负样本,训练集中样本的个数是N;
步骤2:对道路图像进行特征提取,包含如下子步骤:
(2.1)简单分割道路与非道路部分:由于摄像头是固定的,对每张图片可以统一的除去非道路部分;用n表示道路区域的个数;用A[m,n]定义一个m行n列的矩阵A;A(y,x)表示在矩阵A中第y行第x列的值;A(k)表示矩阵A的第k行,是一个行向量;AT表示A的转置矩阵;
(2.2)颜色空间转换:把原颜色空间转化到LUV颜色空间,用LUVs[n,3]记录道路像素的LUV颜色值,LUVs(k)表示对应第k个道路像素点的LUV颜色值;
(2.3)主成分分析降低维数,把3维的颜色空间降到2维;采用如下方法:对LUVsT*LUVs采用SVD方法进行特征值特征向量分解,即有:LUVsT*LUVs=V*2*VT,PC[n,2]是LUVs*V的前两列,即道路颜色的主成分,用PC[i]表示矩阵PC的第i行;
(2.4)Meanshift聚类分割:首先定义一个矩阵S[256,256],其中1{true}=1,1{false}=0;在矩阵S上做meanshift分割,首先规定一个大小为nW*nW的矩形窗口,nW由检测区域的大小决定,不小于2,方法如下:
(2.4.1)在S中找一个非零元A,若A不存在,跳到步骤(2.4.4);
(2.4.2)在S中,计算以A为中心大小为nW*nW矩形窗口内的质心B;
(2.4.3)如果A等于B,记录下中心点A值,在S内所有以A为中心窗口内的元素都设为零,回到步骤(2.4.1);如果A不等于B,把B值赋给A,回到步骤(2.4.2);
(2.4.4)得到K个中心点Centers[K,2],定义Centers[i]为矩阵Centers[K,2]第i行;定义一个一维向量Tags[n],其中Tags[i]=argjmin(||PC[i]-center[j]||)(i=0,1……n-1,j=0,1,……k-1),Tags[n]是记录道路像素点的类标签;分割成了K个类,同类元素有相同的类标签;
(2.5)选取道路类:每个道路部分的元素点都对应一个LUV颜色和类标签,分别记录在LUVs和Tags中,需找到真到的道路点,除去车子行人这些像素点,即找到真正道路的类标签tag;遵循两个原则:道路的面积大和颜色比较统一,也就是个数多和颜色方差小的特点;对任意的类标签i,有:其中计算类i的个数,var(i)计算类i的方差;
(2.6)找到最纯的道路矩阵块:定义一个二维矩阵IR[iH,iW],iH表示图像的高度,iW是图像的宽度,IR(y,x)表示矩阵IR的第y行第X列;IR(y,x)=1表示像素点P(x,y)是在步骤2.1保留下的道路部分并且在步骤2.5其对应的类标签是tag,IS(y,x)=0,表示其他情况;取一个矩阵窗口(nH,nW),最纯的道路矩阵窗口则是在这个窗口内IR为1的个数最多;
(2.7)提取颜色与纹理特征:由于道路的统一性,可以在找到的矩阵块内提取颜色与纹理特征;提取的颜色特征有LUV的3个分量,分别对分量的值做均值方差歪斜度xi为LUV中的3个分量中的值;采用灰度共生提取的纹理特征得到灰度共生矩阵p[i,j],计算能量ASM=∑i∑jp(i,j)2,对比度CON=∑nn2(∑|i-j|=np(i,j)),相关度一共是12个特征;
(2.8)特征的缩放:提取的特征数据相差很大,为了防止大数值主导数据的波动,小数值被忽略,需要进行数据的缩放,也可以避免计算的难度;可采用简单的线性缩放,把特征值缩放到[-1,1]上;
(2.9)特征提取结束;得到提取出的一个12维特征向量X';
步骤3:选取最佳的特征和参数r,c:采用支持向量机技术和高斯核函数k(x1,x2)=exp(-r||x1-x2||2)支持向量机训练的数据来源是:(X'(i),Y(i)),i=1,2……N,其中X'(i)是训练集中样本i经过步骤2所提取的特征向量,Y(i)=+1若样本i是正样本,Y(i)=-1若样本i是负样本;参数的选取采用网格遍历的方法,选取最佳的参数r,c;特征的选择采用如下方法:第一个特征的选择:对每个特征进行训练,选取准确率最高的特征;第二个特征的选择:剩下的特征和第一个选取的特征组合进行训练,选取准确率最高的特征;以此下去,直到准确率达到满意为止,停止特征选择;
步骤4:训练支持向量机模型:训练的数据是:(X(i),Y(i)),i=1,2……N,训练的参数是步骤3选取的最佳参数r,c;利用这些数据和参数训练支持向量机模型,并保存下来;
步骤5:预测判断:提取摄像头拍摄的道路图像,对提取的图像按照步骤2的方法进行特征提取,选取步骤3所选取的特征X,利用步骤4保存下来的支持向量机模型进行预测判断,如果输出y=+1,则道路为干净,否则输出y=-1,代表道路不干净;从而达到对路面洁净度检测的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410026324.2A CN103778437B (zh) | 2014-01-21 | 2014-01-21 | 一种基于支持向量机的施工道路污染检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410026324.2A CN103778437B (zh) | 2014-01-21 | 2014-01-21 | 一种基于支持向量机的施工道路污染检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778437A CN103778437A (zh) | 2014-05-07 |
CN103778437B true CN103778437B (zh) | 2017-04-12 |
Family
ID=50570650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410026324.2A Active CN103778437B (zh) | 2014-01-21 | 2014-01-21 | 一种基于支持向量机的施工道路污染检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778437B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545254A (zh) * | 2017-09-14 | 2018-01-05 | 湖南酷陆网络科技有限公司 | 路面洁净度的检测方法及装置 |
CN110688945A (zh) * | 2019-09-26 | 2020-01-14 | 成都睿云物联科技有限公司 | 整洁度检测方法、装置、计算机设备和存储介质 |
CN111242223B (zh) * | 2020-01-15 | 2020-11-13 | 中国科学院地理科学与资源研究所 | 一种基于街景影像多特征融合的街道空间品质评价方法 |
CN116884226B (zh) * | 2023-09-07 | 2023-11-21 | 山东金宇信息科技集团有限公司 | 一种用于道路维护的生态监控预警方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
CN103077501A (zh) * | 2012-12-30 | 2013-05-01 | 信帧电子技术(北京)有限公司 | 道路目标的标记方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5083658B2 (ja) * | 2008-03-26 | 2012-11-28 | 本田技研工業株式会社 | 車両用車線認識装置、車両、及び車両用車線認識プログラム |
-
2014
- 2014-01-21 CN CN201410026324.2A patent/CN103778437B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102270301A (zh) * | 2011-06-07 | 2011-12-07 | 南京理工大学 | 一种svm与激光雷达结合检测非结构化道路边界的方法 |
CN103077501A (zh) * | 2012-12-30 | 2013-05-01 | 信帧电子技术(北京)有限公司 | 道路目标的标记方法及装置 |
Non-Patent Citations (3)
Title |
---|
"Detection algorithm for road surface condition using wavelet packet transform and SVM";Hun-Jun Yang .etc;《Frontiers of Computer VIsion (FCV)》;20130201;全文 * |
"Multi-Bernoulli based track-before-detect with road constraints";Wong Jefrey .etc;《Information Fusion(FUSION),2012 15th International Conference on》;20120731;全文 * |
"利用双窗口检测和粒子滤波提取高分辨率SAR图像道路中心点";程江华,等;《电子与信息学报》;20120531;第34卷(第5期);1109-1114 * |
Also Published As
Publication number | Publication date |
---|---|
CN103778437A (zh) | 2014-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Megadepth: Learning single-view depth prediction from internet photos | |
Xu et al. | Segment as points for efficient online multi-object tracking and segmentation | |
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN105022982B (zh) | 手部运动识别方法和装置 | |
Wang et al. | Dairy goat detection based on Faster R-CNN from surveillance video | |
CN104866616B (zh) | 监控视频目标搜索方法 | |
CN103778437B (zh) | 一种基于支持向量机的施工道路污染检测方法 | |
CN110532970B (zh) | 人脸2d图像的年龄性别属性分析方法、***、设备和介质 | |
CN107679503A (zh) | 一种基于深度学习的人群计数算法 | |
CN103530638B (zh) | 多摄像头下的行人匹配方法 | |
CN101833664A (zh) | 基于稀疏表达的视频图像文字检测方法 | |
CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
Cui et al. | Convolutional neural network for recognizing highway traffic congestion | |
CN103336835B (zh) | 基于权值color‑sift特征字典的图像检索方法 | |
CN111242096B (zh) | 基于人数梯度的人群聚集的判别方法 | |
CN102855466B (zh) | 一种基于视频图像处理的人数统计方法 | |
CN112766123B (zh) | 一种基于纵横交叉注意力网络的人群计数方法及*** | |
CN108198202A (zh) | 一种基于光流和神经网络的视频内容检测方法 | |
CN112069985A (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN109215047B (zh) | 基于深海视频的运动目标检测方法和装置 | |
Hsu et al. | Industrial smoke detection and visualization | |
CN113139489A (zh) | 基于背景提取和多尺度融合网络的人群计数方法及*** | |
CN115393587A (zh) | 基于融合卷积神经网络的高速公路沥青路面病害感知方法 | |
CN112700476A (zh) | 一种基于卷积神经网络的红外船视频跟踪方法 | |
CN111414938A (zh) | 一种板式换热器内气泡的目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |