CN109064578B - 一种基于云服务的考勤系统及方法 - Google Patents

一种基于云服务的考勤系统及方法 Download PDF

Info

Publication number
CN109064578B
CN109064578B CN201811062469.2A CN201811062469A CN109064578B CN 109064578 B CN109064578 B CN 109064578B CN 201811062469 A CN201811062469 A CN 201811062469A CN 109064578 B CN109064578 B CN 109064578B
Authority
CN
China
Prior art keywords
image
euclidean distance
attendance
cloud
candidate set
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
Application number
CN201811062469.2A
Other languages
English (en)
Other versions
CN109064578A (zh
Inventor
朱晓军
吕士钦
娄圣金
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.)
Shanxi Jubo Tianhao Technology Co ltd
Original Assignee
Shanxi Jubo Tianhao Technology Co 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 Shanxi Jubo Tianhao Technology Co ltd filed Critical Shanxi Jubo Tianhao Technology Co ltd
Priority to CN201811062469.2A priority Critical patent/CN109064578B/zh
Publication of CN109064578A publication Critical patent/CN109064578A/zh
Application granted granted Critical
Publication of CN109064578B publication Critical patent/CN109064578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明公开了一种基于云服务的考勤系统及方法，属于图像识别技术领域；考勤系统包括图像采集系统、云分析系统、信息存储系统、统计系统；本方法通过预设的神经网络学习人脸图像到欧式空间上点的映射，然后利用欧式距离差定义候选集，并计算每个候选集差异度累加和，通过累加和判断识别结果；本发明改进识别效率，新定义的差异度λ(x)用来有效度量类内或类间的相似程度，可有效提高图像识别的清晰度和准确度，不会受到因光照、复杂背景等的因素影响，充分利用现有的云存储及云分析技术，实现智能考勤，自动统计；本装置结构简单，共享且存储效率高，采用云存储架构，安全可靠。

Description

一种基于云服务的考勤系统及方法
技术领域
本发明属于图像识别技术领域，特别涉及基于云服务采用图像识别技术的一种考勤系统及方法。
背景技术
传统的考勤工作主要是通过人工的方式进行，这种方式易出错、效率低，冒名顶替和代考勤现象严重。近年来，随着机器学习及深度学习技术的发展，出现了一些基于人脸识别的考勤系统，此类方法直接使用CNN网络来提取人脸特征，然后利用SVM等方法进行分类，容易受光照变化、复杂背景等因素影响，导致识别率不高的问题，且重复存储现象严重，浪费大量存储空间，很难有效的满足实际需求。尤其是对于人数较多的考勤工作，存在的问题就更佳突出。
发明内容
本发明针对现有技术存在的问题，提供了一种基于云服务的考勤系统及方法。尤其对于人数较多的考勤记录情况更为快捷方便准确。
为实现上述目的，本发明所采用的技术方案为：
一种基于云服务的考勤系统，包括：图像采集系统、云分析系统、信息存储系统、统计系统；所述的图像采集系统、信息存储系统、统计系统分别与所述云分析系统相连；所述的图像采集系统用于获取人脸数据；所述的信息存储系统用于采集人脸信息，建立图像信息数据库；所述的云分析系统用于接收并处理所述图像采集系统发送过来的信息；所述的统计系统用于接收并处理所述云分析系统发送的信息。
进一步，还包括图表展现系统，所述的图表展现系统与所述统计系统相连接，所述的图表展现系统用于图形化直观展示所述统计系统发送的信息。
进一步的，所述的图像采集系统包括图像获取、人脸检测、图像预处理；图像获取用于通过摄像头等设施获取抓拍图像；人脸检测用于从图像中检测出人脸；所述的图像预处理用于人脸样本标准化。
一种基于云服务的考勤方法，包括以下步骤：
步骤1：采集现场图像，并进行人脸检测及数据预处理，得到标准的人脸样本。
步骤2：根据预设的神经网络，直接学习人脸图像到欧式空间上点的映射，使之同一个人所计算的欧式距离小于某个阈值，不同的人之间计算的欧式距离大于该阈值。
步骤3：对步骤2中训练出的网络，扫描信息库，计算当前输入人脸特征欧式距离，依据距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集，当欧式距离小于阈值 ξ，定义为相同图像候选集 ；
步骤4：对步骤3中候选集，计算与对应候选集中每个对象的差异度 λ(x)
λ(x)= | d(x)- ξ| * d(x)
步骤5：当候选集个数大于1，计算每个候选集差异度累加和，选择差异和较小的候选标签作为本次识别的结果；当候选集个数等于1时，直接选取该候选标签作为本次识别的结果。
学习待识别人脸与所述信息存储系统人脸特征欧式距离，依据欧式距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集，当欧式距离小于阈值 ξ，定义为相同图像候选集 ，对每个候选集，计算其对象的差异度 λ(x)= | d(x)- ξ| * d(x)，依据λ(x)输出识别结果。
本发明所述的差异度 λ(x)用来有效度量类内或类间的相似程度，在同一类别空间中，λ(x)越大，表明越不相似，反之，表明越相似，提出了通过预设的神经网络学习人脸图像到欧式空间上点的映射，然后利用距离差定义候选集，并计算每个候选集差异度累加和，通过累加和判断识别结果。
优选的，还包括以下步骤：利用统计系统分析人员出勤情况，并利用所述的图表展现系统以图表形式展现。所述的图表展现系统接收并处理考勤统计系统发送过来的信息，并将结果转换成图表，管理人员即可清晰明了地看到人员的出勤状况。
优选的，所述的基于云服务的考勤方法采用mysql数据库，所述的数据库中包括人员姓名、性别、记录时间、图像信息。在实际应用中，为满足对考勤的查询统计需求，通过在用户界面上设置不同的查询条件，如编号、姓名等，方便管理人员根据自身需求进行个性化的查询。同时，为了满足对数据的分析需求，系统在实现时，还设置了“导出”功能，用户可以将统计到的结果以 Excel的形式成功导出到本地。
与现有技术相比本发明具有以下有益效果：
本发明重新定义图像的识别方式，改进识别效率，新定义的差异度 λ(x)用来有效度量类内或类间的相似程度，在同一类别空间中，λ(x)越大，表明越不相似，反之，表明越相似，通过本方法，可有效提高图像识别的清晰度和准确度，不会受到因光照、复杂背景等的因素影响。
本发明充分利用现有的云存储及云分析技术，管理人员即可清晰明了地看到人员的出勤状况，实现智能考勤，自动统计考勤信息。此外，还可以实现在随机抓拍，并再次分析，当人员提前离开时可即时发觉。
本装置结构简单，共享且存储效率高，可同时为多个系统提供考勤服务。采用云存储架构，所有的存储及统计分析工作都在云端，安全可靠。
附图说明
图1为本发明一种基于云服务的考勤系统结构图。
图2为本发明一种基于云服务的考勤人脸图像识别流程图。
其中，1为图像采集系统，2为云分析系统，3为信息存储系统，4为统计系统，5为图表展现系统。
具体实施方式
下面结合实施例详细说明本发明的技术方案，但保护范围不被此限制。
一种基于云服务的学生课堂考勤系统，包括：图像采集系统1、云分析系统2、信息存储系统3、统计系统4；图像采集系统1、信息存储系统3、统计系统4分别与云分析系统2相连；图像采集系统1用于获取人脸数据；信息存储系统3用于采集人脸信息，建立图像信息数据库；云分析系统2用于接收并处理所述图像采集系统1发送过来的信息；统计系统4用于接收并处理云分析系统2发送的信息。还包括图表展现系统5，图表展现系统5与统计系统4相连接，图表展现系统5用于图形化直观展示统计系统4发送的信息。其中，图像采集系统1包括图像获取、人脸检测、图像预处理；所述的图像预处理用于人脸样本标准化。
一种基于云服务的学生课堂考勤方法：包括以下步骤：
步骤1：任课教师输入当前课程名称，学生的信息存储系统3以课程为组，获取对应班级的学生信息。
步骤2：通过图像采集系统1采集现场图像，并进行人脸检测及数据预处理，得到标准的人脸样本。
步骤3：利用云分析系统2，根据预设的神经网络，直接学习人脸图像到欧式空间上点的映射，使之同一个人所计算的欧式距离小于某个阈值，不同的人之间计算的欧式距离大于该阈值。
步骤4：对步骤3中训练出的网络，扫描班级信息库，计算当前输入人脸特征欧式距离，依据距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集C1，当欧式距离小于阈值 ξ，定义为相同图像候选集C2。
步骤5：对步骤4中候选集，计算与对应候选集中每个对象的差异度 λ(x)
λ(x)= | d(x)- ξ| * d(x)
步骤6：当候选集个数大于1，计算每个候选集差异度累加和，选择差异和较小的候选标签作为本次识别的结果；当候选集个数等于1时，直接选取该候选标签作为本次识别的结果。学生身份为候选集中d(x)最小值对应的图像。
步骤7：利用考勤统计系统4分析学生的到课情况，并利用图表展现系统5以图表形式展现。
所述的样本特征欧式距离表及分析见表1：
表1 样本特征欧式距离表
Figure DEST_PATH_IMAGE001
在表1中，d(x)表示样本图像x对应的特征欧式距离，假设网络学习的阈值ξ为1.1，很快可以计算λ(x)与定义候选集，此次识别中，候选集包含两个，分别为C1、C2，其中C1的差异度累加和为2.21，C2的差异度累加和为0.64，依据步骤6）可快速输出识别结果。另外，若出现外班学生旁听，系统将只有一个候选集，且差异度累加和很大，表明该学生不属于考勤人员，不会对考勤系统产生影响。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为硬盘、ROM、RAM等。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

Claims (6)

1.一种基于云服务的考勤系统，其特征在于，包括：图像采集系统(1)、云分析系统(2)、信息存储系统(3)、统计系统(4)；所述的图像采集系统(1)、信息存储系统(3)、统计系统(4)分别与所述云分析系统(2)相连；所述的图像采集系统(1)用于获取人脸数据；所述的信息存储系统(3)用于采集人脸信息，建立图像信息数据库；所述的云分析系统(2)用于接收并处理所述图像采集系统(1)发送过来的信息；所述的统计系统(4)用于接收并处理所述云分析系统(2)发送的信息；
基于云服务的学生课堂考勤方法：包括以下步骤：
步骤1：任课教师输入当前课程名称，学生的信息存储系统以课程为组，获取对应班级的学生信息；
步骤2：通过图像采集系统采集现场图像，并进行人脸检测及数据预处理，得到标准的人脸样本；
步骤3：利用云分析系统，根据预设的神经网络，直接学习人脸图像到欧式空间上点的映射，使之同一个人所计算的欧式距离小于某个阈值，不同的人之间计算的欧式距离大于该阈值；
步骤4：对步骤3中训练出的网络，扫描班级信息库，计算当前输入人脸特征欧式距离，依据距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集C1，当欧式距离小于阈值ξ，定义为相同图像候选集C2；
步骤5：对步骤4中候选集，计算与对应候选集中每个对象的差异度λ(x)
λ(x)＝|d(x)-ξ|*d(x)
步骤6：当候选集个数大于1，计算每个候选集差异度累加和，选择差异和较小的候选标签作为本次识别的结果；当候选集个数等于1时，直接选取该候选标签作为本次识别的结果，学生身份为候选集中d(x)最小值对应的图像；
步骤7：利用考勤统计系统分析学生的到课情况，并利用图表展现系统以图表形式展现。
2.根据权利要求1所述的一种基于云服务的考勤系统，其特征在于，还包括图表展现系统(5)，所述的图表展现系统(5)与所述统计系统(4)相连接，所述的图表展现系统(5)用于图形化直观展示所述统计系统(4)发送的信息。
3.根据权利要求1所述的一种基于云服务的考勤系统，其特征在于，所述的图像采集系统(1)包括图像获取、人脸检测、图像预处理；所述的图像预处理用于人脸样本标准化。
4.如权利要求1所述的一种基于云服务的考勤方法，其特征在于，包括以下步骤：
1)采集现场图像，并进行人脸检测及数据预处理，得到标准的人脸样本；
2)学习待识别人脸与所述信息存储系统(3)人脸特征欧式距离，依据欧式距离差，将结果分为两组：当欧式距离大于阈值ξ，定义为不同图像候选集，当欧式距离小于阈值ξ，定义为相同图像候选集，对每个候选集，计算其对象的差异度λ(x)＝|d(x)-ξ|*d(x)，依据λ(x)输出识别结果。
5.根据权利要求4所述的一种基于云服务的考勤方法，其特征在于，还包括以下步骤：利用统计系统(4)分析人员出勤情况，并利用所述的图表展现系统(5)以图表形式展现。
6.根据权利要求4所述的一种基于云服务的考勤方法，其特征在于，所述的基于云服务的考勤方法采用mysql数据库，所述的数据库中包括人员姓名、性别、记录时间、图像信息。
CN201811062469.2A 2018-09-12 2018-09-12 一种基于云服务的考勤系统及方法 Active CN109064578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811062469.2A CN109064578B (zh) 2018-09-12 2018-09-12 一种基于云服务的考勤系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811062469.2A CN109064578B (zh) 2018-09-12 2018-09-12 一种基于云服务的考勤系统及方法

Publications (2)

Publication Number Publication Date
CN109064578A CN109064578A (zh) 2018-12-21
CN109064578B true CN109064578B (zh) 2020-11-03

Family

ID=64761459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811062469.2A Active CN109064578B (zh) 2018-09-12 2018-09-12 一种基于云服务的考勤系统及方法

Country Status (1)

Country Link
CN (1) CN109064578B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211252B (zh) * 2019-06-06 2022-02-08 重庆两江新区管理委员会 一种基于云服务的人脸识别考勤管理方法及系统
CN112037406A (zh) * 2020-08-27 2020-12-04 江门明浩电力工程监理有限公司 一种智慧工地门禁方法、系统及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014102622A (ja) * 2012-11-19 2014-06-05 Keiyo System Kk タイムレコーダ
CN104183029A (zh) * 2014-09-02 2014-12-03 济南大学 一种便携式快速人群考勤方法
CN105184879A (zh) * 2015-04-30 2015-12-23 北京天诚盛业科技有限公司 生物识别考勤的方法、装置和系统
CN106023329A (zh) * 2016-05-18 2016-10-12 常州市武进金阳光电子有限公司 一种学生考勤用分布式监控系统
CN106204780A (zh) * 2016-07-04 2016-12-07 武汉理工大学 一种基于深度学习和云服务的人脸识别考勤系统及方法
CN106780814A (zh) * 2016-12-27 2017-05-31 浙江海洋大学 一种教室内使用的全程自动考勤系统
CN107507289A (zh) * 2017-09-30 2017-12-22 四川长虹电器股份有限公司 一种移动端人脸识别考勤方法及系统
CN108198262A (zh) * 2018-02-08 2018-06-22 南京信息工程大学 一种考勤系统及实现方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521591B (zh) * 2011-11-29 2013-05-01 北京航空航天大学 一种复杂背景下小目标快速识别方法
CN103745463A (zh) * 2013-12-26 2014-04-23 大连理工大学 基于梯度信息的新颖多源图像快速配准方法
CN104077560B (zh) * 2014-01-13 2017-07-04 北京市公安局刑事侦查总队 指纹比对方法
CN106485186B (zh) * 2015-08-26 2020-02-18 阿里巴巴集团控股有限公司 图像特征提取方法、装置、终端设备及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014102622A (ja) * 2012-11-19 2014-06-05 Keiyo System Kk タイムレコーダ
CN104183029A (zh) * 2014-09-02 2014-12-03 济南大学 一种便携式快速人群考勤方法
CN105184879A (zh) * 2015-04-30 2015-12-23 北京天诚盛业科技有限公司 生物识别考勤的方法、装置和系统
CN106023329A (zh) * 2016-05-18 2016-10-12 常州市武进金阳光电子有限公司 一种学生考勤用分布式监控系统
CN106204780A (zh) * 2016-07-04 2016-12-07 武汉理工大学 一种基于深度学习和云服务的人脸识别考勤系统及方法
CN106780814A (zh) * 2016-12-27 2017-05-31 浙江海洋大学 一种教室内使用的全程自动考勤系统
CN107507289A (zh) * 2017-09-30 2017-12-22 四川长虹电器股份有限公司 一种移动端人脸识别考勤方法及系统
CN108198262A (zh) * 2018-02-08 2018-06-22 南京信息工程大学 一种考勤系统及实现方法

Also Published As

Publication number Publication date
CN109064578A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
CN104778470B (zh) 基于组件树和霍夫森林的文字检测和识别方法
CN111726586A (zh) 一种生产体系操作规范监测提醒系统
CN107622271B (zh) 手写文本行提取方法及系统
CN106203490A (zh) 一种安卓平台下基于属性学习和交互反馈的图像在线识别、检索方法
CN110232379A (zh) 一种车辆姿态检测方法及系统
CN112069970B (zh) 课堂教学事件分析方法及装置
CN107145862A (zh) 一种基于霍夫森林的多特征匹配多目标跟踪方法
CN110543811B (zh) 一种基于深度学习的非配合式考试人员管理方法及其系统
CN108921038A (zh) 一种基于深度学习人脸识别技术的课堂快速点名签到方法
CN105787522A (zh) 基于手写笔迹的书写态度评价方法及系统
CN112926045B (zh) 一种基于逻辑回归模型的群控设备识别方法
CN109064578B (zh) 一种基于云服务的考勤系统及方法
CN110348494A (zh) 一种基于双通道残差神经网络的人体动作识别方法
CN110008828A (zh) 基于差异正则化的成对约束成分分析度量优化方法
Sapkota et al. Large scale unconstrained open set face database
CN104376611A (zh) 一种基于人脸识别的下井考勤方法及其装置
CN111666829A (zh) 多场景多主体身份行为情绪识别分析方法及智能监管系统
CN113888757A (zh) 基于对标评价的考卷智能分析方法、系统及存储介质
Madrid et al. Recognition of dynamic Filipino Sign language using MediaPipe and long short-term memory
CN115798022A (zh) 一种基于特征提取的人工智能识别方法
CN115019294A (zh) 一种指针式仪表读数识别方法及系统
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN113268870B (zh) 一种基于蒙特卡洛的室外环境条件下图像识别可靠性评估方法
CN105631410B (zh) 一种基于智能视频处理技术的课堂检测方法
Shao et al. InMAS: Deep learning for designing intelligent making system

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: No. 34, Zhongchuang space, ruice company, 12 / F, block a, Ruijie science and technology center, No. 251 Changzhi Road, Taiyuan Xuefu Park, Shanxi comprehensive reform demonstration zone, Taiyuan City, Shanxi Province, 030032

Patentee after: SHANXI JUBO TIANHAO TECHNOLOGY Co.,Ltd.

Address before: 030001 No.8, building 2, no.381, Shuangta West Street, Yingze District, Taiyuan City, Shanxi Province

Patentee before: SHANXI JUBO TIANHAO TECHNOLOGY Co.,Ltd.

CP02 Change in the address of a patent holder