CN104424639B - 基于形态学腐蚀的叶柄与叶片分割方法 - Google Patents
基于形态学腐蚀的叶柄与叶片分割方法 Download PDFInfo
- Publication number
- CN104424639B CN104424639B CN201310398154.6A CN201310398154A CN104424639B CN 104424639 B CN104424639 B CN 104424639B CN 201310398154 A CN201310398154 A CN 201310398154A CN 104424639 B CN104424639 B CN 104424639B
- Authority
- CN
- China
- Prior art keywords
- image
- leaf
- petiole
- boundary point
- point
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于形态学腐蚀的叶柄与叶片分割方法，其步骤依次为：利用最大方差法对植物叶图像进行二值化处理，以得到叶二值图像的最大阈值；利用边界跟踪法获得叶二值图像的叶片轮廓，计算其周长，并对轮廓内区域进行填充；逐单位进行形态学腐蚀操作，以实现对叶片图像边缘的腐蚀效果；判断腐蚀后的叶图像是否存在轮廓，如判断为是，计算腐蚀后叶图像轮廓的周长，与腐蚀前叶图像轮廓的周长进行比较以得出差值，并记录在数组中；如判断为否，则对轮廓数据进行分析，以得到叶柄区域图像与叶片区域图像。本发明提供的叶柄与叶片分割方法具有适用性强，识别准确度高的特点，能够对叶柄朝任何方向的舒展叶片图像进行识别。
Description
技术领域
本发明涉及一种基于形态学腐蚀的叶柄与叶片分割方法。
背景技术
植物多样性本底调查和连续监测是掌握植物多样性动态变化和建立植物多样性数据库的基础，是生物多样性保护和可持续利用的前提。我国高等植物丰富，植物多样性监测任务十分艰巨。然而，传统的植物识别和调查需要调查者具有丰富的分类学知识和长期的实践经验，工作效率低、工作量大、且存在一定的主观性。构建快速的自动鉴别植物方法十分重要。
叶的形态特征是判别植物各类的重要依据之一。由于植物叶片基本处于一个平面状态，适合进行二维图像加工处理。随着计算机软硬件的不断升级和数码相机的普及，利用计算机技术快速准确地识别植物，是解决这些问题的一个切实可行、高效的新途径。
用于计算机识别的植物叶图像主要由叶柄与叶片组成。叶柄与叶片都包含着用于植物种类判断的重要特征，往往需要将两部分进行分割操作，从而才能将两者的特征进行更为准确的识别。因此，叶柄与叶片的分割就成为植物叶特征提取时十分关键的一步，这将直接影响到叶图像特征提取的准确性，进而影响植物种类的最终识别与判断。
现有的植物叶图像特征识别的研究往往忽略了植物叶柄所包含的重要特征以及叶柄存在对叶片特征准确提取的影响，目前在叶柄与叶片分割方面的少数研究中，分割的方法还不够完善，对叶特征提取的准确性仍有待提高，在实际应用中受到较大的限制。
2006年第3期的《计算机工程与应用》中记载的标题为《叶片图像特征提取与识别技术的研究》的文章，作者为王晓峰、黄德双、杜吉祥、张国军。该文章提出了形态学开运算的方法对植物叶柄和叶片进行分割，但其没有对影响分割效果的结构元素、腐蚀次数等进行详细的描述，从而分割叶柄与叶片的精度和效果无法得到保证。
2009年第5期的《农机化研究》中记载的标题为《基于数学形态学的植物叶柄与叶片分割》的文章，作者为王晓洁、郑小东、赵中堂。该文章提出用长宽相等的十字形模版对叶柄和叶片进行分割。该方法的不足是每个叶都需要对十字形模版的大小进行手工设置，工作效率低。
2010年第4期的《计算机工程与设计》中记载的标题为《基于形状特征的植物叶柄与叶片分割算法》的文章，作者为郑小东、王晓洁、赵中堂，该文章提出了在叶柄竖直摆放的前提下，假设叶柄为矩形，根据叶柄水平宽度分割叶片和叶柄。该方法对叶摆放位置有人为要求，不具有计算机智能性和自动化的特征，影响叶特征的提取效率。
发明内容
针对上述问题中存在的不足之处，本发明提供一种适用性强、识别准确度高，能够对叶柄朝任何方向的舒展叶片图像进行识别的基于形态学腐蚀的叶柄与叶片分割方法。
为实现上述目的，本发明提供一种基于形态学腐蚀的叶柄与叶片分割方法，包括以下步骤：
S100、利用最大方差法对叶图像进行二值化处理，以得到叶二值图像的最大阈值；
S200、利用边界跟踪法获得叶二值图像的叶轮廓，计算其周长，并对轮廓内区域进行填充；
S300、逐单位进行形态学腐蚀操作，以实现对叶片图像边缘的腐蚀效果；
S400、判断腐蚀后的叶图像是否存在轮廓，如判断为是，计算腐蚀后叶图像轮廓的周长，与腐蚀前叶图像轮廓的周长进行比较以得出差值，并记录在数组中；
如判断为否，则对轮廓数据进行分析，以得到叶柄区域图像与叶片区域图像。
上述的基于形态学腐蚀的叶柄与叶片分割方法，其中，叶图像由扫描仪或用相机以垂直叶片的方向进行拍摄获得，叶图像的背景为纯色浅背景。
上述的基于形态学腐蚀的叶柄与叶片分割方法，其中，在步骤（S100）中包括以下步骤：
a、灰度变换：利用下式对每个像素R、G、B通道的值进行计算，以得到叶图像的灰度图，
目标灰度=（R通道值*30+G通道值*59+B通道值*11）/100； （1）
b、阈值分割：设定叶图像的灰度图中的灰度级为L，其灰度范围为[0，L-1]，利用下式得出叶图像的最大阈值，
t=Max[w0(t)*(u0(t)-u)2+w1(t)*(u1(t)-u)2)]， （2）
其中，t为分割的阈值，w0为背景比例，u0为背景均值，w1为前景比例，u1为前景均值，u为整幅图像的均值。
上述的基于形态学腐蚀的叶柄与叶片分割方法，其中，在步骤（S200）中还包括以下步骤：
a、确定起始边界点，按照跟踪方向在叶图像中搜索到第一个黑点作为起始边界点，并记录该起始边界点；
b、进行邻点检测，检测上述起始边界点的邻点的像素是否为黑点，如果该邻点的像素为黑点，则将起始边界点入栈，并将该邻点作为新的起始边界点，并在原有跟踪方向的基础上确定新的起始方向；如果该邻点的像素不是黑点，则原有跟踪方向的基础上重新进行判断，直到在新的方向上找到黑点；
c、重复步骤（b），不断寻找新的边界点，将旧的边界点入栈，直到遇到新的边界点为止；
d、将上述步骤中入栈的点坐标保存为序列；
e、反复重复上述步骤（a）～步骤（d）中的步骤以找到叶图像的所有轮廓点及整个叶轮廓。
上述的基于形态学腐蚀的叶柄与叶片分割方法，其中，在步骤（S300）中还包括以下步骤：
a、用结构元素扫描目标图像中的每一个像素，利用下式将结构元素定义为（2n+1）*（2n+1）大小的白色结构元素，其中，n为拟腐蚀的单位数；
b、用结构元素与其覆盖的二值图做“与”操作，当每个像素点及其周围的像素点均为黑点时，“与”操作的最终结果为黑，否则为白。
上述的基于形态学腐蚀的叶柄与叶片分割方法，其中，在步骤（S400）中还包括以下步骤：
a、当叶图像中有叶柄时，对轮廓数据进行分析，判断数组中的数值记录中是有否大于其平均值的大值，如果判断为是，则记录该大值在数组中的索引位置；
b、重新对叶二值图像进行逐单位的形态学腐蚀操作，以获得二值图像中叶的轮廓，并对轮廓中的区域进行填充；
c、填充后叶二值图像与原叶二值图像做减法，以获得叶柄在图像中的区域图像；
d、将只包含叶柄区域的图像与原叶二值图像做减法，以获得分割叶柄之后叶片在图像中的区域图像。
与现有技术相比，本发明具有以下优点：
本发明提供的分割方法具有适用性强，识别准确度高的特点，能够对叶柄朝任何方向的舒展叶图像进行识别。以解决现有技术中准确性与工作效率低，不具有计算机智能性和自动化的缺点。
附图说明
图1为本发明的流程图；
图2a～图2h为本发明对叶图像处理的工序图。
具体实施方式
如图1所示，本发明提供一种基于形态学腐蚀的叶柄与叶片分割方法，包括以下步骤：
S100、采集植物叶图像：采用任意型号的扫描仪、或用相机以垂直叶片的方向进行拍摄，以获得叶的图像，为保证叶片和叶柄的完整性，避免叶柄与叶片重叠，要求将采集到的图像其背景为纯色浅背景。如图2a所示。
S200、利用最大方差法对叶图像进行二值化处理，以得到叶二值图像的最大阈值。在步骤（S200）中包括以下步骤：
a、灰度变换：利用下式对每个像素R、G、B通道的值进行计算，以得到叶图像的灰度图。如图2b所示。
目标灰度=（R通道值*30+G通道值*59+B通道值*11）/100。 （1）
b、阈值分割：设定叶图像的灰度图中的灰度级为L，其灰度范围为[0，L-1]，利用下式得出叶图像的最大阈值。如图2c所示。
t=Max[w0(t)*(u0(t)-u)2+w1(t)*(u1(t)-u)2)]， （2）
其中，t为分割的阈值，w0为背景比例，u0为背景均值，w1为前景比例，u1为前景均值，u为整幅图像的均值。
使上述表达式值最大的t，即为分割图像的最佳阈值。开辟一块新的内存存储二值图像。原图小于阈值的像素位置保存为0，大于等于阈值的保存为1。
按照图像的灰度特性，将图像分成背景与前景两部分。背景和前景之间的类间方差越大，说明构成图像的两部分的差别就越大，当部分前景错分为背景或部分背景为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最大。
S300、利用边界跟踪法获得叶二值图像的叶轮廓，计算其周长，并对轮廓内区域进行填充。如图2d所示。
在步骤（S300）中包括以下步骤：
a、确定起始边界点，按照跟踪方向在叶图像中搜索到第一个黑点作为起始边界点，并记录该起始边界点。
具体的，其跟踪方向可选择图像文件的存储顺序，该跟踪方向为从左至右或从下至上的存储顺序。按照跟踪方向开始搜索，将搜索到第一个黑点作为起始边界点，将该起始边界点记录为a（x，y），并确定其灰度值为1。
b、进行邻点检测，检测上述起始边界点的邻点的像素是否为黑点，如果该邻点的像素为黑点，则将起始边界点入栈，并将该邻点作为新的起始边界点，并在原有跟踪方向的基础上确定新的起始方向；如果该邻点的像素不是黑点，则原有跟踪方向的基础上重新进行判断，直到在新的方向上找到黑点。
具体的，按照一定的方向（该方向可设定为以起始边界点a为起点，可按照45°的角度），检测该起始边界点a周边的邻点，判断其邻点的像素是否为黑点，即其灰度值是否为1。如果邻点的像素为黑点，那么，将原起始边界点a入栈，并将该邻点作为新的起始边界点，在原有跟踪方向的基础上确定新的起始方向（该方向为在原跟踪方向基础上逆时针旋转90°），并以该方向确定为新的起始方向。
如果该邻点的像素不是黑点，则原有跟踪方向（沿顺时针旋转45°）的基础上重新进行判断，直到在新的方向上找到黑点。
c、重复步骤（b），不断寻找新的边界点，将旧的边界点入栈，直到遇到新的边界点为止；
d、将上述步骤中入栈的点坐标保存为序列；
e、反复重复上述步骤（a）～步骤（d）中的步骤以找到叶二值图像的所有轮廓点及整个叶轮廓。如图2e所示。
S400、逐单位进行形态学腐蚀操作，以实现对叶片图像边缘的腐蚀效果。如图2f至图2h所示。
在步骤（S400）中包括以下步骤：
a、用结构元素扫描目标图像中的每一个像素，利用下式将结构元素定义为（2n+1）*（2n+1）大小的白色结构元素，其中，n为拟腐蚀的单位数；
b、用结构元素与其覆盖的二值图做“与”操作，当每个像素点及其周围的像素点均为黑点时，“与”操作的最终结果为黑，否则为白。通过“与”操作，最终可以实现对叶图像边缘的腐蚀效果。
S500、判断腐蚀后的叶片图像是否形成存在叶轮廓，如判断为是，计算腐蚀后叶图像轮廓的周长，与腐蚀前叶图像轮廓的周长进行比较以得出差值，并记录在数组中；如判断为否，则对轮廓数据进行分析，以得到叶柄区域图像与叶片区域图像。
在步骤（S500）中还包括以下步骤：
a、当叶图像中有叶柄时，对轮廓数据进行分析，判断数组中的数值记录中是有否大于其平均值的大值，如果判断为是，则记录该大值在数组中的索引位置；
b、重新对叶二值图像进行逐单位的形态学腐蚀操作，以获得二值图像中叶的轮廓，并对轮廓中的区域进行填充；
c、填充后叶二值图像与原叶二值图像做减法，以获得叶柄在图像中的区域图像；
d、将只包含叶柄区域的图像与原叶二值图像做减法，以获得分割叶柄之后叶片在图像中的区域图像。
惟以上所述者，仅为本发明的较佳实施例而已，举凡熟悉此项技艺的专业人士。在了解本发明的技术手段之后，自然能依据实际的需要，在本发明的教导下加以变化。因此凡依本发明申请专利范围所作的同等变化与修饰，曾应仍属本发明专利涵盖的范围内。
Claims (4)
1.一种基于形态学腐蚀的叶柄与叶片分割方法，包括以下步骤：
S100、利用最大方差法对叶图像进行二值化处理，以得到叶二值图像的最大阈值；
S200、利用边界跟踪法获得叶二值图像的叶轮廓，计算其周长，并对轮廓内区域进行填充；
S300、逐单位进行形态学腐蚀操作，以实现对叶片图像边缘的腐蚀效果；
在步骤(S300)中还包括以下步骤：
a、用结构元素扫描目标图像中的每一个像素，利用下式将结构元素定义为(2n+1)*(2n+1)大小的白色结构元素，其中，n为拟腐蚀的单位数；
b、用结构元素与其覆盖的二值图做“与”操作，当每个像素点及其周围的像素点均为黑点时，“与”操作的最终结果为黑，否则为白；
S400、判断腐蚀后的叶图像是否存在轮廓，如判断为是，计算腐蚀后叶图像轮廓的周长，与腐蚀前叶图像轮廓的周长进行比较以得出差值，并记录在数组中；
如判断为否，则对轮廓数据进行分析，以得到叶柄区域图像与叶片区域图像；
在步骤(S400)中还包括以下步骤：
a、当叶图像中有叶柄时，对轮廓数据进行分析，判断数组中的数值记录中是有否大于其平均值的大值，如果判断为是，则记录该大值在数组中的索引位置；
b、重新对叶二值图像进行逐单位的形态学腐蚀操作，以获得二值图像中叶的轮廓，并对轮廓中的区域进行填充；
c、填充后叶二值图像与原叶二值图像做减法，以获得叶柄在图像中的区域图像；
d、将只包含叶柄区域的图像与原叶二值图像做减法，以获得分割叶柄之后叶片在图像中的区域图像。
2.根据权利要求1所述的基于形态学腐蚀的叶柄与叶片分割方法，其特征在于，叶图像由扫描仪或用相机以垂直叶片的方向进行拍摄获得，叶图像的背景为纯色浅背景。
3.根据权利要求1或2所述的基于形态学腐蚀的叶柄与叶片分割方法，其特征在于，在步骤(S100)中包括以下步骤：
a、灰度变换：利用下式对每个像素R、G、B通道的值进行计算，以得到叶图像的灰度图，
目标灰度＝(R通道值*30+G通道值*59+B通道值*11)/100； (1)
b、阈值分割：设定叶图像的灰度图中的灰度级为L，其灰度范围为[0，L-1]，利用下式得出叶图像的最大阈值，
t＝Max[w0(t)*(u0(t)-u)2+w1(t)*(u1(t)-u)2)]， (2)
其中，t为分割的阈值，w0为背景比例，u0为背景均值，w1为前景比例，u1为前景均值，u为整幅图像的均值。
4.根据权利要求1所述的基于形态学腐蚀的叶柄与叶片分割方法，其特征在于，在步骤(S200)中还包括以下步骤：
a、确定起始边界点，按照跟踪方向在叶图像中搜索到第一个黑点作为起始边界点，并记录该起始边界点；
b、进行邻点检测，检测上述起始边界点的邻点的像素是否为黑点，如果该邻点的像素为黑点，则将起始边界点入栈，并将该邻点作为新的起始边界点，并在原有跟踪方向的基础上确定新的起始方向；如果该邻点的像素不是黑点，则原有跟踪方向的基础上重新进行判断，直到在新的方向上找到黑点；
c、重复步骤(b)，不断寻找新的边界点，将旧的边界点入栈，直到遇到新的边界点为止；
d、将上述步骤中入栈的点坐标保存为序列；
e、反复重复上述步骤(a)～步骤(d)中的步骤以找到叶图像的所有轮廓点及整个叶轮廓。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310398154.6A CN104424639B (zh) | 2013-09-04 | 2013-09-04 | 基于形态学腐蚀的叶柄与叶片分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310398154.6A CN104424639B (zh) | 2013-09-04 | 2013-09-04 | 基于形态学腐蚀的叶柄与叶片分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104424639A CN104424639A (zh) | 2015-03-18 |
| CN104424639B true CN104424639B (zh) | 2017-07-28 |
Family
ID=52973526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310398154.6A Expired - Fee Related CN104424639B (zh) | 2013-09-04 | 2013-09-04 | 基于形态学腐蚀的叶柄与叶片分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104424639B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819745B (zh) * | 2019-10-31 | 2023-02-28 | 合肥美亚光电技术股份有限公司 | 坚果籽仁中心虫蚀缺陷检测方法及装置 |
| CN112907545B (zh) * | 2021-02-25 | 2023-10-10 | 湖州师范学院 | 基于图像处理的种子芽长与根长检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6674914B1 (en) * | 1999-09-21 | 2004-01-06 | Lucent Technologies Inc. | Expandable grayscale morphological erosion operator |
| CN1556503A (zh) * | 2004-01-09 | 2004-12-22 | 清华大学 | 图像处理中的快速形态学腐蚀、膨胀方法 |
| CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
-
2013
- 2013-09-04 CN CN201310398154.6A patent/CN104424639B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6674914B1 (en) * | 1999-09-21 | 2004-01-06 | Lucent Technologies Inc. | Expandable grayscale morphological erosion operator |
| CN1556503A (zh) * | 2004-01-09 | 2004-12-22 | 清华大学 | 图像处理中的快速形态学腐蚀、膨胀方法 |
| CN103077529A (zh) * | 2013-02-27 | 2013-05-01 | 电子科技大学 | 基于图像扫描的植物叶片特征分析系统 |
Non-Patent Citations (4)
| Title |
|---|
| 一种基于VC实现数字图像的轮廓提取法;朱文忠;《微计算机信息》;20070131;第23卷(第1-3期);摘要、第2.3节、第3节 * |
| 基于形状特征的植物叶柄与叶片分割算法;郑小东 等;《计算机工程与设计》;20100228;第31卷(第4期);第918-921页 * |
| 基于数学形态学的植物叶柄与叶片分割;王晓洁 等;《农机化研究》;20090531;第31卷(第5期);第42-44页 * |
| 基于灰度形态学的烟叶图像边缘检测;郭骏 等;《计算机工程》;20071130;第33卷(第21期);第4节第1段 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104424639A (zh) | 2015-03-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859171B (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 | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| CN109145830B (zh) | 一种智能水尺识别方法 | |
| CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
| CN110853015A (zh) | 基于改进Faster-RCNN的铝型材缺陷检测方法 | |
| CN101408985A (zh) | 一种圆形光斑亚像素中心提取方法及装置 | |
| CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
| CN103778436B (zh) | 一种基于图像处理的行人姿态检测方法 | |
| CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
| CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
| CN106340010A (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
| CN110110687A (zh) | 基于颜色信息和三维轮廓信息的树上水果自动识别方法 | |
| CN105303566B (zh) | 一种基于目标轮廓裁剪的sar图像目标方位角估计方法 | |
| CN116503760A (zh) | 基于自适应边缘特征语义分割的无人机巡航检测方法 | |
| CN104424639B (zh) | 基于形态学腐蚀的叶柄与叶片分割方法 | |
| CN108986083B (zh) | 基于阈值优化的sar图像变化检测方法 | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
| CN103533332A (zh) | 一种2d视频转3d视频的图像处理方法 | |
| CN113409332A (zh) | 一种基于三维点云的建筑物平面分割方法 | |
| CN1949246A (zh) | 基于活动形状模型的多表情整脸轮廓检测方法 | |
| CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
| CN114758139B (zh) | 基坑积水检测方法 | |
| CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C53 | Correction of patent for invention or patent application | ||
| CB03 | Change of inventor or designer information |
Inventor after: Quan Zhanjun Inventor after: Yan Boqian Inventor after: Luo Jianwu Inventor after: Li Junsheng Inventor after: Li Liang Inventor after: Liu Zihao Inventor before: Quan Zhanjun Inventor before: Hu Lile Inventor before: Liu Zihao Inventor before: Li Liang Inventor before: Li Junsheng |
|
| COR | Change of bibliographic data |
Free format text: CORRECT: INVENTOR; FROM: QUAN ZHANJUN HU LILE LIU ZIHAO LI LIANG LI JUNSHENG TO: QUAN ZHANJUN YAN BOQIAN LUO JIANWU LI JUNSHENG LI LIANG LIU ZIHAO |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170728 Termination date: 20200904 |