CN112465758B - 一种铝基覆铜板质量的诊断方法 - Google Patents
一种铝基覆铜板质量的诊断方法 Download PDFInfo
- Publication number
- CN112465758B CN112465758B CN202011301423.9A CN202011301423A CN112465758B CN 112465758 B CN112465758 B CN 112465758B CN 202011301423 A CN202011301423 A CN 202011301423A CN 112465758 B CN112465758 B CN 112465758B
- Authority
- CN
- China
- Prior art keywords
- quality
- image
- aluminum
- clad plate
- based copper
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06T2207/30136—Metal
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明提供了一种铝基覆铜板质量的诊断方法,其基于铝基覆铜板的导热绝缘胶固化前后表面的高清图像特征,利用深度学习网络,通过持续学习与模型优化,构建了与铝基覆铜板主要质量特征关联的快速质量诊断模型,实现在压合前对铝基覆铜板质量进行快速预测,为进一步工艺优化提供依据。该方法能够在线快速质量诊断,对于提高成品率,降低制造成本具有重要促进作用。
Description
技术领域
本发明涉及封装基板制造技术领域,尤其涉及一种铝基覆铜板质量的诊断方法。
背景技术
铝基覆铜板是LED等功率器件封装电传输和散热的基础材料,可以很好的解决功率器件散热问题。铝基覆铜板一般由铝板、导热绝缘层、铜箔构成,主要制造工艺首先是在铜箔上涂覆导热绝缘胶并在一定温度下进行固化,然后经过高温压合实现铝基板-导热绝缘层-铜箔粘结的铝基覆铜板。
铝基覆铜板制造过程受绝缘胶品质、涂覆均匀性、固化质量以及表面污染等因素影响,最终会体现在产品质量特性中。传统的产品制造后进行质量抽检的方式,一旦发现质量问题,往往意味着批量产品的质量问题,导致较大的成本损失。生产实践表明,涂胶及固化工艺过程质量是影响压合工艺及产品最终质量的主要因素,当前的在线检测手段主要是进行几何量测量,难以有效展现涂胶工艺过程的综合质量特征,且人工检测缺乏准确性、可靠性、连续性和完整性。因此,为了实现铝基覆铜板质量快速、准确的有效监测,铝基覆铜板质量诊断方法的提供是十分必要的。
发明内容
本发明解决的技术问题在于提供一种铝基覆铜板质量的诊断方法,该方法可实现铝基覆铜板质量的快速检测。
有鉴于此,本申请提供了一种铝基覆铜板质量的诊断方法,包括以下步骤:
A)利用图像采集***采集铝基覆铜板生产过程中的图像特征;
B)将所述图像特征输入深度学习网络,得到质量特征预测结果;所述深度学习网络输入端为图像特征和质量特征数据。
优选的,所述深度学习网络构建的过程具体为:
a)构建图像采集***和数据处理***;
b)利用所述图像采集***采集初始铝基覆铜板生产过程中的图像特征,利用质量检测装置获得初始铝基覆铜板生产过程中的质量特征数据;
c)利用所述图像特征和质量特征数据构建深度学习网络,输入端为步骤b)的图像特征和质量特征数据,输出端为归一化的质量特征数据特征。
优选的,所述图像采集***和数据处理***的硬件部分包括:照明单元、图像采集单元、工业镜头、图像采集卡、计算机、伺服电机、PLC控制器、运动控制卡及其他辅助结构;软件部分包括图像处理上位机软件。
优选的,所述照明单元为线阵LED背光光源和控制电源,所述图像采集单元为线阵CCD摄像机和工业镜头。
优选的,所述输入端为部分步骤b)的图像特征和质量特征,其他部分为验证数据。
优选的,步骤2)中所述图像采集***的具体方法为:摄像头位于铝基覆铜板的导热绝缘胶的中间位置,在铜箔涂胶后进入高温仓前采集图像,再分别向两个相反的两个方向旋转45°采集两张图像,在导热绝缘胶出高温仓固化后,再按照上述方法采集图像。
优选的,所述质量特征数据包括导热系数、耐压值和剥离强度。
优选的,所述深度学习网络的第一层采用稀疏自动编码器,第二层、第三层、第四层、第五层均采用通用自动编码器,第六层采用支持向量机。
本申请提供了一种铝基覆铜板质量的诊断方法,其首先建立铝基覆铜板的包括硬件部分和软件部分的图像采集***和数据处理***;再利用上述***采集铝基覆铜板生产过程中的图像特征和质量特征数据,然后根据上述图像特征和质量特征数据构建深度学习网络,最后利用上述深度学习网络检测后续铝基覆铜板生产过程中的图像数据,即可直接输出质量特征预测结果,对不合质量的产品进行报警。由此,本申请利用在线非接触的图像采集和深度学习方法,构建铝基覆铜板质量快速诊断模型,能够将更多工艺过程质量特征包含进产品质量诊断因素中,而且不依赖于人工测量,学习模型完成后可以进行快速在线诊断,尤其是能够在压合工艺前对产品质量进行诊断预测,可以较大程度避免质量缺陷损失,并为进一步工艺优化调整提供基础。
附图说明
图1为本发明铝基覆铜板质量的诊断流程;
图2为本发明图像采集与数据处理***架构。
具体实施方式
为了进一步理解本发明,下面结合实施例对本发明优选实施方案进行描述,但是应当理解,这些描述只是为进一步说明本发明的特征和优点,而不是对本发明权利要求的限制。
鉴于目前铝基覆铜板质量问题造成成本损失以及人工检测缺乏准确性、可靠性、连续性和完善性的技术问题,本申请提供了一种铝基覆铜板质量的诊断方法,该方法利用高清图像获取铝基覆铜板导热绝缘胶层固化前后更为全面的表面特征,基于深度学习方法将这些图像特征与铝基覆铜板最终的质量进行关联,通过大量样本学习,形成了快速质量诊断模型,利用该模型可准确快速诊断不同批次铝基覆铜板的质量。具体的,本发明实施例公开了一种铝基覆铜板质量的诊断方法,包括以下步骤:
A)利用图像采集***采集铝基覆铜板生产过程中的图像特征;
B)将所述图像特征输入深度学习网络,得到质量特征预测结果;所述深度学习网络输入端为图像特征和质量特征数据。
按照上述说明,本发明提供了铝基覆铜板质量的诊断方法,其是数据采集-建模-诊断的流程,但是本申请是基于不确定性的学习模型进行判断,以诊断前一个学习建模的过程。具体的,本申请首先构建图像采集***和数据处理***,其中,所述图像采集***和数据处理***的硬件部分包括:照明单元、图像采集单元、工业镜头、图像采集卡、计算机、伺服电机、PLC控制器、运动控制卡及其他辅助结构;软件部分包括图像处理上位机软件;其中,所述照明单元具体为线阵LED背光光源和控制电源,图像采集单元具体为线阵CCD摄像机。上述硬件部分和软件部分均为本领域技术人员熟知的单元,对此本申请不进行特别的限制。图像采集***与数据处理***的具体工作流程具体为:计算机上位机软件控制照明单元、图像采集单元和运动控制***等协调工作将被测导热绝缘胶图像采集成图像信息,通过图像采集卡将导热绝缘胶图像传送给计算机内存和云端服务器,计算机上位软件完成图像数据预处理、可视化等功能。
本申请然后利用所述图像采集***采集作为建模的数据,即采集初始铝基覆铜板生产过程中的图像特征,并利用质量检测装置获得铝基覆铜板生产过程中的质量特征数据,上述采集图像特征和数据质量特征的过程可按照本领域技术人员熟知的手段进行,为了数据的准确性,图像采集***的具体方法为:摄像头位于铝基覆铜板的导热绝缘胶的中间位置,在铜箔涂胶后进入高温仓前采集图像,再分别向两个相反的两个方向旋转45°采集两张图像,在导热绝缘胶出高温仓固化后,再按照上述方法采集图像。在采集图像特征的同时采集质量特征数据,质量特征数据包括导热系数、耐压值和剥离强度,还可根据实际需要同步采集其他质量特征数据。
按照本发明,在采集上述图像数据以及质量特征数据之后,则根据上述数据构建深度学习网络,所述深度学习网络具体包括第一层、第二层、第三层、第四层、第五层和第六层,其中第一层采用稀疏自动编码器,第二层、第三层、第四层、第五层均采用通用自动编码器,第六层采用支持向量机。所述深度学习网络是本领域技术人员熟知的数据处理、分析***,本申请将其进一步利用以实现对铝基覆铜板过程中的图像数据和质量特征数据进行分析。
本申请最后利用深度学习网络对后续批次铝基覆铜板生产过程中的图像数据进行分析,即得到质量特征预测结果,进一步的,对于偏移质量标准的批次进行预警。
本发明利用在线非接触的图像采集和深度学习方法,构建铝基覆铜板质量快速诊断模型,能够将更多工艺过程质量特征包含进产品质量诊断因素中,而且不依赖与人工测量,学习模型完成后可以进行快速在线诊断,尤其是能够在压合工艺前对产品质量进行诊断预测,可以较大程度避免质量缺陷损失,并为进一步工艺优化调整提供基础。
为了进一步理解本发明,下面结合实施例对本发明提供的铝基覆铜板质量的诊断方法进行详细说明,本发明的保护范围不受以下实施例的限制。
实施例1
如图1所示的铝基覆铜板质量的诊断流程示意图,本实施例提供了铝基覆铜板快速质量诊断方法,包括:
(1)图像采集与数据处理***构建:如图2所示,硬件部分主要包括照明单元(线阵LED背光光源和控制电源)、图像采集单元(线阵CCD摄像机、工业镜头)、图像采集卡、计算机、伺服电机、PLC控制器、运动控制卡、云端服务器等;软件部分包括图像处理上位机软件;***工作流程包括:由计算机上位机软件控制照明单元、图像采集单元和运动控制***等协调工作将被测导热绝缘胶图像采集成图像信息,通过图像采集卡将导热绝缘胶图像传送给计算机内存和云端服务器,计算机上位软件完成图像数据预处理、可视化等功能;
(2)采集导热绝缘胶固化前后图像数据及产品质量特征数据:采用步骤(1)中的图像采集***进行图像采集,同一批次图像采集中摄像头位于导热绝缘胶层中间位置,一是在铜箔涂胶后进入高温仓前采集图像,之后再分别向相反的两个方向旋转45度再采集两张图像;二是在绝缘胶出高温仓固化后,同样的方法采集三张图像;采样的图像分辨率2560x1920,并通过计算机对图像进行滤波和锐化处理;
质量特征数据主要包括导热系数、耐压值、剥离强度;同一批次产品采集样本后用相应设备进行检测;按这种方法共采集300个批次的产品数据;
(3)构建深度学习模型:在云端服务器构建六层深度学习神经网络,第一层采用稀疏自动编码器;第二、三、四、五层采用通用自动编码器,第六层采用支持向量机;210个批次的样本数据作为训练集,90个批次样本数据作为测试集,将图像数据作为输入,质量特征数据作为输出,通过深度学习构建诊断预测模型;
(4)在线质量诊断与预测:利用步骤(1)构建的图像采集与数据处理***,将深度学习模型部署在云服务器上,每一个批次产品按照步骤(2)的方法采集导热绝缘胶图像,并上传至云服务器,利用步骤(3)构建的模型进行质量特征预测,对于偏移质量标准的批次进行预警,由此实现了铝基覆铜板质量的快速诊断。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种铝基覆铜板质量的诊断方法,包括以下步骤:
A)利用图像采集***采集铝基覆铜板生产过程中的图像特征;
B)将所述图像特征输入深度学习网络,得到质量特征预测结果;所述深度学习网络输入端为图像特征和质量特征数据;
所述深度学习网络构建的过程具体为:
a)构建图像采集***和数据处理***;
b)利用所述图像采集***采集初始铝基覆铜板生产过程中的图像特征,利用质量检测装置获得初始铝基覆铜板生产过程中的质量特征数据;
c)利用所述图像特征和质量特征数据构建深度学习网络,输入端为步骤b)的图像特征和质量特征数据,输出端为归一化的质量特征数据特征;
步骤b)中所述利用所述图像采集***采集初始铝基覆铜板生产过程中的图像特征具体方法为:摄像头位于铝基覆铜板的导热绝缘胶的中间位置,在铜箔涂胶后进入高温仓前采集图像,再分别向两个相反的两个方向旋转45°采集两张图像,在导热绝缘胶出高温仓固化后,再按照摄像头向两个相反的两个方向旋转45°的方法采集图像;
所述质量特征数据包括导热系数、耐压值和剥离强度。
2.根据权利要求1所述的诊断方法,其特征在于,所述图像采集***和数据处理***的硬件部分包括:照明单元、图像采集单元、工业镜头、图像采集卡、计算机、伺服电机、PLC控制器、运动控制卡及其他辅助结构;软件部分包括图像处理上位机软件。
3.根据权利要求2所述的诊断方法,其特征在于,所述照明单元为线阵LED背光光源和控制电源,所述图像采集单元为线阵CCD摄像机和工业镜头。
4.根据权利要求1所述的诊断方法,其特征在于,所述输入端为部分步骤b)的图像特征和质量特征,其他部分为验证数据。
5.根据权利要求1所述的诊断方法,其特征在于,所述深度学习网络的第一层采用稀疏自动编码器,第二层、第三层、第四层、第五层均采用通用自动编码器,第六层采用支持向量机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011301423.9A CN112465758B (zh) | 2020-11-19 | 2020-11-19 | 一种铝基覆铜板质量的诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011301423.9A CN112465758B (zh) | 2020-11-19 | 2020-11-19 | 一种铝基覆铜板质量的诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465758A CN112465758A (zh) | 2021-03-09 |
CN112465758B true CN112465758B (zh) | 2023-04-25 |
Family
ID=74836375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011301423.9A Active CN112465758B (zh) | 2020-11-19 | 2020-11-19 | 一种铝基覆铜板质量的诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465758B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测*** |
CN110222681A (zh) * | 2019-05-31 | 2019-09-10 | 华中科技大学 | 一种基于卷积神经网络的铸件缺陷识别方法 |
CN110658202A (zh) * | 2019-09-30 | 2020-01-07 | 贵州航天云网科技有限公司 | 一种基于深度学习的工业元器件外观缺陷检测方法 |
WO2020007096A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN111489326A (zh) * | 2020-01-13 | 2020-08-04 | 杭州电子科技大学 | 基于半监督深度学习的铜箔基板表面缺陷检测方法 |
CN111909600A (zh) * | 2020-08-06 | 2020-11-10 | 广东创辉鑫材科技股份有限公司 | 一种用于金属基板高导热树脂的制造方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109142371A (zh) * | 2018-07-31 | 2019-01-04 | 华南理工大学 | 基于深度学习的高密度柔性基板外观缺陷检测***与方法 |
CN110797096B (zh) * | 2019-10-30 | 2021-04-27 | 合肥通用机械研究院有限公司 | 一种基于深度学习的耐热合金高温力学性能预测方法 |
CN111028210B (zh) * | 2019-11-25 | 2023-07-18 | 北京航天控制仪器研究所 | 一种基于深度神经网络的玻璃管端面缺陷检测方法 |
-
2020
- 2020-11-19 CN CN202011301423.9A patent/CN112465758B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测*** |
WO2020007096A1 (zh) * | 2018-07-02 | 2020-01-09 | 北京百度网讯科技有限公司 | 显示屏质量检测方法、装置、电子设备及存储介质 |
CN110222681A (zh) * | 2019-05-31 | 2019-09-10 | 华中科技大学 | 一种基于卷积神经网络的铸件缺陷识别方法 |
CN110658202A (zh) * | 2019-09-30 | 2020-01-07 | 贵州航天云网科技有限公司 | 一种基于深度学习的工业元器件外观缺陷检测方法 |
CN111489326A (zh) * | 2020-01-13 | 2020-08-04 | 杭州电子科技大学 | 基于半监督深度学习的铜箔基板表面缺陷检测方法 |
CN111909600A (zh) * | 2020-08-06 | 2020-11-10 | 广东创辉鑫材科技股份有限公司 | 一种用于金属基板高导热树脂的制造方法 |
Non-Patent Citations (2)
Title |
---|
A Convolutional Neural Network for Segmentation of Background Texture and Defect on Copper Clad Lamination Surface;Harn Sison et al.;《2018 International Conference on Engineering, Applied Sciences, and Technology (ICEAST)》;20180816;第4页 * |
利用光学方法检测表面粗糙度和表面 缺陷的研究;边栋梁;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20200215(第2期);第B022-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112465758A (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103926554B (zh) | 智能电能表外观标识一致性检测装置及其方法 | |
CN101806586B (zh) | 基于图像匹配的汽车密封条截面轮廓测量装置及测量方法 | |
WO2018103130A1 (zh) | 一种成型产品在线质量检测方法 | |
CN107941283B (zh) | 复合材料热压固化过程的多参数在线监测***以及方法 | |
CN110795874A (zh) | 一种用于柔性电路板制造工艺过程的数字孪生模型 | |
CN113110355B (zh) | 一种数字孪生驱动的工件加工能耗预测及优化方法 | |
CN105160829A (zh) | 基于红外成像测温的电力设备自动巡检与预警方法及*** | |
CN113779769A (zh) | 一种电缆试验数字孪生***及其工作方法 | |
CN106248150A (zh) | 应用于厢式滤板的外贴式光纤光栅传感器、检测***与方法 | |
CN204440490U (zh) | 一种基于压缩感知的轴套类零件表面缺陷在线检测装置 | |
EP3990858A1 (en) | Video extensometer system with reflective back screen | |
CN112465758B (zh) | 一种铝基覆铜板质量的诊断方法 | |
CN116911529A (zh) | 一种基于bim模型的物联网设备管理的方法与*** | |
CN111307480B (zh) | 一种基于嵌入式热管传热管理***、方法及存储介质 | |
CN113344244B (zh) | 一种数字孪生驱动的工件加工能耗预测装置 | |
CN202433316U (zh) | 塑料片材表面缺陷在线检测装置 | |
CN114415575B (zh) | 实时数据驱动的焊接车间三维虚拟监控与智能预警*** | |
CN106770690B (zh) | 一种超声扫描显微镜成像分辨力特性校准装置及校准方法 | |
CN103310617A (zh) | 桥梁施工信息的智能无线采集和勘测*** | |
CN117560846B (zh) | 电池类超厚铜板线路板及其方法 | |
CN112050975A (zh) | 信号处理方法、模块、装置及存储介质 | |
CN218066353U (zh) | 一种型材断面扫描测量装置 | |
CN109540216A (zh) | 一种基于采集器的转辙机检修用显示单元 | |
CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及*** | |
CN203825182U (zh) | 一种智能电能表外观标识一致性检测装置 |
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 |