CN109615627B - 一种输变电巡检图像质量评价方法及系统 - Google Patents

一种输变电巡检图像质量评价方法及系统 Download PDF

Info

Publication number
CN109615627B
CN109615627B CN201811532907.7A CN201811532907A CN109615627B CN 109615627 B CN109615627 B CN 109615627B CN 201811532907 A CN201811532907 A CN 201811532907A CN 109615627 B CN109615627 B CN 109615627B
Authority
CN
China
Prior art keywords
quality evaluation
neural network
image quality
deep convolutional
power transmission
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
CN201811532907.7A
Other languages
English (en)
Other versions
CN109615627A (zh
Inventor
李冬
田源
王玮
苏琦
刘荫
严文涛
严莉
李明
殷齐林
于展鹏
穆林
徐浩
郭爽爽
倪金超
郑海杰
刘越
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.)
State Grid Intelligent Technology Co Ltd
Original Assignee
State Grid Intelligent 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 State Grid Intelligent Technology Co Ltd filed Critical State Grid Intelligent Technology Co Ltd
Priority to CN201811532907.7A priority Critical patent/CN109615627B/zh
Publication of CN109615627A publication Critical patent/CN109615627A/zh
Application granted granted Critical
Publication of CN109615627B publication Critical patent/CN109615627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种输变电巡检图像质量评价方法及系统，包括：构建输变电巡检图像质量评价标准样本集；构建深度卷积神经网络，并对各层神经网络进行权重调优训练；得到至少一个深度卷积神经网络模型；根据得到的深度卷积神经网络模型，利用前向推理计算对待评价的巡检图像进行质量评价。本发明有益效果：通过构建深层次的卷积神经网络结构并对各层网络参数进行了调优训练，实现了输变电巡检图像本质特征的获取与质量评价，提高了巡检图像质量评价的鲁棒性能与准确性能，为后期的巡检图像智能分析提供更有效的图像数据。

Description

一种输变电巡检图像质量评价方法及系统
技术领域
本发明涉及电力系统智能分析领域，尤其涉及一种输变电巡检图像质量评价方法及系统。
背景技术
为保证输电线路与变电站的正常运行，输电线路无人机巡检与变电站机器人智能巡检已成为常规的巡检模式，每次巡检会产生大量的巡检图像。由于光照、雾霾、巡检过程中无人机与机器人平台抖动导致采集图像出现模糊、失焦等情况出现，极大的降低了图像的表征能力，同时提高了后期巡检图像智能分析的难度。为了保证数据的有效性并降低图像智能分析的难度，通常采用人工判读的方式进行图像质量评价并删除低质量的图像，劳动强度大且受工作人员经验的影响使得评价波动较大，无法保证质量评价的一致性。
现阶段图像质量评价主要分为主观评价模式和客观评价模式，主观评价模式依靠人工判读的方式来进行，劳动强度大；客观评价模式主要利用图像视觉相关技术构建图像特征表示，结合相关评价算法来自动的实现图像质量的评价与分析。
现有技术提出利用局部滤波和梯度匹配的方式进行图像质量评价，由于采用了Log-Gabor进行滤波处理，无法鲁棒的提取图像多类型特征，限制了图像质量评价方法的应用。
现有技术提出采用卷积神经网络的方法来进行图像质量评判，该方法只设计了5层网络，只能够提取到局部的边缘、纹理特性，无法获取图像更深层次的语意及结构信息。
由于输变电巡检图像包含的目标种类多样，且背景复杂，上述方法均无法有效、精确的实现巡检图像质量的评价。
发明内容
本发明为了解决上述问题，提出了一种输变电巡检图像质量评价方法及系统。首先，构建输变电巡检图像质量评判标准样本集；其次，设计深度卷积神经网络结构，并通过调优训练相关参数进行图像质量评判模型训练；最后，进行待评价图像的推理过程，获取图像质量评价参数，完成图像质量评价。
为了实现上述目的，本发明采用如下技术方案：
在一个或多个实施方式中公开的一种输变电巡检图像质量评价方法，包括：
构建输变电巡检图像质量评价标准样本集；
构建深度卷积神经网络，并对各层神经网络进行权重调优训练；
在深度卷积网络模型参数训练过程中，利用公开数据集对网络进行预训练，全连接层参数采用随机初始化的方式进行赋值，采用梯度下降方法进行每层参数的优化；
分别对输变电巡检图像质量评价标准样本集中随机抽取的数据进行至少一次训练，得到至少一个深度卷积神经网络模型；
根据得到的深度卷积神经网络模型，利用前向推理计算对待评价的巡检图像进行质量评价。
进一步地，所述输变电巡检图像质量评价标准样本集包括两部分：第一部分为通用的图像质量评价数据库AVA数据集和TID2013数据集；第二部分为人工评价后的输变电巡检图像；
进一步地，
第一部分和第二部分训练数据的比例为1:2。
进一步地，所述构建深度卷积神经网络，具体为：
以VGG19网络结构为参考，构建图像质量评价深度卷积神经网络；深度卷积神经网络包括：卷积层、池化层、全连接层和分类层；
卷积层进行每层的局部区域的特征提取；池化层进行卷积处理后特征数据的降维处理；全连接层进行局部特征的汇总，形成图像统一的特征描述，作为打分分类处理的输入；分类层进行全连接层数据的打分、分类。
进一步地，为了评价图像质量，将VGG19网络的soft-max交叉熵损失函数进行修正，使用归一化的EMD距离来度量图像评价的损失，实现了每张图像每个评分等级间的相对距离的计算。
进一步地，归一化的EMD距离具体为：
Figure BDA0001906147660000021
其中，p＝[ps1,ps2,…,psN]，s1＜s2＜sN，表示人工标注的图像质量概率分布，
Figure BDA0001906147660000022
为训练过程中预测的图像质量概率分布；N为标记的评分等级；
Figure BDA0001906147660000023
r为设定的参数。
进一步地，根据得到的深度卷积神经网络模型，利用前向推理计算对巡检图像的质量进行评价，具体为：
分别加载训练好的至少一个深度卷积神经网络模型，并加载每一个深度卷积神经网络模型每层的网络参数；
对输入的图像进行缩放操作，并对图像进行去均值；
对于每一个深度卷积神经网络模型，通过深度卷积神经网络前向推理计算过程，计算输入图像的质量评价得分；在最后的soft-max输出图像数据属于不同等级的得分概率；对得分概率计算平均值和标准差：
分别求取每一个深度卷积神经网络模型计算得到的平均值和标准差的均值，作为图像质量评价指标；根据图像质量评价指标的数值，评价图像质量。
在一个或多个实施方式中公开的一种基于深度卷积神经网络的输变电巡检图像质量评价系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的任一种基于深度卷积神经网络的输变电巡检图像质量评价方法。
在一个或多个实施方式中公开的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述的任一种基于深度卷积神经网络的输变电巡检图像质量评价方法。
与现有技术相比，本发明的有益效果是：
本发明通过构建深层次的卷积神经网络结构并对各层网络参数进行了调优训练，实现了输变电巡检图像本质特征的获取与质量评价，提高了巡检图像质量评价的鲁棒性能与准确性能，为后期的巡检图像智能分析提供更有效的图像数据。
采用更深层次的卷积神经网络，可以获取深层次的图像特征信息。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是输变电巡检图像质量评价深度卷积网络结构示意图；
图2是深度卷积神经网络输变电巡检图像质量评价方法流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中公开的一种基于深度卷积神经网络的输变电巡检图像质量评价方法，如图2所示，包括以下步骤：
步骤一：构建输变电巡检图像质量评价标准样本集，该样本集主要由两部分组成：一部分为通用的图像质量评价数据库AVA数据集和TID2013数据集，一部分为人工评价后的输变电巡检图像。
为了保证输变电巡检图像占据相对的主导，在训练过程中使用的两部分训练数据的比例为1:2。
步骤二：构建深度卷积神经网络结构与网络各层功能参数，并对各层网络进行权重调优训练。
(1)以VGG19网络结构为参考，构建图像质量评价深度卷积神经网络。主要的网络层属性有卷积层、池化层、全连接层、分类层。卷积层主要进行每层的局部区域的特征提取；池化层主要进行卷积处理后特征数据的降维处理，以提高特征的表征能力并减少数据量；全连接层主要进行局部特征的汇总，形成图像统一的特征描述，作为打分分类处理的输入；分类层主要进行全连接层数据的打分、分类。根据图像质量评价等级将分类层输出设为10，具体的网络结构及网络属性参数见图1所示。
(2)为了评价图像质量，将VGG19网络的soft-max交叉熵损失函数进行修正，使用归一化的EMD距离来度量图像评价的损失：
Figure BDA0001906147660000041
这里的p＝[ps1,ps2,…,psN],其中s1＜s2＜sN表示人工标注的图像质量概率分布，
Figure BDA0001906147660000042
为训练过程中预测的图像质量概率分布；N为标记的评分等级；
Figure BDA0001906147660000043
通过利用EMD距离，实现了每张图像每个评分等级间的相对距离(即损失惩罚)的计算。为了训练过程中便于进行优化计算，在实践中参数r设定为2。
(3)在深度卷积网络模型参数训练过程中，利用ImageNet公开数据集对网络进行预训练，以提高网络参数的训练效率与模型鲁棒性；全连接层参数采用随机初始化的方式进行赋值；优化时采用Adam梯度下降方法进行每层参数的优化，偏置动量参数设定为0.9，随机丢弃参数设置为0.75；学习效率设置为3*10-6。
(4)为提高应用中图像质量评价的鲁棒性能，在训练过程时重复上述(2)、(3)，分别对样本库随机抽取的数据进行4次训练，得到4个网络模型。
步骤三：巡检图像质量评价推理。加载构建的深度卷积神经网络结构与各层权重参数，并进行图像质量评价打分。
经过多次训练后得到了图像评价深度卷积网络模型，利用卷积网络的前向推理计算即可实现对巡检图像的质量评价，具体操作如下：
(1)分别加载训练好的4个深度卷积网络结构，并加载每层的网络参数；
(2)预处理输入图像，对输入的图像进行缩放操作(缩放至256*256)，并对图像进行去均值操作：
Ii＝Ii-meani,i∈(1,3)
其中，I为图像的像素，i表示图像的通道数，图像都是彩色三通道(RGB)图像，三通道为彩色图像的基本属性。mean表示图像的均值。
(3)通过卷积网络前向推理过程，计算质量评价得分。在最后的soft-max输出图像数据1～10个等级的得分概率。对得分概率计算平均值和标准差：
Figure BDA0001906147660000051
Figure BDA0001906147660000052
其中，si分别为图像的1～10个质量等级，i取值为1,2,3…,10。
(4)执行步骤(3)4次，得到4组网络推理的平均值和标准差，对其求平均值，最终的图像质量评价指标：
Figure BDA0001906147660000053
Figure BDA0001906147660000054
以平均值作为主要评价指标，均值越高图像质量越好；均值相同，标准差越小图像质量越好。
实施例二
在另外一些实施方式中公开了一种基于深度卷积神经网络的输变电巡检图像质量评价系统，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中所述的基于深度卷积神经网络的输变电巡检图像质量评价方法。
实施例三
在另外一些实施方式中公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实施例一中所述的基于深度卷积神经网络的输变电巡检图像质量评价方法。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种输变电巡检图像质量评价方法，其特征在于，包括：
构建输变电巡检图像质量评价标准样本集；所述输变电巡检图像质量评价标准样本集包括两部分：第一部分为通用的图像质量评价数据库AVA数据集和TID2013数据集，第二部分为人工评价后的输变电巡检图像，第一部分和第二部分训练数据的比例为1:2；
构建深度卷积神经网络，并对各层神经网络进行权重调优训练；
分别对输变电巡检图像质量评价标准样本集中随机抽取的数据进行至少一次训练，得到至少一个深度卷积神经网络模型；
利用前向推理计算对待评价的巡检图像进行质量评价；分别求取每一个深度卷积神经网络模型计算得到的平均值和标准差的均值，作为图像质量评价指标，根据图像质量评价指标的数值，评价图像质量；
将深度卷积神经网络的soft-max交叉熵损失函数进行修正，使用归一化的EMD距离来度量图像评价的损失，实现每张图像每个评分等级间的相对距离的计算。
2.如权利要求1所述的一种输变电巡检图像质量评价方法，其特征在于，所述构建深度卷积神经网络，具体为：
以VGG19网络结构为参考，构建图像质量评价深度卷积神经网络；深度卷积神经网络包括：卷积层、池化层、全连接层和分类层；
卷积层进行每层的局部区域的特征提取；池化层进行卷积处理后特征数据的降维处理；全连接层进行局部特征的汇总，形成图像统一的特征描述，作为打分分类处理的输入；分类层进行全连接层数据的打分、分类。
3.如权利要求1所述的一种输变电巡检图像质量评价方法，其特征在于，在深度卷积网络模型参数训练过程中，利用公开数据集对网络进行预训练，全连接层参数采用随机初始化的方式进行赋值，采用梯度下降方法进行每层参数的优化。
4.如权利要求1所述的一种输变电巡检图像质量评价方法，其特征在于，根据得到的深度卷积神经网络模型，利用前向推理计算对巡检图像的质量进行评价，具体为：
分别加载训练好的至少一个深度卷积神经网络模型，并加载每一个深度卷积神经网络模型每层的网络参数；
对输入的图像进行缩放操作，并对图像进行去均值；
对于每一个深度卷积神经网络模型，通过深度卷积神经网络前向推理计算过程，计算输入图像的质量评价得分；在最后的soft-max输出图像数据属于不同等级的得分概率；对得分概率计算平均值和标准差：
分别求取每一个深度卷积神经网络模型计算得到的平均值和标准差的均值，作为图像质量评价指标，根据图像质量评价指标的数值，评价图像质量。
5.一种输变电巡检图像质量评价系统，其特征在于，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-4任一项所述的基于深度卷积神经网络的输变电巡检图像质量评价方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行权利要求1-4任一项所述的输变电巡检图像质量评价方法。
CN201811532907.7A 2018-12-14 2018-12-14 一种输变电巡检图像质量评价方法及系统 Active CN109615627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811532907.7A CN109615627B (zh) 2018-12-14 2018-12-14 一种输变电巡检图像质量评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811532907.7A CN109615627B (zh) 2018-12-14 2018-12-14 一种输变电巡检图像质量评价方法及系统

Publications (2)

Publication Number Publication Date
CN109615627A CN109615627A (zh) 2019-04-12
CN109615627B true CN109615627B (zh) 2021-07-27

Family

ID=66009423

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811532907.7A Active CN109615627B (zh) 2018-12-14 2018-12-14 一种输变电巡检图像质量评价方法及系统

Country Status (1)

Country Link
CN (1) CN109615627B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110210558B (zh) * 2019-05-31 2021-10-26 北京市商汤科技开发有限公司 评估神经网络性能的方法及装置
CN111325711A (zh) * 2020-01-16 2020-06-23 杭州德适生物科技有限公司 一种基于深度学习的染色体分裂相图像质量评价方法
CN111818363A (zh) * 2020-07-10 2020-10-23 携程计算机技术（上海）有限公司 短视频提取方法、系统、设备及存储介质
CN113158777B (zh) * 2021-03-08 2024-07-02 佳都科技集团股份有限公司 质量评分方法、质量评分模型的训练方法及相关装置
CN113408695B (zh) * 2021-04-29 2024-05-31 开放智能机器（上海）有限公司 一种离线量化工具的精度调优方法
CN113496485B (zh) * 2021-06-24 2022-12-02 北京市遥感信息研究所 卫星遥感图像质量评价方法及装置
CN117975190A (zh) * 2023-12-29 2024-05-03 中国科学院自动化研究所 基于视觉预训练模型的模仿学习混合样本处理方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503366A (zh) * 2016-10-27 2017-03-15 石家庄铁道大学 抑制emd端点效应的方法
CN107743225A (zh) * 2017-10-16 2018-02-27 杭州电子科技大学 一种利用多层深度表征进行无参考图像质量预测的方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103544705B (zh) * 2013-10-25 2016-03-02 华南理工大学 一种基于深度卷积神经网络的图像质量测试方法
US9779492B1 (en) * 2016-03-15 2017-10-03 International Business Machines Corporation Retinal image quality assessment, error identification and automatic quality correction
US10002415B2 (en) * 2016-04-12 2018-06-19 Adobe Systems Incorporated Utilizing deep learning for rating aesthetics of digital images
CN107633513B (zh) * 2017-09-18 2021-08-17 天津大学 基于深度学习的3d图像质量的度量方法
CN107610123A (zh) * 2017-10-11 2018-01-19 中共中央办公厅电子科技学院 一种基于深度卷积神经网络的图像美学质量评价方法
CN108377387A (zh) * 2018-03-22 2018-08-07 天津大学 基于3d卷积神经网络的虚拟现实视频质量评价方法
CN108596902B (zh) * 2018-05-04 2020-09-08 北京大学 基于选通卷积神经网络的多任务全参考图像质量评价方法
CN108897797A (zh) * 2018-06-12 2018-11-27 腾讯科技（深圳）有限公司 对话模型的更新训练方法、装置、存储介质及电子设备
CN108960087A (zh) * 2018-06-20 2018-12-07 中国科学院重庆绿色智能技术研究院 一种基于多维度评估标准的人脸图像质量评估方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503366A (zh) * 2016-10-27 2017-03-15 石家庄铁道大学 抑制emd端点效应的方法
CN107743225A (zh) * 2017-10-16 2018-02-27 杭州电子科技大学 一种利用多层深度表征进行无参考图像质量预测的方法

Also Published As

Publication number Publication date
CN109615627A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN109615627B (zh) 一种输变电巡检图像质量评价方法及系统
CN108615071B (zh) 模型测试的方法及装置
CN109559310B (zh) 基于显著性检测的输变电巡检图像质量评价方法及系统
CN109858569A (zh) 基于目标检测网络的多标签物体检测方法、系统、装置
CN111739076A (zh) 面向多种ct肺部纹理识别的非监督保内容域适应方法
CN110135282B (zh) 一种基于深度卷积神经网络模型的考生回头抄袭作弊检测方法
CN106447646A (zh) 一种用于无人机图像的质量盲评价方法
CN114359727B (zh) 基于轻量级优化Yolo v4的茶叶病害识别方法及系统
CN111650453A (zh) 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统
CN105844627A (zh) 一种基于卷积神经网络的海面目标图像背景抑制方法
CN106897998B (zh) 太阳能直射辐射强度信息预测方法和系统
CN113313107A (zh) 一种斜拉桥缆索表面多类型病害智能检测和识别方法
CN110782448A (zh) 渲染图像的评价方法及装置
CN116452904B (zh) 图像美学质量确定方法
CN111539250B (zh) 一种基于神经网络的图像雾浓度估计方法、系统和终端
CN114881997A (zh) 一种风电机组缺陷评估方法及相关设备
CN114998251A (zh) 一种基于联邦学习的空中多视觉平台地面异常检测方法
CN115620178A (zh) 一种用于无人机的电网异常危险行为的实时检测方法
CN113627302B (zh) 一种登高施工合规性检测方法及系统
Su [Retracted] Data Research on Tobacco Leaf Image Collection Based on Computer Vision Sensor
CN116664823A (zh) 基于元学习和度量学习的小样本sar目标检测识别方法
CN117173595A (zh) 基于改进YOLOv7的无人机航拍图像目标检测方法
CN116229330A (zh) 一种视频有效帧的确定方法、系统、电子设备及存储介质
Liu et al. A novel image segmentation algorithm based on visual saliency detection and integrated feature extraction
CN111402397B (zh) 基于无监督数据的tof深度数据优化方法及装置

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 250001, No. two, No. 150, Ji'nan, Shandong

Applicant after: State Grid Shandong Electric Power Company Information Communication Company

Applicant after: National Network Intelligent Technology Co., Ltd.

Applicant after: State Grid Co., Ltd.

Address before: 250001, No. two, No. 150, Ji'nan, Shandong

Applicant before: State Grid Shandong Electric Power Company Information Communication Company

Applicant before: Shandong Luneng Intelligent Technology Co., Ltd.

Applicant before: State Grid Co., Ltd.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20201026

Address after: 250101 Electric Power Intelligent Robot Production Project 101 in Jinan City, Shandong Province, South of Feiyue Avenue and East of No. 26 Road (ICT Industrial Park)

Applicant after: National Network Intelligent Technology Co.,Ltd.

Address before: 250001, No. two, No. 150, Ji'nan, Shandong

Applicant before: INFORMATION COMMUNICATION COMPANY OF STATE GRID SHANDONG ELECTRIC POWER Co.

Applicant before: National Network Intelligent Technology Co.,Ltd.

Applicant before: STATE GRID CORPORATION OF CHINA

GR01 Patent grant
GR01 Patent grant