CN104966109A - 医疗化验单图像分类方法及装置 - Google Patents

医疗化验单图像分类方法及装置 Download PDF

Info

Publication number
CN104966109A
CN104966109A CN201510425315.5A CN201510425315A CN104966109A CN 104966109 A CN104966109 A CN 104966109A CN 201510425315 A CN201510425315 A CN 201510425315A CN 104966109 A CN104966109 A CN 104966109A
Authority
CN
China
Prior art keywords
medical laboratory
single image
laboratory single
image
medical
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
Application number
CN201510425315.5A
Other languages
English (en)
Other versions
CN104966109B (zh
Inventor
姚聪
周舒畅
周昕宇
吴育昕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Megvii Technology Co Ltd
Beijing Aperture Science and Technology Ltd
Original Assignee
Beijing Megvii Technology Co Ltd
Beijing Aperture Science and Technology Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Megvii Technology Co Ltd, Beijing Aperture Science and Technology Ltd filed Critical Beijing Megvii Technology Co Ltd
Priority to CN201510425315.5A priority Critical patent/CN104966109B/zh
Publication of CN104966109A publication Critical patent/CN104966109A/zh
Application granted granted Critical
Publication of CN104966109B publication Critical patent/CN104966109B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Abstract

本发明提供了一种医疗化验单图像分类方法及装置。所述医疗化验单图像分类方法包括：计算给定医疗化验单图像的图像特征；以及基于所计算的图像特征利用训练好的分类模型确定所述给定医疗化验单图像所对应的医疗化验单的类型和格式。本发明提供的医疗化验单图像分类方法及装置通过图像特性自动判断医疗化验单的类型和格式，免去人工鉴别医疗化验单的类型和格式的过程，提高医疗化验单识别的效率。

Description

医疗化验单图像分类方法及装置
技术领域
本发明涉及图像处理技术领域，具体而言涉及一种医疗化验单图像分类方法及装置。
背景技术
随着医疗水平的提高、互联网的发展以及大数据技术的兴起，医疗大数据即将成为近期和今后一段时间内的行业热点。医疗化验单(或检验报告)电子化是实现医疗大数据的关键技术手段之一。医疗化验单电子化是指利用成像设备(如扫描仪、相机和智能手机等)对纸质的医疗化验单进行拍照并自动识别其内容的过程。对于不同的检验项目(如血常规、尿常规、肝功能、血浆六项或血清八项等)，医疗化验单的格式和内容可能存在明显的差异，这给全自动的医疗化验单电子化带来了极大的困难和挑战。
目前已有的医疗化验单电子化技术和系统大多是半自动的，它们可以识别医疗化验单的内容，然而无法自动判断其格式，因此需要用户事先指定医疗化验单的类型和格式。这种医疗化验单电子化的方式可以保证识别的精度，但是无法保证处理的速度。当待识别的医疗化验单数目巨大时，这些系统的处理效率成为严重的制约瓶颈。
发明内容
针对现有技术的不足，一方面，本发明提供一种医疗化验单图像分类方法，所述医疗化验单图像分类方法包括：计算给定医疗化验单图像的图像特征；以及基于所计算的图像特征利用训练好的分类模型确定所述给定医疗化验单图像所对应的医疗化验单的类型和格式。
示例性地，所述分类模型的训练包括：构建医疗化验单数据库，所述医疗化验单数据库包括一组医疗化验单图像以及每个医疗化验单图像的相对应的标签，所述标签指示医疗化验单图像所对应的医疗化验单的类型和格式；计算所述医疗化验单数据库中的每一个医疗化验单图像的图像特征；基于所述标签和所述图像特征构建训练集；以及采用支持向量机(SVM)模型在所述训练集上训练出所述分类模型。
示例性地，计算医疗化验单图像的图像特征包括计算医疗化验单图像的纹理特征和文字信息。
示例性地，计算医疗化验单图像的纹理特征包括计算医疗化验单图像的词袋模型(Bag of Words)。
示例性地，计算医疗化验单图像的文字信息包括计算医疗化验单图像的字符相对频度。
另一方面，本发明还提供一种医疗化验单图像分类装置，所述医疗化验单图像分类装置包括：特征提取模块，用于计算给定医疗化验单图像的图像特征；以及图像分类模块，用于利用其包括的训练好的分类模型、基于所计算的图像特征确定所述给定医疗化验单图像所对应的医疗化验单的类型和格式。
示例性地，所述分类模型的训练包括：构建医疗化验单数据库，所述医疗化验单数据库包括一组医疗化验单图像以及每个医疗化验单图像的相对应的标签，所述标签指示医疗化验单图像所对应的医疗化验单的类型和格式；计算所述医疗化验单数据库中的每一个医疗化验单图像的图像特征；基于所述标签和所述图像特征构建训练集；以及采用支持向量机模型在所述训练集上训练出所述分类模型。
示例性地，所述特征提取模块计算医疗化验单图像的图像特征包括计算医疗化验单图像的纹理特征和文字信息。
示例性地，所述特征提取模块计算医疗化验单图像的纹理特征包括计算医疗化验单图像的词袋模型。
示例性地，所述特征提取模块计算医疗化验单图像的文字信息包括计算医疗化验单图像的字符相对频度。
本发明提供的医疗化验单图像分类方法及装置通过图像特性自动判断医疗化验单的类型和格式，免去人工鉴别医疗化验单的类型和格式的过程，提高医疗化验单识别的效率。
附图说明
本发明的下列附图在此作为本发明的一部分用于理解本发明。附图中示出了本发明的实施例及其描述，用来解释本发明的原理。
附图中：
图1示出了根据本发明实施例的医疗化验单图像分类方法的流程图；以及
图2示出了根据本发明实施例的医疗化验单图像分类装置的结构框图。
具体实施方式
在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。
应当理解的是，本发明能够以不同形式实施，而不应当解释为局限于这里提出的实施例。相反地，提供这些实施例将使公开彻底和完全，并且将本发明的范围完全地传递给本领域技术人员。
在此使用的术语的目的仅在于描述具体实施例并且不作为本发明的限制。在此使用时，单数形式的“一”、“一个”和“所述/该”也意图包括复数形式，除非上下文清楚指出另外的方式。还应明白术语“组成”和/或“包括”，当在该说明书中使用时，确定所述特征、整数、步骤、操作、元件和/或部件的存在，但不排除一个或更多其它的特征、整数、步骤、操作、元件、部件和/或组的存在或添加。在此使用时，术语“和/或”包括相关所列项目的任何及所有组合。
为了彻底理解本发明，将在下列的描述中提出详细的步骤以及详细的结构，以便阐释本发明的技术方案。本发明的较佳实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。
本发明的一个实施例提供一种医疗化验单图像分类方法，该方法通过图像特性自动判断医疗化验单的类型和格式，免去人工鉴别医疗化验单的类型和格式的过程，提高医疗化验单识别的效率。
下面，参照图1来具体描述根据本发明一个实施例的医疗化验单图像分类方法。图1示出了根据本发明实施例的医疗化验单图像分类方法100的流程图。如图1所示，医疗化验单图像分类方法100包括如下步骤：
步骤101：计算给定医疗化验单图像的图像特征；以及
步骤102：基于所计算的图像特征利用训练好的分类模型确定给定医疗化验单图像所对应的医疗化验单的类型和格式。
示例性地，在步骤101中，所计算的图像特征可以是数值化(如向量)的图像特性表达。根据本发明的一个实施例，计算给定医疗化验单图像的图像特征可以包括计算给定医疗化验单图像的纹理特征和文字信息。在实施例中，步骤101所计算的图像特征包括纹理特征和文字信息。
其中，示例性地，计算医疗化验单图像的纹理特征可以包括计算医疗化验单图像的词袋模型。词袋模型是图像纹理特征的一种统计表达，可以有效描述图像的整体和局部特性。词袋模型的计算可以包括两个主要步骤(a)和(b)：
(a)建立码本：从一个训练图像集合中随机提取大量的图像描述符(如SIFT、HOG等)，每个图像描述符都是一个向量，采用K-means聚类算法对这些图像描述符进行聚类，得到K个类别(K为可以调节的参数，典型值为1024、2048、10000等)。聚类中心被称为“词”，聚类得到的所有类别组成一个“码本”。
(b)图像描述：对于一幅图像，以稠密的方式提取特征描述符(如SIFT、HOG等)；对于每一个描述符，在码本中搜索最相似的聚类中心(也即词)。统计不同词在该图像中出现的频度，形成一个直方图。对该直方图作L1归一化，得到最后的基于词袋模型的图像纹理特征。
根据本发明的一个实施例，计算医疗化验单图像的文字信息可以包括计算医疗化验单图像的字符相对频度。字符相对频度刻画图像中不同种类的字符出现的相对次数(频度)，可以用于表达图像中的文字信息。字符相对频度的计算过程可以为：首先，利用光学字符识别(OCR)算法定位和识别医疗化验单图像中的所有字符；然后统计不同种类的字符出现的次数，未出现过的字符的频度为零，统计的结果形成一个直方图；最后，对该直方图作L1归一化，得到基于字符相对频度的图像文字信息表达。在一个示例中，字符种类的集合可以为所有中文字符、英文字母和阿拉伯数字的并集。
基于上面的示例，在计算医疗化验单图像的词袋模型特征和字符相对频度特征后，可以将二者拼接成一个向量，作为该医疗化验单图像的图像特征。
现在回到医疗化验单图像分类方法100，在步骤102中所述的分类模型可以通过训练得到。示例性地，分类模型的训练可以包括如下步骤(A)～(D)：
(A)：收集一组医疗化验单图像。对于每一张图像，标注标签指明其所属的类型和格式，构建一个医疗化验单数据库。
(B)：对于医疗化验单数据库中的每一幅图像I，计算其特征x，特征x包括纹理特征和文字信息。特征的计算方法类似于上文所述的对医疗化验单图像的纹理特征和文字信息的计算，此处不再赘述。
(C)：将所有图像的特征和标签汇总，得到一个训练集，所述训练集可以表示为：S＝{xi,yi},i＝1,2,...N，其中N为医疗化验单数据库中图像的数目，xi为图像Ii的特征向量，yi为图像Ii的标签，其指明图像Ii所属的类型和格式。
(D)：采用线性支持向量机(Linear SVM)模型，在训练集S上训练一个分类模型C。
基于训练好的分类模型C，对于给定的医疗化验单图像J，在步骤102中可以将在步骤101计算得到的图像特征x(J)输入到分类模型C，得到识别结果y(J)。y(J)指明医疗化验单图像J所属的类型和格式。
根据本发明上述实施例的医疗化验单图像分类方法可以结合纹理特征和文字信息来识别医疗化验单的类型和格式，其可以很好地应用于医疗大数据场景，进行准确和高效的医疗化验单电子化。该方法通过图像自动判断给定医疗化验单的类型和格式，从而可以有效减少医疗化验单识别过程中由噪声、模糊、局部背景干扰等因素导致的错误，提高识别的精度；此外，该方法避免了人工鉴别和指定医疗化验单类型和格式这一耗时的过程，因此可以极大提高医疗化验单电子化的效率。
根据本发明的另一方面，还提供了一种医疗化验单图像分类装置。图2示出了根据本发明实施例的医疗化验单图像分类装置200的结构框图。如图2所示，医疗化验单图像分类装置200包括：特征提取模块201和图像分类模块202。其中，特征提取模块201用于计算给定医疗化验单图像(例如所输入的医疗化验单图像)的图像特征；图像分类模块202用于利用其包括的训练好的分类模型、基于特征提取模块201所计算的图像特征确定该给定医疗化验单图像所对应的医疗化验单的类型和格式。例如，图像分类模块202可以输出针对给定医疗化验单图像的识别结果，该识别结果指明该给定医疗化验单图像所对应的医疗化验单的类型和格式。
其中，训练好的分类模型为图像分类模块202的一部分。示例性地，分类模型的训练可以包括：构建医疗化验单数据库，所述医疗化验单数据库包括一组医疗化验单图像以及每个医疗化验单图像的相对应的标签，所述标签指示医疗化验单图像所对应的医疗化验单的类型和格式；计算所述医疗化验单数据库中的每一个医疗化验单图像的图像特征；基于所述标签和所述图像特征构建训练集；以及采用支持向量机模型在所述训练集上训练出所述分类模型。
根据本发明的一个实施例，特征提取模块201计算医疗化验单图像的图像特征可以包括计算医疗化验单图像的纹理特征和文字信息。
示例性地，特征提取模块201计算医疗化验单图像的纹理特征可以包括计算医疗化验单图像的词袋模型。
示例性地，特征提取模块201计算医疗化验单图像的文字信息可以包括计算医疗化验单图像的字符相对频度。
关于词袋模型和字符相对频度的计算，上文已进行了详细描述，因此此处不再赘述。
根据本发明实施例的上述医疗化验单图像分类装置可以通过图像特性自动判断医疗化验单的类型和格式，免去人工鉴别医疗化验单的类型和格式的过程，提高医疗化验单识别的效率。
本发明实施例的各个模块可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的医疗化验单图像分类装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在存储载体上提供，或者以任何其他形式提供。
本发明已经通过上述实施例进行了说明，但应当理解的是，上述实施例只是用于举例和说明的目的，而非意在将本发明限制于所描述的实施例范围内。此外本领域技术人员可以理解的是，本发明并不局限于上述实施例，根据本发明的教导还可以做出更多种的变型和修改，这些变型和修改均落在本发明所要求保护的范围以内。本发明的保护范围由附属的权利要求书及其等效范围所界定。

Claims (10)

1.一种医疗化验单图像分类方法，其特征在于，所述医疗化验单图像分类方法包括：
计算给定医疗化验单图像的图像特征；以及
基于所计算的图像特征利用训练好的分类模型确定所述给定医疗化验单图像所对应的医疗化验单的类型和格式。
2.如权利要求1所述的医疗化验单图像分类方法，其特征在于，所述分类模型的训练包括：
构建医疗化验单数据库，所述医疗化验单数据库包括一组医疗化验单图像以及每个医疗化验单图像的相对应的标签，所述标签指示医疗化验单图像所对应的医疗化验单的类型和格式；
计算所述医疗化验单数据库中的每一个医疗化验单图像的图像特征；
基于所述标签和所述图像特征构建训练集；以及
采用支持向量机模型在所述训练集上训练出所述分类模型。
3.如权利要求1或2所述的医疗化验单图像分类方法，其特征在于，计算医疗化验单图像的图像特征包括计算医疗化验单图像的纹理特征和文字信息。
4.如权利要求3所述的医疗化验单图像分类方法，其特征在于，计算医疗化验单图像的纹理特征包括计算医疗化验单图像的词袋模型。
5.如权利要求3所述的医疗化验单图像分类方法，其特征在于，计算医疗化验单图像的文字信息包括计算医疗化验单图像的字符相对频度。
6.一种医疗化验单图像分类装置，其特征在于，所述医疗化验单图像分类装置包括：
特征提取模块，用于计算给定医疗化验单图像的图像特征；以及
图像分类模块，用于利用其包括的训练好的分类模型、基于所计算的图像特征确定所述给定医疗化验单图像所对应的医疗化验单的类型和格式。
7.如权利要求6所述的医疗化验单图像分类装置，其特征在于，所述分类模型的训练包括：
构建医疗化验单数据库，所述医疗化验单数据库包括一组医疗化验单图像以及每个医疗化验单图像的相对应的标签，所述标签指示医疗化验单图像所对应的医疗化验单的类型和格式；
计算所述医疗化验单数据库中的每一个医疗化验单图像的图像特征；
基于所述标签和所述图像特征构建训练集；以及
采用支持向量机模型在所述训练集上训练出所述分类模型。
8.如权利要求6或7所述的医疗化验单图像分类装置，其特征在于，所述特征提取模块计算医疗化验单图像的图像特征包括计算医疗化验单图像的纹理特征和文字信息。
9.如权利要求8所述的医疗化验单图像分类装置，其特征在于，所述特征提取模块计算医疗化验单图像的纹理特征包括计算医疗化验单图像的词袋模型。
10.如权利要求8所述的医疗化验单图像分类装置，其特征在于，所述特征提取模块计算医疗化验单图像的文字信息包括计算医疗化验单图像的字符相对频度。
CN201510425315.5A 2015-07-17 2015-07-17 医疗化验单图像分类方法及装置 Active CN104966109B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510425315.5A CN104966109B (zh) 2015-07-17 2015-07-17 医疗化验单图像分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510425315.5A CN104966109B (zh) 2015-07-17 2015-07-17 医疗化验单图像分类方法及装置

Publications (2)

Publication Number Publication Date
CN104966109A true CN104966109A (zh) 2015-10-07
CN104966109B CN104966109B (zh) 2018-08-14

Family

ID=54220144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510425315.5A Active CN104966109B (zh) 2015-07-17 2015-07-17 医疗化验单图像分类方法及装置

Country Status (1)

Country Link
CN (1) CN104966109B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930844A (zh) * 2016-04-20 2016-09-07 西北工业大学 提高纸质医疗化验单手机扫描识别率的方法
CN106372672A (zh) * 2016-09-08 2017-02-01 杭州健培科技有限公司 基于单个或多个区域特征组合的医学影像分类方法
CN106446881A (zh) * 2016-07-29 2017-02-22 北京交通大学 从医疗化验单图像中提取化验结果信息的方法
CN107273883A (zh) * 2017-05-03 2017-10-20 天方创新（北京）信息技术有限公司 决策树模型训练方法、确定ocr结果中数据属性方法及装置
CN109426831A (zh) * 2017-08-30 2019-03-05 腾讯科技（深圳）有限公司 图片相似匹配及模型训练的方法、装置及计算机设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929937A (zh) * 2012-09-28 2013-02-13 福州博远无线网络科技有限公司 基于文本主题模型的商品分类的数据处理方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929937A (zh) * 2012-09-28 2013-02-13 福州博远无线网络科技有限公司 基于文本主题模型的商品分类的数据处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BO LI等: ""Global and Local Features Based Medical Image Classification"", 《JOURNAL OF MEDICAL IMAGING AND HEALTH INFORMATICS》 *
康南南: ""基于主题模型和图核模型的图像分类算法的研究与应用"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105930844A (zh) * 2016-04-20 2016-09-07 西北工业大学 提高纸质医疗化验单手机扫描识别率的方法
CN106446881A (zh) * 2016-07-29 2017-02-22 北京交通大学 从医疗化验单图像中提取化验结果信息的方法
CN106446881B (zh) * 2016-07-29 2019-05-21 北京交通大学 从医疗化验单图像中提取化验结果信息的方法
CN106372672A (zh) * 2016-09-08 2017-02-01 杭州健培科技有限公司 基于单个或多个区域特征组合的医学影像分类方法
CN107273883A (zh) * 2017-05-03 2017-10-20 天方创新（北京）信息技术有限公司 决策树模型训练方法、确定ocr结果中数据属性方法及装置
CN107273883B (zh) * 2017-05-03 2020-04-21 天方创新（北京）信息技术有限公司 决策树模型训练方法、确定ocr结果中数据属性方法及装置
CN109426831A (zh) * 2017-08-30 2019-03-05 腾讯科技（深圳）有限公司 图片相似匹配及模型训练的方法、装置及计算机设备
CN109426831B (zh) * 2017-08-30 2022-12-13 腾讯科技（深圳）有限公司 图片相似匹配及模型训练的方法、装置及计算机设备

Also Published As

Publication number Publication date
CN104966109B (zh) 2018-08-14

Similar Documents

Publication Publication Date Title
CN104966109A (zh) 医疗化验单图像分类方法及装置
CN105118048A (zh) 翻拍证件图片的识别方法及装置
CN103927387A (zh) 图像检索系统及其相关方法和装置
CN105117740A (zh) 字体识别方法及装置
CN111476284A (zh) 图像识别模型训练及图像识别方法、装置、电子设备
Azad et al. New method for optimization of license plate recognition system with use of edge detection and connected component
CN106203539A (zh) 识别集装箱箱号的方法和装置
CN112699775A (zh) 基于深度学习的证件识别方法、装置、设备及存储介质
CN110472652A (zh) 基于语义引导的少量样本分类方法
CN108764302A (zh) 一种基于颜色特征和词袋特征的票据图像分类方法
CN112016605A (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN109993201A (zh) 一种图像处理方法、装置和可读存储介质
CN109741351A (zh) 一种基于深度学习的类别敏感型边缘检测方法
CN115062186B (zh) 一种视频内容检索方法、装置、设备以及存储介质
CN112528903A (zh) 人脸图像获取方法、装置、电子设备及介质
Lyu et al. The early Japanese books reorganization by combining image processing and deep learning
CN111178367B (zh) 适应多物件尺寸的特征决定装置及方法
US11600088B2 (en) Utilizing machine learning and image filtering techniques to detect and analyze handwritten text
CN113822134A (zh) 一种基于视频的实例跟踪方法、装置、设备及存储介质
CN113033543A (zh) 曲形文本识别方法、装置、设备及介质
CN112613341A (zh) 训练方法及装置、指纹识别方法及装置、电子设备
Rani et al. Object Detection in Natural Scene Images Using Thresholding Techniques
CN110688998A (zh) 票据识别方法及装置
Choubey et al. Bilateral Partitioning based character recognition for Vehicle License plate

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100190 Beijing, Haidian District Academy of Sciences, South Road, No. 2, block A, No. 313

Applicant after: MEGVII INC.

Applicant after: Beijing maigewei Technology Co., Ltd.

Address before: 100080 room 1001-011, building 3, Haidian street, Beijing, Haidian District, 1

Applicant before: MEGVII INC.

Applicant before: Beijing aperture Science and Technology Ltd.

GR01 Patent grant
GR01 Patent grant