CN111429431B - 一种基于卷积神经网络的元件定位识别方法 - Google Patents
一种基于卷积神经网络的元件定位识别方法 Download PDFInfo
- Publication number
- CN111429431B CN111429431B CN202010212444.7A CN202010212444A CN111429431B CN 111429431 B CN111429431 B CN 111429431B CN 202010212444 A CN202010212444 A CN 202010212444A CN 111429431 B CN111429431 B CN 111429431B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- frame
- candidate
- candidate frame
- 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
Classifications
-
- 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
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于PCB元件缺陷检测领域,提供了一种基于卷积神经网络的元件定位识别方法,所述方法包括以下步骤:S1:定义PCB元件种类,框选出PCB图像中每一个元件的位置,并标明元件类型,制作成数据样本,并对数据样本进行扩增形成训练样本;S2:利用数据样本构建卷积神经网络模型;S3:利用训练样本对构建完成的卷积神经网络进行训练;S4:利用训练后的卷积神经网络对包含各种电子元件的图像进行分析,对不同种类电子元件所在位置进行定位。通过构建卷积神经网络,经由训练使得其可以对PCB图像中的元件进行识别及位置确认,输入的PCB图像不需要由人工进行元件框选,而是由卷积神经网络进行框选及识别,减少人力物力,提升自动化程度,提高工作效率。
Description
技术领域
本发明属于PCB元件缺陷检测领域,尤其涉及一种基于卷积神经网络的元件定位识别方法。
背景技术
现有技术中,对PCB的元件的缺陷检测通常采用AOI技术进行元件定位,AOI(Automated Optical Inspection)的中文全称是自动光学检测,是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备,当自动检测时,机器通过摄像头自动扫描PCB,采集图像,测试的焊点与数据库中的合格的参数进行比较,经过图像处理,检查出PCB上缺陷,并通过显示器或自动标志把缺陷显示/标示出来,供维修人员修整。
AOI***需要人工对元件进行框选定位,并手动指定元件的类型。人工框选耗时耗力,且需要人工对元件类型进行定义,框选的图像不一定能被***识别,因此用AOI***对PCB图像进行元件检测自动化程度低,影响工作效率。
发明内容
本发明的目的在于提供一种基于卷积神经网络的元件定位识别方法,旨在解决AOI***对PCB图像中元件定位自动化程度低的问题。
本发明是这样实现的,一种基于卷积神经网络的元件定位识别方法,所述方法包括以下步骤:
S1:定义PCB元件种类,框选出PCB图像中每一个元件的位置,并标明元件类型,制作成数据样本,并对数据样本进行扩增形成训练样本;
S2:利用数据样本构建卷积神经网络模型;
S3:利用训练样本对构建完成的卷积神经网络进行训练;
S4:利用训练后的卷积神经网络对包含各种电子元件的图像进行分析,对不同种类电子元件所在位置进行定位。
本发明的进一步技术方案是:所述步骤S1中数据样本包括正样本及负样本,其中PCB图像中被框选的区域为正样本,未被框选的区域为负样本。
本发明的进一步技术方案是:所述步骤S1中对数据样本的扩增方法包括图像翻转、随机剪裁及高斯噪声。
本发明的进一步技术方案是:所述步骤S2包括以下步骤:
S21:建立由20个卷积层组成的主网络结构;
S22:对卷积层的特征层分别用两个不同的3x3卷积核进行卷积,得出一个输出分类用的置信度及一个输出回归用的坐标值。
本发明的进一步技术方案是:所述步骤S22包括以下步骤:
S22A:***设定IoU值的阈值;
S22B:以特征层上的元件的中心点为中心,生成一系列同心的候选框;
S22C:使用3*3的第一卷积核对每一个候选框进行卷积,得出每一个候选框的置信度;
S22D:使用3*3的第二卷积核对每一个候选框进行卷积,得出每一个候选框的坐标值。
本发明的进一步技术方案是:所述步骤S2还包括以下步骤:
S23:将所有候选框添加进候选框列表,按照置信度值进行排序;
S24:计算置信度最高的候选框与其他候选框的IoU值,与所述步骤S22A中设定的IoU阈值进行比较,如果候选框的IoU值大于阈值,则将其从列表中删除并将置信度最高的候选框添加进输出列表;如果候选框的IoU值未大于阈值,则留在候选框列表中;
S25:当候选框列表中无IoU值大于阈值的候选框时,回到步骤S23;
S26:将输出列表的候选框的置信度及坐标值输出。
本发明的进一步技术方案是:所述步骤S3包括以下步骤:
S31:***将所述训练样本输入构建完成的卷积神经网络;
S32:卷积神经网络所述对训练样本卷积计算,更新所述步骤S26中输出列表的候选框的置信度、坐标值及元件类型。
本发明的进一步技术方案是:所述步骤S4包括以下步骤:
S41:将目标PCB图像输入构建完成的卷积神经网络,框选出元件的框选图,并计算出框选图的置信度;
S42:将框选图的置信度与所述步骤S32中的输出列表中的候选框的置信度进行比较,如果有与框选图置信度相同的候选框,则证明目标PCB图像中含有该元件,卷积神经网络便输出其坐标值及元件类型,如果没有与框选图置信度相同或相近的候选框,则证明目标PCB图像没有该元件,卷积神经网络便不输出。
本发明的有益效果是:通过构建卷积神经网络,经由训练使得其可以对PCB图像中的元件进行识别及位置确认,输入的PCB图像不需要由人工进行元件框选,而是由卷积神经网络进行框选及识别,大大减少了人力物力,提升了自动化程度,提高了工作效率。
附图说明
图1是本发明的总流程图;
图2是本发明的步骤S2的流程图;
图3是本发明的步骤S22的流程图;
图4是本发明的步骤S3的流程图;
图5是本发明的步骤S4的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
图1示出了本发明提供的一种基于卷积神经网络的元件定位识别方法,所述方法包括以下步骤:
S1:定义PCB元件种类,框选出PCB图像中每一个元件的位置,并标明元件类型,制作成数据样本,并对数据样本进行扩增形成训练样本;
S2:利用数据样本构建卷积神经网络模型;
S3:利用训练样本对构建完成的卷积神经网络进行训练;
S4:利用训练后的卷积神经网络对包含各种电子元件的图像进行分析,对不同种类电子元件所在位置进行定位。
优先地,所述步骤S1中数据样本包括正样本及负样本,其中PCB图像中被框选的区域为正样本,未被框选的区域为负样本。
优先地,所述步骤S1中对数据样本的扩增方法包括图像翻转、随机剪裁及高斯噪声。
优先地,所述步骤S2包括以下步骤:
S21:建立由20个卷积层组成的主网络结构;
S22:对卷积层的特征层分别用两个不同的3x3卷积核进行卷积,得出一个输出分类用的置信度及一个输出回归用的坐标值。
优先地,所述步骤S22包括以下步骤:
S22A:***设定IoU值的阈值;
S22B:以特征层上的元件的中心点为中心,生成一系列同心的候选框;
S22C:使用3*3的第一卷积核对每一个候选框进行卷积,得出每一个候选框的置信度;
S22D:使用3*3的第二卷积核对每一个候选框进行卷积,得出每一个候选框的坐标值。
优先地,所述步骤S2还包括以下步骤:
S23:将所有候选框添加进候选框列表,按照置信度值进行排序;
S24:计算置信度最高的候选框与其他候选框的IoU值,与所述步骤S22A中设定的IoU阈值进行比较,如果候选框的IoU值大于阈值,则将其从列表中删除并将置信度最高的候选框添加进输出列表;如果候选框的IoU值未大于阈值,则留在候选框列表中;
S25:当候选框列表中无IoU值大于阈值的候选框时,回到步骤S23;
S26:将输出列表的候选框的置信度及坐标值输出。
优先地,所述步骤S3包括以下步骤:
S31:***将所述训练样本输入构建完成的卷积神经网络;
S32:卷积神经网络所述对训练样本卷积计算,更新所述步骤S26中输出列表的候选框的置信度、坐标值及元件类型。
优先地,所述步骤S4包括以下步骤:
S41:将目标PCB图像输入构建完成的卷积神经网络,框选出元件的框选图,并计算出框选图的置信度;
S42:将框选图的置信度与所述步骤S32中的输出列表中的候选框的置信度进行比较,如果有与框选图置信度相同的候选框,则证明目标PCB图像中含有该元件,卷积神经网络便输出其坐标值及元件类型,如果没有与框选图置信度相同或相近的候选框,则证明目标PCB图像没有该元件,卷积神经网络便不输出。
卷积神经网络(Convolutional Neural Networks, CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。卷积神经网络具有表征学习能力,即操作者可以通过大量数据样本对卷积神经网络进行训练,使其可以对图像中的某一具象形成记忆,当用于检测识别时,若图中具象的置信度与神经网络记忆中具象的置信度一致或相近时,便可以大概率识别出图中是否含有该具象。本发明就是利用卷积神经网络这一特性,将其用于PCB图像中元件的识别方面。
本发明先将PCB图像中的元件框选出来,并标明每个元件的类型,制作成数据样本,其中被框选的图像作为正样本,未框选的图像作为负样本,正样本和负样本是参与训练的数据,用于训练得出分类检测模型,其中需要包含各种类型元件的至少1000张PCB图像。再对这些数据样本进行扩增,形成训练样本,扩增方法包括图像翻转、随机剪裁及高斯噪声。
接着将数据样本输入卷积神经网络的主网络,主网络结构包含20个卷积层,对其中5种不同的特征层分别用两个不同的3x3卷积核进行卷积。在卷积操作之前,操作人员需要在主网络中设置IoU阈值,IoU值是交并比,是指候选框与目标框的交叠率,即它们的交集与并集的比值,用于后续筛选候选框;接着神经网络会以元件的中心点为中心,生成一系列同心的候选框。接着用第一卷积核得出这些候选框的置信度,用第二卷积核得出这些候选框的坐标值。
接下来,将这些候选框添加进候选框列表,按照置信度值进行排序,将置信度最高的候选框挑出来,计算与其他候选框的IoU值,并与先前操作人员设置的IoU阈值相比较,如果候选框的IoU值未大于阈值,则留在候选框列表中;若某一候选框大于阈值,则将该候选框删除并将置信度最高的候选框添加进输出列表,此时从候选框列表中重新选出置信度最高的候选框,计算IoU值并与阈值比较。如此重复以上操作,则在最终的输出列表中就会存在该元件置信度高的候选框信息,包括候选框的置信度,坐标值及元件类型。
当卷积神经网络构建完成后,则可以将训练样本导入其中,这些训练样本经过上述的操作后,则会更新最终输出列表中的候选框数据,使得输出列表中的数据信息更加准确,随后识别检测时错误率更低。
在元件识别检测时,将PCB图像输入构建完成的卷积神经网络中,它会自动框选出各个元件的候选框,经过卷积操作后得出置信度,与更新完成的输出列表中的候选框的置信度进行比对,如若有相同或相近的置信度候选框,则卷积神经网络认为该图像中有极大概率含有该元件,便输出该元件的类型及坐标值,如若没有相同或相近的置信度候选框,则不输出。基于此,操作人员将待识别的PCB图像输入卷积神经网络后,最终在图像上便会输出元件的类型及位置,实现了自动定位识别,既节省了人力物力的消耗,又提高了识别的准确率及生产工作的效率,也加快编辑时间。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于卷积神经网络的元件定位识别方法,其特征在于,所述方法包括以下步骤:
S1:定义PCB元件种类,框选出PCB图像中每一个元件的位置,并标明元件类型,制作成数据样本,并对数据样本进行扩增形成训练样本;
S2:利用数据样本构建卷积神经网络模型;
S3:利用训练样本对构建完成的卷积神经网络进行训练;
S4:利用训练后的卷积神经网络对包含各种电子元件的图像进行分析,对不同种类电子元件所在位置进行定位;
所述步骤S2包括以下步骤:
S21:建立由20个卷积层组成的主网络结构;
S22:对卷积层的特征层分别用两个不同的3x3卷积核进行卷积,得出一个输出分类用的置信度及一个输出回归用的坐标值;
所述步骤S22包括以下步骤:
S22A:***设定IoU值的阈值;
S22B:以特征层上的元件的中心点为中心,生成一系列同心的候选框;
S22C:使用3*3的第一卷积核对每一个候选框进行卷积,得出每一个候选框的置信度;
S22D:使用3*3的第二卷积核对每一个候选框进行卷积,得出每一个候选框的坐标值;
所述步骤S2还包括以下步骤:
S23:将所有候选框添加进候选框列表,按照置信度值进行排序;
S24:计算置信度最高的候选框与其他候选框的IoU值,与所述步骤S22A中设定的IoU阈值进行比较,如果候选框的IoU值大于阈值,则将其从列表中删除并将置信度最高的候选框添加进输出列表;如果候选框的IoU值未大于阈值,则留在候选框列表中;
S25:当候选框列表中无IoU值大于阈值的候选框时,回到步骤S23;
S26:将输出列表的候选框的置信度及坐标值输出。
2.根据权利要求1所述的一种基于卷积神经网络的元件定位识别方法,其特征在于,所述步骤S1中数据样本包括正样本及负样本,其中PCB图像中被框选的区域为正样本,未被框选的区域为负样本。
3.根据权利要求2所述的一种基于卷积神经网络的元件定位识别方法,其特征在于,所述步骤S1中对数据样本的扩增方法包括图像翻转、随机剪裁及高斯噪声。
4.根据权利要求1所述的一种基于卷积神经网络的元件定位识别方法,其特征在于,所述步骤S3包括以下步骤:
S31:***将所述训练样本输入构建完成的卷积神经网络;
S32:卷积神经网络对所述训练样本卷积计算,更新所述步骤S26中输出列表的候选框的置信度、坐标值及元件类型。
5.根据权利要求4所述的一种基于卷积神经网络的元件定位识别方法,其特征在于,所述步骤S4包括以下步骤:
S41:将目标PCB图像输入构建完成的卷积神经网络,框选出元件的框选图,并计算出框选图的置信度;
S42:将框选图的置信度与所述步骤S32中的输出列表中的候选框的置信度进行比较,如果有与框选图置信度相同的候选框,则证明目标PCB图像中含有该元件,卷积神经网络便输出其坐标值及元件类型,如果没有与框选图置信度相同或相近的候选框,则证明目标PCB图像没有该元件,卷积神经网络便不输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212444.7A CN111429431B (zh) | 2020-03-24 | 2020-03-24 | 一种基于卷积神经网络的元件定位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010212444.7A CN111429431B (zh) | 2020-03-24 | 2020-03-24 | 一种基于卷积神经网络的元件定位识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429431A CN111429431A (zh) | 2020-07-17 |
CN111429431B true CN111429431B (zh) | 2023-09-19 |
Family
ID=71555435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010212444.7A Active CN111429431B (zh) | 2020-03-24 | 2020-03-24 | 一种基于卷积神经网络的元件定位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429431B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112643618A (zh) * | 2020-12-21 | 2021-04-13 | 东风汽车集团有限公司 | 一种柔性发动机仓储工装的智能调节装置及方法 |
CN113030121B (zh) * | 2021-03-11 | 2024-02-13 | 微讯智造(广州)电子有限公司 | 用于电路板元器件的自动光学检测方法、***、及设备 |
CN113674207B (zh) * | 2021-07-21 | 2023-04-07 | 电子科技大学 | 一种基于图卷积神经网络的pcb元器件自动定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
CN109409517A (zh) * | 2018-09-30 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 物体检测网络的训练方法和装置 |
CN109859207A (zh) * | 2019-03-06 | 2019-06-07 | 华南理工大学 | 一种高密度柔性基板的缺陷检测方法 |
CN110717456A (zh) * | 2019-10-10 | 2020-01-21 | 北京百度网讯科技有限公司 | 对象监控方法和装置、***、电子设备、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889421A (zh) * | 2018-09-07 | 2020-03-17 | 杭州海康威视数字技术股份有限公司 | 目标物检测方法及装置 |
-
2020
- 2020-03-24 CN CN202010212444.7A patent/CN111429431B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN109344753A (zh) * | 2018-09-21 | 2019-02-15 | 福州大学 | 一种基于深度学习的航拍图像输电线路细小金具识别方法 |
CN109409517A (zh) * | 2018-09-30 | 2019-03-01 | 北京字节跳动网络技术有限公司 | 物体检测网络的训练方法和装置 |
CN109859207A (zh) * | 2019-03-06 | 2019-06-07 | 华南理工大学 | 一种高密度柔性基板的缺陷检测方法 |
CN110717456A (zh) * | 2019-10-10 | 2020-01-21 | 北京百度网讯科技有限公司 | 对象监控方法和装置、***、电子设备、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111429431A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533084B (zh) | 一种基于自注意力机制的多尺度目标检测方法 | |
CN111429431B (zh) | 一种基于卷积神经网络的元件定位识别方法 | |
CN109919934B (zh) | 一种基于多源域深度迁移学习的液晶面板缺陷检测方法 | |
CN109683360B (zh) | 液晶面板缺陷检测方法及装置 | |
CN111783772A (zh) | 一种基于RP-ResNet网络的抓取检测方法 | |
CN110717881A (zh) | 晶圆缺陷识别方法、装置、存储介质和终端设备 | |
CN113222913B (zh) | 一种电路板缺陷检测定位方法、装置和存储介质 | |
CN106169080A (zh) | 一种基于图像的燃气指数自动识别方法 | |
CN112365497A (zh) | 基于TridentNet和Cascade-RCNN结构的高速目标检测方法和*** | |
CN113239818B (zh) | 基于分割和图卷积神经网络的表格跨模态信息提取方法 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及*** | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN113012153A (zh) | 一种铝型材瑕疵检测方法 | |
CN112435222A (zh) | 一种电路板检测方法、装置及计算机可读存储介质 | |
CN115294063A (zh) | 电子元件的缺陷检测方法、装置、***、电子设备及介质 | |
CN114429445A (zh) | 一种基于MAIRNet的PCB缺陷检测与识别方法 | |
CN115546586A (zh) | 红外弱小目标的检测方法、装置、计算设备及存储介质 | |
CN114359932B (zh) | 文本检测方法、文本识别方法及装置 | |
CN114092448B (zh) | 一种基于深度学习的插件电解电容混合检测方法 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN113205511B (zh) | 基于深层神经网络的电子元器件批量信息检测方法及*** | |
CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
CN114494441B (zh) | 基于深度学习的葡萄及其采摘点同步识别定位方法、装置 | |
CN110956174A (zh) | 一种器件编号的识别方法 | |
CN113628113B (zh) | 一种图像拼接方法及其相关设备 |
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 |