CN106824826A - 一种玉米单倍体分拣系统 - Google Patents
一种玉米单倍体分拣系统 Download PDFInfo
- Publication number
- CN106824826A CN106824826A CN201710025266.5A CN201710025266A CN106824826A CN 106824826 A CN106824826 A CN 106824826A CN 201710025266 A CN201710025266 A CN 201710025266A CN 106824826 A CN106824826 A CN 106824826A
- Authority
- CN
- China
- Prior art keywords
- image
- nno
- colour cast
- circle
- pixel
- 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
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3425—Sorting according to other particular properties according to optical properties, e.g. colour of granular material, e.g. ore particles, grain
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种玉米单倍体分拣系统,包括操作平台和H架,操作平台顶部固定安装有皮带机;皮带机包括左滚筒、右滚筒和皮带;皮带上沿运动方向上开设有多个第一通孔;H架的水平杆上固定安装有分拣平台;分拣平台上开设有与第一通孔对应的第二通孔;分拣平台的右侧底部固定安装有驱动器;驱动器的左侧通过电动伸缩杆活动连接有连接杆;连接杆的另一端活动连接有圆环;圆环固定安装在活动块上;活动块通过合页与分拣平台活动连接;操作平台上固定安装有分拣箱;分拣箱的后侧连接有溜槽。本发明能够实现玉米单倍体的准确和持续分拣,分拣效率高。
Description
技术领域
本发明属于现代农业装备技术领域,尤其涉及一种玉米单倍体分拣系统。
背景技术
单倍体是由具有配子体染色体数目的个体、组织或细胞分化、生长出的植株,其植株体细胞染色体数目为亲本细胞染色体数目的一半。利用单倍体技术获得纯系进而选育自交系,可加快选育进程、提高选育效率,是现代植物育种中快速、高效的方法之一。由于单倍体自然发生的几率很低,造成单倍体种子数量极少。每年有80万自交系,即需要从800万粒中选择80万粒的单倍体,但目前检查量仅为1000粒/小时,且主要通过人工方式实现。因此有必要发明一种玉米单倍体自动分选装置,自动快速实现玉米单倍体籽粒的准确分选,对提高育种效率具有重大意义。
目前玉米单倍体籽粒自动分选的装置具有一定的局限性,在判断出单倍体玉米时,需要放缓或停止皮带机的运行,才能取出单倍体玉米,使得分拣效率大大降低。
发明内容
本发明的目的在于提供一种玉米单倍体分拣系统,旨在解决目前玉米单倍体籽粒自动分选的装置具有一定的局限性,在判断出单倍体玉米时,需要放缓或停止皮带机的运行,才能取出单倍体玉米,使得分拣效率大大降低的问题。
本发明是这样实现的,一种玉米单倍体分拣系统,包括操作平台和H架,所述操作平台顶部固定安装有皮带机;所述皮带机包括左滚筒、右滚筒和皮带;所述皮带上沿运动方向上开设有多个第一通孔;所述H架的水平杆上固定安装有分拣平台;所述分拣平台上开设有与第一通孔对应的第二通孔;所述分拣平台的右侧底部固定安装有驱动器;所述驱动器设置在第二通孔的右侧;所述驱动器的左侧通过电动伸缩杆活动连接有连接杆;所述连接杆的另一端活动连接有圆环;所述圆环固定安装在活动块上;所述活动块通过合页与分拣平台活动连接,且合页固定安装在第二通孔的右侧;所述操作平台上固定安装有分拣箱;所述分拣箱的后侧连接有溜槽,且溜槽设置在第二通孔的正下方;所述操作平台的顶部固定安装有支撑架;所述支撑架的第一竖杆和第二竖杆分别固定安装在皮带机的前后两侧;所述支撑架的横杆底部固定安装有图像采集分析装置;所述支撑架设置在第二通孔的左侧;所述第一竖杆的前端面上固定安装有操作显示屏;
所述操作平台底部的四个角部均固定安装有万向轮,且万向轮上安装有刹车片;所述左滚筒和右滚筒通过皮带连接;所述左滚筒和右滚筒通过支架固定安装在操作平台上;所述活动块与第二通孔的尺寸相匹配;所述分拣平台的顶部与皮带紧密贴合;
所述第一通孔在纵向方向上设置有3个;所述第二通孔在纵向方向上设置有3个;所述驱动器、电动伸缩杆、连接杆、圆环、活动块和合页均设置有3个。
进一步,所述图像采集分析装置的图像的Lyapunov指数的计算方法包括;
(1)一维离散混沌系统Lyapunov指数的计算
设一维混沌系统为:
xn+1=F(xn) (2.9)
xn有偏差dxn,xn+1的偏差为dxn+1,则有式(2.10),所以式(2.11)成立;
xn+1+dxn+1=F(xn+dxn)≈F(xn)+dxn·F'(xn) (2.10)
dxn+1=dxn·F'(xn) (2.11)
一维混沌映射的轨道呈现指数规律,即:
|dxn+1|=|dxn|·eLE (2.12)
其中LE是Lyapunov指数;经过式(2.13)多次迭代后,得到最终式(2.14);
(2)微分方程组Lyapunov指数的计算
在微分方程组所确定的相空间中,选择两条起点差距为d0轨迹,经过时间τ后,差距为dτ,且d0与dτ成指数关系,即:
dτ=d0eτLE (2.15)
则Lyapunov指数为:
先从一条参考轨迹上找一个起点,算出与相邻轨迹的距离d0、dτ,如果dτ与d0不成指数关系,则找新的起点重算d0;经过时间τ后,选取一个新的起点,与参考轨迹的初始距离d0保持不变;得到一系列的d1,d2,...,dj,...;然后按(2.16)式算平均,得到最大Lyapunov指数:
当d0足够小,且n取足够大时,只要τ不太大,则计算的结果就与τ的具体大小无关;即用计算机实现这种算法,得到一个可靠的LE1;
(3)差分方程组Lyapunov指数的计算
差分方程组的定义:在Rn空间上有xi+1=f(xi),f为Rn上的连续可微映射;
f的Jacobi矩阵为:
令Ji=f'(x0)·f'(x1)·...·f'(xi-1)并将Ji的n个复特征根的模依次按大到小的顺序排列为:
|LE1 (i)|≥|LE2 (i)|≥...|LEn (i)| (2.19)
则f的Lyapunov指数为:
进一步,所述图像采集分析装置的均值滤波预处理方法为:对于给定的图像f(x,y)中的每一个点(m,n),取邻域A,设A含有N个像素,取平均值作为预处理后所得图像像素点(m,n)处的灰度,设M是3×3的正方形邻域,点(m,n)位于M中心,具体公式如下:
中值滤波的预处理方法为:给定图像f(x,y)中的每一个点(m,n)的邻域A,设A含有N个像素{a1,a2,┄,aN},将按像素大小排序,若N是奇数时,则位于中间的那个像素值就是修改后图像g(x,y)在f(m,n)处的像素值,若N是偶数时,则取中间两个像素的平均值就是修改后图像g(x,y)在(m,n)处的像素值,具体表达式如下:
进一步,所述图像采集分析装置设置有信号间干扰关系分析模块,所述信号间干扰关系分析模块的分析方法包括以下步骤:
步骤一,确定干扰信号在无线信号领域上的若干特征参数CP,并基于特征参数形成对应的干扰空间模型,基于建立的干扰空间模型,确定待分析的干扰信号特征矢量与参照信号特征矢量
步骤二,基于干扰空间模型,针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量
步骤三,定义位移矢量在干扰空间中对某个维度坐标轴的投影,为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离,即有:
其中PRJ(·)算子表示针对某一CP维度的投影运算;
步骤四,定义干扰信号对参照信号的干扰状态为S,用以表示干扰信号对参照信号的干扰关系;
步骤五,在已经形成干扰的前提下,首先需要选取并确定干扰作用参数EP,对于干扰信号而言,参数通常为信号功率p或者能量e;
步骤六,定义干扰信号对参照信号的干扰程度为G,用以衡量干扰信号对参照信号的干扰影响程度;
所述方法进一步包括:对于干扰信号和参照信号各自包含若干干扰特征矢量的多模情况,此时的干扰状态S(VI,VS),如下计算:
其中S[VI,VS]M×N被称为干扰状态矩阵,矩阵中的每个元素表示VI中的第k个特征矢量和VS中的第l个特征矢量的干扰状态,只有两个特征矢量集合中每个元素都不干扰时,S(VI,VS)=0干扰信号才不对参照信号形成干扰;反之,S(VI,VS)>0,此时干扰信号将对参照信号形成干扰。
进一步,所述操作显示屏的图像色偏检测方法包括:
步骤一,通过操作显示屏的摄像头拍摄一副彩色图像Img_sur,即RGB图像为待检测图像;
步骤二,将源图像Img_sur由RGB空间转换到Lab色度空间,得到转换后图像Img_Lab及在L、a、b分量上的图像数据;
步骤三,通过式(1),定量分析Img_Lab图像在ab二维颜色坐标下的直方图分布特征,并依式(2)、(3)计算等价圆Eq的圆心C、半径σ、u、D、Dσ参数;
式(3)中u为该等价圆的圆心C距离中性轴(a=0,b=0)的距离,D为等价圆外侧距离中性轴的距离,Dσ表示该二维直方图等价圆偏离中性轴的程度:Dσ值越大,表明该图像直方图偏离中性轴越严重;
步骤四,初次判断图像色偏情况:当满足式(4)时,则认为图像的ab二维平面直方图是聚集的,并暂时将图像归类为色偏图像,执行步骤七;否则,初步认定图像为非色偏图像,执行步骤五;
(D>10and Dσ>0.6)or(Dσ>1.5) (4)
步骤五,求解图像的NNO区域,理论依据:图像场景中的无色差表面能够完全反映场景中入射光照的颜色,通过灰色表面的色偏情况,得出图像的光照的偏移情况,方法如下:若Img_NNO(i,j)像素为NNO区域像素,则:
其中L、a、b为图像在Lab色度空间的三个分量信息,d为待测图像Img_sur在Lab色度空间中的色度半径最大值,限制d所在像素点以及每个NNO区域像素点Img_NNO(i,j)为非孤立像素点;
步骤六,对步骤五的结果图像求解其二维直方图对应等价圆DσNNO的参数,对比源图像等价圆的各个参数,将式(6)作为衡量图像参数变化的量化依据,从两者参数的变化趋势对非聚集图像或非色偏图像进行二次判断;
σcr=(σ-σNNO)/σ;ucr=(u-uNNO)/u (6)
其中,σcr和ucr分别代表了图像二维直方图等价圆的半径σ和圆心距离原点的距离u在提取NNO区域前后相对自身变化的幅度,能够有效地量化图像在提取NNO区域前后的二维直方图等价圆的变化情况,具有很好的参数代表作用,正常的非色偏图像源图像与NNO区域图像的二维直方图等价圆σ、u等参数的变化幅度较大,即正常非色偏图像的NNO区域图像的等价圆参数比原图像的等价圆参数变化较大,该特性符合正常无色偏图像的颜色特征;同时,色偏图像在提取NNO区域前后的σ、u参数值变化幅度较小,即色偏图像的NNO区域图像同样具有色偏的颜色特征,所以,通过分析σ、u参数值的变化来实现对非色偏图像分类的方法是有效的,设定参数阈值如下:
当图像NNO区域等价圆参数DσNNO<-0.5时,或者,σ、u参数在提取NNO区域前后变化的幅度分别超过70%和60%时,判断图像是正常非色偏图像;当图像NNO区域等价圆参数DσNNO>0.5时,或者,σ、u参数在提取NNO区域前后变化的幅度分别低于40%和30%时,判断图像为色偏图像;
步骤七,对初次判定为色偏图像的图像进行分类:
将利用图像在Lab色度空间的L分量的直方图分布信息,对图像进行首次分类,当图像内容为明显的本质色偏时,Lab色度空间的L分量的直方图分布呈现区域性的聚集分布;而图像内容为真实色偏时,Lab色度空间的L分量的直方图分布呈现为比较均匀的离散分布,采用如下方式对图像的L分量进行处理:
当L分量直方图中某像素出现次数低于出现次数最高的像素出现次数的1%时,将该像素的像素数置零;
判断经处理后的L分量直方图,像素出现次数不为零的最小像素与最大像素所横跨的区间在L分量的整个像素区间的比重是否小于80%:
当非零次数像素所跨越区域小于等于整个像素区间80%时,判定该图像色偏类型为本质色偏;
当大于80%时,则等待进一步的判断;
对具有本质色偏特征,且图像内容不是很单一的本质色偏图像以及真实色偏图像,根据他们的NNO区域的二维直方图等价圆的各个参数相对源图像等价圆参数的变化来进行进一步的判定,若图像发生色偏失真,则NNO区域也会体现出色偏特征;若图像没有发生色偏失真,NNO区域应表现出正常图像的特征,同样用式(6)对色偏图像进行分类,其中,阈值的设置根据不同的场景进行调整:
其中σcr和ucr分别代表了色偏图像二维直方图等价圆的半径σ和圆心距离原点的距离u在提取NNO区域前后相对自身变化的幅度指标;
步骤八,对操作显示屏所获取的图片实时地进行检测,该程序会反馈检测结果,即对操作显示屏在色彩方面性能的评价。
本发明提供的玉米单倍体分拣系统,玉米颗粒在经过图像采集分析装置分析之后,实现单倍体玉米颗粒的自动分拣,打开符合要求的玉米颗粒所在第一通孔对应的第二通孔,将活动块通过驱动器从第二通孔中拉出,单倍体玉米颗粒通过溜槽进入到分拣箱中,不符合要求的玉米颗粒随着皮带机的运行被输送出去,在整个工作过程中不需要放缓或停止皮带机的运行,与现有技术的装置相比,具有一定的持续性,整个装置可以一直运行,分拣效率高。
附图说明
图1是本发明实施例提供的玉米单倍体分拣系统的结构示意图。
图2是本发明实施例提供的右视图。
图3是本发明实施例提供的分拣平台的安装示意图。
图4是本发明实施例提供的皮带的俯视图。
图5是本发明实施例提供的活动块关闭示意图。
图6是本发明实施例提供的活动块打开示意图。
图中:1、操作平台;2、万向轮;3、刹车片;4、皮带机;5、左滚筒;6、右滚筒;7、皮带;8、支架;9、第一通孔;10、H架;11、水平杆;12、分拣平台;13、第二通孔;14、驱动器;15、电动伸缩杆;16、连接杆;17、圆环;18、活动块;19、合页;20、分拣箱;21、溜槽;22、支撑架;23、第一竖杆;24、第二竖杆;25、横杆;26、图像采集分析装置;27、操作显示屏。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明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发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1-图6所示,本发明实施例提供种玉米单倍体分拣系统,包括操作平台1和H架10,所述操作平台1顶部固定安装有皮带机4;所述皮带机4包括左滚筒5、右滚筒6和皮带7;所述皮带7上沿运动方向上开设有多个第一通孔9;所述H架10的水平杆11上固定安装有分拣平台12;所述分拣平台12上开设有与第一通孔9对应的第二通孔13;所述分拣平台12的右侧底部固定安装有驱动器14;所述驱动器14设置在第二通孔13的右侧;所述驱动器14的左侧通过电动伸缩杆15活动连接有连接杆16;所述连接杆16的另一端活动连接有圆环17;所述圆环17固定安装在活动块18上;所述活动块18通过合页19与分拣平台12活动连接,且合页19固定安装在第二通孔13的右侧;所述操作平台1上固定安装有分拣箱20;所述分拣箱20的后侧连接有溜槽21,且溜槽21设置在第二通孔13的正下方;所述操作平台1的顶部固定安装有支撑架22;所述支撑架22的第一竖杆23和第二竖杆24分别固定安装在皮带机4的前后两侧;所述支撑架22的横杆25底部固定安装有图像采集分析装置26;所述支撑架22设置在第二通孔13的左侧;所述第一竖杆23的前端面上固定安装有操作显示屏27。
进一步,所述操作平台1底部的四个角部均固定安装有万向轮2,且万向轮2上安装有刹车片3。
进一步,所述左滚筒5和右滚筒6通过皮带7连接。
进一步,所述左滚筒5和右滚筒6通过支架8固定安装在操作平台1上。
进一步,所述活动块18与第二通孔13的尺寸相匹配。
进一步,所述分拣平台12的顶部与皮带7紧密贴合。
进一步,所述第一通孔9在纵向方向上设置有3个。
进一步,所述第二通孔13在纵向方向上设置有3个。
进一步,所述驱动器14、电动伸缩杆15、连接杆16、圆环17、活动块18和合页19均设置有3个。
进一步,所述图像采集分析装置的图像的Lyapunov指数的计算方法包括;
(1)一维离散混沌系统Lyapunov指数的计算
设一维混沌系统为:
xn+1=F(xn) (2.9)
xn有偏差dxn,xn+1的偏差为dxn+1,则有式(2.10),所以式(2.11)成立;
xn+1+dxn+1=F(xn+dxn)≈F(xn)+dxn·F'(xn) (2.10)
dxn+1=dxn·F'(xn) (2.11)
一维混沌映射的轨道呈现指数规律,即:
|dxn+1|=|dxn|·eLE (2.12)
其中LE是Lyapunov指数;经过式(2.13)多次迭代后,得到最终式(2.14);
(2)微分方程组Lyapunov指数的计算
在微分方程组所确定的相空间中,选择两条起点差距为d0轨迹,经过时间τ后,差距为dτ,且d0与dτ成指数关系,即:
dτ=d0eτLE (2.15)
则Lyapunov指数为:
先从一条参考轨迹上找一个起点,算出与相邻轨迹的距离d0、dτ,如果dτ与d0不成指数关系,则找新的起点重算d0;经过时间τ后,选取一个新的起点,与参考轨迹的初始距离d0保持不变;得到一系列的d1,d2,...,dj,...;然后按(2.16)式算平均,得到最大Lyapunov指数:
当d0足够小,且n取足够大时,只要τ不太大,则计算的结果就与τ的具体大小无关;即用计算机实现这种算法,得到一个可靠的LE1;
(3)差分方程组Lyapunov指数的计算
差分方程组的定义:在Rn空间上有xi+1=f(xi),f为Rn上的连续可微映射;
f的Jacobi矩阵为:
令Ji=f'(x0)·f'(x1)·...·f'(xi-1)并将Ji的n个复特征根的模依次按大到小的顺序排列为:
|LE1 (i)|≥|LE2 (i)|≥...|LEn (i)| (2.19)
则f的Lyapunov指数为:
进一步,所述图像采集分析装置的均值滤波预处理方法为:对于给定的图像f(x,y)中的每一个点(m,n),取邻域A,设A含有N个像素,取平均值作为预处理后所得图像像素点(m,n)处的灰度,设M是3×3的正方形邻域,点(m,n)位于M中心,具体公式如下:
中值滤波的预处理方法为:给定图像f(x,y)中的每一个点(m,n)的邻域A,设A含有N个像素{a1,a2,┄,aN},将按像素大小排序,若N是奇数时,则位于中间的那个像素值就是修改后图像g(x,y)在f(m,n)处的像素值,若N是偶数时,则取中间两个像素的平均值就是修改后图像g(x,y)在(m,n)处的像素值,具体表达式如下:
进一步,所述图像采集分析装置设置有信号间干扰关系分析模块,所述信号间干扰关系分析模块的分析方法包括以下步骤:
步骤一,确定干扰信号在无线信号领域上的若干特征参数CP,并基于特征参数形成对应的干扰空间模型,基于建立的干扰空间模型,确定待分析的干扰信号特征矢量与参照信号特征矢量
步骤二,基于干扰空间模型,针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量
步骤三,定义位移矢量在干扰空间中对某个维度坐标轴的投影,为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离,即有:
其中PRJ(·)算子表示针对某一CP维度的投影运算;
步骤四,定义干扰信号对参照信号的干扰状态为S,用以表示干扰信号对参照信号的干扰关系;
步骤五,在已经形成干扰的前提下,首先需要选取并确定干扰作用参数EP,对于干扰信号而言,参数通常为信号功率p或者能量e;
步骤六,定义干扰信号对参照信号的干扰程度为G,用以衡量干扰信号对参照信号的干扰影响程度;
所述方法进一步包括:对于干扰信号和参照信号各自包含若干干扰特征矢量的多模情况,此时的干扰状态S(VI,VS),如下计算:
其中S[VI,VS]M×N被称为干扰状态矩阵,矩阵中的每个元素表示VI中的第k个特征矢量和VS中的第l个特征矢量的干扰状态,只有两个特征矢量集合中每个元素都不干扰时,S(VI,VS)=0干扰信号才不对参照信号形成干扰;反之,S(VI,VS)>0,此时干扰信号将对参照信号形成干扰。
进一步,所述操作显示屏的图像色偏检测方法包括:
步骤一,通过操作显示屏的摄像头拍摄一副彩色图像Img_sur,即RGB图像为待检测图像;
步骤二,将源图像Img_sur由RGB空间转换到Lab色度空间,得到转换后图像Img_Lab及在L、a、b分量上的图像数据;
步骤三,通过式(1),定量分析Img_Lab图像在ab二维颜色坐标下的直方图分布特征,并依式(2)、(3)计算等价圆Eq的圆心C、半径σ、u、D、Dσ参数;
式(3)中u为该等价圆的圆心C距离中性轴(a=0,b=0)的距离,D为等价圆外侧距离中性轴的距离,Dσ表示该二维直方图等价圆偏离中性轴的程度:Dσ值越大,表明该图像直方图偏离中性轴越严重;
步骤四,初次判断图像色偏情况:当满足式(4)时,则认为图像的ab二维平面直方图是聚集的,并暂时将图像归类为色偏图像,执行步骤七;否则,初步认定图像为非色偏图像,执行步骤五;
(D>10and Dσ>0.6)or(Dσ>1.5) (4)
步骤五,求解图像的NNO区域,理论依据:图像场景中的无色差表面能够完全反映场景中入射光照的颜色,通过灰色表面的色偏情况,得出图像的光照的偏移情况,方法如下:若Img_NNO(i,j)像素为NNO区域像素,则:
其中L、a、b为图像在Lab色度空间的三个分量信息,d为待测图像Img_sur在Lab色度空间中的色度半径最大值,限制d所在像素点以及每个NNO区域像素点Img_NNO(i,j)为非孤立像素点;
步骤六,对步骤五的结果图像求解其二维直方图对应等价圆DσNNO的参数,对比源图像等价圆的各个参数,将式(6)作为衡量图像参数变化的量化依据,从两者参数的变化趋势对非聚集图像或非色偏图像进行二次判断;
σcr=(σ-σNNO)/σ;ucr=(u-uNNO)/u (6)
其中,σcr和ucr分别代表了图像二维直方图等价圆的半径σ和圆心距离原点的距离u在提取NNO区域前后相对自身变化的幅度,能够有效地量化图像在提取NNO区域前后的二维直方图等价圆的变化情况,具有很好的参数代表作用,正常的非色偏图像源图像与NNO区域图像的二维直方图等价圆σ、u等参数的变化幅度较大,即正常非色偏图像的NNO区域图像的等价圆参数比原图像的等价圆参数变化较大,该特性符合正常无色偏图像的颜色特征;同时,色偏图像在提取NNO区域前后的σ、u参数值变化幅度较小,即色偏图像的NNO区域图像同样具有色偏的颜色特征,所以,通过分析σ、u参数值的变化来实现对非色偏图像分类的方法是有效的,设定参数阈值如下:
当图像NNO区域等价圆参数DσNNO<-0.5时,或者,σ、u参数在提取NNO区域前后变化的幅度分别超过70%和60%时,判断图像是正常非色偏图像;当图像NNO区域等价圆参数DσNNO>0.5时,或者,σ、u参数在提取NNO区域前后变化的幅度分别低于40%和30%时,判断图像为色偏图像;
步骤七,对初次判定为色偏图像的图像进行分类:
将利用图像在Lab色度空间的L分量的直方图分布信息,对图像进行首次分类,当图像内容为明显的本质色偏时,Lab色度空间的L分量的直方图分布呈现区域性的聚集分布;而图像内容为真实色偏时,Lab色度空间的L分量的直方图分布呈现为比较均匀的离散分布,采用如下方式对图像的L分量进行处理:
当L分量直方图中某像素出现次数低于出现次数最高的像素出现次数的1%时,将该像素的像素数置零;
判断经处理后的L分量直方图,像素出现次数不为零的最小像素与最大像素所横跨的区间在L分量的整个像素区间的比重是否小于80%:
当非零次数像素所跨越区域小于等于整个像素区间80%时,判定该图像色偏类型为本质色偏;
当大于80%时,则等待进一步的判断;
对具有本质色偏特征,且图像内容不是很单一的本质色偏图像以及真实色偏图像,根据他们的NNO区域的二维直方图等价圆的各个参数相对源图像等价圆参数的变化来进行进一步的判定,若图像发生色偏失真,则NNO区域也会体现出色偏特征;若图像没有发生色偏失真,NNO区域应表现出正常图像的特征,同样用式(6)对色偏图像进行分类,其中,阈值的设置根据不同的场景进行调整:
其中σcr和ucr分别代表了色偏图像二维直方图等价圆的半径σ和圆心距离原点的距离u在提取NNO区域前后相对自身变化的幅度指标;
步骤八,对操作显示屏所获取的图片实时地进行检测,该程序会反馈检测结果,即对操作显示屏在色彩方面性能的评价。
本发明实施例提供的玉米单倍体分拣系统,将需要分拣的玉米颗粒放置到皮带7上的第一通孔9中,运行皮带机4,玉米颗粒随着皮带机4的运行进入到图像采集分析装置26的检测范围内,玉米颗粒在经过图像采集分析装置26分析之后,实现单倍体玉米颗粒的自动分拣,打开符合要求的玉米颗粒所在第一通孔9对应的第二通孔13,将活动块18通过驱动器14从第二通孔13中拉出,单倍体玉米颗粒通过溜槽21进入到分拣箱20中,不符合要求的玉米颗粒随着皮带机4的运行被输送出去,在整个工作过程中不需要放缓或停止皮带机4的运行,与现有技术的装置相比,具有一定的持续性,整个装置可以一直运行,分拣效率高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种玉米单倍体分拣系统,包括操作平台和H架,其特征在于,所述操作平台顶部固定安装有皮带机;所述皮带机包括左滚筒、右滚筒和皮带;所述皮带上沿运动方向上开设有多个第一通孔;所述H架的水平杆上固定安装有分拣平台;所述分拣平台上开设有与第一通孔对应的第二通孔;所述分拣平台的右侧底部固定安装有驱动器;所述驱动器设置在第二通孔的右侧;所述驱动器的左侧通过电动伸缩杆活动连接有连接杆;所述连接杆的另一端活动连接有圆环;所述圆环固定安装在活动块上;所述活动块通过合页与分拣平台活动连接,且合页固定安装在第二通孔的右侧;所述操作平台上固定安装有分拣箱;所述分拣箱的后侧连接有溜槽,且溜槽设置在第二通孔的正下方;所述操作平台的顶部固定安装有支撑架;所述支撑架的第一竖杆和第二竖杆分别固定安装在皮带机的前后两侧;所述支撑架的横杆底部固定安装有图像采集分析装置;所述支撑架设置在第二通孔的左侧;所述第一竖杆的前端面上固定安装有操作显示屏;
所述操作平台底部的四个角部均固定安装有万向轮,且万向轮上安装有刹车片;所述左滚筒和右滚筒通过皮带连接;所述左滚筒和右滚筒通过支架固定安装在操作平台上;所述活动块与第二通孔的尺寸相匹配;所述分拣平台的顶部与皮带紧密贴合;
所述第一通孔在纵向方向上设置有3个;所述第二通孔在纵向方向上设置有3个;所述驱动器、电动伸缩杆、连接杆、圆环、活动块和合页均设置有3个。
2.如权利要求1所述的玉米单倍体分拣系统,其特征在于,所述图像采集分析装置的图像的Lyapunov指数的计算方法包括;
(1)一维离散混沌系统Lyapunov指数的计算
设一维混沌系统为:
xn+1=F(xn) (2.9)
xn有偏差dxn,xn+1的偏差为dxn+1,则有式(2.10),所以式(2.11)成立;
xn+1+dxn+1=F(xn+dxn)≈F(xn)+dxn·F'(xn) (2.10)
dxn+1=dxn·F'(xn) (2.11)
一维混沌映射的轨道呈现指数规律,即:
|dxn+1|=|dxn|·eLE (2.12)
其中LE是Lyapunov指数;经过式(2.13)多次迭代后,得到最终式(2.14);
(2)微分方程组Lyapunov指数的计算
在微分方程组所确定的相空间中,选择两条起点差距为d0轨迹,经过时间τ后,差距为dτ,且d0与dτ成指数关系,即:
dτ=d0eτLE (2.15)
则Lyapunov指数为:
先从一条参考轨迹上找一个起点,算出与相邻轨迹的距离d0、dτ,如果dτ与d0不成指数关系,则找新的起点重算d0;经过时间τ后,选取一个新的起点,与参考轨迹的初始距离d0保持不变;得到一系列的d1,d2,...,dj,...;然后按(2.16)式算平均,得到最大Lyapunov指数:
当d0足够小,且n取足够大时,只要τ不太大,则计算的结果就与τ的具体大小无关;即用计算机实现这种算法,得到一个可靠的LE1;
(3)差分方程组Lyapunov指数的计算
差分方程组的定义:在Rn空间上有xi+1=f(xi),f为Rn上的连续可微映射;
f的Jacobi矩阵为:
令Ji=f'(x0)·f'(x1)·...·f'(xi-1)并将Ji的n个复特征根的模依次按大到小的顺序排列为:
|LE1 (i)|≥|LE2 (i)|≥...|LEn (i)| (2.19)
则f的Lyapunov指数为:
3.如权利要求1所述的玉米单倍体分拣系统,其特征在于,所述图像采集分析装置的均值滤波预处理方法为:对于给定的图像f(x,y)中的每一个点(m,n),取邻域A,设A含有N个像素,取平均值作为预处理后所得图像像素点(m,n)处的灰度,设M是3×3的正方形邻域,点(m,n)位于M中心,具体公式如下:
中值滤波的预处理方法为:给定图像f(x,y)中的每一个点(m,n)的邻域A,设A含有N个像素{a1,a2,┄,aN},将按像素大小排序,若N是奇数时,则位于中间的那个像素值就是修改后图像g(x,y)在f(m,n)处的像素值,若N是偶数时,则取中间两个像素的平均值就是修改后图像g(x,y)在(m,n)处的像素值,具体表达式如下:
4.如权利要求1所述的玉米单倍体分拣系统,其特征在于,所述图像采集分析装置设置有信号间干扰关系分析模块,所述信号间干扰关系分析模块的分析方法包括以下步骤:
步骤一,确定干扰信号在无线信号领域上的若干特征参数CP,并基于特征参数形成对应的干扰空间模型,基于建立的干扰空间模型,确定待分析的干扰信号特征矢量与参照信号特征矢量
步骤二,基于干扰空间模型,针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量
步骤三,定义位移矢量在干扰空间中对某个维度坐标轴的投影,为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离,即有:
其中PRJ(·)算子表示针对某一CP维度的投影运算;
步骤四,定义干扰信号对参照信号的干扰状态为S,用以表示干扰信号对参照信号的干扰关系;
步骤五,在已经形成干扰的前提下,首先需要选取并确定干扰作用参数EP,对于干扰信号而言,参数通常为信号功率p或者能量e;
步骤六,定义干扰信号对参照信号的干扰程度为G,用以衡量干扰信号对参照信号的干扰影响程度;
所述方法进一步包括:对于干扰信号和参照信号各自包含若干干扰特征矢量的多模情况,此时的干扰状态S(VI,VS),如下计算:
其中S[VI,VS]M×N被称为干扰状态矩阵,矩阵中的每个元素表示VI中的第k个特征矢量和VS中的第l个特征矢量的干扰状态,只有两个特征矢量集合中每个元素都不干扰时,S(VI,VS)=0干扰信号才不对参照信号形成干扰;反之,S(VI,VS)>0,此时干扰信号将对参照信号形成干扰。
5.如权利要求1所述的玉米单倍体分拣系统,其特征在于,所述操作显示屏的图像色偏检测方法包括:
步骤一,通过操作显示屏的摄像头拍摄一副彩色图像Img_sur,即RGB图像为待检测图像;
步骤二,将源图像Img_sur由RGB空间转换到Lab色度空间,得到转换后图像Img_Lab及在L、a、b分量上的图像数据;
步骤三,通过式(1),定量分析Img_Lab图像在ab二维颜色坐标下的直方图分布特征,并依式(2)、(3)计算等价圆Eq的圆心C、半径σ、u、D、Dσ参数;
式(3)中u为该等价圆的圆心C距离中性轴(a=0,b=0)的距离,D为等价圆外侧距离中性轴的距离,Dσ表示该二维直方图等价圆偏离中性轴的程度:Dσ值越大,表明该图像直方图偏离中性轴越严重;
步骤四,初次判断图像色偏情况:当满足式(4)时,则认为图像的ab二维平面直方图是聚集的,并暂时将图像归类为色偏图像,执行步骤七;否则,初步认定图像为非色偏图像,执行步骤五;
(D>10and Dσ>0.6)or(Dσ>1.5) (4)
步骤五,求解图像的NNO区域,理论依据:图像场景中的无色差表面能够完全反映场景中入射光照的颜色,通过灰色表面的色偏情况,得出图像的光照的偏移情况,方法如下:若Img_NNO(i,j)像素为NNO区域像素,则:
其中L、a、b为图像在Lab色度空间的三个分量信息,d为待测图像Img_sur在Lab色度空间中的色度半径最大值,限制d所在像素点以及每个NNO区域像素点Img_NNO(i,j)为非孤立像素点;
步骤六,对步骤五的结果图像求解其二维直方图对应等价圆DσNNO的参数,对比源图像等价圆的各个参数,将式(6)作为衡量图像参数变化的量化依据,从两者参数的变化趋势对非聚集图像或非色偏图像进行二次判断;
σcr=(σ-σNNO)/σ;ucr=(u-uNNO)/u (6)
其中,σcr和ucr分别代表了图像二维直方图等价圆的半径σ和圆心距离原点的距离u在提取NNO区域前后相对自身变化的幅度,能够有效地量化图像在提取NNO区域前后的二维直方图等价圆的变化情况,具有很好的参数代表作用,正常的非色偏图像源图像与NNO区域图像的二维直方图等价圆σ、u等参数的变化幅度较大,即正常非色偏图像的NNO区域图像的等价圆参数比原图像的等价圆参数变化较大,该特性符合正常无色偏图像的颜色特征;同时,色偏图像在提取NNO区域前后的σ、u参数值变化幅度较小,即色偏图像的NNO区域图像同样具有色偏的颜色特征,所以,通过分析σ、u参数值的变化来实现对非色偏图像分类的方法是有效的,设定参数阈值如下:
当图像NNO区域等价圆参数DσNNO<-0.5时,或者,σ、u参数在提取NNO区域前后变化的幅度分别超过70%和60%时,判断图像是正常非色偏图像;当图像NNO区域等价圆参数DσNNO>0.5时,或者,σ、u参数在提取NNO区域前后变化的幅度分别低于40%和30%时,判断图像为色偏图像;
步骤七,对初次判定为色偏图像的图像进行分类:
将利用图像在Lab色度空间的L分量的直方图分布信息,对图像进行首次分类,当图像内容为明显的本质色偏时,Lab色度空间的L分量的直方图分布呈现区域性的聚集分布;而图像内容为真实色偏时,Lab色度空间的L分量的直方图分布呈现为比较均匀的离散分布,采用如下方式对图像的L分量进行处理:
当L分量直方图中某像素出现次数低于出现次数最高的像素出现次数的1%时,将该像素的像素数置零;
判断经处理后的L分量直方图,像素出现次数不为零的最小像素与最大像素所横跨的区间在L分量的整个像素区间的比重是否小于80%:
当非零次数像素所跨越区域小于等于整个像素区间80%时,判定该图像色偏类型为本质色偏;
当大于80%时,则等待进一步的判断;
对具有本质色偏特征,且图像内容不是很单一的本质色偏图像以及真实色偏图像,根据他们的NNO区域的二维直方图等价圆的各个参数相对源图像等价圆参数的变化来进行进一步的判定,若图像发生色偏失真,则NNO区域也会体现出色偏特征;若图像没有发生色偏失真,NNO区域应表现出正常图像的特征,同样用式(6)对色偏图像进行分类,其中,阈值的设置根据不同的场景进行调整:
其中σcr和ucr分别代表了色偏图像二维直方图等价圆的半径σ和圆心距离原点的距离u在提取NNO区域前后相对自身变化的幅度指标;
步骤八,对操作显示屏所获取的图片实时地进行检测,该程序会反馈检测结果,即对操作显示屏在色彩方面性能的评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710025266.5A CN106824826B (zh) | 2017-01-13 | 2017-01-13 | 一种玉米单倍体分拣系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710025266.5A CN106824826B (zh) | 2017-01-13 | 2017-01-13 | 一种玉米单倍体分拣系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106824826A true CN106824826A (zh) | 2017-06-13 |
CN106824826B CN106824826B (zh) | 2019-08-06 |
Family
ID=59125056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710025266.5A Expired - Fee Related CN106824826B (zh) | 2017-01-13 | 2017-01-13 | 一种玉米单倍体分拣系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106824826B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108906674A (zh) * | 2018-06-21 | 2018-11-30 | 郑州市中昕智能设备有限公司 | 异类果蔬检出系统 |
CN109465204A (zh) * | 2018-09-30 | 2019-03-15 | 青岛理工大学 | 一种基于机器视觉的冬枣损伤检测剔除方法及设备 |
CN109590235A (zh) * | 2018-12-27 | 2019-04-09 | 东北农业大学 | 基于机器视觉的大豆检测系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0891550A (ja) * | 1994-09-30 | 1996-04-09 | Yanmar Agricult Equip Co Ltd | 農産物選別装置 |
CN101013079A (zh) * | 2007-02-07 | 2007-08-08 | 浙江大学 | 小型物料数字化检测和分级装置 |
CN201482735U (zh) * | 2009-06-18 | 2010-05-26 | 华东交通大学 | 一种水稻种子质量检测、品种识别和分级的系统 |
CN101940096A (zh) * | 2010-07-23 | 2011-01-12 | 中国农业大学 | 玉米种子单倍体分拣系统 |
CN203426069U (zh) * | 2013-07-03 | 2014-02-12 | 青岛农业大学 | 种子分拣系统 |
CN103871064A (zh) * | 2014-03-25 | 2014-06-18 | 中国石油大学(华东) | 一种火山岩ct图像的预处理和确定分割阀值的方法 |
JP2015103064A (ja) * | 2013-11-26 | 2015-06-04 | サトーホールディングス株式会社 | Rfidタグ発行装置 |
CN105049141A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种基于多维干扰空间模型的信号间干扰关系分析方法 |
CN204746905U (zh) * | 2015-06-24 | 2015-11-11 | 中国农业大学 | 固体籽粒的自动检测系统 |
CN105825583A (zh) * | 2016-03-17 | 2016-08-03 | 宁波市江东精诚自动化设备有限公司 | 一种智能自动贩卖机 |
CN106222260A (zh) * | 2016-07-27 | 2016-12-14 | 陈清江 | 一种淋巴瘤相关的融合基因的联合检测方法及诊断试剂盒 |
-
2017
- 2017-01-13 CN CN201710025266.5A patent/CN106824826B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0891550A (ja) * | 1994-09-30 | 1996-04-09 | Yanmar Agricult Equip Co Ltd | 農産物選別装置 |
CN101013079A (zh) * | 2007-02-07 | 2007-08-08 | 浙江大学 | 小型物料数字化检测和分级装置 |
CN201482735U (zh) * | 2009-06-18 | 2010-05-26 | 华东交通大学 | 一种水稻种子质量检测、品种识别和分级的系统 |
CN101940096A (zh) * | 2010-07-23 | 2011-01-12 | 中国农业大学 | 玉米种子单倍体分拣系统 |
CN203426069U (zh) * | 2013-07-03 | 2014-02-12 | 青岛农业大学 | 种子分拣系统 |
JP2015103064A (ja) * | 2013-11-26 | 2015-06-04 | サトーホールディングス株式会社 | Rfidタグ発行装置 |
CN103871064A (zh) * | 2014-03-25 | 2014-06-18 | 中国石油大学(华东) | 一种火山岩ct图像的预处理和确定分割阀值的方法 |
CN105049141A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种基于多维干扰空间模型的信号间干扰关系分析方法 |
CN204746905U (zh) * | 2015-06-24 | 2015-11-11 | 中国农业大学 | 固体籽粒的自动检测系统 |
CN105825583A (zh) * | 2016-03-17 | 2016-08-03 | 宁波市江东精诚自动化设备有限公司 | 一种智能自动贩卖机 |
CN106222260A (zh) * | 2016-07-27 | 2016-12-14 | 陈清江 | 一种淋巴瘤相关的融合基因的联合检测方法及诊断试剂盒 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108906674A (zh) * | 2018-06-21 | 2018-11-30 | 郑州市中昕智能设备有限公司 | 异类果蔬检出系统 |
CN109465204A (zh) * | 2018-09-30 | 2019-03-15 | 青岛理工大学 | 一种基于机器视觉的冬枣损伤检测剔除方法及设备 |
CN109590235A (zh) * | 2018-12-27 | 2019-04-09 | 东北农业大学 | 基于机器视觉的大豆检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106824826B (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135269B (zh) | 一种基于混合颜色模型与神经网络的火灾图像检测方法 | |
CN109284669A (zh) | 基于Mask RCNN的行人检测方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN103886308B (zh) | 一种使用聚合通道特征和软级联分类器的行人检测方法 | |
CN111047655B (zh) | 基于卷积神经网络的高清摄像机布料疵点检测方法 | |
CN103839065A (zh) | 人群动态聚集特征提取方法 | |
CN103279759A (zh) | 一种基于卷积神经网络的车辆前方可通行性分析方法 | |
CN105184779A (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN102867183B (zh) | 一种车辆遗撒物检测方法、装置及智能交通监控系统 | |
CN105894701A (zh) | 输电线路防外破大型施工车辆的识别报警方法 | |
CN107644221A (zh) | 基于参数压缩的卷积神经网络交通标志识别方法 | |
CN106506901A (zh) | 一种显著性视觉注意模型的混合式数字图像半色调方法 | |
CN107657619A (zh) | 一种低照度林火图像分割方法 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 | |
CN106824826A (zh) | 一种玉米单倍体分拣系统 | |
CN109448397A (zh) | 一种基于大数据的团雾监测方法 | |
CN106127812A (zh) | 一种基于视频监控的客运站非出入口区域的客流统计方法 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN102214290B (zh) | 车牌定位方法及车牌定位模板训练方法 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN109035196A (zh) | 基于显著性的图像局部模糊检测方法 | |
CN106339677A (zh) | 一种基于视频的铁路货车洒落物自动检测方法 | |
CN107067007A (zh) | 一种基于图像特征提取的多特征融合秸秆焚烧火灾检测方法 | |
CN115482474A (zh) | 一种基于高空航拍图像的桥面车辆荷载识别方法和系统 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 |
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 | ||
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: 20190806 Termination date: 20200113 |