CN110136102A - 一种基于标准图比对的轮胎x光病疵检测方法 - Google Patents
一种基于标准图比对的轮胎x光病疵检测方法 Download PDFInfo
- Publication number
- CN110136102A CN110136102A CN201910310412.8A CN201910310412A CN110136102A CN 110136102 A CN110136102 A CN 110136102A CN 201910310412 A CN201910310412 A CN 201910310412A CN 110136102 A CN110136102 A CN 110136102A
- Authority
- CN
- China
- Prior art keywords
- ray
- model
- defect
- picture
- tire
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明属于图像识别和检测技术领域,具体提供一种基于标准图对比的轮胎X光病疵检测方法,包括:采集得到特定的轮胎花纹的标准图、正常图和病疵图的图片的集合;根据图片的不同类型对X光检测图片的所述样本集进行标注,并将具有标注信息的样本分为训练集、验证集和测试集;对X光检测图片进行预处理;搭建SOM模型;基于所述训练集对SOM模型进行训练,将训练过程迭代多个周期,最后选择使SOM模型准确率最高的参数;得到的SOM模型加载后可以进行对所述X光检测图片中是否有病疵部分的判别。本发明的检测方法,与传统方法相比具有能对于不同型号、不同轮胎花纹、不同X光机拍摄出的X光片均适用,提高对不明显病疵的检测效果,减轻轮胎质检人员的负担,利于轮胎质量把控。
Description
技术领域
本发明属于轮胎病疵检测技术领域,主要在轮胎病疵检测过程中实现一种基于标准图比对的轮胎X光病疵检测方法。
背景技术
轮胎的生产过程很精密,任何一个环节出错都有可能导致生产的轮胎是劣质产品,而轮胎的质量又与交通安全紧密相连,因此必须要进行严格的质量监督。其中一个重要的轮胎质量检测环节就是对轮胎拍摄X光图像,然后根据X光图像判别当前轮胎是否有某种病疵。
传统的轮胎X光病疵检测的方式是用X光机对轮胎拍照后安排质量监督人员判别轮胎是否有某种病疵。采用人工判别轮胎X光病疵存在很多不利的因素:首先,效率比较低下,一个轮胎的X光图像一般都比较大,熟练的质检人员完全判别一个轮胎是否有病疵都需要消耗数十秒的时间;其次,判别准确度不高,误判、漏判多,长期看显示屏屏幕人容易疲劳,在这种情况下,有可能将有病疵的图像判别为无病疵,造成漏判或者病疵类别判断错误,造成漏判;最后,长期进行人工鉴别对质检人员的健康损伤较大。
目前存在一些轮胎X光自动检测算法,但都是基于传统的图像处理方法,这些方法只能检测出比较明显的病疵,对于比较隐晦(如气泡)这种病疵,改方法检出率不理想。根据目前轮胎X光病疵自动检测所遇到的问题,本发明提出了一种基于标准图比对的轮胎X光病疵检测方法。
发明内容
本发明针对传统轮胎X光病疵识别中存在的不足,提出一种基于标准图对比的轮胎X光病疵检测方法。
相关概念:
(1)标准图:理论上轮胎花纹最完美的情况下对轮胎进行X光检测得到的图片;
(2)正常图:正常工业生产流程中得到的正常轮胎进行X光检测得到的图片;
(3)病疵图:对劣质或者废品轮胎病疵部位进行X光检测得到的图片;
提供了一种基于标准图对比的轮胎X光病疵检测方法,所述检测方法包括如下步骤:
步骤S1、对于某种特定的轮胎花纹,对所述特定的轮胎花纹的X光检测图片进行采集得到多个样本集,所述样本集为所述特定的轮胎花纹的标准图、正常图和病疵图的图片的集合;
步骤S2、根据图片的不同类型对所述X光检测图片的所述样本集进行标注,并将具有标注信息的样本分为训练集、验证集和测试集;
步骤S3、对所述X光检测图片进行预处理;
步骤S4、搭建SOM(Self-organizing feature Map,自组织特征映射神经网络)模型;
步骤S5、基于所述训练集对SOM模型进行训练,每次所述训练完后基于所述验证集进行K交叉验证,基于所述测试集测试所述SOM模型的精度;
步骤S6、将训练过程迭代多个周期,最后选择使所述SOM模型准确率最高的参数;
步骤S7、得到的所述SOM模型加载后可以进行对所述X光检测图片中是否有病疵部分的判别,输入所述轮胎的所述X光检测图片,输出所述X光检测图片是正常图或是病疵图。
步骤S2中根据图片的不同类型对所述X光检测图片的所述样本集进行标注包括:利用标注工具对所述样本集进行分类,如果有病疵将病疵位置画框并注释,最终将标注信息保存在xml文件中。
步骤S3对所述X光检测图片进行预处理进一步包括如下步骤:1)对图像进行锐化处理;2)对原始的大图进行切割,分为较多尺寸合适的小图,小图之间有一定的重叠,将相应的坐标位置进行变换改写之前标注得到的所述 xml文件。
步骤S5基于所述训练集对SOM模型进行训练进一步包括如下步骤:1) 基于训练集对所述SOM模型进行训练;
2)训练完后采用K交叉验证调整模型超参数;
3)基于所述测试集测试所述SOM模型的精度;
4)反复迭代1)到3)步骤,将所述SOM模型的参数和测试的精度保存下来;
5)对比所有的模型的精度,选在精度大于85%的模型作为最后的SOM 模型;如果没有精度大于85%的模型,则回到步骤S4中进行模型的设计,并且重新训练模型。
步骤S7进一步包括如下步骤:经过训练后所述X光检测图片被映射到二维平面,在所述二维平面上,给定合适的距离作为判别是正常图还是病疵图的临界距离,所述正常图距离所述标准图的距离近,所述病疵图距离所述标准图的距离远。
采用上述技术方案的本发明与现有技术相比,带来的有益技术效果如下:
(1)本发明提出了基于标准图对比的轮胎X光病疵检测方法,对于不同型号、不同轮胎花纹、不同X光机拍摄出的X光片均适用;(2)本发明提供了一种预处理轮胎X光图片的有效方法,经过预处理的轮胎X光图片能被被神经网络模型更好的训练;(3)本发明针对传统的轮胎X光病疵自动检测中存在的对不明显病疵检测效果不好的问题,提供了一种全新的解决方案,可以大大提高对不明显病疵的检测效果。(4)本发明提供了一个有效的轮胎X光病疵检测模型,可以辅助轮胎厂商进行高效的轮胎X光病疵检测,因而能够大大减轻轮胎质检人员的负担,而且能够帮助他们更好的对轮胎质量进行把控。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明基于标准图比对的轮胎X光病疵检测方法流程示意图。
图2为本发明SOM模型结构示意图。
图3为本发明SOM算法流程示意图。
具体实施方式
以下将配合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
下面将根据附图和具体实例对本发明做进一步说明。
本实例旨在按本方法实施得到一个能够自动检测轮胎X光图片是否有病疵的***。如图1所示,该实现过程包括收集轮胎X光检测图片、对图片进行标注、预处理图片、SOM模型搭建与训练、模型装载等步骤,具体实现过程如下:
(1)采集轮胎X光图片数据作为样本集。所采集的图片是用有拍摄效果相近的X光机拍摄的大小相同(实例中假定为20000×1900),清晰度近似的图片,且这些轮胎的花纹是同一类型的,同时保证正常图、标准图、病疵图这三种类型的图片每一类都有多张;
(2)对样本集数据进行标注并分为训练集、验证集和测试集。用LabelImg 工具标注X光图像,标注每张图片的类型,如果图片中有病疵的话,标注出病疵的位置,标注文件类型为xml文件。将样本集进行划分,划分原则是训练集70%,验证集和测试集各占15%。训练集中三种类型图的分布保持原始样本集中的分布,测试集和验证集中三种类型图的分布也符合原始样本集中的分布。
(3)预处理标注过的图片。预处理有两个部分的内容,一部分是用 Photoshop工具批量化的对图像进行锐化处理,第二部分是对原始图片进行切割,将20000×1900的大图切割为11张1900×1900的小图,让小图之间有一定的重叠(下一张图片与上一张图片大约重叠82个像素),将相应的坐标位置进行变换改写之前标注得到的xml文件;
(4)SOM模型的搭建。SOM模型的示意图如图2所示,它是一种由输入层和竞争层组成的神经网络模型,在设计上主要有以下几个方面要进行考虑:
1)节点数设计。第一次时将输出层节点设置为10个,如果发现映射结果分类不明显,不能满足区分正常图、标准图和病疵图的要求,就增加节点的数量;如果发现训练过程中某个节点从来未被调整过,或者是分类过于多不符合实际应用的需要,就减少节点的数量。
2)节点排列的设计。使用二维平面的映射结果反映出轮胎X光图片的物理意义,更符合实际应用的需要。
3)权值向量初始化设计。从样本中随机抽取一部分计算中心向量,在这个基础上随机叠加小随机数作为权向量的初始值。
4)优胜邻域设计。根据所采集的样本数量的大小根据经验来进行选择,设定这是一个与训练时间有关的变量,初始时较大,随着训练时间的变长而优胜邻域的大小逐渐收缩。
5)学习率的设计。在训练开始时,学习率选取较大的值,之后以比较快的速度下降,然后学习率在较小的值上缓慢降至0。
6)训练过程算法设计。算法流程如图3所示,首先要根据设计好的初始值初始化权向量,建立起初始优胜邻域,初始化学习率,然后将(3)中得到的预处理过的且标注了类别的轮胎X光图片作为样本输入网络中训练,每个样本训练的过程为:将样本与权向量进行点积运算,选出点积最大的作为获胜节点;以获胜节点为中心根据当时时刻优胜邻域的大小定义优胜邻域的范围;对优胜邻域内的所有节点调整权值。训练完一个样本后如果模型没有收敛,那就继续输入样本进行训练,反之,我们就得到了这一次训练好的模型,可以拿去做后续的验证和测试。
根据设计好的训练过程算法,利用Python或者其它编程语言编程实现此算
法过程,得到一个程序文件,在一台有较高性能gpu的计算上搭建程序的运行环境并运行程序,这就是在真正开始训练前的准备过程。
(5)对SOM模型进行训练。整个的训练过程如下描述:
1)基于训练集对SOM进行训练;
2)训练完后采用K交叉验证调整模型超参数;
3)基于测试集测试模型精度;
4)反复迭代1)到3)步骤,将模型的参数和测试的精度(查准率和查全率)保存下来;
5)对比所有的模型的查全率、查准率,选在在查全率和查准率都较高(查全率和查准率都大于85%)的模型作为最后的模型,这样的模型是泛化能力比较好的模型;如果没有这样的模型,则说明模型不可用,需要回到步骤(4) 进行模型的设计,并且重新训练模型。
(6)完成训练,将模型加载。将在步骤(5)中得到的模型保存下来,以此模型为基础开发一个***将模型封装起来,主要是提供一些用于人机交互的界面:允许用户批量化上传轮胎x光图片,将模型检测完的结果反馈给用户等等。因该部分与本发明无关,在此不在赘述,如此,交互部分和模型就共同组成了轮胎X光病疵检测***。
(7)通过以上步骤,我们得到了一个基于标准图比对的轮胎X光病疵检测***。将此***安装在质检人员的计算机上,质检人员可以通过此***将轮胎X光照片批量上传,***将用户上传的图片逐张交给内核的模型去判断是否是病疵图,最终,***将所有的图片编号和是否是病疵图的结果反馈给质检人员。此***能够大大解放质检人员长期机械化的工作,并且对于提高轮胎出厂的质量有很大的帮助。
步骤(7)中加载的模型是通过之前的步骤得到的,它能够对图片进行判别的原因是:经过训练后图片被映射到二维平面,在这个平面上,正常图距离标准图的距离近,而有病疵的图距离标准图的距离远,给定合适的距离作为判别是正常图还是病疵图的临界距离。如此,新输入一张轮胎的X光检测图片时,同样将它映射到这个平面并计算它与标准图的距离,如果这个距离大于临界距离,就判断它是病疵图,否则,判断它是正常图。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者***不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者***所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的商品或者***中还存在另外的相同要素。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于标准图对比的轮胎X光病疵检测方法,其特征在于,所述检测方法包括如下步骤:
步骤S1、对于某种特定的轮胎花纹,对所述特定的轮胎花纹的X光检测图片进行采集得到多个样本集,所述样本集为所述特定的轮胎花纹的标准图、正常图和病疵图的图片的集合;
步骤S2、根据图片的不同类型对所述X光检测图片的所述样本集进行标注,并将具有标注信息的样本分为训练集、验证集和测试集;
步骤S3、对所述X光检测图片进行预处理;
步骤S4、搭建SOM(Self-organizing feature Map,自组织特征映射神经网络)模型;
步骤S5、基于所述训练集对SOM模型进行训练,每次所述训练完后基于所述验证集进行K交叉验证,基于所述测试集测试所述SOM模型的精度;
步骤S6、将训练过程迭代多个周期,最后选择使所述SOM模型准确率最高的参数;
步骤S7、得到的所述SOM模型加载后可以进行对所述X光检测图片中是否有病疵部分的判别,输入所述轮胎的所述X光检测图片,输出所述X光检测图片是正常图或是病疵图。
2.根据权利要求1所述的基于标准图对比的轮胎X光病疵检测方法,其特征在于,步骤S2中根据图片的不同类型对所述X光检测图片的所述样本集进行标注包括:利用标注工具对所述样本集进行分类,如果有病疵将病疵位置画框并注释,最终将标注信息保存在xml文件中。
3.根据权利要求2所述的基于标准图对比的轮胎X光病疵检测方法,其特征在于,步骤S3对所述X光检测图片进行预处理进一步包括如下步骤:
1)对图像进行锐化处理;2)对原始的大图进行切割,分为较多尺寸合适的小图,小图之间有一定的重叠,将相应的坐标位置进行变换改写之前标注得到的所述xml文件。
4.根据权利要求1所述的基于标准图对比的轮胎X光病疵检测方法,其特征在于,步骤S5基于所述训练集对SOM模型进行训练进一步包括如下步骤:1)基于训练集对所述SOM模型进行训练;
2)训练完后采用K交叉验证调整模型超参数;
3)基于所述测试集测试所述SOM模型的精度;
4)反复迭代1)到3)步骤,将所述SOM模型的参数和测试的精度保存下来;
5)对比所有的模型的精度,选在精度大于85%的模型作为最后的SOM模型;如果没有精度大于85%的模型,则回到步骤S4中进行模型的设计,并且重新训练模型。
5.根据权利要求1所述的基于标准图对比的轮胎X光病疵检测方法,其特征在于,步骤S7进一步包括如下步骤:经过训练后所述X光检测图片被映射到二维平面,在所述二维平面上,给定合适的距离作为判别是正常图还是病疵图的临界距离,所述正常图距离所述标准图的距离近,所述病疵图距离所述标准图的距离远。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310412.8A CN110136102A (zh) | 2019-04-17 | 2019-04-17 | 一种基于标准图比对的轮胎x光病疵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910310412.8A CN110136102A (zh) | 2019-04-17 | 2019-04-17 | 一种基于标准图比对的轮胎x光病疵检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110136102A true CN110136102A (zh) | 2019-08-16 |
Family
ID=67570139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910310412.8A Pending CN110136102A (zh) | 2019-04-17 | 2019-04-17 | 一种基于标准图比对的轮胎x光病疵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110136102A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766075A (zh) * | 2019-10-23 | 2020-02-07 | 上海眼控科技股份有限公司 | 轮胎区域图像比对方法、装置、计算机设备和存储介质 |
CN111639518A (zh) * | 2020-03-06 | 2020-09-08 | 上海卓繁信息技术股份有限公司 | 一种满意度测评方法,装置及存储设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222754A1 (en) * | 2010-03-09 | 2011-09-15 | General Electric Company | Sequential approach for automatic defect recognition |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
-
2019
- 2019-04-17 CN CN201910310412.8A patent/CN110136102A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110222754A1 (en) * | 2010-03-09 | 2011-09-15 | General Electric Company | Sequential approach for automatic defect recognition |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN109523518A (zh) * | 2018-10-24 | 2019-03-26 | 浙江工业大学 | 一种轮胎x光病疵检测方法 |
Non-Patent Citations (1)
Title |
---|
梁斌梅: "《SOM网络的改进及其在储粮害虫分类中的应用》", 《计算机仿真》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766075A (zh) * | 2019-10-23 | 2020-02-07 | 上海眼控科技股份有限公司 | 轮胎区域图像比对方法、装置、计算机设备和存储介质 |
CN111639518A (zh) * | 2020-03-06 | 2020-09-08 | 上海卓繁信息技术股份有限公司 | 一种满意度测评方法,装置及存储设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110136101A (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
US10706332B2 (en) | Analog circuit fault mode classification method | |
CN109117876A (zh) | 一种稠密小目标检测模型构建方法、模型及检测方法 | |
CN106408030B (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN106951825A (zh) | 一种人脸图像质量评估***以及实现方法 | |
CN109300111A (zh) | 一种基于深度学习的染色体识别方法 | |
CN107563280A (zh) | 基于多模型的人脸识别方法和装置 | |
CN107316294A (zh) | 一种基于改进的深度玻尔兹曼机肺结节特征提取和良恶性分类方法 | |
CN110120036A (zh) | 一种多尺度的轮胎x光病疵检测方法 | |
CN110348441A (zh) | 增值税***识别方法、装置、计算机设备及存储介质 | |
CN105046197A (zh) | 基于聚类的多模板行人检测方法 | |
CN115731164A (zh) | 基于改进YOLOv7的绝缘子缺陷检测方法 | |
CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
CN109740676A (zh) | 基于相似目标的物体检测迁移方法 | |
CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
CN109523518A (zh) | 一种轮胎x光病疵检测方法 | |
CN105260734A (zh) | 一种具有自建模功能的商品油表面激光标码识别方法 | |
CN108921057A (zh) | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 | |
CN109934255A (zh) | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 | |
CN109086825A (zh) | 一种基于模型自适应选择的多分类模型融合方法 | |
CN109961093A (zh) | 一种基于众智集成学习的图像分类方法 | |
CN104809469A (zh) | 一种面向服务机器人的室内场景图像分类方法 | |
CN106874913A (zh) | 一种菜品检测方法 | |
CN110263731B (zh) | 一种单步人脸检测*** | |
CN109711433A (zh) | 一种基于元学习的细粒度分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190816 |
|
RJ01 | Rejection of invention patent application after publication |