CN104568956B - 基于机器视觉的带钢表面缺陷的检测方法 - Google Patents
基于机器视觉的带钢表面缺陷的检测方法 Download PDFInfo
- Publication number
- CN104568956B CN104568956B CN201310476088.XA CN201310476088A CN104568956B CN 104568956 B CN104568956 B CN 104568956B CN 201310476088 A CN201310476088 A CN 201310476088A CN 104568956 B CN104568956 B CN 104568956B
- Authority
- CN
- China
- Prior art keywords
- strip
- image
- pixel
- judge
- detected
- 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.)
- Expired - Fee Related
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
基于机器视觉的带钢表面缺陷的检测方法,属于智能检测技术领域,解决了现有带钢表面缺陷识别检测效率低的问题,包括步骤:步骤1:将待检测带钢读入计算机,得到原始图像f,然后进行两次均值滤波,原始图像f、滤波图像f1、f2中的坐标为第x列、第y行的像素点的灰度值分别为f(x,y)、f1(x,y)和f2(x,y);步骤2:检验以下数据是否在设定区间之内:f(x,y),f1(x,y),f(x,y)-f2(x,y),f1(x,y)-f2(x,y);如果上述数据均在设定区间之内,则判定待检测带钢为初级合格品;反之,则判定待检测带钢存在表面缺陷。本发明算法简单、误检率低。
Description
技术领域
本发明属于智能检测技术领域,特别涉及基于图像处理的产品表面缺陷的自动化检测方法。
背景技术
在钢铁制造业中,从连铸和热轧到镀锌及精整,扁平带钢加工中各式各样的质量挑战经常出现。缺陷检测与分类是质量控制环节中非常重要的一环,材料表面质量的优劣直接影响最终产品的性能和质量。面对越来越激烈的市场化竞争,诸多企业对金属材料表面质量提出了越来越高的要求。工业生产中,由于各种技术或者生产工艺问题,会造成一定的缺陷。对于带钢这类表面积很大的产品,仅靠人工去识别缺陷,容易误判缺陷类别以及错过微小缺陷,尤其是带钢处于高速运转状态时。由此来看人工检视缺陷不是一种高效的方法。为了避免人工检测误判造成的损失,有效降低生产成本、提升正品率并为客户提供优质的产品,随着CCD成像技术和计算机技术的迅猛发展,应用机器视觉来解决缺陷的检测与分类问题逐渐成为一种趋势,通过计算机的辅助可以实现对带钢的表面质量性能进行精密的检测与记录。
通过相机采集钢带表面的图像,采用一定的图像处理的算法来获得图像上异常的区域,相对正常的区域,这一部分属于缺陷区域。
发明内容
为解决现有带钢表面缺陷依靠人工识别,造成检测效率低、容易产生误判的问题,本发明提供一种基于机器视觉的带钢表面缺陷的检测方法,其技术方案如下:
基于机器视觉的带钢表面缺陷的检测方法,包括以下顺序步骤:
步骤1:滤波处理:
采用图像采集设备将待检测带钢读入计算机,得到带钢彩色图像,然后将带钢彩色图像转化成带钢灰度图像,得到原始图像f,原始图像f中坐标为第x列、第y行的像素点的灰度值为f(x,y);
对原始图像f进行一次均值滤波,得到一次滤波图像f1,一次滤波图像f1中坐标为第x列、第y行的像素点的灰度值为f1(x,y);
对原始图像f进行二次均值滤波,得到二次滤波图像f2,二次滤波图像f2中坐标为第x列、第y行的像素点的灰度值为f2(x,y),其中二次均值滤波时所用的均值滤波器的窗口大于一次均值滤波时所用的均值滤波器的窗口;
步骤2:缺陷判定:
检验以下数据是否在设定区间之内:
f(x,y);
f1(x,y);
f(x,y)-f2(x,y);
f1(x,y)-f2(x,y);
如果上述数据均在设定区间之内,则判定待检测带钢为初级合格品;
如果上述数据中有一个在设定区间之外,则判定待检测带钢存在表面缺陷。
作为本发明方法的优选方案:
所述步骤1还包括以下步骤:
沿纵向将原始图像f划分为若干个单元,每一个单元包括相同行数的像素点,将每一个单元中每一列像素点的灰度值的平均值,作为一个新像素点的灰度值,得到重建图像f3,重建图像f3中坐标为第x列、第k行的的新像素点的灰度值为f3(x,k),重建图像f3中的坐标为第x+1列、第k行的新像素点的灰度值为f3(x+1,k);
然后采用1×m大小的滤波器对重建图像f3进行滤波,其中m为大于1的正整数,得到重建图像f4,重建图像f4中坐标为第x列、第k行的的新像素点的灰度值为f4(x,k);
所述步骤2中的初级合格品还要进行以下缺陷判定:
检验以下数据是否在设定区间之内:
f3(x,k)-f3(x+1,k);
f4(x,k)-f3(x,k);
如果上述数据均在设定区间之内,则判定初级合格品为合格成品;
如果上述数据中有一个在设定区间之外,则判定初级合格品存在表面缺陷。
作为本发明方法的进一步优选方案:
所述步骤1中的一次均值滤波,是指采用3×3大小的均值滤波器对原始图像f进行滤波;
所述步骤1中的二次均值滤波,是指采用21×21大小的均值滤波器对原始图像f进行滤波;
所述步骤1中的m为9。
作为本发明方法的进一步优选方案:
f(x,y)中有一个在设定区间之外,则判定待检测带钢存在大面积色差的缺陷;
f1(x,y)中有一个在设定区间之外,则判定待检测带钢存在油污的缺陷;
f(x,y)-f2(x,y)中有一个在设定区间之外,则判定待检测带钢存在锌浪、氧化铁皮的缺陷;
f1(x,y)-f2(x,y)中有一个在设定区间之外,则判定待检测带钢存在点状夹杂的缺陷;
f3(x,k)-f3(x+1,k)中有一个在设定区间之外,则判定待检测带钢存在长条划伤的缺陷;
f4(x,k)-f3(x,k)中有一个在设定区间之外,则判定待检测带钢存在长条来料划痕的缺陷。
作为本发明方法的进一步优选方案:
所述步骤1中的原始图像f包含512行,2048列个像素点。
作为本发明方法的进一步优选方案:
所述步骤1中沿纵向将原始图像f划分为若干个单元时,每一个单元包括64行像素点。
本发明用于从带钢图像中提取缺陷区域,可应用于工业品表面缺陷检测,属于图像处理问题,提供了一种基于图像处理的缺陷类型的快速判断方法。
通过本发明上述两个步骤可以对整张图像中像素点做是否属于缺陷像素点的判断。本发明与现有技术相比具有如下特点:算法简单、运算速度快、精确度高、误检率低等优点,为工业产品表面缺陷检测提供了一种新的可靠的方法。本发明可以检测到的最小缺陷为涵盖图片的四个像素,并且缺陷灰度的信噪比至少为2:1,本发明的图片上每个像素对应钢板实际大小为0.5mm*0.5mm,就是说最小能检测到1mm*1mm的缺陷,本发明方法对这种1mm*1mm缺陷的检测率达到95%以上。
本发明的优点在于通过多种滤波器组合能把带钢绝大多数的常见缺陷检测出来
本发明中的图像采集设备是指高速数字相机拍摄钢带表面,通过图像采集卡读入计算机。
附图说明
图1为本发明方法示意图;
图2为图像原始数据与平滑数据以及判定方法示意图;
图3为线状数据与平滑线状数据示意图;
图4为基准线判定、平滑基准线判定、线状灰度判定、线状基准线判定方法示意图;
图5为经本发明方法检测后判定存在大面积色差的带钢照片;
图6为经本发明方法检测后判定存在锌浪、氧化铁皮的带钢照片;
图7为经本发明方法检测后判定存在油污的带钢照片;
图8为经本发明方法检测后判定存在点状夹杂的带钢照片;
图9为经本发明方法检测后判定存在长条划伤的带钢照片;
图10为经本发明方法检测后判定存在长条来料划痕的带钢照片;
图11为原始图像f中的其中一行像素点的灰度值波形图。
具体实施方式
以下结合附图以及实施例对本发明的技术方案作进一步详细说明。以下实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和过程,但本发明的保护范围不限于下述的实施例。
在本发明的一个实施例中,所述方法的流程如图1所示,本实施例具体实施步骤如下(优选地使用C++语言编程):
一种基于机器视觉的带钢表面缺陷的检测方法,包括以下顺序步骤:
步骤1:滤波处理:
在生产线上,采用图像采集设备将待检测带钢读入计算机,得到带钢彩色图像;
通过计算机将带钢彩色图像转化成带钢灰度图像;
通过边缘检测获取带钢的边界,去除背景,得到带钢区域的图像,即原始图像f,其中原始图像f包含512行,2048列个像素点,原始图像f中的各个像素点的灰度值构成原始数据,其中坐标为第x列、第y行的像素点的灰度值为f(x,y),如图2所示;
然后按以下步骤对原始图像f进行处理:
步骤1.1:小窗口滤波:
采用3×3大小的均值滤波器对原始图像f进行滤波,即对于原始图像f中的每一个像素点,用该像素点及其周围最近的9个像素点的灰度平均值来代替该像素点的原始像素值,从而去除噪声,得到一次滤波图像f1,一次滤波图像f1中的各个像素点的灰度值构成平滑数据A,其中坐标为第x列、第y行的像素点的灰度值为f1(x,y),图2中的平滑数据A是指所有平滑数据A的其中一行;
步骤1.2:大窗口滤波:
采用21×21大小的均值滤波器对原始图像f进行滤波,即对于原始图像f中的每一个像素点,用该像素点及其周围最近的441个像素点的灰度平均值来代替该像素点的原始像素值,在去除噪声的同时,得到二次滤波图像f2,二次滤波图像f2中的各个像素点的灰度值构成平滑数据B,其中坐标为第x列、第y行的像素点的灰度值为f2(x,y),图2中的平滑数据B是指所有平滑数据B的其中一行;
步骤1.3:沿纵向重建图像:
沿纵向,即带钢实际运行方向,将原始图像f划分为8个单元,每一个单元包含64行像素点;
将每一个单元中每一列原始像素点的灰度值的平均值,作为一个新像素点的灰度值,得到重建图像f3,重建图像f3包含8行,2048列个新像素点,重建图像f3中的各个新像素点的灰度值构成8条线状数据,其中坐标为第x列、第k行的像素点的灰度值为f3(x,k),坐标为第x+1列、第k行的新像素点的灰度值为f3(x+1,k),图3给出了其中一条线状数据的示意图;
步骤1.4:横向滤波:
采用1×9的滤波器对目标图像进行滤波,即将每一个新像素点作为一个目标像素点,取其左边4个新像素点以及右边4个新像素点的灰度值的平均值,来代替该目标像素点的灰度值,得到重建图像f4,重建图像f4中的各个新像素点的灰度值构成线状平滑数据,其中坐标为第x列、第k行的像素点的灰度值为f4(x,k),图3给出了其中一条平滑线状数据的示意图;
步骤2:对带钢作以下缺陷判定:
步骤2.1:灰度判定:
判断每个原始数据是否在设定区间之内,也就是判断原始图像f中每个像素点的灰度值是否在设定区间之内,如果不属于该区间,则判定该像素点存在表面缺陷,从而判定该带钢存在如图5所示的大面积色差的缺陷;如图2所示,给定了一个灰度判定区间,缺陷示意1指代的是按照此方法检测得到的大面积色差缺陷点;
步骤2.2:基准线判定:
将每个像素点的原始数据减去该点的平滑数据B,也就是f(x,y)-f2(x,y)的数值,判定这个差值是否在设定区间之内,如果不属于该区间,则判定该像素点存在表面缺陷,从而判定该带钢存在如图6所示的锌浪、氧化铁皮的缺陷;如图4所示,给出了基准线判定区间以及按照此方法检测得到的缺陷点;
步骤2.3:平滑灰度判定:
判断每个像素点的平滑数据A是否在设定区间之内,也就是判断一次滤波图像f1中每个像素点的灰度值是否在设定区间之内,如果不属于该区间,则判定该像素点存在表面缺陷,从而判定该带钢存在如图7所示的油污缺陷;如图2所示,给定了一个平滑灰度判定区间,缺陷示意2指代的是按照此方法检测得到的油污缺陷点;
步骤2.4:平滑基准线判定:
将每个像素点的平滑数据A,减去该像素点的平滑数据B灰度值,也就是f1(x,y)-f2(x,y),判定这个差值是否在设定区间之内,如果不属于该区间,则判定该像素点存在表面缺陷,从而判定该带钢存在如图8所示的点状夹杂的缺陷;如图4所示,给出了基准线判定区间以及按照此方法检测得到的缺陷点;
步骤2.5:线状灰度判定:
取线状数据中同一行的左、右相邻的两个新像素点的差值,也就是重建图像f3中f3(x,k)-f3(x+1,k)的数值,或者f3(x+1,k)-f3(x,k)的数值,判定这个差值是否在设定区间之内,如果不属于该区间,则判定这两个新像素点中的一个存在表面缺陷,从而判定该带钢存在如图9所示的长条划伤的缺陷;如图4所示,给出了基准线判定区间;
步骤2.6:线状基准线判定:
取线状平滑数据中任意一个新像素点的像素值减去线状数据中相应位置的新像素点的的像素值后得到的差值,也就是重建图像f4中f4(x,k)-f3(x,k)的数值,判定这个差值是否在设定区间之内,如果不属于该区间,则判定线状平滑数据中的该新像素点存在表面缺陷,从而判定该带钢存在如图10所示的长条来料划痕的缺陷;如图4所示,给出了基准线判定区间。
如果经上述步骤2.1至步骤2.6的判定后,数据均在设定区间之内,则判定待检测带钢为合格成品。
本发明中的设定区间的确定方法如下:通过实际生产过程中记录像素值的最大值,最小值,找到正常图像的波动范围,设定区间或者称为阈值,设定在正常波动范围外,包括上限值和下限值;图11示出了1行2048列像素点的像素值示意图,其中横坐标为像素点的列数,纵坐标为像素值,图中的波形代表像素值的波动情况,阈值可以取为110至150。
实验结果表明,利用本发明提出的表面缺陷检测方法可以满足工业生产中的质量控制标准,同时也满足实时性指标,单张图像(512像素*2048像素,即512行、2048列像素)的平均运算时间为50ms(程序运行环境为Microsoft公司的Visual Studio2008)。
Claims (5)
1.基于机器视觉的带钢表面缺陷的检测方法,其特征在于,包括以下顺序步骤:
步骤1:滤波处理:
采用图像采集设备将待检测带钢读入计算机,得到带钢彩色图像,然后将带钢彩色图像转化成带钢灰度图像,得到原始图像f,原始图像f中坐标为第x列、第y行的像素点的灰度值为f(x,y);
对原始图像f进行一次均值滤波,得到一次滤波图像f1,一次滤波图像f1中坐标为第x列、第y行的像素点的灰度值为f1(x,y);
对原始图像f进行二次均值滤波,得到二次滤波图像f2,二次滤波图像f2中坐标为第x列、第y行的像素点的灰度值为f2(x,y),其中二次均值滤波时所用的均值滤波器的窗口大于一次均值滤波时所用的均值滤波器的窗口;
沿纵向将原始图像f划分为若干个单元,每一个单元包括相同行数的像素点,将每一个单元中每一列像素点的灰度值的平均值,作为一个新像素点的灰度值,得到重建图像f3,重建图像f3中的坐标为第x列、第k行的新像素点的灰度值为f3(x,k),重建图像f3中的坐标为第x+1列、第k行的新像素点的灰度值为f3(x+1,k);
然后采用1×m大小的滤波器对重建图像f3进行滤波,其中m为大于1的正整数,得到重建图像f4,重建图像f4中的坐标为第x列、第k行的新像素点的灰度值为f4(x,k);
步骤2:缺陷判定:
检验以下数据是否在设定区间之内:
f(x,y);
f1(x,y);
f(x,y)-f2(x,y);
f1(x,y)-f2(x,y);
如果上述数据均在设定区间之内,则判定待检测带钢为初级合格品;
如果上述数据中有一个在设定区间之外,则判定待检测带钢存在表面缺陷;
初级合格品还要进行以下缺陷判定:
检验以下数据是否在设定区间之内:
f3(x,k)-f3(x+1,k);
f4(x,k)-f3(x,k);
如果上述数据均在设定区间之内,则判定初级合格品为合格成品;
如果上述数据中有一个在设定区间之外,则判定初级合格品存在表面缺陷。
2.根据权利要求1所述的基于机器视觉的带钢表面缺陷的检测方法,其特征在于:
所述步骤1中的一次均值滤波,是指采用3×3大小的均值滤波器对原始图像f进行滤波;
所述步骤1中的二次均值滤波,是指采用21×21大小的均值滤波器对原始图像f进行滤波;
所述步骤1中的m为9。
3.根据权利要求2所述的基于机器视觉的带钢表面缺陷的检测方法,其特征在于:
如果f(x,y)中有一个在设定区间之外,则判定待检测带钢存在大面积色差的缺陷;
如果f1(x,y)中有一个在设定区间之外,则判定待检测带钢存在油污的缺陷;
如果f(x,y)-f2(x,y)中有一个在设定区间之外,则判定待检测带钢存在锌浪、氧化铁皮的缺陷;
如果f1(x,y)-f2(x,y)中有一个在设定区间之外,则判定待检测带钢存在点状夹杂的缺陷;
如果f3(x,k)-f3(x+1,k)中有一个在设定区间之外,则判定待检测带钢存在长条划伤的缺陷;
如果f4(x,k)-f3(x,k)中有一个在设定区间之外,则判定待检测带钢存在长条来料划痕的缺陷。
4.根据权利要求3所述的基于机器视觉的带钢表面缺陷的检测方法,其特征在于:
所述步骤1中的原始图像f包含512行,2048列个像素点。
5.根据权利要求4所述的基于机器视觉的带钢表面缺陷的检测方法,其特征在于:
所述步骤1中沿纵向将原始图像f划分为若干个单元时,每一个单元包括64行像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310476088.XA CN104568956B (zh) | 2013-10-12 | 2013-10-12 | 基于机器视觉的带钢表面缺陷的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310476088.XA CN104568956B (zh) | 2013-10-12 | 2013-10-12 | 基于机器视觉的带钢表面缺陷的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104568956A CN104568956A (zh) | 2015-04-29 |
CN104568956B true CN104568956B (zh) | 2017-06-30 |
Family
ID=53085525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310476088.XA Expired - Fee Related CN104568956B (zh) | 2013-10-12 | 2013-10-12 | 基于机器视觉的带钢表面缺陷的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104568956B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097361B (zh) * | 2016-06-20 | 2020-06-19 | 昆山国显光电有限公司 | 一种缺陷区域检测方法及装置 |
CN106530291B (zh) * | 2016-10-28 | 2019-01-22 | 重庆工商职业学院 | 一种基于图像处理的抛光表面检测方法及其*** |
CN106645190B (zh) * | 2017-01-20 | 2019-01-25 | 河北工业大学 | 基于模板匹配的带钢表面缺陷精准检测方法 |
CN107610119B (zh) * | 2017-09-26 | 2019-10-15 | 河北工业大学 | 基于直方图分解的带钢表面缺陷精准检测方法 |
CN111062939B (zh) * | 2019-12-31 | 2023-08-15 | 上海大学 | 一种带钢表面快速质量甄别与缺陷特征自动提取方法 |
CN112697803A (zh) * | 2020-12-16 | 2021-04-23 | 沈阳建筑大学 | 一种基于机器视觉的板带钢表面缺陷检测方法及装置 |
CN113670941A (zh) * | 2021-08-30 | 2021-11-19 | 宝钢湛江钢铁有限公司 | 一种多功能连退带钢表面氧化色缺陷在线定量评价的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6721461B1 (en) * | 1997-11-24 | 2004-04-13 | Cognex Technology And Investment Corporation | Method and apparatus using image subtraction and dynamic thresholding |
CN1749740A (zh) * | 2004-09-15 | 2006-03-22 | 中国农业大学 | 食品中异物的检测方法 |
CN101074932A (zh) * | 2006-05-16 | 2007-11-21 | 三菱电机株式会社 | 图像检查方法以及使用了该方法的图像检查装置 |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
-
2013
- 2013-10-12 CN CN201310476088.XA patent/CN104568956B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6721461B1 (en) * | 1997-11-24 | 2004-04-13 | Cognex Technology And Investment Corporation | Method and apparatus using image subtraction and dynamic thresholding |
CN1749740A (zh) * | 2004-09-15 | 2006-03-22 | 中国农业大学 | 食品中异物的检测方法 |
CN101074932A (zh) * | 2006-05-16 | 2007-11-21 | 三菱电机株式会社 | 图像检查方法以及使用了该方法的图像检查装置 |
CN102175700A (zh) * | 2011-01-20 | 2011-09-07 | 山东大学 | 数字x射线图像焊缝分割和缺陷检测方法 |
Non-Patent Citations (1)
Title |
---|
Real-time vision-based defect inspection for high-speed steel products;Jong Pil Yun等;《Optical Engineering》;20080718;第47卷(第7期);第077204-2~077204-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104568956A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104568956B (zh) | 基于机器视觉的带钢表面缺陷的检测方法 | |
CN109141232B (zh) | 一种基于机器视觉的盘类铸件在线检测方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN104101600B (zh) | 连铸坯断面微小裂纹检测方法 | |
CN104914111B (zh) | 一种带钢表面缺陷在线智能识别检测***及其检测方法 | |
CN108230324B (zh) | 磁瓦表面微缺陷视觉检测方法 | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN104458766B (zh) | 一种基于结构纹理法的布匹表面瑕疵检测方法 | |
CN110310275B (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
CN115082418A (zh) | 一种汽车零部件精密识别方法 | |
CN115375686B (zh) | 一种基于图像处理的玻璃边缘瑕疵检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN106934801A (zh) | 一种基于Laws纹理滤波的荧光磁粉缺陷自动识别方法 | |
CN115063423A (zh) | 基于计算机视觉的机械铸件冷热裂纹自适应辨别方法 | |
CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
CN110096980A (zh) | 字符检测识别*** | |
CN116008289B (zh) | 一种非织造产品表面缺陷检测方法及*** | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN111353981B (zh) | 基于机器视觉的齿轮检测方法、***及存储介质 | |
Lin et al. | Surface defect detection of machined parts based on machining texture direction | |
CN109557098A (zh) | 基于机器视觉的金属表面检测*** | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
Feng et al. | Image processing of the grinding wheel surface | |
CN101696876B (zh) | 一种vcm磁钢的视觉检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170630 Termination date: 20211012 |
|
CF01 | Termination of patent right due to non-payment of annual fee |