CN115294143A - 一种用于家具制造的板材平面自动打磨方法 - Google Patents
一种用于家具制造的板材平面自动打磨方法 Download PDFInfo
- Publication number
- CN115294143A CN115294143A CN202211231131.1A CN202211231131A CN115294143A CN 115294143 A CN115294143 A CN 115294143A CN 202211231131 A CN202211231131 A CN 202211231131A CN 115294143 A CN115294143 A CN 115294143A
- Authority
- CN
- China
- Prior art keywords
- plate
- polishing
- sequence
- image
- roughness
- 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.)
- Granted
Links
- 238000005498 polishing Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 14
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000007517 polishing process Methods 0.000 claims abstract description 4
- 239000002023 wood Substances 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 239000013598 vector Substances 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B1/00—Processes of grinding or polishing; Use of auxiliary equipment in connection with such processes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Computational Linguistics (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明涉及数据处理领域,具体涉及一种用于家具制造的板材平面自动打磨方法,其包括先采集打磨过程中的板材的表面图像;之后对采集的不同阶段的打磨的板材表面图像进行特征分析,得到板材该面的打磨粗糙程度;进而根据所述粗糙程度,选取粗糙程度大于第一设定值,则该板材打磨效果差,需要全局打磨;当粗糙程度大于第二设定值且小于第一设定值,则该板材打磨效果中等,需要进行定点打磨;当粗糙程度小于第二设定值,则该板材打磨完成;其中第一设定值大于第二设定值;即本发明的方案能够准确地对用于家具制造板材进行打磨。
Description
技术领域
本发明涉及数据处理领域,具体为一种用于家具制造的板材平面自动打磨方法。
背景技术
随着科技的不断发展,板材在家具上已经是一种十分重要的型材。板材本身是做成标准大小的扁平矩形建筑材料板,在建筑行业中,多用于家具的构建。在实际生产或使用板材组装时,需要对已经成型的板材对其表面进行打磨,以保证在实际使用中的同种板材质量统一。在现有技术下,板材的打磨方式一般为人工打磨和机器打磨,两种打磨方式各有其优缺点,人工打磨费时费力,经济成本高,甚至打磨精度较低,但是可以人为分辨粗糙程度。而机器打磨方式若没有较为精准的粗糙程度分析,那么机器打磨的精度更低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于家具制造的板材平面自动打磨方法,所采用的技术方案具体如下:
本发明提供的一种用于家具制造的板材平面自动打磨方法,包括以下步骤:
步骤1,采集打磨过程中的板材的表面图像;
步骤2,对采集的不同阶段的打磨的板材表面图像进行特征分析,得到板材该面的打磨粗糙程度;
步骤3,根据所述粗糙程度,选取粗糙程度大于第一设定值,则该板材打磨效果差,需要全局打磨;当粗糙程度大于第二设定值且小于第一设定值,则该板材打磨效果中等,需要进行定点打磨;当粗糙程度小于第二设定值,则该板材打磨完成;其中第一设定值大于第二设定值;
步骤2中确定粗糙程度的具体过程为:
(1)采用神经网络模型从打磨的板材表面图像中提取出板材目标图像;
(2)对板材目标图像进行分析,得到粗糙程度;
对板材目标图像进行分析的具体过程为:
获取板材目标图像中木纹生长方向;基于木纹生长方向,得到图像像素点的序列;
将所述序列作为时间序列,并将序列中的相邻两点作差,得到对应的差值序列,确定时间延迟量,并构建相空间,采用G-P算法得到关联维数,将所述关联维数记为粗糙程度。
优选地,所述木纹生长方向的获取过程为:
基于每个边缘像素点类别,确定各边缘像素点类别的长度,并得到长度延伸方向,所述长度延伸方向为木纹生长方向。
优选地,所述图像像素点的序列的获取过程为:
若木纹的生长方向为水平方向,以图像的左上角开始遍历整幅图像,从左上角开始首先遍历第一列,让左上角像素点遍历到右下角像素点,第一列遍历完成后,向右移动一位,对第二列进行遍历,从下往上遍历,得到一个的序列。
优选地,所述神经网络模型为是U-net语义分割网络,该神经网络模型的输入是灰度化后的板材图像,输出是分割后的板材目标图像。
优选地,所述确定时间延迟量的具体过程为:
将序列中相邻两点作差,得到差值序列,在差值序列中计算大津阈值,将大于阈值的认为是木纹灰度与其余灰度之间的差值;得到木纹灰度差值序列,将所述木纹灰度差值序列转换到图像像素点的序列中,并计算出相邻两个被标记的点之间的距离,从所有距离中选择其平均数作为时间延迟量。
本发明的有益效果:
本发明提供了一种新型的判断打磨程度的方法,在现有技术中只判断其打磨完成与否,本发明不仅看整体的打磨程度,并且分析局部的打磨程度,当局部打磨程度较高时,不进行打磨,只对打磨程度低的部分进行打磨。本方案使用G-P算法求解关联维数来分析其打磨程度,为了使更精确的得到其维数信息,本方案根据板材的木头纹理进行分析,选出了其时间延迟量。
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和优点,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的介绍,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它附图。
图1为本发明的一种用于家具制造的板材平面自动打磨方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的方案,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
具体地,本发明提出的一种用于家具制造的板材平面自动打磨方法的实施例,请参阅图1所示,包括以下步骤:
步骤1,采集打磨过程中的板材的表面图像。
本实施例中,将未处理板材周围放置板材翻转装置,调整打磨路径,令打磨机路径完全覆盖板材的一面,打磨机按照路径移动,移动过程中打磨机会在路径上摆动移动,当打磨机随着打磨路径移动一遍后,装置自动使用图像采集装置采集俯视角图像;当判断板材该面被打磨完成后,启动翻转装置对剩余几面进行打磨,直到六面全部打磨完成;当判断板材该面没有打磨完成后,根据该面的粗糙程度选择定向打磨还是随路径打磨,再次打磨后再次采集图像,重复这个过程直到根据图像判断出板材该面打磨完成。
至此,打磨机随着打磨路径移动一次后,采集打磨后的板材的表面图像,之后根据粗糙程度选择是采集该面再次打磨的图像还是另一面打磨后的图像。
步骤2,对采集的不同阶段的打磨的板材表面图像进行特征分析,得到板材该面的打磨粗糙程度。
其中,确定粗糙程度的具体过程为:
(1)采用神经网络模型从打磨的板材表面图像中提取出板材目标图像,排除背景图像;
(2)对板材目标图像进行分析,得到其粗糙程度。
上述步骤(1)中,板材放置完毕后,打磨机随打磨路径打磨一次后,采集得到的图像记为第一次打磨图像,对第一次打磨图像进行灰度化,得到其灰度图像。在本方案中只需要分析板材本身的特征,因此使用神经网络语义分割将板材部分从采集到的图像中分割出来。
本方案使用的是U-net语义分割网络,该网络的输入是灰度化后的板材图像,网络的输出是分割后只剩下板材部分的灰度图像。
神经网络的训练过程为添加更多的纹理信息,经过4次下采样和4次上采样,通常来说就是提取特征并且上下采样,该网络是区域级分割。
该网络使用的交叉熵损失函数。
上述步骤(2)中的粗糙程度的具体获取的具体步骤为:
由于打磨前板材图像表面粗糙,没有规律,混乱程度较高,打磨后有明显的纹理特性。在灰度图中,未打磨的板材灰度分布混乱不均匀,而打磨后的板材灰度分布呈现规律性,各个木头纹理排布在板材上且木头纹理不相交。
因此,首先使用Canny算子检测边缘,对于检测到的边缘像素点,任意选择其中一个边缘像素点,将其与其周围邻域内的边缘像素点分为一类,之后对于新加入该类的像素点使用同样的方式分类,当最新加入的边缘像素点周围邻域内除了已经分为一类的边缘像素点外没有其余的边缘像素点,那么认为已经分完的边缘像素点为一类;之后对图像中所有边缘像素点分类。
对于分类后的边缘像素点,得到每个类的长度,并且得到其长度延伸方向,对于打磨后的板材,每个类的长度延伸方向就是木纹的生长方向,该方向只为图像的数值方向和水平方向,木纹在该方向上是长条,在其垂直方向为小段的宽度。
通过边缘检测确定了木纹生长方向,假设木纹的生长方向为水平方向,图像的大小为,表示图像有N行M列。若木纹的生长方向为水平方向,那么以该图像的左上角开始遍历整幅图像,从左上角开始首先遍历第一列,让左上角像素点遍历到右下角像素点,第一列遍历完成后,向右移动一位,对第二列进行遍历,此时是从下往上遍历,由此就得到了一个的序列。
打磨前后的板材混乱度不同,打磨前混乱度更高,而混乱度可以用关联维数表示,粗糙程度可以用混乱度表示,因而可以用关联维数的维数值表示粗糙程度。
将序列中相邻两点作差,因为打磨后的图像中木纹灰度和其余灰度值不同,两者之间存在灰度梯度值,而在木纹灰度与木纹灰度,其余灰度与其余灰度之间差值较小,由此在差值序列中计算其大津阈值,将大于阈值的认为是木纹灰度与其余灰度之间的差值。将大于阈值的差值在差值序列中得到,转换到灰度序列当中,差值是按照序列顺序相减的,由此将差值位置转换到灰度序列的位置。
之后计算出相邻两个被标记的点之间的距离,从所有距离中选择其平均数作为时间延迟量。因为的取值尽量要使向量不相关,而在打磨后的板材是木纹和其余部分是交替进行的,因此将其宽度作为时间延迟量,之后得到的向量维数都是在不同的部分,因而就保证了向量之间的不相关性。
本实施例中,使用神经网络提取图像中板材部分,根据板材打磨后的纹理信息得到木纹生长方向,之后根据木纹生长方向使用G-P算法计算关联维数表示粗糙程度。
步骤3,根据所述粗糙程度,选取粗糙程度大于第一设定值,则该板材打磨效果差,需要全局打磨;当粗糙程度大于第二设定值且小于第一设定值,则该板材打磨效果中等,需要进行定点打磨;当粗糙程度小于第二设定值,则该板材打磨完成;其中第一设定值大于第二设定值。
本实施例中,当第一次打磨完成后,若经过判断得到粗糙程度较高,但是还存在部分未打磨区域,此时在灰度图中做木纹生长方向的垂线,根据图像的大小,对图像数值方向上遍历得到M个N维向量。
该矩阵就是风格矩阵,该风格矩阵表示的是板材图像中列与列之间的关系。
若该列对应的都是粗糙程度较高的,那么两列相乘得到的值分别与两列向量取模对应的值差距是较小的,基于此可以得到包含未打磨区域的列,一般来说,很多列是相连的,之后对这些列按照顺序排序,将相连的列放在一起。
对于每一部分相连的列,打磨机对于这部分进行定点打磨防止出现过打磨的情况。
对于粗糙程度较高,且存在未打磨区域的图像进行定向打磨,防止过打磨。
本实施例中给定两个阈值,记为,,其中。当时,认为该板材打磨效果不好,还需要全局打磨。当时,认为该板材打磨效果较好,但是还存在打磨不好的部分,对这些部分进行定点打磨。当时,认为该板材打磨完成。在本方案中给定经验值,,。
判断一张板材一面打磨完成后,使用翻转装置翻转,继续打磨另一面,直到六面打磨完成。至此,根据粗糙程度判断之后板材要经过怎样的打磨,并且对其余几面进行打磨。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (5)
1.一种用于家具制造的板材平面自动打磨方法,其特征在于,包括以下步骤:
步骤1,采集打磨过程中的板材的表面图像;
步骤2,对采集的不同阶段的打磨的板材表面图像进行特征分析,得到板材该面的打磨粗糙程度;
步骤3,根据所述粗糙程度,选取粗糙程度大于第一设定值,则该板材打磨效果差,需要全局打磨;当粗糙程度大于第二设定值且小于第一设定值,则该板材打磨效果中等,需要进行定点打磨;当粗糙程度小于第二设定值,则该板材打磨完成;其中第一设定值大于第二设定值;
步骤2中确定粗糙程度的具体过程为:
(1)采用神经网络模型从打磨的板材表面图像中提取出板材目标图像;
(2)对板材目标图像进行分析,得到粗糙程度;
对板材目标图像进行分析的具体过程为:
获取板材目标图像中木纹生长方向;基于木纹生长方向,得到图像像素点的序列;
将所述序列作为时间序列,并将序列中的相邻两点作差,得到对应的差值序列,确定时间延迟量,并构建相空间,采用G-P算法得到关联维数,将所述关联维数记为粗糙程度。
4.根据权利要求1所述的一种用于家具制造的板材平面自动打磨方法,其特征在于,所述神经网络模型为是U-net语义分割网络,该神经网络模型的输入是灰度化后的板材图像,输出是分割后的板材目标图像。
5.根据权利要求1所述的一种用于家具制造的板材平面自动打磨方法,其特征在于,所述确定时间延迟量的具体过程为:
将序列中相邻两点作差,得到差值序列,在差值序列中计算大津阈值,将大于阈值的认为是木纹灰度与其余灰度之间的差值;得到木纹灰度差值序列,将所述木纹灰度差值序列转换到图像像素点的序列中,并计算出相邻两个被标记的点之间的距离,从所有距离中选择其平均数作为时间延迟量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231131.1A CN115294143B (zh) | 2022-10-10 | 2022-10-10 | 一种用于家具制造的板材平面自动打磨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211231131.1A CN115294143B (zh) | 2022-10-10 | 2022-10-10 | 一种用于家具制造的板材平面自动打磨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115294143A true CN115294143A (zh) | 2022-11-04 |
CN115294143B CN115294143B (zh) | 2022-12-30 |
Family
ID=83819361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211231131.1A Active CN115294143B (zh) | 2022-10-10 | 2022-10-10 | 一种用于家具制造的板材平面自动打磨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115294143B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116141178A (zh) * | 2023-04-17 | 2023-05-23 | 杭州鄂达精密机电科技有限公司 | 一种半导体阀门的加工***及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697476A (zh) * | 2015-03-19 | 2015-06-10 | 北京时代之峰科技有限公司 | 粗糙度光切轮廓曲线的自动检测方法及装置 |
CN111487046A (zh) * | 2020-02-27 | 2020-08-04 | 广西电网有限责任公司电力科学研究院 | 一种断路器声纹及振动熵特征融合的故障诊断方法 |
CN111881929A (zh) * | 2020-06-09 | 2020-11-03 | 长江大学 | 基于混沌图像像素识别的Duffing***大周期状态检测方法及装置 |
CN115100211A (zh) * | 2022-08-29 | 2022-09-23 | 南通电博士自动化设备有限公司 | 一种机器人金属板材表面打磨速度智能调控方法 |
-
2022
- 2022-10-10 CN CN202211231131.1A patent/CN115294143B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104697476A (zh) * | 2015-03-19 | 2015-06-10 | 北京时代之峰科技有限公司 | 粗糙度光切轮廓曲线的自动检测方法及装置 |
CN111487046A (zh) * | 2020-02-27 | 2020-08-04 | 广西电网有限责任公司电力科学研究院 | 一种断路器声纹及振动熵特征融合的故障诊断方法 |
CN111881929A (zh) * | 2020-06-09 | 2020-11-03 | 长江大学 | 基于混沌图像像素识别的Duffing***大周期状态检测方法及装置 |
CN115100211A (zh) * | 2022-08-29 | 2022-09-23 | 南通电博士自动化设备有限公司 | 一种机器人金属板材表面打磨速度智能调控方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116141178A (zh) * | 2023-04-17 | 2023-05-23 | 杭州鄂达精密机电科技有限公司 | 一种半导体阀门的加工***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115294143B (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294158A (zh) | 一种基于机器视觉的热连轧带钢图像分割方法 | |
CN115330783A (zh) | 一种钢丝绳缺陷检测方法 | |
CN116664559B (zh) | 基于机器视觉的内存条损伤快速检测方法 | |
CN116452598B (zh) | 基于计算机视觉的车桥生产质量快速检测方法及*** | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN115294143B (zh) | 一种用于家具制造的板材平面自动打磨方法 | |
CN114910480B (zh) | 一种基于机器视觉的晶圆表面缺陷检测方法 | |
CN104463199A (zh) | 基于多特征及分割再校正的矿岩块度分类方法 | |
CN116645367A (zh) | 一种高端制造用的钢板切割质量检测方法 | |
CN104778458B (zh) | 一种基于纹理特征的纺织品花纹检索方法 | |
CN115272319B (zh) | 一种矿石粒度检测方法 | |
CN116091455A (zh) | 基于机器视觉的钢网表面缺陷判定方法 | |
CN103871062A (zh) | 一种基于超像素描述的月面岩石检测方法 | |
CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN114139618A (zh) | 基于改进密度峰值聚类的信号依赖噪声参数估计方法 | |
CN118071756A (zh) | 一种基于钻石的图像数据处理方法 | |
CN115825410A (zh) | 基于路面构造预估轮胎路面作用噪声水平的方法 | |
CN115049649A (zh) | 基于锈蚀程度的钢筋打磨除锈控制方法 | |
CN113506246A (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN107220946B (zh) | 一种岩石运输带上不良块度图像的实时剔除方法 | |
CN117934452B (zh) | 基于人工智能的蒸压混凝土板材质量快速检测方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN115861313A (zh) | 一种用于磨头的磨损检测方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络*** | |
CN104268550A (zh) | 特征提取方法及装置 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A method for automatic polishing of flat surfaces in furniture manufacturing Granted publication date: 20221230 Pledgee: Nantong Branch of Bank of Nanjing Co.,Ltd. Pledgor: Nanometer Furniture (Nantong) Co.,Ltd. Registration number: Y2024980022666 |
|
PE01 | Entry into force of the registration of the contract for pledge of patent right |