CN108765974A - 一种交通情况监测设备、监测方法及*** - Google Patents
一种交通情况监测设备、监测方法及*** Download PDFInfo
- Publication number
- CN108765974A CN108765974A CN201810618260.3A CN201810618260A CN108765974A CN 108765974 A CN108765974 A CN 108765974A CN 201810618260 A CN201810618260 A CN 201810618260A CN 108765974 A CN108765974 A CN 108765974A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- laser radar
- track
- traffic conditions
- data
- 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.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000012806 monitoring device Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 abstract description 4
- 238000009434 installation Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000011835 investigation Methods 0.000 description 8
- 230000007797 corrosion Effects 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 230000018109 developmental process Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种交通情况监测设备、监测方法及***;所述监测设备包括:激光雷达以及智能控制柜;激光雷达包括车道激光雷达以及辅助激光雷达;车道激光雷达与辅助激光雷达固定在一起,车道激光雷达具有两个,辅助激光雷达具有一个,以辅助激光雷达为中心呈对称设置;激光雷达设于公路上龙门架的中间;激光雷达用于监测车道上的交通情况;智能控制柜内包括数据预处理板卡、交换机以及数据处理主机;智能控制柜设于所述龙门架的竖向支架上;数据预处理板卡与激光雷达相连接;交换机与数据预处理板卡相连接;数据处理主机与交换机相连接;采用本发明所提供的监测设备、监测方法及***提高了交通情况监测精度。
Description
技术领域
本发明涉及交通情况监测领域,具体是一种交通情况监测设备、监测方法及***。
背景技术
公路运输是当前我国交通运输体系中的一个重要组成部分,其具有点多面广、迅速灵活、能实现“门到门”运输等特点,还可以承担其他运输方式的集散任务。地方公路作为公路运输网络中的一个重要组成部门,更是在带动地方经济发展、乃至促进整个国民经济发展中起着至关重要的作用。自建国以来,我国公路建设和公路运输发展取得了巨大成就。据统计,截止2016年底,公路建设里程达到469.63万公里,较建国初期的8万公里增长了近59倍。公路运输在综合运输体系中也占有重要比重。2016年全社会共完成公路客运量154.28亿人,旅客周转量10228.71亿人,在综合运输体***所占比重分别为81.19%和32.74%;公路货运量334.13亿吨,货物周转量610.80.10亿吨,在综合运输体系中所占比重分别为77.46%和11.66%。
随着公路交通事业的不断发展,与之密切相关的公路交通情况调查工作也变得越来越重要。其主要表现在以下两个方面:
第一:观察地方经济发展,评价现有道路的规划与建设等方面,交通情况调查数据是重要的参考依据。
第二:虽然我国公路密度大,但存在高等级公路比例较低,路网分布不均匀,在一定程度上仍不能满足地方经济飞速发展的需求。因此,不断完善地方公路网规划,对公路建设项目进行可行性研究和经济分析,进而进行科学的选择和评价,依轻重缓急,作出正确的决策显得十分重要。这也就要求我们交通部门必须掌握准确的现有交通情况资料并进行远景交通预测,交通量调查工作极为重要。
目前,交通情况调查基本采用线圈、压电、超声波、微波、地磁、视频等类型传感器。但上述类型的传感器或多或少的存在各种缺陷。线圈、压电传感器安装过程中对性能影响大,维护和安装需要破坏路面、中断交通,路面易被重型汽车等破坏,从而使用寿命受到影响,其可以判断的车辆也比较单一、精确度也较低;超声波传感器的性能会受温度、气候的影响而降低;微波传感器无法检测静止或低速行驶车辆;视频传感器在大型车辆的遮挡、阴影、积水反射和昼夜变化时,其精度也会受到影响;地磁传感器很难分辨过于紧凑的车辆。有些交通情况调查机构在使用过程中为了避免单一手段带来的缺陷经常采用多种传感器相结合的方式,但这样既不利于维护,设备造价也比较高。
发明内容
本发明的目的是提供一种交通情况监测设备、监测方法及***,以解决现有技术交通情况监测精度低,受环境因素影响大且不利于维护的问题。
为实现上述目的,本发明提供了如下方案:
一种交通情况监测设备,包括:激光雷达以及智能控制柜;
所述激光雷达包括车道激光雷达以及辅助激光雷达;所述车道激光雷达与所述辅助激光雷达固定在一起,所述车道激光雷达具有两个,所述辅助激光雷达具有一个,以所述辅助激光雷达为中心呈对称设置;所述激光雷达设于公路上龙门架的中间;所述激光雷达用于监测车道上的交通情况;所述交通情况包括车辆种类、车距以及车速;
所述智能控制柜内包括数据预处理板卡、交换机以及数据处理主机;所述智能控制柜设于所述龙门架的竖向支架上;
所述数据预处理板卡与所述激光雷达相连接;所述交换机与所述数据预处理板卡相连接;所述数据处理主机与所述交换机相连接。
可选的,所述车道激光雷达包括第一车道激光雷达和第二车道激光雷达;
所述第一车道激光雷达设于第一方向车道的上方,用于监测所述第一方向车道上的车辆;
所述第二车道激光雷达设于第二方向车道的上方,用于监测所述第二方向车道上的车辆;所述第一方向车道与所述第二方向车道上车辆的行车方向相反或相同;
所述第一方向车道包括多条车道;所述第二方向车道包括多条车道。
可选的,所述辅助激光雷达以预设倾斜角度设于所述第一方向车道与所述第二方向车道正中间上方的龙门架上。
一种交通情况监测方法,所述交通情况监测方法应用于一种交通情况监测设备,包括:激光雷达以及智能控制柜;所述激光雷达包括车道激光雷达以及辅助激光雷达;所述车道激光雷达与所述辅助激光雷达固定在一起,所述车道激光雷达具有两个,所述辅助激光雷达具有一个,以所述辅助激光雷达为中心呈对称设置;所述激光雷达设于公路上龙门架的中间;所述激光雷达用于监测车道上的交通情况;所述交通情况包括车辆种类、车距以及车速;所述智能控制柜内包括数据预处理板卡、交换机以及数据处理主机;所述智能控制柜设于所述龙门架的竖向支架上;所述数据预处理板卡与所述激光雷达相连接;所述交换机与所述数据预处理板卡相连接;所述数据处理主机与所述交换机相连接;
所述监测方法包括:
获取所述激光雷达的扫描数据;所述扫描数据为所述车道激光雷达每一帧扫描数据扫描到的车辆不同截面位置;
根据所述扫描数据进行三维重建,确定车辆的三维点云图像;
根据所述三维点云图像确定车辆类型;
根据所述车辆类型确定所述交通情况。
可选的,所述根据所述扫描数据进行三维重建,确定车辆的三维点云图像,具体包括:
获取车辆车速;
根据所述扫描数据以及所述车辆车速确定确定每一帧截面之间的距离;
将所述每一帧截面之间的距离进行拼接,确定车辆的三维点云图像。
可选的,所述根据所述三维点云图像确定车辆类型,具体包括:
对所述三维点云图像进行位图转化,得到转化后的二维图像;
对所述转化后的二维图像进行特征提取,得到车辆数据;所述车辆数据包括车辆的长、宽、高以及轴形;
根据所述车辆数据确定车辆类型。
可选的,所述对所述三维点云图像进行位图转化,得到转化后的二维图像,具体包括:
根据所述三维点云图像确定图像灰度矩阵;
遍历所述图像灰度矩阵中的每一个元素;
判断所述元素的灰度值是否达到灰度阈值,得到第一判断结果;
若所述第一判断结果表示为所述元素的灰度值达到灰度阈值,记录所述像素点,且根据所述像素点得到车型轮廓图;
对所述车型轮廓图进行截面间距插值处理,得到截面间距插值图;
利用补偿法对所述截面间距差值图进行填充,得到填充图;
对所述填充图进行开运算处理,得到预处理后的云图像。
一种交通情况监测***,包括:
扫描数据获取模块,用于获取所述激光雷达的扫描数据;所述扫描数据为所述车道激光雷达每一帧扫描数据扫描到的车辆不同截面位置;
三维重建模块,用于根据所述扫描数据进行三维重建,确定车辆的三维点云图像;
车辆类型确定模块,用于根据所述三维点云图像确定车辆类型;
交通情况确定模块,用于根据所述车辆类型确定所述交通情况。
可选的,所述三维重建模块具体包括:
车速获取单元,用于获取车辆车速;
截面距离确定单元,用于根据所述扫描数据以及所述车辆车速确定确定每一帧截面之间的距离;
三维点云图像确定单元,用于将所述每一帧截面之间的距离进行拼接,确定车辆的三维点云图像。
可选的,所述车辆类型确定模块具体包括:
位图转化单元,用于对所述三维点云图像进行位图转化,得到转化后的二维图像;
特征提取单元,用于对所述转化后的二维图像进行特征提取,得到车辆数据;所述车辆数据包括车辆的长、宽、高以及轴形;
车辆类型确定单元,用于根据所述车辆数据确定车辆类型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:在车型分类日趋复杂、检测精度要求日益提高的情况下,传统类型的设备已无法满足当今交通情况调查的要求。所以研发一种高检测精度、可全天候运行、不受光线变化和天气情况影响、安装调试简便、维护极少的交通情况调查设备成为了当今交通运输行业宏观管理和决策的重要基础。本发明提供了一种交通情况监测设备,通过设置激光雷达以监测交通情况,由于激光扫描技术具有测量精度高,抗干扰性强等特点,在工作原理上可以弥补线圈、压电、超声波、微波、地磁、视频等传感器的不足,因此,能够弥补现有交通情况调查***的缺陷,使交调***在自动化、网络化、实时化、智能化的道路上更近一步。
同时,本发明还提供了一种交通情况监测方法及***,根据扫描数据确定三维点云图像,能够识别出车辆类型,监测交通情况。由于本发明采用激光雷达作为主要监测传感器,因此,速度和车辆类型的监测精度高,且由于激光雷达属于非接触式测量,无需与其他装置配合使用,同时,无需在路面上封路施工,实际安装、调试以及维护简单。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的交通情况监测设备结构图;
图2为本发明实施例所提供的智能控制柜实际安装图;
图3为本发明实施例所提供的车道激光雷达实际安装图;
图4为本发明实施例所提供的辅助激光雷达实际安装图;
图5为本发明实施例所提供的激光雷达实际安装图;
图6为本发明实施例所提供的交通情况监测方法流程图;
图7为本发明实施例所提供的三维点云图像示意图;
图8为本发明实施例所提供的根据所述像素点得到车型轮廓图;
图9为本发明实施例所提供的截面间距插值图;
图10为本发明实施例所提供的截面间距插值效果图;
图11为本发明实施例所提供的填充图;
图12为本发明实施例所提供的腐蚀定义示意图;
图13为本发明实施例所提供的腐蚀过程示意图;
图14为本发明实施例所提供的膨胀定义示意图;
图15为本发明实施例所提供的膨胀过程示意图;
图16为本发明实施例所提供的车型预处理效果图;
图17为本发明实施例所提供的监测***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
本发明的目的是提供一种交通情况监测设备、监测方法及***,能够提高交通情况的监测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明采用比利时进口的高速扫描激光雷达,配合自主研发的核心算法,能够实现对高速行驶车辆在车型识别、车速测量等,具有高性能、高可靠、安装调试方便等优势,非常适合用于交通情况的调查、收费站车型识别、治超预检等领域。
本发明采用比利时进口的一体式高速扫描激光雷达,经过国内外长期现场应用检验,性能稳定可靠;主动视觉***,不依赖外部光源,不受环境光照影响,夜间检测效果良好;环境适应性好,具有全天候的工作稳定性;能够实现如下检测功能:机动车分型、交通量统计、地点车速测量、车头时距测量、跟车百分比统计、车头间距测量、时间占有率统计等交通参数;采用性能优良的工业级处理器与Linux操作***,***稳定可靠;支持串口、TCP/IP等传输方式,用户可灵活选择;支持实时数据传输以及按照数据处理周期传输;具备来电自动恢复支持局域网联网方式;具备故障自动监测及实时上报功能;可实现真正意义上的无人值守以及实时检测交通数据;施工以及调试简单,维护以及产品升级方便;体积小、重量轻;具备自检功能;采用安全的I级激光,对人眼无害;96度扫描角度;激光雷达具有IP65防护等级;每套设备具备唯一身份识别码。
关于激光雷达的技术参数
安装模式:侧向安装与正向安装相结合;流量统计误差:≤5%;综合车型识别误差:≤10%;速度检测范围:0—120Km/h;速度检测误差:≤8%;占有率误差:≤5%;工作电源:AC220V±15%,50Hz±4%;工作温度:-30℃+70℃;平均无故障时间:≥10000小时;传感器防护等级:IP65;全天候工作:不受气候、日夜等恶劣天气影响;环境温度:-30℃+70℃;环境湿度:0-95%;电源容差:设备能在以下电源条件下工作:交流电网电压220V;(1±15%),频率50(1±4%)Hz;设备总功耗:2车道100w以内;绝缘电阻:设备的电源接线端子与机壳之间的绝缘电阻在正常状态下不小于100MΩ;在湿热状态下不小于2MΩ;介电强度:设备的电源接线端子与机壳之间能耐受频率为50Hz、有效值为1500V的正弦交流电压,历时1分钟,不产生飞弧或击穿现象;安全接地:设备设安全保护接地端子,接地端子与机壳连接可靠,接地端子与机壳顶部金属部位间的接触电阻小于0.1Ω;来电恢复:设备在正常工作状态下,供电中断后恢复正常供电时,设备能自行恢复至正常工作状态;防雷击:设备采用防雷电和过电压保护措施,采用的接口、元器件和模块防护措施符合有关标准要求;经交通部检测机构检验,符合GB/T19271有关雷电电磁脉冲防护的规定。
防水及防尘:设备采取密封措施,防止雨雪、水和灰尘进入设备内部。设备外壳密封性能符合GB/T4208的规定,不低于IP55级;耐盐雾腐蚀性能:设备的印刷电路板及元器件、外壳防腐层与连接件采用耐盐雾腐蚀试验合格的产品;身份识别:每台设备具备一个唯一的、可读取的、固化于设备硬件只读存储器中设备身份识别码;主机设置:室外;数据输出:设备现场同时向多中心直接传输实时数据;数据格式:符合交通部规定要求;联网方式:。设备具备网络、串行通信接口USB接口。串行通信接口可使用RS-232C阴性插座或RS-485阳性插座;串行通信接口与外部的连接便于安装和维护,并采取防水、防尘等措施。设备具备数据网络传输功能,还具备RJ45网络接口,以便与相关网络设备互联;通信规程:符合GB/T3453的规定;互联网传输数据:符合交通部通讯协议。
本发明所提供的交通情况监测设备技术工作原理
通过安装在车道龙门架上的激光雷达对过往的每一辆车辆进行扫描和测速,并将相关扫描信息发送给后来数据处理主机;数据处理主机接收到数据信息后将对其进行一系列处理统计,最终计算得出I类交调所需的一系列信息。
图1为本发明实施例所提供的交通情况监测设备结构图,如图1所示,一种交通情况监测设备,包括:激光雷达1以及智能控制柜2。
所述激光雷达1包括车道激光雷达1-1以及辅助激光雷达1-2;所述车道激光雷达1-1与所述辅助激光雷达1-2固定在一起,所述车道激光雷达1-1具有两个,所述辅助激光雷达1-2具有一个,所述车道激光雷达1-1以所述辅助激光雷达1-2为中心呈对称设置。所述激光雷达1设于公路上龙门架的中间;所述激光雷达1用于监测车道上的交通情况;所述交通情况包括车辆种类、车距以及车速;所述智能控制柜2内包括数据预处理板卡2-1、交换机2-2以及数据处理主机2-3;所述智能控制柜2设于所述龙门架的竖向支架上,如图2所示。
所述数据预处理板卡2-1与所述激光雷达1相连接;所述交换机2-2与所述数据预处理板卡2-1相连接;所述数据处理主机2-3与所述交换机2-2相连接。
激光雷达1为L931CN激光测量***,采用成熟的激光飞行时间原理、非接触式检测,且加入多次回波技术,使得L931CN即使在恶劣环境下也能准确测量。L931CN的主要特点是:IP65防护等级,多次回波技术保证其能用户户外,多项参数及程序根据公路、高速等使用环境特殊定时,较其他雷达更适用于交通领域,96度扫描范围,灵活的区域配置,具备自检功能,对低反射率物体不敏感等优点。
数据预处理板卡2-1集成与内置智能控制柜2内,对每台激光雷达1的数据进行二次滤波等预处理,从而在降低数据计算量的同时保证数据的准确性。
数据处理主机2-3采用全球知名产品,保证其高度的可靠性和较高的数据处理计算性能,同时结合我公司多年的应用实践进行软件优化,从而使该主机运行极为稳定,避免后续大量的维护问题。此外,所使用的主机型号将选用3年内不停产型号,从而保证售后可靠性。
在实际应用中,如图3所示,将激光雷达安装于每条车道一侧的龙门的顶角上,从而使车道激光雷达能够以90°扫描范围覆盖整条车道。所述车道激光雷达包括第一车道激光雷达和第二车道激光雷达;所述第一车道激光雷达设于第一方向车道的上方,用于监测所述第一方向车道上的车辆;所述第二车道激光雷达设于第二方向车道的上方,用于监测所述第二方向车道上的车辆;所述第一方向车道与所述第二方向车道上车辆的行车方向相反或相同;所述第一方向车道包括多条车道;所述第二方向车道包括多条车道。如图4所示,辅助激光雷达以一定的倾斜角度安装于两条车道正中间上方的龙门架上,所述辅助激光雷达以预设倾斜角度设于所述第一方向车道与所述第二方向车道正中间上方的龙门架上。
图5为本发明实施例所提供的激光雷达整体安装示意图,如图5所示。
图6为本发明实施例所提供的交通情况监测方法流程图,如图6所示,一种交通情况监测方法,包括:
步骤601:获取所述激光雷达的扫描数据;所述扫描数据为所述车道激光雷达每一帧扫描数据扫描到的车辆不同截面位置。
扫描数据包括的扫描点的角度信息和距离信息。激光雷达每次扫描是一个扇面。该扇面的角度是96°,在这个扇面上每个0.3516°每发射一束激光,当激光遇到障碍物(如车辆)后会返回,激光雷达就根据发射与接收到返回激光的时间算出障碍物与激光雷达间的距离。这样雷达每扫描一次就可以得到一帧数据,该数据包含在某一角度障碍物距离雷达的距离,即角度和距离信息。雷达每一秒会进行60次这样的扫描。当设备安装高速和斜扫雷达旋转角度确定后,那么斜扫雷达扫描面在马路上的位置到竖扫雷达扫描面在马路上的位置之间的距离就确定了。软件会记录车辆进入斜扫雷达扫描面的时间和进入竖扫雷达扫描面的时间,通过计算时间差并结合上面的距离就可以计算出在车辆的平均速度。
步骤602:根据所述扫描数据进行三维重建,确定车辆的三维点云图像。
所述步骤602具体包括:获取车辆车速;根据所述扫描数据以及所述车辆车速确定确定每一帧截面之间的距离;将所述每一帧截面之间的距离进行拼接,确定车辆的三维点云图像。
三维重建主要用到车速信息和竖扫雷达的扫描数据。由于在扫描过程中,车辆是在不断运动的,因此竖扫雷达每一帧扫描数据扫描到的是车辆的不同截面位置,由于雷达每一帧之间的间隔时间相同,结合车速信息,我们就可以得到每一帧截面之间的距离,把每一帧截面数据拼接起来还原成车辆的三维点云图像,如图7所示。
步骤603:根据所述三维点云图像确定车辆类型。
在实际应用中,所述根据所述三维点云图像确定车辆类型,具体包括:
对所述三维点云图像进行位图转化,得到转化后的二维图像;对所述转化后的二维图像进行特征提取,得到车辆数据;所述车辆数据包括车辆的长、宽、高以及轴形;根据所述车辆数据确定车辆类型。
在实际应用中,所述对所述三维点云图像进行位图转化,得到转化后的二维图像,具体包括:
根据所述三维点云图像确定图像灰度矩阵。
将车型三维轮廓进行灰度化过程如下:
(1)定义车型图像的灰度矩
其中:axy表示图像中的像素点,同时表示区域上1×1cm2的网格;x=1,..,m,y=1,...,n;m表示车辆的最大高度;n表示车辆的长度。
遍历所述图像灰度矩阵中的每一个元素。
判断所述元素的灰度值是否达到灰度阈值,得到第一判断结果;若是,记录所述像素点,且根据所述像素点得到车型轮廓图,如图8所示。
遍历灰度矩中的每一个元素axy,判断axy对应的区域内有无车型的轮廓点:
其中,g表示车辆到雷达水平距离对应的灰度值。
对所述车型轮廓图进行截面间距插值处理,得到截面间距插值图,如图9所示。
当一辆长L约5m的小车以5km/h的速度v驶过激光雷达时,保存在工控机的截面数N=L/v×50≈180,而一个截面的点云数据要用5K大小的内存空间来存储,再加上截面间距,最后一辆车完整的数据量是1兆左右。当通过的是一辆大型车辆或是由于收费道口繁忙导致车辆始终停在激光雷达扫描区域时,需要特征提取的数据量将会更大,因此需要每隔一定的长度对截面数据作插值。去除相距过近的截面数据,减小后期工控机的运算量,提高运算速度。本文中选取的插值长度为10cm。在这个长度下,既能有效减少图像的像素,提高图像处理速度,又能基本保证图像上车辆的特征不失真、不变形。其插值过程如图9所示,将第一个截面位置作为插值截面的起始位置,从起始位置开始每隔10cm做截面插值,将离插值后截面位置最近的原始截面的数据赋给该截面,最后长度不足10cm时舍去后面的截面,这样就得到了一组用作后期图像处理的截面数据。
经过了上述3个过程的处理后,将插值后的截面数据以每10cm(10个像素点)排开,对应到位图上的效果如图10所示。
利用补偿法对所述截面间距差值图进行填充,得到填充图,如图11所示。
为了将进一步反应车辆的轮廓特征而不是截面特征,更为了后期特征提取时的算法检验,所以要补偿截面之间的间隙。补偿方法是用前一个截面的像素点向后做延伸,直到下一个截面为止。
对所述填充图进行开运算处理,得到预处理后的云图像。
由于成像***、传输介质和记录设备等的不完善,数字图像在其形成、传输记录过程中往往会受到多种噪声的污染;另外,在图像处理的某些过程中,当输入的图像并没达到预期的效果时也会在结果图像中产生噪声,这些噪声在图像上常表现为影响正常识别的像素点或是像素块。通常情况,噪声信号会以无用的信息形式显示在要研究的对象上现,破坏研究对象的待观测信息。对于数字图像信号,噪声表现为或大或小的极值,这些极值通过加减作用于图像象素的真实灰度值上,在图像中呈现出或明或暗的噪声点,极大减小了图像的有效信息,影响图像复原、分割、特征提取、图像识别等后继工作的进行。
因此,为了后续图像处理和分析的有效性和可靠性,在对图像进行特征提取之前还需要构造一种有效抑制噪声的滤波机,在尽量保留目标图像有效信息的情况下对目标图像的噪声进行抑制,必须考虑两个基本问题能有效地去除目标和背景中的噪声;同时,能很好地护图像目标的形状、大小及特定的几何和拓扑结构特征。
车型自动识别使用的滤波算法是图像形态学中一种比较常用的消除干扰的算法,叫做开运算。图像处理时通常用此过程来消除小的对象物体、在纤细点处分离物体、平滑较大物体的边界的同时对其面积作大的改变。与腐蚀算法的作用无明显区别,但相对于腐蚀操作消除掉若干层图像,开运算能够保证图像原有大小基本不变。
在图像形态学中,开运算是指先对图像腐蚀运算再对其膨胀运算的过程,公式表示为:
其中:X为被处理的图像;B为结构元素(structureelement),用来处理X的图像;!为腐蚀操作运算符;膨胀操作运算符。
设有两幅图像B,X,若X是待处理的图像,即本文中的车型轮廓灰度图,而B是处理X中信息的“探针”,通常被称为结构元素,它是形态学的基本算子,合理选取结构元素就直接影响图像处理的质量和效果。本文采用的结构元素B是3x3的像素块,开运算具体实现过程如下:
(1)所有满足下列条件的点a点集合称为X被B腐蚀的结果:结构元素B经过平移a后得到Ba,Ba完全包含于X。表示为:
如图12所示,B是结构元素,X是被处理的对象。从图中可以看出,阴影部分为结构元素B在输入图像中平移后计算所有交集而得到腐蚀后的部分。
如图13所示,左边是被处理的二值化图像X,中间是3×3邻域的结构元素B,那个标有origin的点为待处理像素点的坐标位置。腐蚀的方法是,拿B的中心点和X上的点一个一个地对比,如果B上的所有点都在X的范围内,则待处理点保留,否则将其删除;右边是腐蚀后的结果。
(2)腐蚀的对偶运算即是膨胀运算,所有满足下列条件的点a点集合称为X被B膨胀的结果:结构元素B经过平移a后得到Ba,若Ba与X的交集非空。用公式表示为:
如图14所示,B是结构元素,X是被处理的对象。从图中可以看出,阴影部分为结构元素B在输入图像中平移后计算所有合并而得到膨胀后的部分。
同样,如图15所示,左边是被处理的图象X(二值图象,我们针对的是黑点),中间是结构元素B。膨胀的方法是,拿B的中心点和X上的点及X周围的点一个一个地对,如果B上有一个点落在X的范围内,则该点就为黑;右边是膨胀后的结果。
通过上面的算法,可以得到如图16所示的效果。从图中看出,车辆底部大部分的噪声干扰点基本被去除,车身上的大部分空隙也很好的被填补。
步骤604:根据所述车辆类型确定所述交通情况。
本发明所提供的激光雷达,用于在被测车辆行驶断面上形成两个扫描检测断面。智能控制柜内的数据处理主机用于接受激光雷达返回的扫描数据,并进行分析处理,从而实现对当前检测断面的交通情况调查,提高监测精度及效率。
图17为本发明实施例所提供的监测***结构图,如图17所示,一种交通情况监测***,包括:
扫描数据获取模块1701,用于获取所述激光雷达的扫描数据;所述扫描数据为所述车道激光雷达每一帧扫描数据扫描到的车辆不同截面位置。
三维重建模块1702,用于根据所述扫描数据进行三维重建,确定车辆的三维点云图像。
所述三维重建模块1702具体包括:车速获取单元,用于获取车辆车速;截面距离确定单元,用于根据所述扫描数据以及所述车辆车速确定确定每一帧截面之间的距离;三维点云图像确定单元,用于将所述每一帧截面之间的距离进行拼接,确定车辆的三维点云图像。
车辆类型确定模块1703,用于根据所述三维点云图像确定车辆类型。
所述车辆类型确定模块1703具体包括:
位图转化单元,用于对所述三维点云图像进行位图转化,得到转化后的二维图像;
特征提取单元,用于对所述转化后的二维图像进行特征提取,得到车辆数据;所述车辆数据包括车辆的长、宽、高以及轴形;
车辆类型确定单元,用于根据所述车辆数据确定车辆类型。
交通情况确定模块1704,用于根据所述车辆类型确定所述交通情况。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种交通情况监测设备,其特征在于,包括:激光雷达以及智能控制柜;
所述激光雷达包括车道激光雷达以及辅助激光雷达;所述车道激光雷达与所述辅助激光雷达固定在一起,所述车道激光雷达具有两个,所述辅助激光雷达具有一个,以所述辅助激光雷达为中心呈对称设置;所述激光雷达设于公路上龙门架的中间;所述激光雷达用于监测车道上的交通情况;所述交通情况包括车辆种类、车距以及车速;
所述智能控制柜内包括数据预处理板卡、交换机以及数据处理主机;所述智能控制柜设于所述龙门架的竖向支架上;
所述数据预处理板卡与所述激光雷达相连接;所述交换机与所述数据预处理板卡相连接;所述数据处理主机与所述交换机相连接。
2.根据权利要求1所述的一种交通情况监测设备,其特征在于,所述车道激光雷达包括第一车道激光雷达和第二车道激光雷达;
所述第一车道激光雷达设于第一方向车道的上方,用于监测所述第一方向车道上的车辆;
所述第二车道激光雷达设于第二方向车道的上方,用于监测所述第二方向车道上的车辆;所述第一方向车道与所述第二方向车道上车辆的行车方向相反或相同;
所述第一方向车道包括多条车道;所述第二方向车道包括多条车道。
3.根据权利要求2所述的一种交通情况监测设备,其特征在于,所述辅助激光雷达以预设倾斜角度设于所述第一方向车道与所述第二方向车道正中间上方的龙门架上。
4.一种交通情况监测方法,其特征在于,所述交通情况监测方法应用于一种交通情况监测设备,包括:激光雷达以及智能控制柜;所述激光雷达包括车道激光雷达以及辅助激光雷达;所述车道激光雷达与所述辅助激光雷达固定在一起,所述车道激光雷达具有两个,所述辅助激光雷达具有一个,以所述辅助激光雷达为中心呈对称设置;所述激光雷达设于公路上龙门架的中间;所述激光雷达用于监测车道上的交通情况;所述交通情况包括车辆种类、车距以及车速;所述智能控制柜内包括数据预处理板卡、交换机以及数据处理主机;所述智能控制柜设于所述龙门架的竖向支架上;所述数据预处理板卡与所述激光雷达相连接;所述交换机与所述数据预处理板卡相连接;所述数据处理主机与所述交换机相连接;
还包括:
获取所述激光雷达的扫描数据;所述扫描数据为所述车道激光雷达每一帧扫描数据扫描到的车辆不同截面位置;
根据所述扫描数据进行三维重建,确定车辆的三维点云图像;
根据所述三维点云图像确定车辆类型;
根据所述车辆类型确定所述交通情况。
5.根据权利要求4所述的一种交通情况监测方法,其特征在于,所述根据所述扫描数据进行三维重建,确定车辆的三维点云图像,具体包括:
获取车辆车速;
根据所述扫描数据以及所述车辆车速确定确定每一帧截面之间的距离;
将所述每一帧截面之间的距离进行拼接,确定车辆的三维点云图像。
6.根据权利要求5所述的一种交通情况监测方法,其特征在于,所述根据所述三维点云图像确定车辆类型,具体包括:
对所述三维点云图像进行位图转化,得到转化后的二维图像;
对所述转化后的二维图像进行特征提取,得到车辆数据;所述车辆数据包括车辆的长、宽、高以及轴形;
根据所述车辆数据确定车辆类型。
7.根据权利要求6所述的一种交通情况监测方法,其特征在于,对所述三维点云图像进行位图转化,得到转化后的二维图像,具体包括:
根据所述三维点云图像确定图像灰度矩阵;
遍历所述图像灰度矩阵中的每一个元素;
判断所述元素的灰度值是否达到灰度阈值,得到第一判断结果;
若所述第一判断结果表示为所述元素的灰度值达到灰度阈值,记录所述像素点,且根据所述像素点得到车型轮廓图;
对所述车型轮廓图进行截面间距插值处理,得到截面间距插值图;
利用补偿法对所述截面间距差值图进行填充,得到填充图;
对所述填充图进行开运算处理,得到预处理后的云图像。
8.一种交通情况监测***,其特征在于,包括:
扫描数据获取模块,用于获取激光雷达的扫描数据;所述扫描数据为所述车道激光雷达每一帧扫描数据扫描到的车辆不同截面位置;
三维重建模块,用于根据所述扫描数据进行三维重建,确定车辆的三维点云图像;
车辆类型确定模块,用于根据所述三维点云图像确定车辆类型;
交通情况确定模块,用于根据所述车辆类型确定所述交通情况。
9.根据权利要求8所述的一种交通情况监测***,其特征在于,所述三维重建模块具体包括:
车速获取单元,用于获取车辆车速;
截面距离确定单元,用于根据所述扫描数据以及所述车辆车速确定确定每一帧截面之间的距离;
三维点云图像确定单元,用于将所述每一帧截面之间的距离进行拼接,确定车辆的三维点云图像。
10.根据权利要求8所述的一种交通情况监测***,其特征在于,所述车辆类型确定模块具体包括:
位图转化单元,用于对所述三维点云图像进行位图转化,得到转化后的二维图像;
特征提取单元,用于对所述转化后的二维图像进行特征提取,得到车辆数据;所述车辆数据包括车辆的长、宽、高以及轴形;
车辆类型确定单元,用于根据所述车辆数据确定车辆类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810618260.3A CN108765974A (zh) | 2018-06-15 | 2018-06-15 | 一种交通情况监测设备、监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810618260.3A CN108765974A (zh) | 2018-06-15 | 2018-06-15 | 一种交通情况监测设备、监测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765974A true CN108765974A (zh) | 2018-11-06 |
Family
ID=64021767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810618260.3A Pending CN108765974A (zh) | 2018-06-15 | 2018-06-15 | 一种交通情况监测设备、监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765974A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598947A (zh) * | 2018-12-26 | 2019-04-09 | 武汉万集信息技术有限公司 | 一种车辆识别方法及*** |
CN109785632A (zh) * | 2019-03-14 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种交通流量统计方法及装置 |
CN110677814A (zh) * | 2019-05-09 | 2020-01-10 | 岳文伟 | 基于密度分析的无线通信方法 |
CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及*** |
CN111740802A (zh) * | 2020-05-19 | 2020-10-02 | 重庆金美通信有限责任公司 | 一种基于通信网络的信号分析与预测***及方法 |
CN112014855A (zh) * | 2020-07-20 | 2020-12-01 | 江西路通科技有限公司 | 一种基于激光雷达的车辆外廓检测方法及*** |
CN112037521A (zh) * | 2020-07-24 | 2020-12-04 | 长沙理工大学 | 一种车辆类型识别方法以及危化品车辆识别方法 |
CN112630794A (zh) * | 2021-01-15 | 2021-04-09 | 福建农林大学 | 一种基于激光雷达测距的交通参数检测装置及检测方法 |
CN113574574A (zh) * | 2019-03-19 | 2021-10-29 | 株式会社Ihi | 移动体监视***、移动体监视***的控制服务器以及移动体监视方法 |
CN113936455A (zh) * | 2021-09-24 | 2022-01-14 | 华北水利水电大学 | 一种交通领域超限运输查询导航监测***及超限监测方法 |
CN114624726A (zh) * | 2022-03-17 | 2022-06-14 | 南通探维光电科技有限公司 | 轮轴识别***和轮轴识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060269104A1 (en) * | 2003-05-05 | 2006-11-30 | Transol Pty, Ltd. | Traffic violation detection, recording and evidence processing system |
CN102663893A (zh) * | 2012-04-16 | 2012-09-12 | 公安部第三研究所 | 基于激光测距节点***实现道路信息采集的方法 |
CN103854320A (zh) * | 2012-12-05 | 2014-06-11 | 上海海事大学 | 基于激光雷达的车型自动识别装置及其识别方法 |
CN107945530A (zh) * | 2017-12-24 | 2018-04-20 | 上海捷崇科技有限公司 | 一种车辆超限检测***及其检测方法 |
-
2018
- 2018-06-15 CN CN201810618260.3A patent/CN108765974A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060269104A1 (en) * | 2003-05-05 | 2006-11-30 | Transol Pty, Ltd. | Traffic violation detection, recording and evidence processing system |
CN102663893A (zh) * | 2012-04-16 | 2012-09-12 | 公安部第三研究所 | 基于激光测距节点***实现道路信息采集的方法 |
CN103854320A (zh) * | 2012-12-05 | 2014-06-11 | 上海海事大学 | 基于激光雷达的车型自动识别装置及其识别方法 |
CN107945530A (zh) * | 2017-12-24 | 2018-04-20 | 上海捷崇科技有限公司 | 一种车辆超限检测***及其检测方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598947A (zh) * | 2018-12-26 | 2019-04-09 | 武汉万集信息技术有限公司 | 一种车辆识别方法及*** |
CN109785632B (zh) * | 2019-03-14 | 2021-05-04 | 浪潮集团有限公司 | 一种交通流量统计方法及装置 |
CN109785632A (zh) * | 2019-03-14 | 2019-05-21 | 济南浪潮高新科技投资发展有限公司 | 一种交通流量统计方法及装置 |
CN113574574A (zh) * | 2019-03-19 | 2021-10-29 | 株式会社Ihi | 移动体监视***、移动体监视***的控制服务器以及移动体监视方法 |
CN110677814A (zh) * | 2019-05-09 | 2020-01-10 | 岳文伟 | 基于密度分析的无线通信方法 |
CN111540201A (zh) * | 2020-04-23 | 2020-08-14 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及*** |
CN111540201B (zh) * | 2020-04-23 | 2021-03-30 | 山东大学 | 基于路侧激光雷达的车辆排队长度实时估计方法及*** |
CN111740802A (zh) * | 2020-05-19 | 2020-10-02 | 重庆金美通信有限责任公司 | 一种基于通信网络的信号分析与预测***及方法 |
CN112014855A (zh) * | 2020-07-20 | 2020-12-01 | 江西路通科技有限公司 | 一种基于激光雷达的车辆外廓检测方法及*** |
CN112037521A (zh) * | 2020-07-24 | 2020-12-04 | 长沙理工大学 | 一种车辆类型识别方法以及危化品车辆识别方法 |
CN112037521B (zh) * | 2020-07-24 | 2021-10-22 | 长沙理工大学 | 一种车辆类型识别方法以及危化品车辆识别方法 |
CN112630794A (zh) * | 2021-01-15 | 2021-04-09 | 福建农林大学 | 一种基于激光雷达测距的交通参数检测装置及检测方法 |
CN113936455A (zh) * | 2021-09-24 | 2022-01-14 | 华北水利水电大学 | 一种交通领域超限运输查询导航监测***及超限监测方法 |
CN113936455B (zh) * | 2021-09-24 | 2022-12-06 | 华北水利水电大学 | 一种交通领域超限运输查询导航监测***及超限监测方法 |
CN114624726A (zh) * | 2022-03-17 | 2022-06-14 | 南通探维光电科技有限公司 | 轮轴识别***和轮轴识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765974A (zh) | 一种交通情况监测设备、监测方法及*** | |
Liu et al. | A review of applications of visual inspection technology based on image processing in the railway industry | |
CN106049210B (zh) | 一种轨道状态智能检测平台 | |
Yoon et al. | Feature extraction of a concrete tunnel liner from 3D laser scanning data | |
CN101625723B (zh) | 电力线轮廓的快速图像识别方法 | |
CN113313005B (zh) | 基于目标识别与重建的输电导线在线监测方法及*** | |
CN109708615A (zh) | 一种基于激光扫描的地铁隧道限界动态检测方法 | |
CN104977584A (zh) | 一种对流天气的临近预报方法及*** | |
CN112785455B (zh) | 一种基于多激光雷达的带电导线监测预警***和方法 | |
CN102914290A (zh) | 地铁限界检测***及其检测方法 | |
CN115641553B (zh) | 掘进机作业环境侵入物的在线检测装置及方法 | |
CN114814826B (zh) | 一种基于目标网格的雷达轨行区环境感知方法 | |
CN113869196A (zh) | 一种基于激光点云数据多特征分析的车型分类方法及装置 | |
CN112398926A (zh) | 输电线路状态在线监测及安全态势感知*** | |
CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
CN113654632A (zh) | 一种基于高速激光雷达的铁路货运几何超限预警*** | |
CN115497242B (zh) | 一种面向铁路营业线施工的异物侵入智能监测***及监测方法 | |
Yang et al. | Online pantograph-catenary contact point detection in complicated background based on multiple strategies | |
CN117218107A (zh) | 一种轨道缺陷的检测方法及*** | |
CN115014359A (zh) | 一种无人机路径规划与定位导航*** | |
CN114119355A (zh) | 一种盾构隧道掉块风险预警方法与*** | |
CN114089376A (zh) | 一种基于单激光雷达的负障碍物检测方法 | |
Cheng et al. | Deep learning-based object detection between train and rail transit platform door | |
CN115272217B (zh) | 一种基于声呐图像的水下机器人定位方法 | |
EP4343372A1 (en) | Method and apparatus for identifying falling object based on lidar system, and readable storage medium |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
RJ01 | Rejection of invention patent application after publication |