CN113705382B - 一种用于旅客离机离开航空器的始终时间的自动识别方法 - Google Patents
一种用于旅客离机离开航空器的始终时间的自动识别方法 Download PDFInfo
- Publication number
- CN113705382B CN113705382B CN202110923294.5A CN202110923294A CN113705382B CN 113705382 B CN113705382 B CN 113705382B CN 202110923294 A CN202110923294 A CN 202110923294A CN 113705382 B CN113705382 B CN 113705382B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- passenger
- passengers
- departure
- curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000001595 flow curve Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于旅客离机离开航空器的始终时间的自动识别方法,通过视频分析和深度学习算法,监视旅客离机离开航空器的轨迹热力图,根据该热力图拟合获取旅客离机离开航空器的轨迹曲线,通过统计落在轨迹上的旅客数量获取旅客离机流量峰值曲线,通过分析流量峰值曲线特征,获取旅客离机离开航空器的始终时间节点,并将时间节点上报***。
Description
技术领域
本发明涉及一种自动识别方法,具体涉及一种用于旅客离机离开航空器的始终时间的自动识别方法。
背景技术
现国内机场在旅客登机时,大都有乘务员进行统计旅客登机离开航空器的始终时间节点,这种方式耗时长,依赖于工作人员的工作态度和细心程度,存在巨大安全隐患。
发明内容
本发明所要解决的技术问题是提供了一种用于旅客离机离开航空器的始终时间的自动识别方法;通过视频分析和深度学习算法,通过视频分析和深度学习算法,自动获取旅客登机进入航空器的始终时间,并上报时间节点,确保飞行器作业的规范性及安全性。
本发明用于旅客离机离开航空器的始终时间的自动识别方法是通过以下技术方案来实现的:根据离机旅客离机离开航空器轨迹热力图,拟合旅客离机离开航空器的轨迹曲线,通过统计处在轨迹上的旅客数量获取旅客离机流量峰值曲线,通过分析流量峰值曲线特征,获取旅客离机离开航空器的始终时间节点;
具体步骤如下:
(一)识别停机坪区域上航空器、客梯车和摆渡车;
(二)识别航空器的客舱门的开关状态;
(三)监视客梯车区域旅客离机情况,并生成旅客离机热力图,根据热力图拟合旅客离机离开航空器的轨迹曲线;
(四)统计处在轨迹上的旅客数量并绘制旅客离机流量峰值曲线图;
(五)分析旅客离机流量峰值曲线图获取旅客离机离开航空器的始终时间节点。
作为优选的技术方案,识别停机坪区域上航空器、客梯车和摆渡车,检测方法如下:
标注和制作航空器、客梯车和摆渡车数据,并采用TensorFlow框架搭建RetinaNet模型主干网络选择resnet-50网络;然后清洗和增强数据,调整模型参数,完成模型训练,最后获得一个用于检测和识别航空器、客梯车和摆渡车的RetinaNet模型。
作为优选的技术方案,识别航空器的客舱门的开关状态,识别方法如下:
标注航空器的客舱门为打开状态的数据,并采用TensorFlow框架搭建级联分类器MTCNN;然后清洗和增强数据,调整模型参数,完成模型训练,最后获得一个用于检测航空器的客舱门为打开状态的MTCNN级联分类器。
作为优选的技术方案,监视客梯车区域旅客离机情况,并生成旅客离机热力图,根据热力图拟合旅客离机离开航空器的轨迹曲线;轨迹拟合方法如下:
使用混合高斯模型的背景/前景分割算法,提取并记录离机旅客位置,并记录旅客离机轨迹热力图,当离机旅客离开航空器的数量满足预设条件,则根据热力图的分布拟合获取旅客离机轨迹曲线。
作为优选的技术方案,分析旅客离机流量峰值曲线图获取旅客离机离开航空器的始终时间节点,分析方法如下:
当完成旅客离机轨迹曲线拟合后,根据记录的旅客离机位置信息,绘制旅客开始离机流量峰值曲线,该曲线各点值为10秒钟内的旅客离机数量,取曲线的第一个拐点作为旅客离机开始时间;当流量峰值曲线的值小于预设阈值且持续3分钟时间以上,则认为离机结束,取最后一个拐点作为旅客离机结束时间。
本发明的有益效果是:通过视频分析和深度学习算法,通过视频分析和深度学习算法,自动获取旅客离机离开航空器的始终时间,并上报时间节点,确保飞行器作业的规范性及安全性。
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,下面将对实施例或现有技术描述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为本发明获取旅客离机离开航空器始终时间流程图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
在本发明的描述中,需要理解的是,术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本发明使用的例如“上”、“上方”、“下”、“下方”等表示空间相对位置的术语是出于便于说明的目的来描述如附图中所示的一个单元或特征相对于另一个单元或特征的关系。空间相对位置的术语可以旨在包括设备在使用或工作中除了图中所示方位以外的不同方位。例如,如果将图中的设备翻转,则被描述为位于其他单元或特征“下方”或“之下”的单元将位于其他单元或特征“上方”。因此,示例性术语“下方”可以囊括上方和下方这两种方位。设备可以以其他方式被定向(旋转90度或其他朝向),并相应地解释本文使用的与空间相关的描述语。
在本发明中,除非另有明确的规定和限定,术语“设置”、“套接”、“连接”、“贯穿”、“插接”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示,本发明的一种用于旅客离机离开航空器的始终时间的自动识别方法,根据离机旅客离机离开航空器轨迹热力图,拟合旅客离机离开航空器的轨迹曲线,通过统计处在轨迹上的旅客数量获取旅客离机流量峰值曲线,通过分析流量峰值曲线特征,获取旅客离机离开航空器的始终时间节点;
具体步骤如下:
(二)识别停机坪区域上航空器、客梯车和摆渡车;
(二)识别航空器的客舱门的开关状态;
(三)监视客梯车区域旅客离机情况,并生成旅客离机热力图,根据热力图拟合旅客离机离开航空器的轨迹曲线;
(四)统计处在轨迹上的旅客数量并绘制旅客离机流量峰值曲线图;
(五)分析旅客离机流量峰值曲线图获取旅客离机离开航空器的始终时间节点。
本实施例中,识别停机坪区域上航空器、客梯车和摆渡车,检测方法如下:
标注和制作航空器、客梯车和摆渡车数据,并采用TensorFlow框架搭建RetinaNet模型主干网络选择resnet-50网络;然后清洗和增强数据,调整模型参数,完成模型训练,最后获得一个用于检测和识别航空器、客梯车和摆渡车的RetinaNet模型。
本实施例中,识别航空器的客舱门的开关状态,识别方法如下:
标注航空器的客舱门为打开状态的数据,并采用TensorFlow框架搭建级联分类器MTCNN;然后清洗和增强数据,调整模型参数,完成模型训练,最后获得一个用于检测航空器的客舱门为打开状态的MTCNN级联分类器;
设客机门高度为H1,客梯车宽为W2,高为H2,中心(Cx2,Cy2);则旅客离机离开航空器的监视区域宽W=W2,高H=0.6*H2+H1,中心Cx=Cx2,中心Cy=Cy2-0.2*H2-0.5*H1。
本实施例中,监视客梯车区域旅客离机情况,并生成旅客离机热力图,根据热力图拟合旅客离机离开航空器的轨迹曲线;轨迹拟合方法如下:
使用混合高斯模型的背景/前景分割算法,提取并记录离机旅客位置,并记录旅客离机轨迹热力图,当离机旅客离开航空器的数量满足预设条件,则根据热力图的分布拟合获取旅客离机轨迹曲线。
本实施例中,分析旅客离机流量峰值曲线图获取旅客离机离开航空器的始终时间节点,分析方法如下:
当完成旅客离机轨迹曲线拟合后,根据记录的旅客离机位置信息,绘制旅客开始离机流量峰值曲线,该曲线各点值为10秒钟内的旅客离机数量,取曲线的第一个拐点作为旅客离机开始时间;当流量峰值曲线的值小于预设阈值且持续3分钟时间以上,则认为离机结束,取最后一个拐点作为旅客离机结束时间。
工作过程如下:
(一)当航空器停稳后,检测和识别航空的位置以及检测和判断客梯车是否靠稳航空器;
(二)当客梯车靠稳航空器后,检测航空器客机门位置,根据客机门和客梯车位置、大小生成旅客离机离开航空器的监视区域,生成方法如下:设客机门高度为H1,客梯车宽为W2,高为H2,中心(Cx2,Cy2);则旅客离机离开航空器的监视区域宽W=W2,高H=0.6*H2+H1,中心Cx=Cx2,中心Cy=Cy2-0.2*H2-0.5*H1。
(三)当第一辆摆渡车停稳且航空器客机门打开后,使用混合高斯模型的背景/前景分割算法提取前景(即离机旅客),生成旅客离机离开航空器热力图;
(四)当热力图累计数量大于500或者监视时间大于5分钟,则对热力图进行四次多项式曲线拟合,获取旅客离机离开航空的路径轨迹曲线;
(五)根据旅客离机离开航空的路径轨迹曲线,统计生成在热力图生成期间旅客离机离开航空器的流量峰值曲线,其中峰点值为10秒钟内的旅客离机数量,通过寻找第一个峰值拐点确定旅客开始离机的时间节点,并上报该时间节点;
(六)继续监控旅客离机离开航空器的监视区域,当流量峰值曲线的值小于预设阈值且持续3分钟时间以上,则认为离机结束,取最后一个拐点作为旅客离机结束时间,并上报时间节点。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (4)
1.一种用于旅客离机离开航空器的始终时间的自动识别方法,其特征在于,根据离机旅客离机离开航空器轨迹热力图,拟合旅客离机离开航空器的轨迹曲线,通过统计处在轨迹上的旅客数量获取旅客离机流量峰值曲线,通过分析流量峰值曲线特征,获取旅客离机离开航空器的始终时间节点;
具体步骤如下:
(一)识别停机坪区域上航空器、客梯车和摆渡车;
(二)识别航空器的客舱门的开关状态;
(三)监视客梯车区域旅客离机情况,并生成旅客离机热力图,根据热力图拟合旅客离机离开航空器的轨迹曲线;
(四)统计处在轨迹上的旅客数量并绘制旅客离机流量峰值曲线图;
(五)分析旅客离机流量峰值曲线图获取旅客离机离开航空器的始终时间节点;
所述监视客梯车区域旅客离机情况,并生成旅客离机热力图,根据热力图拟合旅客离机离开航空器的轨迹曲线;轨迹拟合方法如下:
使用混合高斯模型的背景/前景分割算法,提取并记录离机旅客位置,并记录旅客离机轨迹热力图,当离机旅客离开航空器的数量满足预设条件,则根据热力图的分布拟合获取旅客离机轨迹曲线;
根据旅客离机离开航空的路径轨迹曲线,统计生成在热力图生成期间旅客离机离开航空器的流量峰值曲线,其中峰点值为10秒钟内的旅客离机数量,通过寻找第一个峰值拐点确定旅客开始离机的时间节点,并上报该时间节点;
继续监控旅客离机离开航空器的监视区域,当流量峰值曲线的值小于预设阈值且持续3分钟时间以上,则认为离机结束,取最后一个拐点作为旅客离机结束时间,并上报时间节点。
2.根据权利要求1所述的用于旅客离机离开航空器的始终时间的自动识别方法,其特征在于:所述识别停机坪区域上航空器、客梯车和摆渡车,检测方法如下:
标注和制作航空器、客梯车和摆渡车数据,并采用TensorFlow框架搭建RetinaNet模型主干网络选择resnet-50网络;然后清洗和增强数据,调整模型参数,完成模型训练,最后获得一个用于检测和识别航空器、客梯车和摆渡车的RetinaNet模型。
3.根据权利要求1所述的用于旅客离机离开航空器的始终时间的自动识别方法,其特征在于:所述识别航空器的客舱门的开关状态,识别方法如下:
标注航空器的客舱门为打开状态的数据,并采用TensorFlow框架搭建级联分类器MTCNN;然后清洗和增强数据,调整模型参数,完成模型训练,最后获得一个用于检测航空器的客舱门为打开状态的MTCNN级联分类器。
4.根据权利要求1所述的用于旅客离机离开航空器的始终时间的自动识别方法,其特征在于:所述分析旅客离机流量峰值曲线图获取旅客离机离开航空器的始终时间节点,分析方法如下:
当完成旅客离机轨迹曲线拟合后,根据记录的旅客离机位置信息,绘制旅客开始离机流量峰值曲线,该曲线各点值为10秒钟内的旅客离机数量,取曲线的第一个拐点作为旅客离机开始时间;当流量峰值曲线的值小于预设阈值且持续3分钟时间以上,则认为离机结束,取最后一个拐点作为旅客离机结束时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923294.5A CN113705382B (zh) | 2021-08-12 | 2021-08-12 | 一种用于旅客离机离开航空器的始终时间的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923294.5A CN113705382B (zh) | 2021-08-12 | 2021-08-12 | 一种用于旅客离机离开航空器的始终时间的自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113705382A CN113705382A (zh) | 2021-11-26 |
CN113705382B true CN113705382B (zh) | 2024-02-20 |
Family
ID=78652478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110923294.5A Active CN113705382B (zh) | 2021-08-12 | 2021-08-12 | 一种用于旅客离机离开航空器的始终时间的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705382B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897815A (zh) * | 2017-01-17 | 2017-06-27 | 北京万相融通科技股份有限公司 | 一种实时预测车站客流量趋势的方法 |
CN107067951A (zh) * | 2017-03-31 | 2017-08-18 | 广州地理研究所 | 乘客出行热力图构建方法及装置 |
CN108961134A (zh) * | 2018-09-05 | 2018-12-07 | 北京工业大学 | 基于手机信令数据的机场旅客出行od识别方法 |
CN109636995A (zh) * | 2018-12-07 | 2019-04-16 | 中国民航大学 | 一种登机旅客信息关联与实时轨迹跟踪的排序登机方法 |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
WO2020015104A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 风险旅客流量预测方法、装置、计算机设备和存储介质 |
CN111540162A (zh) * | 2020-04-17 | 2020-08-14 | 佛山科学技术学院 | 一种基于树莓派的人流预警*** |
CN111784049A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种旅客流失时间预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9894486B2 (en) * | 2015-06-03 | 2018-02-13 | Rutgers, The State University Of New Jersey | Tracking service queues using single-point signal monitoring |
-
2021
- 2021-08-12 CN CN202110923294.5A patent/CN113705382B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897815A (zh) * | 2017-01-17 | 2017-06-27 | 北京万相融通科技股份有限公司 | 一种实时预测车站客流量趋势的方法 |
CN107067951A (zh) * | 2017-03-31 | 2017-08-18 | 广州地理研究所 | 乘客出行热力图构建方法及装置 |
WO2020015104A1 (zh) * | 2018-07-18 | 2020-01-23 | 平安科技(深圳)有限公司 | 风险旅客流量预测方法、装置、计算机设备和存储介质 |
CN108961134A (zh) * | 2018-09-05 | 2018-12-07 | 北京工业大学 | 基于手机信令数据的机场旅客出行od识别方法 |
CN109636995A (zh) * | 2018-12-07 | 2019-04-16 | 中国民航大学 | 一种登机旅客信息关联与实时轨迹跟踪的排序登机方法 |
CN110119845A (zh) * | 2019-05-11 | 2019-08-13 | 北京京投亿雅捷交通科技有限公司 | 一种轨道交通客流预测的应用方法 |
CN111540162A (zh) * | 2020-04-17 | 2020-08-14 | 佛山科学技术学院 | 一种基于树莓派的人流预警*** |
CN111784049A (zh) * | 2020-06-30 | 2020-10-16 | 中国民航信息网络股份有限公司 | 一种旅客流失时间预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
"Analysis for Large Passenger Flow Area and Monitoring Technology";Li Shengguang;《2015 IEEE 12th Intl Conf on Ubiquitous Intelligence and Computing and 2015 IEEE 12th Intl Conf on Autonomic and Trusted Computing and 2015 IEEE 15th Intl Conf on Scalable Computing and Communications and Its Associated Workshops (UIC-ATC-ScalCom)》;全文 * |
城市轨道交通客流信息智能检测与管控***研究与设计;王爱丽;赵元;王子腾;于士尧;孙喜利;;铁路计算机应用(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113705382A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10223597B2 (en) | Method and system for calculating passenger crowdedness degree | |
CN110610592B (zh) | 一种视频分析和深度学习的机坪安全运行监控方法 | |
CN112686090B (zh) | 一种公交车内异常行为智能监控*** | |
CN110379209B (zh) | 一种航班作业流程节点规范监控报警方法 | |
CN108647630A (zh) | 一种基于视频识别的危险驾驶行为监督方法与装置 | |
US11760605B2 (en) | Elevator door monitoring system, elevator system and elevator door monitoring method | |
CN107416629B (zh) | 电梯安全运行的控制方法和*** | |
KR102477061B1 (ko) | 주차장 내 차량 모니터링 장치 및 방법 | |
CN109671189B (zh) | 一种基于人脸和车辆关联特征的智能出入口*** | |
DE102016224912B4 (de) | Zugangskontrollsystem und Zugangskontrollverfahren | |
CN111353451A (zh) | 电瓶车检测方法、装置、计算机设备及存储介质 | |
CN109919066B (zh) | 一种检测轨道交通车厢内乘客密度异常的方法和装置 | |
CN111429329B (zh) | 一种网约车行为的监控方法及装置 | |
CN113705382B (zh) | 一种用于旅客离机离开航空器的始终时间的自动识别方法 | |
CN110930569B (zh) | 一种安检控制方法和*** | |
CN112784684A (zh) | 智能执勤分析评价方法及其*** | |
CN107416630A (zh) | 电梯非正常关闭的检测方法和*** | |
CN112101253A (zh) | 一种基于视频动作识别的民用机场地面保障状态识别方法 | |
CN109255330A (zh) | 一种基于视频监控的飞机货舱门开启关闭自动检测方法 | |
CN113673398B (zh) | 一种旅客登机进入航空器的始终时间的自动识别方法 | |
CN111776905B (zh) | 一种结合重识别的电瓶车入梯告警方法及*** | |
CN110148061A (zh) | 一种煤矿***的自动控制方法 | |
CN113111701B (zh) | 一种基于智能识别的充电站电动地锁状态监测方法及*** | |
CN110855392A (zh) | 一种智能清客服务***及方法 | |
CN111488817A (zh) | 一种防止不戴安全帽进入变电站装置 |
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 |