CN116008279A - 一种电缆封堵防火泥裂纹检测方法及*** - Google Patents
一种电缆封堵防火泥裂纹检测方法及*** Download PDFInfo
- Publication number
- CN116008279A CN116008279A CN202211581228.5A CN202211581228A CN116008279A CN 116008279 A CN116008279 A CN 116008279A CN 202211581228 A CN202211581228 A CN 202211581228A CN 116008279 A CN116008279 A CN 116008279A
- Authority
- CN
- China
- Prior art keywords
- area
- crack
- mud
- fireproof mud
- detection model
- 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
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种电缆封堵防火泥裂纹检测方法,利用RGB‑D深度相机拍照,获得电力保护柜中防火泥区域的照片,得到防火泥区域目标检测模型和防火泥裂纹检测模型;利用防火泥区域目标检测模型和防火泥裂纹检测模型检测是否含有防火泥区域或疑似裂纹区域,若有疑似裂纹区域则将信息输入给裂纹融合检测模型;根据得到的裂纹融合检测模型,输出裂纹部分检测结构的结果;若没有发现异常,则流程结束;若发现裂纹区域,则上报告警;本发明具有较快的检测识别速度,解决了传统防火泥裂纹检测误检率高无法实用的问题,降低人工巡检分析的依赖以及提高电力保护柜防火泥裂纹检测的准确度和效率。
Description
技术领域
本发明属于电力设备保护领域,具体涉及一种电缆封堵防火泥裂纹检测方法及***。
背景技术
电力保护柜在国家电网建设中具有广泛的应用,其中接地线缆作为保护柜的重要组成部分,对于设备的正常运行起着至关重要的作用。线缆从外部走孔洞进入柜内,孔洞的缝隙需要用防火泥封堵,防火泥可以有效防止外部火源、小动物、灰尘、烟雾等进入柜内,保证电力保护柜的安全。
由于防火泥长期使用后,可能产生裂纹,进而导致脱落,产生安全隐患,需要定期检查裂纹,而电力保护柜接地排线数量较多,人工巡检的方式比较耗时、费力。此外,在设备运行过程中近距离巡视也存在较大安全隐患,通过图像技术可以较好解决这些问题。图像识别技术通常使用传统的图像分析方法,如边缘特征提取、支持向量机分类等,以及基于深度学习神经网络的目标检测,如RCNN系列网络、YOLO系列网络等。该类方法都是利用二维的图像信息进行图像分析,缺少深度信息,误检率较高,无法实用落地。
发明内容
为解决现有技术中存在的不足,本发明提供一种电缆封堵防火泥裂纹检测方法及***,可以嵌入到大型的资源管理平台,对电力保护柜内部的接地线缆防火泥部分进行智能分析,降低人工巡检分析的依赖以及提高电力保护柜防火泥裂纹检测的准确度和效率。
本发明采用如下的技术方案。
一种电缆封堵防火泥裂纹检测方法,包括以下步骤:
步骤S1,RGB-D深度相机进行拍照,获得电力保护柜中防火泥区域的照片,得到防火泥区域目标检测模型和防火泥裂纹检测模型;
步骤S2,检测阶段,输入步骤S1拍摄的现场图片,利用步骤S1提供的防火泥区域目标检测模型和防火泥裂纹检测模型检测是否含有防火泥区域或疑似裂纹区域,若有疑似裂纹区域则将信息输入给裂纹融合检测模型;
步骤S3,根据步骤S2得到的已输入信息的裂纹融合检测模型,输出裂纹部分检测结果;
步骤S4,若没有发现异常,则流程结束;若发现裂纹区域,则上报告警。
进一步的,步骤S1具体包括:
步骤S11,将采集的防火泥区域照片,采用卷积神经网络进行训练,需要训练2个模型,包括防火泥区域检测模型和裂纹检测模型;
步骤S12,利用数据集标注软件,分别标注防火泥区域和防火泥裂纹区域,然后利用数据增强手段扩充制作成2份数据集;
步骤S13,使用YOLO系列的深度学习网络将步骤S12提供的2份数据集载入网络分别进行训练,将COCO大型数据集的模型作为预训练模型,得到防火泥区域检测模型和防火泥裂纹检测模型。
进一步的,步骤S2具体包括:
利用步骤S1提供的防火泥区域目标检测模型检测是否含有防火泥区域,若没有则检测流程结束,若有防火泥区域,则截取防火泥区域的图片,然后利用步骤S1提供的防火泥裂纹检测模型检测是否含有疑似裂纹目标区域,若没有疑似裂纹目标区域,则流程结束;所述输入给裂纹融合检测模型的信息包括彩色图、深度图、防火泥区域信息和裂纹区域信息。
进一步的,步骤S3具体包括:
步骤S31,获得RGB-D相机的深度图;
步骤S32,将RGB图片和深度图按像素进行配对,得到图像的像素坐标系[u,v,d],根据相机参数,推导得到空间点云坐标系[x,y,z],其中u为横坐标,v为纵坐标,d为深度坐标;
步骤S33,根据防火泥区域检测模型检测得到的区域范围,截取得到防火泥区域的局部点云图;
步骤S34,使用聚合层次聚类AHC算法,获得防火泥区域点云图中的各个平面区域,确定防火泥区域中点云图中面积最大的平面为防火泥所在平面,求得其平面法向量定为XOY平面,并将点云图旋转转换到XOY平面,防火泥裂纹检测模型输出的疑似裂纹区域,若不在XOY平面范围,说明不在防火泥平面区域,可以判定为误检并排除,若还有疑似裂纹区域,则进行进一步检验;
步骤S35,将疑似裂纹区域的点云图映射到XOY平面后,得到新的[x,y,z]点云坐标,z为防火泥平面的深度坐标,扫描该区域若出现连续局部深度突变区域,判定该区域含有裂纹。
进一步的,步骤S31具体包括:
对所述深度图进行中值滤波器降噪处理,即:
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,g(x,y)为滤波后的图像,f(x,y)为原深度图像,W为而为中值滤波模版。
进一步的,步骤S32具体包括:
所述空间点云坐标系[x,y,z]的推导过程包括:
z=d/s
x=(u-cx)·z/fx
y=(v-cy)·z/fy
其中,fx、fy指相机在x、y两个轴上的焦距,cx、cy指相机的光圈中心,s指深度图的缩放因子。
进一步的,步骤S35具体包括:
步骤S351,将疑似裂纹区域的XOY平面图[x,y,z]的z轴深度坐标,映射到1~10的范围,代表10个深度的级别,简化后续计算量;
步骤S352,采用Seed-Filling算法,计算该深度图的连通阈;
步骤S353,Ra为深度大于a的连通域面积为占总面积的比例,根据Ra的数值判断该图片是否含有裂纹。
进一步的,步骤S352具体包括:
所述Seed-Filling算法步骤为:
步骤S3521,扫描图像,直到当前像素点B(x,y)==n;
步骤S35211,将B(x,y)作为种子即像素位置,并赋予其一个label,然后将所述种子相邻的所有前景像素都压入栈中;
步骤S35212,弹出栈顶像素,赋予其相同的label,然后再将与该栈顶像素相邻的所有前景像素都压入栈中;
步骤S35213,重复步骤S35212步骤,直到栈为空,得到图像B中的一个连通区域,该区域内的像素值被标记为label;
步骤S3522,重复步骤S3521,直到将n从1~10扫描结束,扫描结束后,得到图像B中所有的连通区域。
进一步的,步骤S353具体包括:
其中,Ra为深度大于a的连通域面积为占疑似裂纹区域面积的比例,Sn为计算深度值为n的连通域面积,S为疑似裂纹区域面积。
一种电缆封堵防火泥裂纹检测***,用于上述一种电缆封堵防火泥裂纹检测方法。
本发明的有益效果在于,与现有技术相比,可以嵌入到大型的资源管理平台,对电力保护柜内部的接地线缆防火泥部分进行智能分析,降低人工巡检分析的依赖以及提高电力保护柜防火泥裂纹检测的准确度和效率;利用RGB-D深度相机采集深度信息,对图像信息和深度信息进行综合建模和分析,大大提高了电缆封堵防火泥裂纹的检测准确率,且具有较快的检测识别速度,解决了传统防火泥裂纹检测误检率高无法实用的问题。
附图说明
图1为本发明提供的一种电缆封堵防火泥裂纹检测方法的目标检测神经网络结构;
图2为本发明提供的一种电缆封堵防火泥裂纹检测方法的裂纹融合检测模型;
图3为本发明提供的一种电缆封堵防火泥裂纹检测方法的整体流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例,都属于本发明的保护范围。
根据图2和3所示,本发明提供的一种电缆封堵防火泥裂纹检测方法,包括以下步骤:
步骤S1,通过人工巡检或其他巡检设备如巡检机器人、固定式摄像头等方式,使用RGB-D深度相机进行拍照,获得电力保护柜中防火泥区域的照片,得到防火泥区域目标检测模型、防火泥裂纹检测模型。
步骤S11,将采集的防火泥区域照片,采用卷积神经网络进行训练,需要训练2个模型:1.防火泥区域检测模型,用于检测并提取防火泥所在区域;2.裂纹检测模型,用于检测裂纹。
步骤S12,利用数据集标注软件,分别标注防火泥区域和防火泥裂纹区域,然后利用数据增强手段如镜像、扭曲、裁剪等方法扩充,制作成2份数据集,训练防火泥区域的样本,分别用来训练防火泥区域检测模型、防火泥裂纹检测模型。
步骤S13,使用YOLO系列的深度学习网络,网络结构如图1所示,将步骤S12提供的2份数据集载入网络分别进行训练,使用COCO大型数据集的模型作为预训练模型,以提升泛化能力,加速模型收敛速度,最后得到防火泥区域目标检测模型、防火泥裂纹检测模型。
步骤S2,检测阶段,输入步骤S1中使用RGB-D深度相机拍摄的现场图片。首先使用步骤S1提供的防火泥区域目标检测模型检测是否含有防火泥区域,若没有则检测流程结束,若有防火泥区域,则截取防火泥区域的图片,使用步骤S1提供的防火泥裂纹检测模型检测,若没有疑似裂纹目标区域,则流程结束,若有疑似裂纹目标区域,则收集彩色图、深度图、防火泥区域信息、裂纹区域信息,作为后续裂纹融合检测模型的输入信息。
步骤S3,根据步骤S2得到已输入信息的裂纹融合检测模型,输出裂纹部分检测结果,步骤S3具体包括:
步骤S31,获得RGB-D相机的深度图。由于使用RGB-D相机采集深度图过程中,会存在空洞等噪声,需要对深度图进行降噪处理,可以采用流行的中值滤波器降噪,以提高结果准确性。中值滤波器定义为:
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,g(x,y)为滤波后的图像,f(x,y)为原深度图像,W为而为中值滤波模版。
步骤S32,将RGB图片和深度图按像素进行配对,得到图像的像素坐标系[u,v,d](u,v为横纵坐标,d为深度坐标),结合根据相机参数,通过矩阵变换,推导得到空间点云坐标系[x,y,z],推导公式如下:
z=d/s
x=(u-cx)·z/fx
y=(v-cy)·z/fy
其中,fx、fy指相机在x、y两个轴上的焦距,cx、cy指相机的光圈中心,s指深度图的缩放因子。
步骤S33,根据防火泥区域检测模型检测得到的区域范围,截取得到防火泥区域的局部点云图。
步骤S34,使用聚合层次聚类AHC算法,获得防火泥区域点云图中的各个平面区域,可以确定防火泥区域中,点云图中面积最大的平面,为防火泥所在平面,求得其平面法向量,定为XOY平面,并将点云图旋转转换到XOY平面。防火泥裂纹检测模型输出的疑似裂纹区域,若不在XOY平面范围,说明不在防火泥平面区域,可以判定为误检并排除。若还有疑似裂纹区域,则进行进一步检验。
步骤S35,将疑似裂纹区域的点云图映射到XOY平面后,得到新的[x,y,z]点云坐标,z即为防火泥平面的深度坐标。扫描该区域,若出现连续局部深度突变区域,则可判定该区域含有裂纹。具体方法为:
步骤S351,将疑似裂纹区域的XOY平面图[x,y,z]的z轴深度坐标,映射到1~10的范围,代表10个深度的级别,简化后续计算量。
步骤S352,采用Seed-Filling算法,计算该深度图的连通阈,算法步骤为:
步骤S3521,扫描图像,直到当前像素点B(x,y)==n;
步骤S35211,将B(x,y)作为种子(像素位置),并赋予其一个label,然后将该种子相邻的所有前景像素都压入栈中;
步骤S35212,弹出栈顶像素,赋予其相同的label,然后再将与该栈顶像素相邻的所有前景像素都压入栈中;
步骤S35213,重复步骤S35212步骤,直到栈为空;
此时,便找到了图像B中的一个连通区域,该区域内的像素值被标记为label;
步骤S3522,重复步骤S3521,,直到将n从1~10扫描结束;
扫描结束后,就可以得到图像B中所有的连通区域;
步骤S353,计算深度值为n的连通域面积Sn,疑似裂纹区域面积为S,深度大于a的连通域面积为占疑似裂纹区域面积的比例为Ra。
经实验,a可设为8,Ra大于阈值0.3,可判定该图片含有裂纹。其含义为,该疑似裂纹区域中,深度级别大于8的区域,占其面积的比例大于0.3。该区域即为连续局部深度突变区域。
步骤S4,若没有发现异常,则流程结束;若发现裂纹区域,则上报告警。
一种电缆封堵防火泥裂纹检测***,用于上述一种电缆封堵防火泥裂纹检测方法。
本发明的有益效果在于,与现有技术相比,可以嵌入到大型的资源管理平台,对电力保护柜内部的接地线缆防火泥部分进行智能分析,降低人工巡检分析的依赖以及提高电力保护柜防火泥裂纹检测的准确度和效率;对图像信息和深度信息进行综合建模和分析,大大提高了电缆封堵防火泥裂纹的检测准确率,且具有较快的检测识别速度,解决了传统防火泥裂纹检测误检率高无法实用的问题。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电缆封堵防火泥裂纹检测方法,其特征在于,包括以下步骤:
步骤S1,RGB-D深度相机进行拍照,获得电力保护柜中防火泥区域的照片,得到防火泥区域目标检测模型和防火泥裂纹检测模型;
步骤S2,检测阶段,输入步骤S1拍摄的现场图片,利用步骤S1提供的防火泥区域目标检测模型和防火泥裂纹检测模型检测是否含有防火泥区域和疑似裂纹区域,若发现疑似裂纹区域则将信息输入给裂纹融合检测模型;
步骤S3,根据步骤S2得到的已输入信息的裂纹融合检测模型,输出裂纹部分检测结果;
步骤S4,若没有发现异常,则流程结束;若发现裂纹区域,则上报告警。
2.根据权利要求1所述的一种电缆封堵防火泥裂纹检测方法,其特征在于,步骤S1具体包括:
步骤S11,将采集的防火泥区域照片,采用卷积神经网络进行训练,需要训练2个模型,包括防火泥区域检测模型和裂纹检测模型;
步骤S12,利用数据集标注软件,分别标注防火泥区域和防火泥裂纹区域,然后利用数据增强手段扩充制作成2份数据集;
步骤S13,使用YOLO系列的深度学习网络将步骤S12提供的2份数据集载入网络分别进行训练,将COCO大型数据集的模型作为预训练模型,得到防火泥区域检测模型和防火泥裂纹检测模型。
3.根据权利要求1所述的一种电缆封堵防火泥裂纹检测方法,其特征在于,步骤S2具体包括:
利用步骤S1提供的防火泥区域目标检测模型检测是否含有防火泥区域,若没有则检测流程结束,若有防火泥区域,则截取防火泥区域的图片,然后利用步骤S1提供的防火泥裂纹检测模型检测是否含有疑似裂纹目标区域,若没有疑似裂纹目标区域,则流程结束;
所述输入给裂纹融合检测模型的信息包括彩色图、深度图、防火泥区域信息和裂纹区域信息。
4.根据权利要求1所述的一种电缆封堵防火泥裂纹检测方法,其特征在于,步骤S3具体包括:
步骤S31,获得RGB-D相机的深度图;
步骤S32,将RGB图片和深度图按像素进行配对,得到图像的像素坐标系[u,v,d],根据相机参数,推导得到空间点云坐标系[x,y,z],其中u为横坐标,v为纵坐标,d为深度坐标;
步骤S33,根据防火泥区域检测模型检测得到的区域范围,截取得到防火泥区域的局部点云图;
步骤S34,使用聚合层次聚类AHC算法,获得防火泥区域点云图中的各个平面区域,确定防火泥区域中点云图中面积最大的平面为防火泥所在平面,求得其平面法向量定为XOY平面,并将点云图旋转转换到XOY平面,防火泥裂纹检测模型输出的疑似裂纹区域,若不在XOY平面范围,说明不在防火泥平面区域,可以判定为误检并排除,若还有疑似裂纹区域,则进行进一步检验;
步骤S35,将疑似裂纹区域的点云图映射到XOY平面后,得到新的[x,y,z]点云坐标,z为防火泥平面的深度坐标,扫描该区域若出现连续局部深度突变区域,判定该区域含有裂纹。
5.根据权利要求4所述的一种电缆封堵防火泥裂纹检测方法,其特征在于,步骤S31具体包括:
对所述深度图进行中值滤波器降噪处理,即:
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
其中,g(x,y)为滤波后的图像,f(x,y)为原深度图像,W为而为中值滤波模版。
6.根据权利要求4所述的一种电缆封堵防火泥裂纹检测方法,其特征在于,步骤S32具体包括:
所述空间点云坐标系[x,y,z]的推导过程包括:
z=d/s
x=(u-cx)·z/fx
y=(v-cy)·z/fy
其中,fx、fy指相机在x、y两个轴上的焦距,cx、cy指相机的光圈中心,s指深度图的缩放因子。
7.根据权利要求4所述的一种电缆封堵防火泥裂纹检测方法,其特征在于,步骤S35具体包括:
步骤S351,将疑似裂纹区域的XOY平面图[x,y,z]的z轴深度坐标,映射到1~10的范围,代表10个深度的级别,简化后续计算量;
步骤S352,采用Seed-Filling算法,计算该深度图的连通阈;
步骤S353,Ra为深度大于a的连通域面积为占总面积的比例,根据Ra的数值判断该图片是否含有裂纹。
8.根据权利要求7所述的一种电缆封堵防火泥裂纹检测方法,其特征在于,步骤S352具体包括:
所述Seed-Filling算法步骤为:
步骤S3521,扫描图像,直到当前像素点B(x,y)==n;
步骤S35211,将B(x,y)作为种子即像素位置,并赋予其一个label,然后将所述种子相邻的所有前景像素都压入栈中;
步骤S35212,弹出栈顶像素,赋予其相同的label,然后再将与该栈顶像素相邻的所有前景像素都压入栈中;
步骤S35213,重复步骤S35212步骤,直到栈为空,得到图像B中的一个连通区域,该区域内的像素值被标记为label;
步骤S3522,重复步骤S3521,直到将n从1~10扫描结束,扫描结束后,得到图像B中所有的连通区域。
10.一种电缆封堵防火泥裂纹检测***,其特征在于:
所述***用于权利要求1-9任一项所述的一种电缆封堵防火泥裂纹检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581228.5A CN116008279A (zh) | 2022-12-09 | 2022-12-09 | 一种电缆封堵防火泥裂纹检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211581228.5A CN116008279A (zh) | 2022-12-09 | 2022-12-09 | 一种电缆封堵防火泥裂纹检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116008279A true CN116008279A (zh) | 2023-04-25 |
Family
ID=86036355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211581228.5A Pending CN116008279A (zh) | 2022-12-09 | 2022-12-09 | 一种电缆封堵防火泥裂纹检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116008279A (zh) |
-
2022
- 2022-12-09 CN CN202211581228.5A patent/CN116008279A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及*** | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN107871315B (zh) | 一种视频图像运动检测方法和装置 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及*** | |
Yang et al. | Superpixel image segmentation-based particle size distribution analysis of fragmented rock | |
CN103425958B (zh) | 一种视频中不动物检测的方法 | |
CN114241522A (zh) | 现场作业安全穿戴识别方法、***、设备及存储介质 | |
CN112561989B (zh) | 一种建造场景下吊装对象的识别方法 | |
CN117593499A (zh) | 一种基于分布式巡检策略的水电站机电设备故障识别方法 | |
CN116008279A (zh) | 一种电缆封堵防火泥裂纹检测方法及*** | |
CN113763474B (zh) | 一种基于场景几何约束的室内单目深度估算方法 | |
CN114638970A (zh) | 一种基于机器学习及边缘检测的电力设施规范性判断*** | |
CN113869122A (zh) | 一种配网工程强化管控方法 | |
CN112270357A (zh) | Vio视觉***及方法 | |
CN114092485A (zh) | 一种基于mask rcnn的堆叠粗骨料图像分割方法及*** | |
Korah et al. | 2D lattice extraction from structured environments | |
CN108510517B (zh) | 一种自适应的视觉背景提取方法及装置 | |
Choi et al. | GAN based deep learning model for detecting damage and displacement of cultural asset | |
CN112465072A (zh) | 一种基于YOLOv4模型的挖掘机图像识别方法 | |
CN111274894A (zh) | 一种基于改进YOLOv3的人员在岗状态检测方法 | |
CN115307731B (zh) | 一种激光投线仪的出射激光线检测方法 |
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 |