CN104568823B - 基于近红外光谱的烟叶原料配比比例计算方法和装置 - Google Patents
基于近红外光谱的烟叶原料配比比例计算方法和装置 Download PDFInfo
- Publication number
- CN104568823B CN104568823B CN201510007312.XA CN201510007312A CN104568823B CN 104568823 B CN104568823 B CN 104568823B CN 201510007312 A CN201510007312 A CN 201510007312A CN 104568823 B CN104568823 B CN 104568823B
- Authority
- CN
- China
- Prior art keywords
- matched
- tobacco material
- characteristic
- raw tobacco
- infrared
- 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
Landscapes
- Manufacture Of Tobacco Products (AREA)
- Manufacturing Of Cigar And Cigarette Tobacco (AREA)
Abstract
本发明公开了一种基于近红外光谱的烟叶原料配比比例计算方法和装置,该方法包括:建立烟叶样品的近红外特征模型以及近红外定量模型;采集各个与所述烟叶样品种类对应的待配比烟叶原料的近红外光谱;根据所述近红外特征模型与所述各个待配比烟叶原料的近红外光谱,分析所述各个待配比烟叶原料的特征评价指数;根据所述各个待配比烟叶原料的特征评价指数,设定特征目标约束条件、数量约束条件和允差值,对所述待配比烟叶原料的配比比例进行优化计算。本发明通过计算特征评价指数,根据附加均值矢量为机制目标的线性规划方法进行烟叶制品的配比比例设计,能够较好地实现配方设计中质量与数量之间的平衡,有利于卷烟配方产品品质的协调性和稳定性。
Description
技术领域
本发明涉及烟草加工技术领域,特别涉及一种基于近红外光谱的烟叶原料配比比例计算方法和装置。
背景技术
目前,卷烟加工企业应用近红外光谱分析技术进行烟叶品质特征的定量定性分析已经较为普遍,譬如通过应用偏最小二乘法(PLS) 建立烟叶中糖、氮、烟碱等化学成分定量模型,进行烟叶化学成分的定量分析;通过应用基于主成分及FISHER准则的投影方法(PPF)建立烟叶部位(或等级)、香型风格、感官质量等烟叶品质特性的定性模型,并将分析结果量化为相应的品质特性指数;应用近红外光谱结合现代数学方法从多角度客观评价烟叶品质特性的技术已经相对成熟。
但是,目前方法所获取的多种烟叶品质特性的客观量化数据,尚缺乏合理、有效的综合利用手段,具体体现在中式卷烟加工过程中烟叶原料模块及叶组的配方设计中目前还主要以配方设计人员的主观评价为导向的模式,缺乏有效的以客观评价量化数据为导向的配方组合推荐及比例优化方法,不利用产品质量、数量的长期稳定以及可持续发展。
发明内容
基于上述问题,本发明提供一种基于近红外光谱的烟叶原料配比比例计算方法和装置,通过使用近红外光谱技术对不同烟叶类型进行分析,达到特征评价指数,并根据附加均值矢量为机制目标的线性规划方法进行烟叶制品的配比比例设计,能够较好地实现配方设计中质量与数量之间的平衡,有利于卷烟配方产品品质的协调性和稳定性。
针对上述目的,本发明提供一种基于近红外光谱的烟叶原料配比比例计算方法,包括:
S1、根据预设的各个烟叶样品的特征指数量化值以及采集的所述烟叶样品的近红外光谱,分别建立所述烟叶样品的近红外特征模型以及近红外定量模型;
S2、采集各个与所述烟叶样品种类对应的待配比烟叶原料的近红外光谱;
S3、根据所述近红外特征模型与所述各个待配比烟叶原料的近红外光谱,分析所述各个待配比烟叶原料的特征评价指数;
S4、根据所述各个待配比烟叶原料的特征评价指数,设定特征目标约束条件、数量约束条件和允差值,对所述待配比烟叶原料的配比比例进行优化计算。
其中,所述待配比烟叶原料的特征包括化学成分、部位特征、风格特征和感官质量。
其中,所述近红外特征模型为部位特征强度指数和风格特征指数强度的近红外模型,所述近红外定量模型为烟叶感官质量和化学成分的近红外模型。
其中,所述步骤S1还包括:
通过应用偏最小二乘法(PLS)建立所述近红外定量模型,通过应用基于主成分及Fisher准则的投影方法(PPF)建立所述近红外特征模型。
其中,所述步骤S4具体包括:
S41、将每个待配比烟叶原料的特征评价指数矩阵标记为Qij,其中,i=1,2,…n,n为则待配比烟叶原料的种类,j=1,2,…k,k为每个待配比烟叶原料的特征评价指数个数;
S42、设定数量约束条件,对每个待配比烟叶原料分别设定最大比例值Maxi和最小比例值Mini;
S43、计算附加均值矢量:
S44、设定目标约束条件和允差值:
设第i个待配比烟叶原料的配方比例为xi,且其附加均值矢量的配方比例为最小,即xn+1的值为最小;
设第j个特征评价指数的配方目标值为Uj,允差值为νj;
S45,建立配方比例xi的求解方程:
minxf(x),f(x)=xn+1
Uj-vj≤Q1j·x1+…+Qij·xi+…+Qnj·xn+Qav(j )·xn+1≤Uj+vj
Mini≤x1…,xi…,xn,xn+1≤Maxi
根据上述公式求解xi,设定xn+1趋向于0,故忽略最小值xn+1,则xi即为每个待配比烟叶原料所对应的配方比例。
根据本发明的另一个方面,提供一种基于近红外光谱的烟叶原料配比比例计算装置,其特征在于,所述装置包括:
烟叶样品模型建立单元,用于根据预设的各个烟叶样品的特征指数量化值以及采集的所述烟叶样品的近红外光谱,分别建立所述烟叶样品的近红外特征模型以及近红外定量模型;
待配比烟叶原料近红外光谱采集单元,用于采集各个与所述烟叶样品种类对应的待配比烟叶原料的近红外光谱;
特征指数评价单元,用于根据所述近红外特征模型与所述各个待配比烟叶原料的近红外光谱,分析所述各个待配比烟叶原料的特征评价指数;
优化单元,用于根据所述各个待配比烟叶原料的特征评价指数,设定特征目标约束条件、数量约束条件和允差值,对所述待配比烟叶原料的配比比例进行优化。
本发明的基于近红外光谱的烟叶原料配比比例计算方法及装置,采用的基础客观量化数据均基于不同类型烟叶的近红外光谱数据和模型,具有快速、无损、绿色、可实现在线分析等优势;其次,采用数量约束与烟叶多种品质特性量化数据约束条件相结合的方式,能够较好的实现配方设计中质量与数量之间的平衡;另外,采用附加均值矢量为极值目标的线性规划方法通过虚拟一个各个品质参数平均化配比的均值矢量作为附加最小化极值目标(反馈算法),来实现配比比例的唯一性和避免平均化配比的配伍理念,有利于卷烟配方产品品质的协调性和稳定性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例的基于近红外光谱的烟叶原料配比比例计算方法的流程图。
图2示出了本发明的基于近红外光谱的烟叶原料配比比例计算装置的结构框图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的一个实施例中,提供一种基于近红外光谱的烟叶原料配比比例计算方法。
图1示出了本发明实施例的基于近红外光谱的烟叶原料配比比例计算方法的流程图。
参照图1,本发明的基于近红外光谱的烟叶原料配比比例计算方法具体包括步骤:
S1、根据预设的各个烟叶样品的特征指数量化值以及采集的所述烟叶样品的近红外光谱,分别建立所述烟叶样品的近红外特征模型以及近红外定量模型;
S2、采集各个与所述烟叶样品种类对应的待配比烟叶原料的近红外光谱;
S3、根据所述近红外特征模型与所述各个待配比烟叶原料的近红外光谱,分析所述各个待配比烟叶原料的特征评价指数;
在建立模型之前,首先收集具有精确标注烟碱、总糖等化学成分含量的不同部位和风格的烟叶样品,并采集其近红外光谱。
然后通过应用基于主成分及Fisher准则(PPF)的投影方法建立部位特征强度指数和风格特征指数强度的近红外特征模型。
在本实施例中,所述待配比烟叶原料的特征包括化学成分、部位特征、风格特征和感官质量。
在建立近红外特征模型过程中,部位特征模型中包含典型的上、中、下三种部位的建模样品,风格特征模型中包含典型的浓、中、清三种风格的建模样品。
应用上述特征模型计算得到待配比烟叶原料的投影值,通过计算待配比烟叶原料投影值向量P与各类投影均值(A1、A2、A3)之间的欧氏距离,比较得出最近类欧氏距离O1,与次近类欧氏距离O2。如 O1>3*S(式中S为O1对应类投影值的标准差,S1或S2或S3),则判定为超模型范围样品,否则计算得出两种相近部位定性结果的量化分值,即最近类量化分值V1,及次近类量化分值V2,计算公式为V1=(1- O1/(O1+O2))*100,V2=100-V1。依据V1、V2分值,细化定性预测结果。若V1>67,则判定为对应类的典型样品,否则判定为最近类偏次近类样品。
对于部位特征模型,依据细化为典型上、上偏中、中偏上、典型中、中偏下、下偏中、典型下等7类结果,将分析样品的部位特征依次量化为9、7、6、5、4、3、1等9级分制的部位强度指数;
对于风格特征模型,依据细化为典型浓、浓偏中、中偏浓、典型中、中偏清、清偏中、典型清、等7类结果,将分析样品的部位特征依次量化为9、7、6、5、4、3、1等9级分制的风格强度指数。
近红外定量模型通过应用偏最小二乘法(PLS)建立,近红外定量模型分为为烟叶感官质量模型和化学成分模型。
其中,烟叶感官质量模型和预测结果的数字描述采用百分制,烟碱、总糖等化学成分特征模型和预测结果的数字描述采用百分含量。
S4、根据所述各个待配比烟叶原料的特征评价指数,设定特征目标约束条件、数量约束条件和允差值,对所述待配比烟叶原料的配比比例进行优化计算。
步骤S4具体包括:
S41、将每个待配比烟叶原料的特征评价指数矩阵标记为Qij,其中,i=1,2,…n,n为则待配比烟叶原料的种类,j=1,2,…k,k为每个待配比烟叶原料的特征评价指数个数;
S42、设定数量约束条件,对每个待配比烟叶原料分别设定最大比例值Maxi和最小比例值Mini;
S43、计算附加均值矢量:
S44、设定目标约束条件和允差值:
设第i个待配比烟叶原料的配方比例为xi,且其附加均值矢量的配方比例为最小,即xn+1的值为最小;
设第j个特征评价指数的配方目标值为Uj,允差值为νj;
S45,建立配方比例xi的求解方程:
minxf(x),f(x)=xn+1
Uj-vj≤Q1j·x1+…+Qij·xi+…+Qnj·xn+Qav(j)·xn+1≤Uj+vj
Mini≤x1…,xi…,xn,xn+1≤Maxi
根据上述公式求解xi,设定xn+1趋向于0,故忽略最小值xn+1,则xi即为每个待配比烟叶原料所对应的配方比例。
本发明的计算方法通过运用数量约束与烟叶多种品质特性量化数据约束条件相结合的方式,能够较好的实现配方设计中质量与数量之间的平衡;采用该方法的核心思想是,虚拟一个各个品质参数平均化配比的均值矢量作为附加最小化极值目标附加最小化极值目标,来实现配比比例的唯一性,避免配比比例的多解或无穷解,同时,“平均化配比样品”的均值矢量作为附加的最小化极值目标,可使求解算法具有反馈作用,避免求解结果的比例平均化趋向,符合配伍中的主导原则和“君臣佐使”的配伍理念,有利于卷烟配方产品品质的协调性和稳定性。
根据本发明的另一个方面,提供一种基于近红外光谱的烟叶原料配比比例计算装置。
图2示出了本发明的基于近红外光谱的烟叶原料配比比例计算装置的结构框图。
参照图2,本发明实施例的基于近红外光谱的烟叶原料配比比例计算装置,具体包括:
烟叶样品模型建立单元10,用于根据预设的各个烟叶样品的特征指数量化值以及采集的所述烟叶样品的近红外光谱,分别建立所述烟叶样品的近红外特征模型以及近红外定量模型;
待配比烟叶原料近红外光谱采集单元20,用于采集各个与所述烟叶样品种类对应的待配比烟叶原料的近红外光谱;
特征指数评价单元30,用于根据所述近红外特征模型与所述各个待配比烟叶原料的近红外光谱,分析所述各个待配比烟叶原料的特征评价指数;
配比比例计算单元40,用于根据所述各个待配比烟叶原料的特征评价指数,设定特征目标约束条件、数量约束条件和允差值,对所述待配比烟叶原料的配比比例进行优化计算。
本发明的基于近红外光谱的烟叶原料配比比例优化方法及装置,采用的基础客观量化数据均基于不同类型烟叶的近红外光谱数据和模型,具有快速、无损、绿色、可实现在线分析等优势;其次,采用数量约束与烟叶多种品质特性量化数据约束条件相结合的方式,能够较好的实现配方设计中质量与数量之间的平衡;另外,采用附加均值矢量为极值目标的线性规划方法通过虚拟一个各个品质参数平均化配比的均值矢量作为附加最小化极值目标(反馈算法),来实现配比比例的唯一性和避免平均化配比的配伍理念,有利于卷烟配方产品品质的协调性和稳定性。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (5)
1.一种基于近红外光谱的烟叶原料配比比例计算方法,其特征在于,包括:
S1、根据预设的各个烟叶样品的特征指数量化值以及采集的所述烟叶样品的近红外光谱,分别建立所述烟叶样品的近红外特征模型以及近红外定量模型;
S2、采集各个与所述烟叶样品种类对应的待配比烟叶原料的近红外光谱;
S3、根据所述近红外特征模型与所述各个待配比烟叶原料的近红外光谱,分析所述各个待配比烟叶原料的特征评价指数;
S4、根据所述各个待配比烟叶原料的特征评价指数,设定特征目标约束条件、数量约束条件和允差值,对所述待配比烟叶原料的配比比例进行优化计算;
所述步骤S4具体包括:
S41、将每个待配比烟叶原料的特征评价指数矩阵标记为Qij,其中,i=1,2,…n,n为则待配比烟叶原料的种类,j=1,2,…k,k为每个待配比烟叶原料的特征评价指数个数;
S42、设定数量约束条件,对每个待配比烟叶原料分别设定最大比例值Maxi和最小比例值Mini;
S43、计算附加均值矢量:
S44、设定目标约束条件和允差值:
设第i个待配比烟叶原料的配方比例为xi,且其附加均值矢量的配方比例为最小,即xn+1的值为最小;
设第j个特征评价指数的配方目标值为Uj,允差值为νj;
S45,建立配方比例xi的求解方程:
minxf(x),f(x)=xn+1
Uj-vj≤Q1j·x1+…+Qij·xi+…+Qnj·xn+Qav(j)·xn+1≤Uj+vj
Mini≤x1…,xi…,xn,xn+1≤Maxi
根据上述公式求解xi,设定xn+1趋向于0,故忽略最小值xn+1,则xi即为每个待配比烟叶原料所对应的配方比例。
2.如权利要求1所述的计算方法,其特征在于,所述待配比烟叶原料的特征包括化学成分、部位特征、风格特征和感官质量。
3.如权利要求1或2所述的计算方法,其特征在于,所述近红外特征模型为部位特征强度指数和风格特征指数强度的近红外模型,所述近红外定量模型为烟叶感官质量和化学成分的近红外模型。
4.如权利要求3所述的计算方法,其特征在于,所述步骤s1还包括:
通过应用偏最小二乘法PLS建立所述近红外定量模型,通过应用基于主成分及Fisher准则的投影方法PPF建立所述近红外特征模型。
5.一种基于近红外光谱的烟叶原料配比比例计算装置,其特征在于,所述装置包括:
烟叶样品模型建立单元,用于根据预设的各个烟叶样品的特征指数量化值以及采集的所述烟叶样品的近红外光谱,分别建立所述烟叶样品的近红外特征模型以及近红外定量模型;
待配比烟叶原料近红外光谱采集单元,用于采集各个与所述烟叶样品种类对应的待配比烟叶原料的近红外光谱;
特征指数评价单元,用于根据所述近红外特征模型与所述各个待配比烟叶原料的近红外光谱,分析所述各个待配比烟叶原料的特征评价指数;
配比比例计算单元,用于根据所述各个待配比烟叶原料的特征评价指数,设定特征目标约束条件、数量约束条件和允差值,对所述待配比烟叶原料的配比比例进行优化计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007312.XA CN104568823B (zh) | 2015-01-07 | 2015-01-07 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007312.XA CN104568823B (zh) | 2015-01-07 | 2015-01-07 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104568823A CN104568823A (zh) | 2015-04-29 |
CN104568823B true CN104568823B (zh) | 2017-08-04 |
Family
ID=53085400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510007312.XA Active CN104568823B (zh) | 2015-01-07 | 2015-01-07 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104568823B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124450A (zh) * | 2016-06-16 | 2016-11-16 | 浙江大学 | 芒属植物叶片干物质的测定方法 |
CN109324016A (zh) * | 2018-10-17 | 2019-02-12 | 浙江中烟工业有限责任公司 | 一种复烤片烟香型风格的判定方法 |
CN110736718B (zh) * | 2019-10-16 | 2022-07-19 | 浙江中烟工业有限责任公司 | 一种烤烟烟丝的产地及等级识别方法 |
CN111543668B (zh) * | 2020-05-28 | 2022-03-25 | 浙江中烟工业有限责任公司 | 一种打叶复烤配方模块的设计方法 |
CN111671123B (zh) * | 2020-06-05 | 2022-04-01 | 江苏中烟工业有限责任公司 | 一种配方功效与原料保障动态化平衡的配方设计方法 |
CN112098357B (zh) * | 2020-08-21 | 2021-12-10 | 南京农业大学 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101385571A (zh) * | 2008-10-27 | 2009-03-18 | 川渝中烟工业公司 | 卷烟叶组配方设计方法 |
CN101866368A (zh) * | 2009-04-17 | 2010-10-20 | 湖北中烟工业有限责任公司 | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 |
CN102799741A (zh) * | 2012-07-30 | 2012-11-28 | 中国海洋大学 | 基于遗传算法的初烤烟配方打叶优化设计方法 |
CN102866127A (zh) * | 2012-09-17 | 2013-01-09 | 福建中烟工业有限责任公司 | 一种基于近红外光谱信息的simca辅助卷烟配方的方法 |
CN103674884A (zh) * | 2012-09-17 | 2014-03-26 | 福建中烟工业有限责任公司 | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 |
-
2015
- 2015-01-07 CN CN201510007312.XA patent/CN104568823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101385571A (zh) * | 2008-10-27 | 2009-03-18 | 川渝中烟工业公司 | 卷烟叶组配方设计方法 |
CN101866368A (zh) * | 2009-04-17 | 2010-10-20 | 湖北中烟工业有限责任公司 | 利用近红外光谱技术进行卷烟叶组配方计算机辅助设计的方法 |
CN102799741A (zh) * | 2012-07-30 | 2012-11-28 | 中国海洋大学 | 基于遗传算法的初烤烟配方打叶优化设计方法 |
CN102866127A (zh) * | 2012-09-17 | 2013-01-09 | 福建中烟工业有限责任公司 | 一种基于近红外光谱信息的simca辅助卷烟配方的方法 |
CN103674884A (zh) * | 2012-09-17 | 2014-03-26 | 福建中烟工业有限责任公司 | 基于近红外光谱信息的烟叶风格特征的随机森林分类方法 |
Non-Patent Citations (5)
Title |
---|
"基于组合优化的卷烟叶组配方设计";郭科 等;《中国烟草学报》;20070430;第13卷(第2期);第21-23页 * |
"应用近红外光谱投影模型法分析烟叶的产区与风格特征";束茹欣 等;《光谱学与光谱分析》;20141031;第34卷(第10期);第2764-2768页 * |
"应用近红外光谱投影模型法分析烟叶的部位特征";杨凯 等;《光谱学与光谱分析》;20141231;第34卷(第12期);第3277-3280页 * |
"线性规划在卷烟配方设计中的应用";郭克俊 等;《计算技术与自动化》;19891231;第8卷(第3期);第14-17页 * |
"设计卷烟叶组配方系统的优化模型";邹凯;《湘潭大学自然科学学报》;19980331;第34-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104568823A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104568823B (zh) | 基于近红外光谱的烟叶原料配比比例计算方法和装置 | |
Yeung et al. | Subgame consistent economic optimization: an advanced cooperative dynamic game analysis | |
Bodner et al. | A statistical approach to root system classification | |
CN107704806A (zh) | 一种基于深度卷积神经网络进行人脸图像质量预测的方法 | |
WO2017045296A1 (zh) | 在线近红外样本量确定方法 | |
CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
CN104866863B (zh) | 一种生物标志物筛选方法 | |
Johnson et al. | GVCs and trade elasticities with multistage production | |
García-Esteban et al. | A digitalization strategy for quality control in food industry based on Artificial Intelligence techniques | |
CN109298139B (zh) | 烟叶质量评价方法及装置 | |
CN110132880A (zh) | 一种基于近红外光谱的烟叶整体感官质量评价方法 | |
Viaud et al. | Leaf segmentation and tracking in Arabidopsis thaliana combined to an organ-scale plant model for genotypic differentiation | |
CN109559042A (zh) | 一种基于多维指标回归分析的基金经理评分算法 | |
CN108459997A (zh) | 基于深度学习和神经网络的高偏态数据价值概率预测方法 | |
CN107290297A (zh) | 一种基于自步学习的红外光谱定量分析方法及系统 | |
CN106770005A (zh) | 一种用于近红外光谱分析的校正集和验证集的划分方法 | |
CN113657452A (zh) | 基于主成分分析和超级学习的烟叶质量等级分类预测方法 | |
CN105136688A (zh) | 一种用于分析分子光谱的改进可变移动窗偏最小二乘法 | |
CN102706811A (zh) | 一种应用近红外光谱分析技术鉴别卷烟糖料质量的方法 | |
CN109671468B (zh) | 一种特征基因选择及癌症分类方法 | |
Fung et al. | Analytical formulae for computing dominance from species-abundance distributions | |
CN110837460B (zh) | 页面评测方法、模型构建方法及设备 | |
Makui et al. | Using CSW weight’s in UTASTAR method | |
CN106934480A (zh) | 投保等级分析方法、服务器及终端 | |
CN102955978B (zh) | 一种基于周期性灰色系统的时装生产控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210609 Address after: No.350 Dapu Road, Huangpu District, Shanghai 200023 Patentee after: SHANGHAI LENGGUANG TECHNOLOGY Co.,Ltd. Address before: 100193 No. 2 Old Summer Palace West Road, Beijing, Haidian District Patentee before: CHINA AGRICULTURAL University |