本发明公开了一种基于计算机视觉的缺失路障检测方法，包括以下步骤：在预设区域边缘摆放若干个路障，并安装闭路电视对路障情况进行监控，产生监控视频流；通过所述监控视频流，使用计算机视觉检测方法实时检测路障摆放情况和建筑工人情况；所述基于视觉的缺失检测方法包括掩模比较法和缺失目标检测方法；将路障缺失的区域边缘标记为危险区域；在危险区域发现建筑工人时，进行危险提示。本发明通过先进的深度学习方法检测路障缺失情况，有效防止高处坠落事故的发生，广泛应用于各建筑施工领域，并为相关技术人员提供新的研究方向。

　　(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114170564 A (43)申请公布日 2022.03.11 (21)申请号 9.3 (22)申请日 2021.11.09 (71)申请人 广州大学 地址 510006 广东省广州市大学城外环西 路230号 (72)发明人 蔡长青刘爽 (74)专利代理机构 广州嘉权专利商标事务所有 限公司 44205 代理人 余凯欢 (51)Int.Cl. G06V 20/52 (2022.01) G06V 20/40 (2022.01) G06V 10/82 (2022.01) G06N 3/04 (2006.01) G06N 3/08 (2006.01) 权利要求书2页 说明书7页 附图4页 (54)发明名称 一种基于计算机视觉的缺失路障检测方法、 装置和存储介质 (57)摘要 本发明公开了一种基于计算机视觉的缺失 路障检测方法，包括以下步骤：在预设区域边缘 摆放若干个路障，并安装闭路电视对路障情况进 行监控，产生监控视频流；通过所述监控视频流， 使用计算机视觉检测方法实时检测路障摆放情 况和建筑工人情况；所述基于视觉的缺失检测方 法包括掩模比较法和缺失目标检测方法；将路障 缺失的区域边缘标记为危险区域；在危险区域发 现建筑工人时，进行危险提示。本发明通过先进 的深度学习方法检测路障缺失情况，有效防止高 处坠落事故的发生，广泛应用于各建筑施工领 A 域，并为相关技术人员提供新的研究方向。 4 6 5 0 7 1 4 1 1 N C CN 114170564 A 权利要求书 1/2页 1.一种基于计算机视觉的缺失路障检测方法，其特征在于，包括以下步骤： 对建筑区域边缘进行监控，产生监控视频流，所述区域边缘摆放了若干个路障； 通过所述监控视频流，使用计算机视觉检测方法实时检测路障摆放情况和建筑工人情 况；所述基于视觉的缺失检测方法包括掩模比较法和缺失目标检测方法； 将路障缺失的区域边缘标记为危险区域； 在危险区域发现建筑工人时，进行危险提示。 2.根据权利要求1所述的一种基于计算机视觉的缺失路障检测方法，其特征在于，所述 掩模比较法，包括以下步骤： 使用对象分割神经算法分割所述监控视频流中的路障，所述对象分割神经算法包括U‑ Net； 取分割得到的第一帧，使用掩模手工标记图像上的路障； 在图像上建立直角坐标系，并建立每个路障掩膜的坐标(x ，y ，x ，y )； max max min min 建立时间索引m，根据时间帧对监控视频流进行标记，每个标记对应一帧，t时刻的视频 帧记作m ； t 使用t+1时刻的路障掩模与t时刻的路障掩模相减。 3.根据权利要求2所述的一种基于计算机视觉的缺失路障检测方法，其特征在于，如果 出现路障掩模缺失的情况，执行以下步骤： 将前一时刻m 中的路障掩模减去当前时刻m 处的路障掩模，得到缺失的路障掩模，m t t+1 l ＝m‑m ； t t+1 使用指数平滑函数将前一时刻路障掩模更新为m ＝0.9*m+0.1*m ； t t t+1 找到缺失路障掩码的坐标 ml作为缺失路障 的边界框。 4.根据权利要求1所述的一种基于计算机视觉的缺失路障检测方法，其特征在于，所述 缺失目标检测方法，包括以下步骤： 将所述监控视频流逐帧分割；得到若干张监控图像； 取第一张监控图像中路障的四个角作为关键点标记； 在监控图像上建立直角坐标系，并建立路障中每个关键点的坐标信息； 将监控图像输入完全卷积网络生成热点图，所述完全卷积网络包括CenterNet网络； 通过所述热点图获取路障的中心点、路障边界框的高度和宽度以及关键点到中心点的 偏移值；其中，中心点对应热图中的峰值、边界框的高度和宽度对应峰值处的图像特征、偏 移值通过损失函数计算； 通过所述中心点、边界框的高度和宽度、偏移值在每一张监控图像上进行标记，得到每 一张监控图像对应的特征图； 通过所述特征图进一步判断路障缺失情况。 5.根据权利要求4所述的一种基于计算机视觉的缺失路障检测方法，其特征在于，所述 CenterNet网络，通过如下三种类型的损失训练得到： 焦点损失Lk： 2 2 CN 114170564 A 权利要求书 2/2页 其中，Y 是高斯核生成的关键点，Y ＝1表示高斯核生成的关键点在实际关键点位 xyc xyc 置，表示CenterNet目标检测模型输出的对关键点的预测值，α和β是损失函数的超参数，x、y 和c分别代表关键点的x坐标、关键点的y坐标和关键点的类别，N是图像中的关键点数量； 中心偏移损失Loff： 其中，p为原图目标中心点坐标，R为原图与特征图的缩放比例，为特征图上预测的中 心点坐标， 为网络预测的目标中心点坐标偏移； 边界框大小损失Lsize: 其中，k表示图像中第k个目标，pk表示第k个目标的中心点坐标， 表示预测的目标尺 寸，S表示目标的尺寸； k 总损失函数：L＝L +λL +λL 。 k 1 size 2 off 6.根据权利要求1所述的一种基于计算机视觉的缺失路障检测方法，其特征在于，所述 在危险区域发现建筑工人时，进行危险提示，具体包括： 使用广播提示建筑工人； 将危险信息发送给现场管理人员，提示管理人员采取进一步行动。 7.根据权利要求4所述的一种基于计算机视觉的缺失路障检测方法，其特征在于，还包 括以下步骤： 收集进入危险区域的建筑工人数据，并进行统计； 向管理人员提示相关安全干预措施的有效性。 8.一种计算机装置，其特征在于，包括处理器以及存储器； 所述存储器用于存储程序； 所述处理器执行所述程序实现如权利要求1‑7中任一项所述的方法。 9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理 器执行实现如权利要求1‑7中任一项所述的方法。 3 3 CN 114170564 A 说明书 1/7页 一种基于计算机视觉的缺失路障检测方法、装置和存储介质 技术领域 [0001] 本发明涉及计算机图像检测领域，尤其是一种基于计算机视觉的缺失路障检测方 法、装置和存储介质。 背景技术 [0002] 根据建筑施工安全法规的要求，所有位于高处的开放平台须在平台边缘摆放路 障，以防止高处坠落的发生。但在实际施工中，有些时候需要拆除路障才可进行施工，如安 装预制墙时。在这些紧急情况下，需要提醒现场主管，以确保工人在移除路障之前已穿戴坠 落防护系统，亦需要对开放边缘作实时检测。检测缺失路障的常用方法(例如，现场手动检 查或三维模型检查)具有实用性较差的弊端，存在一些无法克服的缺点：(1)这些方法消耗 大量人力资源和时间；(2)高处坠落危害是动态的，会随着施工工作的进展而变化。 发明内容 [0003] 有鉴于此，本发明采用先进的深度学习技术，提供一种基于计算机视觉的缺失路 障检测方法、装置和存储介质。 [0004] 本发明的第一方面提供了一种基于计算机视觉的缺失路障检测方法，包括以下步 骤： [0005] 对建筑区域边缘进行监控，产生监控视频流，所述区域边缘摆放了若干个路障； [0006] 通过所述监控视频流，使用计算机视觉检测方法实时检测路障摆放情况和建筑工 人情况；所述基于视觉的缺失检测方法包括掩模比较法和缺失目标检测方法； [0007] 将路障缺失的区域边缘标记为危险区域； [0008] 在危险区域发现建筑工人时，进行危险提示。 [0009] 进一步地，所述掩模比较法，包括以下步骤： [0010] 使用对象分割神经算法分割所述监控视频流中的路障，所述对象分割神经算法包 括U‑Net； [0011] 取分割得到的第一帧，使用掩模手工标记图像上的路障； [0012] 在图像上建立直角坐标系，并建立每个路障掩膜的坐标(x ，y ，x ，y )； max max min min [0013] 建立时间索引m，根据时间帧对监控视频流进行标记，每个标记对应一帧，t时刻的 视频帧记作m ； t [0014] 使用t+1时刻的路障掩模与t时刻的路障掩模相减。 [0015] 进一步地，如果出现路障掩模缺失的情况，执行以下步骤： [0016] 将前一时刻m 中的路障掩模减去当前时刻m 处的路障掩模，得到缺失的路障掩 t t+1 模，m ＝m‑m ； l t t+1 [0017] 使用指数平滑函数将前一时刻路障掩模更新为m ＝0.9*m+0.1*m ； t t t+1 [0018] 找到缺失路障掩码的坐标 ml作为缺失 路障的边界框。 4 4 CN 114170564 A 说明书 2/7页 [0019] 进一步地，所述缺失目标检测方法，包括以下步骤： [0020] 将所述监控视频流逐帧分割；得到若干张监控图像； [0021] 取第一张监控图像中路障的四个角作为关键点标记； [0022] 在监控图像上建立直角坐标系，并建立路障中每个关键点的坐标信息； [0023] 将监控图像输入完全卷积网络生成热点图，所述完全卷积网络包括CenterNet网 络； [0024] 通过所述热点图获取路障的中心点、路障边界框的高度和宽度以及关键点到中心 点的偏移值；其中，中心点对应热图中的峰值、边界框的高度和宽度对应峰值处的图像特 征、偏移值通过损失函数计算； [0025] 通过所述中心点、边界框的高度和宽度、偏移值在每一张监控图像上进行标记，得 到每一张监控图像对应的特征图； [0026] 通过所述特征图进一步判断路障缺失情况。 [0027] 进一步地，所述CenterNet网络，通过如下三种类型的损失训练得到： [0028] 焦点损失Lk： [0029] [0030] 其中，Y 是高斯核生成的关键点，Y ＝1表示高斯核生成的关键点在实际关键点 xyc xyc 位置，表示CenterNet目标检测模型输出的对关键点的预测值，α和β是损失函数的超参数， x、y和c分别代表关键点的x坐标、关键点的y坐标和关键点的类别，N是图像中的关键点数 量； [0031] 中心偏移损失Loff： [0032] [0033] 其中，p为原图目标中心点坐标，R为原图与特征图的缩放比例，为特征图上预测 的中心点坐标， 为网络预测的目标中心点坐标偏移； [0034] 边界框大小损失Lsize: [0035] [0036] 其中，k表示图像中第k个目标，pk表示第k个目标的中心点坐标， 表示预测的目 标尺寸，S表示目标的尺寸； k [0037] 总损失函数：L＝L +λL +λL 。 k 1 size 2 off [0038] 进一步地，所述在危险区域发现建筑工人时，进行危险提示，具体包括： [0039] 使用广播提示建筑工人； [0040] 将危险信息发送给现场管理人员，提示管理人员采取进一步行动。 [0041] 进一步地，还包括以下步骤： 5 5 CN 114170564 A 说明书 3/7页 [0042] 收集进入危险区域的建筑工人数据，并进行统计； [0043] 向管理人员提示相关安全干预措施的有效性。 [0044] 本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或 计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的 处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该 计算机设备执行前面的方法。 [0045] 本发明的实施例具有以下有益效果：通过基于计算机视觉的缺失路障检测方法， 借助掩模比较法和缺失目标检测方法，可以实现有效、准确地防止高处坠落事故的发生，并 向相关技术人员提供新的研究方向，同时还可记录监控数据，帮助管理者进行后续评估。 附图说明 [0046] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使 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申请的一些实施例，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。 [0047] 图1表示一种基于计算机视觉的缺失路障检测方法的总流程图； [0048] 图2表示计算机视觉检测方法中掩模比较法的流程图； [0049] 图3表示计算机视觉检测方法中掩模比较法的效果图； [0050] 图4表示计算机视觉检测方法中缺失目标检测方法的流程图。 具体实施方式 [0051] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对 本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并 不用于限定本申请。 [0052] 本实施例描述了一种基于计算机视觉的缺失路障检测方法的总体流程，如图1所 示，包括以下步骤： [0053] 在预设区域边缘摆放若干个路障，并安装闭路电视对路障情况进行监控，产生监 控视频流； [0054] 通过监控视频流，使用计算机视觉检测方法实时检测路障摆放情况和建筑工人情 况； [0055] 将路障缺失的区域边缘标记为危险区域； [0056] 在危险区域发现建筑工人时，进行危险提示。 [0057] 本实施例的具体应用流程为：在塔式起重机上安装监控摄像头，将摄像头采集的 实时视频流送入基于视觉的缺失检测模块中，一旦路障从开放区域边缘移除，缺失检测模 块能够及时检测到路障缺失的情况，有建筑工人进入开放区域边缘的危险区域时，及时作 出提醒。 [0058] 其中，基于视觉的缺失检测方法包括掩模比较法(Masks Comparison Approach， MCA)和缺失目标检测方法(Missing Object Detection Approach，MODA)；这两种方法都可 以帮助现场管理人员迅速采取行动，降低高处坠落事故的风险，其具体流程将在后文介绍。 6 6 CN 114170564 A 说明书 4/7页 [0059] 本实施例介绍了MCA方法的工作流程，如图2所示，MCA的基本概念是使用过去帧中 存在的路障作为参考，以识别当前帧中缺失的路障。更具体地说，在训练阶段，使用训练图 像数据集构建路障分割模型，该数据集由带注释路障掩模的图像组成。掩模用于指示每个 像素位置是否为路障的一部分。在训练阶段，首先应用训练好的路障分割模型检测每一帧 中路障的存在并生成出事的路障模板。然后，比较连续帧之间的路障掩模，以确定是否存在 丢失的路障。为确保参考路障掩模的持续关联性，需要随着施工工作的进展进行更新。参考 掩模的更新使用“指数平滑函数”实现。在执行此操作时，使用指数平滑来更新以前的掩模。 在施工周期的开始时安装路障后，可使用MCA方法通过比较连续时间戳t和t+1处的掩模来 检测缺失路障。其具体应用效果如图3所示。 [0060] 步骤1：使用包括U‑Net在内的对象分割神经算法分割所述监控视频流中的路障； [0061] 步骤2：取分割得到的第一帧，使用掩模手工标记图像上的路障； [0062] 步骤3：在图像上建立直角坐标系，并建立每个路障掩膜的坐标(x ，y ，x ， max max min y )； min [0063] 步骤4：建立时间索引m，根据时间帧对监控视频流进行标记，每个标记对应一帧，t 时刻的视频帧记作m ； t [0064] 步骤5：使用t+1时刻的路障掩模与t时刻的路障掩模相减； [0065] 步骤6：将前一时刻m 中的路障掩模减去当前时刻m 处的路障掩模，得到缺失的 t t+1 路障掩模，m ＝m‑m 。 l t t+1 [0066] 步骤7：使用指数平滑函数将前一时刻路障掩模更新为m ＝0.9*m+0.1*m 。 t t t+1 [0067] 步骤8：找到缺失路障掩码的坐标 m 作 l 为缺失路障的边界框。 [0068] 对视频流中的其余帧，重复上述步骤。 [0069] 关于U‑Net：U‑Net是最流行的对象分割方法之一，它可以通过较少的对象分割训 练图像获得更准确的结果。因此，本实施例使用U‑Net来分割视频流中的路障。U‑Net是一种 端到端的完全卷积网络，它包含两个关键部分。第一部分是在接收到输入图像时使用最大 池化操作符的下采样策略，称为编码器或收缩路径。第二部分是由具有上采样算子的第一 部分产生的特征映射的非对称扩展，称为解码器或扩展路径。使用Adam优化器以0.001的学 习率，使用分辨率为320像素、宽度为576像素、100个epoch、每个epoch200步的图像数据集 对模型进行训练。 [0070] 本实施例介绍了MODA方法的工作流程： [0071] 在实际操作中，MCA方法会由于摄像机因起重机过度晃动而产生假阳性检测，由于 标记成本的原因也很难通过增加注释数据集的大小提高MCA模型的准确性，由此在MCA的基 础上，本实施例开发出MODA方法，不需要初始标记路障掩码，而是将“缺失路障”作为一种对 象,从而利用深度学习方法对其进行检测，具体工作流程如图4所示，通过识别缺失路障区 域的四个角来检测每一帧中的“缺失对象”。 [0072] 本实施例使用了一种关键点检测方法CenterNet来检测建筑物施工层面上缺失的 路障。CenterNet是一种无锚和基于关键点的检测模型，在MS COCO数据库上测试时，其性能 优于当前最先进的对象检测方法。首先将对象检测为中心点，然后回归对象边界框相对于 中心点的高度和宽度。中心点用于预测其他对象特性，例如对象高度和宽度。该模型将输入 7 7 CN 114170564 A 说明书 5/7页 图像馈送到一个完全卷积的网络，该网络生成一个热图，该热图进一步用于获得三个输出。 首先，此热图中的峰值用作预测对象中心。其次，在每个峰值处获得的图像特征用于预测对 象边界框的高度和宽度。第三，预测偏移值以细化由于模型中的向下采样过程而产生的预 测中心位置。在本研究中，使用深层聚合‑34(DLA‑34)作为全卷积网络的骨干网络来生成热 图。要提取每个热图的峰值，将检测值高于或等于其8个相邻连接的响应，并保留前100个峰 值。MODA方法具体可总结为如下流程： [0073] S1:将所述监控视频流逐帧分割；得到若干张监控图像； [0074] S2:取第一张监控图像中路障的四个角作为关键点标记； [0075] S3:在监控图像上建立直角坐标系，并建立路障中每个关键点的坐标信息； [0076] S4:将监控图像输入完全卷积网络生成热点图，所述完全卷积网络包括CenterNet 网络； [0077] S5:通过所述热点图获取路障的中心点、路障边界框的高度和宽度以及关键点到 中心点的偏移值；其中，中心点对应热图中的峰值、边界框的高度和宽度对应峰值处的图像 特征、偏移值通过损失函数计算； [0078] S6:通过所述中心点、边界框的高度和宽度、偏移值在每一张监控图像上进行标 记，得到每一张监控图像对应的特征图； [0079] S7:通过所述特征图进一步判断路障缺失情况。 [0080] 为了使用CenterNet检测缺失的路障，我们将每个路障视为一组四个角关键点，每 个角关键点都由到中心点的偏移参数化。为了细化关键点，我们使用标准的自下而上姿势 估计进一步估计路障的热图。CenterNet模型通过利用三种类型的损失进行训练：焦点损 失、中心偏移损失和边界框大小损失，定义如下。 [0081] 使用公式(1)计算焦距损失。 [0082] 焦点损失Lk： [0083] [0084] 其中，Y 是高斯核生成的关键点，Y ＝1表示高斯核生成的关键点在实际关键点 xyc xyc 位置，表示CenterNet目标检测模型输出的对关键点的预测值，α和β是损失函数的超参数， x、y和c分别代表关键点的x坐标、关键点的y坐标和关键点的类别，N是图像中的关键点数 量； [0085] 中心偏移损失Loff： [0086] [0087] 其中，p为原图目标中心点坐标，R为原图与特征图的缩放比例， 为特征图上预测 的中心点坐标， 为网络预测的目标中心点坐标偏移； [0088] 边界框大小损失Lsize: 8 8 CN 114170564 A 说明书 6/7页 [0089] [0090] 其中，k表示图像中第k个目标，pk表示第k个目标的中心点坐标， 表示预测的目 标尺寸，S表示目标的尺寸； k [0091] 总损失函数：L＝L +λL +λL 。 k 1 size 2 off [0092] 实验结果表明，在两种方法之中，MODA拥有更好的性能，在模型的实现上也更具优 势。MODA的平均准确率和平均召回率分别为57.9％和73.6％。 [0093] 本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或 计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的 处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该 计算机设备执行图1所示的方法。 [0094] 在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提 到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体 上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和 描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不 限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被 改变以及其中被描述为较大操作的一部分的子操作被独立地执行。 [0095] 此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反 说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块 中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理 解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考 虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的 常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无 需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特 定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及 其等同方案的全部范围来决定。 [0096] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用 于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供 指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执 行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设 备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传 输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装 置。 [0097] 计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线 的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器 (ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存 储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的 介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其 9 9 CN 114170564 A 说明书 7/7页 他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。 [0098] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示 例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特 点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不 一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何 的一个或多个实施例或示例中以合适的方式结合。 [0099] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不 脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本 发明的范围由权利要求及其等同物限定。 [0100] 以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟 悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些 等同的变形或替换均包含在本申请权利要求所限定的范围内。 10 10 CN 114170564 A 说明书附图 1/4页 图1 11 11 CN 114170564 A 说明书附图 2/4页 图2 12 12 CN 114170564 A 说明书附图 3/4页 图3 13 13 CN 114170564 A 说明书附图 4/4页 图4 14 14

　　2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。

　　3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。

　　4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

　　球速体育

　　轨道交通装备检修基地建设项目建筑废弃物运输车辆密闭化改造技术创新总结报告.pptx

　　提供农业、铸造、给排水、测量、发电等专利信息的免费检索和下载；后续我们还将提供提供专利申请、专利复审、专利交易、专利年费缴纳、专利权恢复等更多专利服务。并持续更新最新专利内容，完善相关专利服务，助您在专利查询、专利应用、专利学习查找、专利申请等方面用得开心、用得满意！

　　球速体育

　　ANSI TIA-942-2005 数据中心电信基础设施标准 中文.doc

　　东风本田-思威（CR-V）-2019款 240TURBO都市版-DHW6462R1CSE-思威(CR-V)用户手册(2018款汽油版).pdf

　　原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者