CN108982544A - 一种印制电路板瑕疵部件检测方法 - Google Patents
一种印制电路板瑕疵部件检测方法 Download PDFInfo
- Publication number
- CN108982544A CN108982544A CN201810632912.9A CN201810632912A CN108982544A CN 108982544 A CN108982544 A CN 108982544A CN 201810632912 A CN201810632912 A CN 201810632912A CN 108982544 A CN108982544 A CN 108982544A
- Authority
- CN
- China
- Prior art keywords
- image
- flaw
- window
- printed circuit
- pcb
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
Abstract
本发明属于印刷电路板制造工艺领域,具体涉及一种印制电路板瑕疵部件检测方法,具体操作步骤按照如下方式进行:采用Canny边缘检测的方法提取到图像序列的边缘二值图像,再计算步骤其边缘像素点横纵坐标的和,通过左上角和右下角两个角点位置对图像进行角度校正,通过安装在暗箱内的无影摄像头实时采集在履带上通过的所有部件的瑕疵PCB板来获得图像序列,将标准PCB板与瑕疵PCB板相减得到差值图像,再从差值图像中总共随机选取500个正样本窗口和500个负样本窗口并保存,正样本为瑕疵区域重复超过70%的窗口,反之则为负样本,然后提取样本特征来建立特征向量F和得到分类器,本发明学习过程快,检测方法和设备简单易实现,应用环境友好,市场前景广阔。
Description
技术领域:
本发明属于印刷电路板制造工艺领域,具体涉及一种印制电路板瑕疵部件检测方法。
技术背景:
随着电子技术的不断发展和生产工艺的提高,印制电路板(PCB)生产的自动化程度越来越高,在生产过程中也会有瑕疵和缺陷产生,为了保证PCB的质量,必须要对生产的PCB进行严格把控,现有技术中,申请号为200610061023.9的中国专利公开了一种检测印刷电路板缺陷的轮廓分析方法,该方法包括以下步骤:1)将Gerber格式转换为高分辨率的位图格式,获取印刷电路板的参考图象;2)利用高速线阵列相机扫描印刷电路板,获取印刷电路板的实际图象;3)计算印刷电路板的标准参考轮廓和实际轮廓,并比较印刷电路板的标准参考轮廓和实际轮廓;4)根据比较结果确定印刷电路板的标准参考轮廓和实际轮廓之间的差异;5)设置缺陷过滤条件,并对差异进行过滤处理。通过以上步骤对传统的印刷电路板检测工艺进行了改进,进一步提高了检测效率。能够提高对印刷电路板缺陷的解析速度,增强轮廓分析的针对性,进而提高了工作效率;但是该方法建立在设置的样本库较小的情况下来运行的,此种条件下解析速度快,但是也相应的导致准确率不高,在增加样本库后,则该方法的检测速度会严重下降导致检测效率低,因此设计制备一种印制电路板瑕疵部件检测方法,能够做到检测速率高、检测准确度好。
发明内容:
本发明的目的是克服现在有印制电路板瑕疵部件检测方法存在的不足,提供一种印制电路板瑕疵部件检测方法,能够快速准确检测出瑕疵部件。
为了实现上述目的,本发明涉及的一种印制电路板瑕疵部件检测方法具体操作步骤按照如下方式进行:
S1、通过安装在暗箱内的无影摄像头实时采集在履带上通过的所有部件的标准PCB板来获得图像序列;
S2、采用Canny边缘检测的方法提取步骤S1中得到图像序列的边缘二值图像;
S3、计算步骤S2中边缘像素点横纵坐标的和,和值最小位置为左上角点,用和的最大值和最小值确定PCB版的左上角和右下角位置,和值最大位置为右下角点;
S4、通过步骤S3中左上角和右下角两个角点位置对图像进行角度校正,使四个角点的坐标互相对齐,并提取PCB板的有效区域作有效图像,并保存记为IS1;
S5、重复步骤S1-S4五次,保存得到5块标准版的RGB图像IS1-IS5;
S6、通过安装在暗箱内的无影摄像头实时采集在履带上通过的所有部件的瑕疵PCB板来获得图像序列,并重复步骤S1-S4五次,得到5块瑕疵PCB板的RGB图像ID1-ID5;
S7、将5块标准PCB板与5块瑕疵PCB板相减(计算每个像素的点的RGB欧式空间距离),得到25个差值图像;
S8、设定检测窗口大小为20x20像素,从步骤S7的25个差值图像中总共随机选取500个正样本窗口和500个负样本窗口并保存,正样本为瑕疵区域重复超过70%的窗口,反之则为负样本;
S9、对500个正样本和负样本提取多尺度特征:选取4x4、8x8和16x16三个大小的窗口在样本图像内滑窗,滑窗步长为4个像素,分别在窗口内提取像素的最大值、最小值、平均值和中值作为特征值,并连到一起形成特征向量F;
S10、用随机森林训练500个正样本和500个负样本的特征向量F,得到分类器;
S11、对于给定的待检测的PCB板,重复步骤S1-S7,得到5个差值图,将得到的分类器用滑窗法对差值图的窗口就行分类,因为每一个像素位置包含在多个窗口中,如果包含该位置的窗口有70%以上判定为正,则该像素为瑕疵点,反之则为正常点。
进一步的,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定,本发明中,采用随机森林训练的具体步骤如下:以有放回抽样的方式,取样1000次,形成一个训练集,给定训练集的特征值组成500个正样本和500个负样本的特征向量F,训练决策树模型,对每棵树进行分裂,将生成的多颗决策树组成随机森林,按多棵树分类器投票决定最终的分类器。
本发明与现有技术相比,取得的有益效果如下:通过分类器和随机森林配合的方法能够有效提高检测速率,同时检测准确度好、自动化程度高。克服了现有检测技术中检测速度慢、检测准确度低的缺陷。采用随机森林训练的方式得到分类器,该方法具有的优点如下:对于多种资料,它可以产生高准确度的分类器;能够处理大量的输入变数;
在决定类别时,评估变数的重要性;在建造森林时,能够在内部对于一般化后的误差产生不偏差的估计;包含一个好方法可以估计遗失的资料,并且,如果有很大一部分的资料遗失,仍可以维持准确度;提供了一个实验方法,能够去侦测variable interactions;对于不平衡的分类资料集来说,能够平衡误差;能够计算各例中的亲近度,对于数据挖掘、侦测离群点(outlier)和将资料视觉化非常有用;能够被延伸应用在未标记的资料上,这类资料通常是使用非监督式聚类,也可侦测偏离者和观看资料;学习过程快,同时其主体构思巧妙,检测方法和设备简单易实现,应用环境友好,市场前景广阔。
附图说明:
图1为本发明涉及的检测流程示意图。
图2为本发明涉及的PCB图像处理示意图,其中图2(a)为原始图像,图2(b)为边缘检测后图像,图2(c)为旋转后图像,图2(d)为裁剪后图像。
图3为本发明涉及的PCB图像训练前后对照图,其中图3(a)为标准图像,图3(b)为缺陷图像。
图4为本发明涉及的标准图像和检测结果对照图,其中图4(a)为标准图像,图4(b)为待检测图像,图4(c)为检测结果图像。
具体实施方式:
下面通过实施例并结合附图对本发明作进一步说明。
实施例1
为了更好地阐述本发明,本实施例中一种印制电路板瑕疵部件检测方法具体操作步骤按照如下方式进行:
S1、通过安装在暗箱内的无影摄像头实时采集在履带上通过的所有部件的标准PCB板来获得图像序列;
S2、采用Canny边缘检测的方法提取步骤S1中得到图像序列的边缘二值图像;
S3、计算步骤S2中边缘像素点横纵坐标的和,和值最小位置为左上角点,用和的最大值和最小值确定PCB版的左上角和右下角位置,和值最大位置为右下角点;
S4、通过步骤S3中左上角和右下角两个角点位置对图像进行角度校正,使四个角点的坐标互相对齐,并提取PCB板的有效区域作有效图像,并保存记为IS1;
S5、重复步骤S1-S4五次,保存得到5块标准版的RGB图像IS1-IS5;
S6、通过安装在暗箱内的无影摄像头实时采集在履带上通过的所有部件的瑕疵PCB板来获得图像序列,并重复步骤S1-S4五次,得到5块瑕疵PCB板的RGB图像ID1-ID5;
S7、将5块标准PCB板与5块瑕疵PCB板相减(计算每个像素的点的RGB欧式空间距离),得到25个差值图像;
S8、设定检测窗口大小为20x20像素,从步骤S7的25个差值图像中总共随机选取500个正样本窗口和500个负样本窗口并保存,正样本为瑕疵区域重复超过70%的窗口,反之则为负样本;
S9、对500个正样本和负样本提取多尺度特征:选取4x4、8x8和16x16三个大小的窗口在样本图像内滑窗,滑窗步长为4个像素,分别在窗口内提取像素的最大值、最小值、平均值和中值作为特征值,并连到一起形成特征向量F;
S10、用随机森林训练500个正样本和500个负样本的特征向量F,得到分类器;
S11、对于给定的待检测的PCB板,重复步骤S1-S7,得到5个差值图,将得到的分类器用滑窗法对差值图的窗口就行分类,因为每一个像素位置包含在多个窗口中,如果包含该位置的窗口有70%以上判定为正,则该像素为瑕疵点,反之则为正常点。
进一步的,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定,本实施例中,采用随机森林训练的具体步骤如下:以有放回抽样的方式,取样1000次,形成一个训练集,给定训练集的特征值组成500个正样本和500个负样本的特征向量F,训练决策树模型,对每棵树进行分裂,将生成的多颗决策树组成随机森林,按多棵树分类器投票决定最终的分类器。
实施例2:
本实施例采用实施例1中所述的方法对PCB部件进行检测,如图2所示,测量PCB实体计算并输入对角线与短边夹角θ,用结构边缘提取法获取PCB边缘图像,并遍历获得对角点位置,计算对角线和水平线的夹角接下来旋转图像使并根据旋转后对角点位置裁剪图像,除去PCB以外的部分;如图3中所示,将待检测图像和标准图像经过上一步的裁剪,求差值图像,用随机森林方法,对差值图像进行训练,得到缺陷检测模型;如图4中所示,输入待检测图像和标准图像的差值图像,通过缺陷检测模型的运算,输出检测结果,通过10000次以上的测试,统计检测准确率,检测结果如下:错件的检测率为99%,漏件的检测率为99%,正负极装反的检测率为85%,从上述数据能够看出实施例2中所述的方法检测结果精准。
Claims (2)
1.一种印制电路板瑕疵部件检测方法,其特征在于具体操作步骤按照如下方式进行:
S1、通过安装在暗箱内的无影摄像头实时采集在履带上通过的所有部件的标准PCB板来获得图像序列;
S2、采用Canny边缘检测的方法提取步骤S1中得到图像序列的边缘二值图像;
S3、计算步骤S2中边缘像素点横纵坐标的和,和值最小位置为左上角点,用和的最大值和最小值确定PCB版的左上角和右下角位置,和值最大位置为右下角点;
S4、通过步骤S3中左上角和右下角两个角点位置对图像进行角度校正,使四个角点的坐标互相对齐,并提取PCB板的有效区域作有效图像,并保存记为IS1;
S5、重复步骤S1-S4五次,保存得到5块标准版的RGB图像IS1-IS5;
S6、通过安装在暗箱内的无影摄像头实时采集在履带上通过的所有部件的瑕疵PCB板来获得图像序列,并重复步骤S1-S4五次,得到5块瑕疵PCB板的RGB图像ID1-ID5;
S7、将5块标准PCB板与5块瑕疵PCB板相减来计算每个像素的点的RGB欧式空间距离,得到25个差值图像;
S8、设定检测窗口大小为20x20像素,从步骤S7的25个差值图像中总共随机选取500个正样本窗口和500个负样本窗口并保存,正样本为瑕疵区域重复超过70%的窗口,反之则为负样本;
S9、对500个正样本和负样本提取多尺度特征:选取4x4、8x8和16x16三个大小的窗口在样本图像内滑窗,滑窗步长为4个像素,分别在窗口内提取像素的最大值、最小值、平均值和中值作为特征值,并连到一起形成特征向量F;
S10、用随机森林训练500个正样本和500个负样本的特征向量F,得到分类器;
S11、对于给定的待检测的PCB板,重复步骤S1-S7,得到5个差值图,将得到的分类器用滑窗法对差值图的窗口就行分类,因为每一个像素位置包含在多个窗口中,如果包含该位置的窗口有70%以上判定为正,则该像素为瑕疵点,反之则为正常点。
2.根据权利要求1所述的一种印制电路板瑕疵部件检测方法,其特征在于随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定,采用随机森林训练的具体步骤如下:以有放回抽样的方式,取样1000次,形成一个训练集,给定训练集的特征值组成500个正样本和500个负样本的特征向量F,训练决策树模型,对每棵树进行分裂,将生成的多颗决策树组成随机森林,按多棵树分类器投票决定最终的分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810632912.9A CN108982544B (zh) | 2018-06-20 | 2018-06-20 | 一种印制电路板瑕疵部件检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810632912.9A CN108982544B (zh) | 2018-06-20 | 2018-06-20 | 一种印制电路板瑕疵部件检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108982544A true CN108982544A (zh) | 2018-12-11 |
CN108982544B CN108982544B (zh) | 2020-09-29 |
Family
ID=64540792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810632912.9A Active CN108982544B (zh) | 2018-06-20 | 2018-06-20 | 一种印制电路板瑕疵部件检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108982544B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871895A (zh) * | 2019-02-22 | 2019-06-11 | 北京百度网讯科技有限公司 | 电路板的缺陷检测方法和装置 |
CN113744247A (zh) * | 2021-09-03 | 2021-12-03 | 西安建筑科技大学 | 一种pcb焊点缺陷识别方法和系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN102305798A (zh) * | 2011-08-02 | 2012-01-04 | 上海交通大学 | 基于机器视觉的玻璃缺陷的检测与分类方法 |
CN102519972A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种pet瓶瓶盖和液位的检测方法 |
CN102645436A (zh) * | 2012-04-09 | 2012-08-22 | 天津大学 | 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法 |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN102831447A (zh) * | 2012-08-30 | 2012-12-19 | 北京理工大学 | 多类别面部表情高精度识别方法 |
CN102937595A (zh) * | 2012-11-13 | 2013-02-20 | 浙江省电力公司电力科学研究院 | 一种pcb板检测方法、装置及系统 |
CN105701797A (zh) * | 2015-12-31 | 2016-06-22 | 先进储能材料国家工程研究中心有限责任公司 | 连续带状多孔金属材料漏镀缺陷的判定方法 |
CN105787486A (zh) * | 2015-12-11 | 2016-07-20 | 昆明理工大学 | 一种基于图像处理的钢梁裂纹检测方法 |
CN106250920A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于多特征信息融合的绝缘子状态检测与诊断方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN107820620A (zh) * | 2015-05-08 | 2018-03-20 | 科磊股份有限公司 | 用于缺陷分类的方法和系统 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
-
2018
- 2018-06-20 CN CN201810632912.9A patent/CN108982544B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915764A (zh) * | 2010-08-10 | 2010-12-15 | 武汉武大卓越科技有限责任公司 | 基于动态规划的路面裂缝检测方法 |
CN102305798A (zh) * | 2011-08-02 | 2012-01-04 | 上海交通大学 | 基于机器视觉的玻璃缺陷的检测与分类方法 |
CN102519972A (zh) * | 2011-12-10 | 2012-06-27 | 山东明佳包装检测科技有限公司 | 一种pet瓶瓶盖和液位的检测方法 |
CN102654464A (zh) * | 2012-03-13 | 2012-09-05 | 浙江工业大学 | 基于多特征模糊识别的铜带表面缺陷检测系统 |
CN102645436A (zh) * | 2012-04-09 | 2012-08-22 | 天津大学 | 基于磨削纹理去除技术的工程陶瓷磨削表面损伤检测方法 |
CN102831447A (zh) * | 2012-08-30 | 2012-12-19 | 北京理工大学 | 多类别面部表情高精度识别方法 |
CN102937595A (zh) * | 2012-11-13 | 2013-02-20 | 浙江省电力公司电力科学研究院 | 一种pcb板检测方法、装置及系统 |
CN107820620A (zh) * | 2015-05-08 | 2018-03-20 | 科磊股份有限公司 | 用于缺陷分类的方法和系统 |
CN105787486A (zh) * | 2015-12-11 | 2016-07-20 | 昆明理工大学 | 一种基于图像处理的钢梁裂纹检测方法 |
CN105701797A (zh) * | 2015-12-31 | 2016-06-22 | 先进储能材料国家工程研究中心有限责任公司 | 连续带状多孔金属材料漏镀缺陷的判定方法 |
CN106250920A (zh) * | 2016-07-26 | 2016-12-21 | 国网福建省电力有限公司 | 基于多特征信息融合的绝缘子状态检测与诊断方法 |
CN106338520A (zh) * | 2016-09-18 | 2017-01-18 | 南京林业大学 | 一种表板为拼板的多层实木复合地板表面缺陷的识别方法 |
CN107886500A (zh) * | 2017-10-13 | 2018-04-06 | 北京邮电大学 | 一种基于机器视觉和机器学习的产品生产监控方法及系统 |
CN108037138A (zh) * | 2017-12-23 | 2018-05-15 | 陕西科技大学 | 一种用于检测纸张双面缺陷的纸病检测系统及检测方法 |
Non-Patent Citations (1)
Title |
---|
高湘玲: "PCB数字图像检测与识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871895A (zh) * | 2019-02-22 | 2019-06-11 | 北京百度网讯科技有限公司 | 电路板的缺陷检测方法和装置 |
CN109871895B (zh) * | 2019-02-22 | 2021-03-16 | 北京百度网讯科技有限公司 | 电路板的缺陷检测方法和装置 |
CN113744247A (zh) * | 2021-09-03 | 2021-12-03 | 西安建筑科技大学 | 一种pcb焊点缺陷识别方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108982544B (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268505B (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN109269951B (zh) | 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN105044122B (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测方法 | |
CN206139527U (zh) | 全景视觉马铃薯分选和缺陷检测装置 | |
CN105388162B (zh) | 基于机器视觉的原料硅片表面划痕检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN109598715B (zh) | 基于机器视觉的物料粒度在线检测方法 | |
CN108109137A (zh) | 车辆部件的机器视觉检测系统及方法 | |
CN108181316B (zh) | 一种基于机器视觉的竹条缺陷检测方法 | |
CN104198497B (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN109033934A (zh) | 一种基于YOLOv2网络的水上漂浮物检测方法 | |
CN108491788A (zh) | 一种用于财务报表单元格的智能提取方法及装置 | |
CN109191421B (zh) | 柱形锂电池圆周面凹坑视觉检测方法 | |
CN110766702B (zh) | 一种双孢蘑菇分级判断方法 | |
CN111242896A (zh) | 一种彩色印刷标签缺陷检测与质量评级方法 | |
CN102305798A (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN104952754B (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN109918971A (zh) | 监控视频中人数检测方法及装置 | |
Kiruthika et al. | Matching of different rice grains using digital image processing | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN109115775B (zh) | 一种基于机器视觉的槟榔等级检测方法 | |
CN108982544A (zh) | 一种印制电路板瑕疵部件检测方法 |
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 | ||
CP02 | Change in the address of a patent holder |
Address after: 266200 Household No. 8, Qingda Third Road, Laoshan District, Qingdao City, Shandong Province Patentee after: QINGDAO LIANHE CHUANGZHI TECHNOLOGY Co.,Ltd. Address before: 266200 Room 605 and 606, Block A, Building 12, Qingdao Software Park, 288 Ningxia Road, Shinan District, Qingdao City, Shandong Province Patentee before: QINGDAO LIANHE CHUANGZHI TECHNOLOGY Co.,Ltd. |
|
CP02 | Change in the address of a patent holder |