CN109697431A - 一种基于高光谱图像的弱小目标检测方法 - Google Patents

一种基于高光谱图像的弱小目标检测方法 Download PDF

Info

Publication number
CN109697431A
CN109697431A CN201811641904.7A CN201811641904A CN109697431A CN 109697431 A CN109697431 A CN 109697431A CN 201811641904 A CN201811641904 A CN 201811641904A CN 109697431 A CN109697431 A CN 109697431A
Authority
CN
China
Prior art keywords
target
background
spectrum
spectral
suspected
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
CN201811641904.7A
Other languages
English (en)
Other versions
CN109697431B (zh
Inventor
关国鹏
巩晋南
智喜洋
陈文彬
胡建明
江世凯
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201811641904.7A priority Critical patent/CN109697431B/zh
Publication of CN109697431A publication Critical patent/CN109697431A/zh
Application granted granted Critical
Publication of CN109697431B publication Critical patent/CN109697431B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20036—Morphological image processing
    • 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
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种基于高光谱图像的弱小目标检测方法，具体方案如下，步骤一：利用信杂比进行目标可探测性分析，通过计算不同谱段目标相对其邻域背景的信杂比，优选出目标与背景具有的差异性由大到小的若干个谱段；步骤二：在优选的目标与背景间差异性最大的谱段进行弱小目标提取，利用多结构元素数学形态学方法抑制背景，通过自适应阈值分割得到若干个疑似目标；步骤三：利用优选探测谱段光谱信息，将不同场景中目标与背景的混叠光谱作为目标位于不同场景时的标准光谱，基于光谱角匹配原理，计算疑似目标和所处背景的混叠光谱与标准光谱的相似度，实现对弱小目标的确认。本发明属于目标探测与识别技术领域，可实现复杂环境背景中远距离弱小目标的高效确认。

Description

一种基于高光谱图像的弱小目标检测方法
技术领域
本发明属于目标探测与识别技术领域，具体涉及一种基于高光谱图像的弱小目标检测方法。
背景技术
针对复杂云背景中弱小目标的高概率检测一直是目标探测与识别领域中的关键技术。但对于实际的空中目标探测过程来说，通常需要远距离探测，目标经探测系统成像后，一般缺乏几何形状、纹理等信息。而非目标区域的环境背景，尤其是复杂多变的云背景会增大目标检测的难度，并且随着飞行器隐身技术的发展，大大降低了目标自身的辐射强度，使目标信号极易被复杂云背景淹没。
考虑到单波段探测手段获得的目标辐射特征单一，目标检测能力弱，因此需要借助高光谱手段，获取反映目标内在属性的光谱特征信息，从而结合谱段差异更精确地反映出背景和目标特征的差异。而红外光波内有上百个谱段，势必会带来庞大的计算量，且目标光谱与其背景光谱存在混叠，这将降低目标检测概率。因此需要从目标的可探测性能出发，分析不同谱段处目标与背景的差异性，并研究高效的弱小目标检测方法，从而保证在高检测概率、低虚警概率的同时实现对弱小目标的实时检测，同时指导探测系统设计，对高光谱探测系统的实际空间应用具有重要意义。
发明内容
本发明的目的在于针对传统的目标检测算法检测效率低以及难以处理光谱混叠导致的目标光谱变异等问题，本发明提供了一种基于高光谱图像的弱小目标检测方法。该方法适用于复杂云背景红外图像中的弱小目标高效检测，并可获取弱小目标的质心和外接矩形等信息。本发明的目的是通过以下技术方案实现的：
一种基于高光谱图像的弱小目标检测方法，包括如下步骤：
步骤一：利用信杂比进行目标可探测性分析，通过计算不同谱段目标相对其邻域背景的信杂比，优选出目标与背景具有的差异性由大到小的若干个谱段作为优选探测谱段；
步骤二：在优选的目标与背景间差异性最大的谱段进行弱小目标提取，利用多结构元素数学形态学方法抑制背景，通过自适应阈值分割得到若干个疑似目标；
步骤三：利用优选探测谱段光谱信息，将不同场景中目标与背景的混叠光谱作为目标位于不同场景时的标准光谱，基于光谱角匹配原理，计算疑似目标和所处背景的混叠光谱与标准光谱的相似度，实现对弱小目标的确认。
本发明具有如下优点：
(1)本发明提出了一种基于高光谱图像的弱小目标检测方法，该方法首先利用目标可探测性分析优选出探测谱段。然后通过空域提取疑似目标和光谱域目标确认实现弱小目标的高效检测，采用分类匹配思想，避免了光谱混叠对检测效率的影响，可保证在具有高检测概率和低虚警概率的同时极大降低运算量，可为红外高光谱探测系统设计提供理论依据，同时对目标检测算法研究具有工程应用意义。
(2)本发明利用信杂比分析复杂背景下弱小目标的可探测性能。利用红外高光谱图像的仿真辐射亮度数据，计算并比较不同谱段上目标的可探测性能，选择目标可探测性能最高的若干个谱段作为探测谱段，利用探测谱段对应的辐射特性差异即可精确描述目标和背景间的特征差异，有效避免了由于高光谱探测系统谱段数目过多造成的计算量庞大问题，从而极大程度上提高了目标检测算法的运算效率。
(3)本发明基于光谱角匹配原理，通过计算疑似目标和所处背景的混叠光谱与标准光谱的相似度来进行疑似目标类型的判别。统计场景中像素灰度分布可将云内、云边缘和大气等背景杂波进行区分，分别计算疑似目标和所处背景的混叠光谱与其所处场景标准光谱的光谱角，可避免目标与背景的光谱混叠对目标检测性能的影响，从而实现复杂环境背景中远距离弱小目标的高效确认。
附图说明
图1为本发明基于高光谱图像的弱小目标检测方法流程图；
图2为计算信杂比时目标邻域背景的选择示意图；
图3为目标探测谱段优选的分析方法示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
具体实施方式一
本发明提供了一种基于高光谱图像的弱小目标检测方法，如图1所示，所述方法具体实施步骤如下：
步骤一：利用信杂比进行目标可探测性分析，通过计算不同谱段目标相对其邻域背景的信杂比，优选出目标与背景具有的差异性由大到小的若干个谱段作为优选探测谱段；具体步骤如下：
(1)基于红外图像中目标信杂比概念，考虑不同目标以不同飞行状态分别位于不同场景中的情况，计算各个情况的高光谱图像中目标相对其邻域背景的信杂比，信杂比定义为：
式中：GT和GB分别为目标和背景的灰度均值；σB为背景图像的均方差；为避免光谱混叠的影响，计算信杂比时选择以目标为中心的同心双矩形区域作为目标邻域背景，如图2所示；
(2)根据各谱段目标信杂比计算结果优选探测谱段，优选的谱段应满足不同目标在不同场景中被观测时，均表现出与背景具有明显差异，差异越大，目标的可探测性能越高，目标探测谱段优选的分析方法示意图如图3所示，选择与背景具有的差异性由大到小的若干个谱段作为优选探测谱段；
步骤二：在优选的目标与背景间差异性最大的谱段进行弱小目标提取，利用多结构元素数学形态学方法抑制背景，通过自适应阈值分割得到若干个疑似目标；具体步骤如下：
(1)利用多结构元素数学形态学方法对优选的目标与背景差异性最大的谱段的红外图像进行背景抑制；本发明中选择长度为3的线性结构算子，方向分别为0、45、90和135度，背景抑制后的图像中有目标、残留的云边缘和噪声；
(2)基于统计学的自适应阈值分割；统计背景抑制后图像中灰度非零的像素灰度分布，得到其近似服从高斯分布，设置阈值分割出疑似目标，阈值Y定义为：
Y＝μ+Kσ2 (2)
式中：μ为所有灰度非零的像素灰度均值，σ2为所有灰度非零的像素灰度均方差，K为常数，根据仿真测试选取K＝5.5，能够保证在分割出弱小目标的同时尽量少的分割出云边缘和噪声；
步骤三：利用优选探测谱段光谱信息，将不同场景中目标与背景的混叠光谱作为目标位于不同场景时的标准光谱，基于光谱角匹配原理，计算疑似目标和所处背景的混叠光谱与标准光谱的相似度，实现对弱小目标的确认；具体步骤如下：
(1)令目标位于复杂云背景的不同区域内，得到目标分别位于云内、云边缘和大气时目标与背景的混叠光谱，每个场景中多个目标与背景混叠光谱的平均光谱作为目标位于不同场景时的标准光谱Sn，n＝1、2或3，其中目标位于云内、云边缘和大气内的标准光谱分别为S1、S2、S3；
(2)得到疑似目标与其所处背景的混叠光谱S，并判断疑似目标所处区域；通过计算在某一谱段红外图像上疑似目标邻域背景的灰度均值和均方差判断疑似目标所处区域；以云层覆盖率约等于50％的红外图像为例，疑似目标位于大气内部时，其邻域背景灰度均值和均方差近似等于零；疑似目标位于云层内部时，其邻域背景灰度均值大于整幅图像灰度均值的1.5倍，均方差近似等于零；疑似目标位于云层边缘时，其邻域背景灰度均值近似等于整幅图像灰度均值，均方差远大于零；
(3)计算疑似目标和所处背景的混叠光谱S与相应区域内标准光谱Sn的光谱角，光谱角越小两光谱间相似度越大，即疑似目标为目标的可能性越大。标准光谱Sn和疑似目标处混叠光谱S的光谱角表示为：
式中：θ为光谱角，n＝1、2或3；
(4)计算所有疑似目标和所处背景的混叠光谱与其所处区域标准光谱的光谱角，设置光谱角阈值分割出弱小目标，实现弱小目标的确认。

Claims (7)

1.一种基于高光谱图像的弱小目标检测方法，其特征在于，具体步骤如下：
步骤一：利用信杂比进行目标可探测性分析，通过计算不同谱段目标相对其邻域背景的信杂比，优选出目标与背景具有的差异性由大到小的若干个谱段作为优选探测谱段；
步骤二：在优选的目标与背景间差异性最大的谱段进行弱小目标提取，利用多结构元素数学形态学方法抑制背景，通过自适应阈值分割得到若干个疑似目标；
步骤三：利用优选探测谱段光谱信息，将不同场景中目标与背景的混叠光谱作为目标位于不同场景时的标准光谱，基于光谱角匹配原理，计算疑似目标和所处背景的混叠光谱与标准光谱的相似度，实现对弱小目标的确认。
2.根据权利要求1所述的一种基于高光谱图像的弱小目标检测方法，其特征在于，在所述步骤一中，基于红外图像中目标信杂比概念，考虑不同目标以不同飞行状态分别位于不同场景中的情况，计算各个情况的高光谱图像中目标相对其邻域背景的信杂比，信杂比定义为：
式中：GT和GB分别为目标和背景的灰度均值；σB为背景图像的均方差；为避免光谱混叠的影响，计算信杂比时选择以目标为中心的同心双矩形区域作为目标邻域背景。
3.根据权利要求1所述的一种基于高光谱图像的弱小目标检测方法，其特征在于，在所述步骤一中，根据各谱段目标信杂比计算结果优选探测谱段，优选的谱段应满足不同目标在不同场景中被观测时，均表现出与背景具有明显差异，差异越大，目标的可探测性能越高，选择与背景具有的差异性由大到小的若干个谱段作为优选探测谱段。
4.根据权利要求1所述的一种基于高光谱图像的弱小目标检测方法，其特征在于，在步骤二中，利用多结构元素数学形态学方法对优选的目标与背景差异性最大的谱段的红外图像进行背景抑制，背景抑制后图像中有目标、残留的云边缘和噪声。
5.根据权利要求1所述的一种基于高光谱图像的弱小目标检测方法，其特征在于，在步骤二中，基于统计学的自适应阈值分割，统计背景抑制后图像中灰度非零的像素灰度分布，得到其近似服从高斯分布，设置阈值分割出疑似目标，阈值Y定义为：
Y＝μ+Kσ2
式中：μ为所有灰度非零的像素灰度均值，σ2为所有灰度非零的像素灰度均方差，K为常数。
6.根据权利要求1所述的一种基于高光谱图像的弱小目标检测方法，其特征在于，所述步骤三的具体步骤如下：
(1)令目标位于复杂云背景的不同区域内，得到目标分别位于云内、云边缘和大气时目标与背景的混叠光谱，每个场景中多个目标与背景混叠光谱的平均光谱作为目标位于不同场景时的标准光谱Sn，n＝1、2或3，其中目标位于云内、云边缘和大气内的标准光谱分别为S1、S2、S3；
(2)得到疑似目标与其所处背景的混叠光谱S，并判断疑似目标所处区域；通过计算在某一谱段红外图像上疑似目标邻域背景的灰度均值和均方差判断疑似目标所处区域；
(3)计算疑似目标和所处背景的混叠光谱S与相应区域内标准光谱Sn的光谱角，光谱角越小两光谱间相似度越大，即疑似目标为目标的可能性越大；
(4)计算所有疑似目标和所处背景的混叠光谱与其所处区域标准光谱的光谱角，设置光谱角阈值分割出弱小目标，实现弱小目标的确认。
7.根据权利要求6所述的一种基于高光谱图像的弱小目标检测方法，其特征在于，标准光谱Sn和疑似目标和所处背景的混叠光谱S的光谱角表示为：
式中：θ为光谱角，n＝1、2或3。
CN201811641904.7A 2018-12-29 2018-12-29 一种基于高光谱图像的弱小目标检测方法 Active CN109697431B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811641904.7A CN109697431B (zh) 2018-12-29 2018-12-29 一种基于高光谱图像的弱小目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811641904.7A CN109697431B (zh) 2018-12-29 2018-12-29 一种基于高光谱图像的弱小目标检测方法

Publications (2)

Publication Number Publication Date
CN109697431A true CN109697431A (zh) 2019-04-30
CN109697431B CN109697431B (zh) 2021-11-23

Family

ID=66233144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811641904.7A Active CN109697431B (zh) 2018-12-29 2018-12-29 一种基于高光谱图像的弱小目标检测方法

Country Status (1)

Country Link
CN (1) CN109697431B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378268A (zh) * 2019-07-10 2019-10-25 中国科学院长春光学精密机械与物理研究所 高光谱快速目标检测方法及系统
CN110969125A (zh) * 2019-12-02 2020-04-07 哈尔滨工业大学 一种面向目标识别任务的探测谱段优选方法
CN111401195A (zh) * 2020-03-10 2020-07-10 上海航天控制技术研究所 一种基于多波段红外图像的海面目标检测方法
CN112799143A (zh) * 2020-12-01 2021-05-14 中国电子科技集团公司第十一研究所 一种目标识别方法、光电系统及可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
CN102393913A (zh) * 2011-10-31 2012-03-28 北京航空航天大学 一种基于光谱指纹特征的弱小目标精确跟踪方法
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN107085708A (zh) * 2017-04-20 2017-08-22 哈尔滨工业大学 基于多尺度分割和融合的高分辨率遥感图像变化检测方法
CN107403433A (zh) * 2016-05-20 2017-11-28 南京理工大学 一种复杂云背景下红外小目标检测方法
CN108198228A (zh) * 2017-12-29 2018-06-22 华中科技大学 一种天基红外高光谱图像智能压缩方法
CN108765460A (zh) * 2018-05-22 2018-11-06 北京航空航天大学 基于高光谱图像的空时联合异常检测方法和电子设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101930072A (zh) * 2010-07-28 2010-12-29 重庆大学 基于多特征融合的红外弱小运动目标航迹起始方法
CN102393913A (zh) * 2011-10-31 2012-03-28 北京航空航天大学 一种基于光谱指纹特征的弱小目标精确跟踪方法
CN103729848A (zh) * 2013-12-28 2014-04-16 北京工业大学 基于光谱显著性的高光谱遥感图像小目标检测方法
CN107403433A (zh) * 2016-05-20 2017-11-28 南京理工大学 一种复杂云背景下红外小目标检测方法
CN107085708A (zh) * 2017-04-20 2017-08-22 哈尔滨工业大学 基于多尺度分割和融合的高分辨率遥感图像变化检测方法
CN108198228A (zh) * 2017-12-29 2018-06-22 华中科技大学 一种天基红外高光谱图像智能压缩方法
CN108765460A (zh) * 2018-05-22 2018-11-06 北京航空航天大学 基于高光谱图像的空时联合异常检测方法和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
巩晋南 等: "红外云杂波下点目标检测算法性能评价", 《哈尔滨工程大学学报》 *
赵晓 等: "多尺度匹配的红外变分辨率弱小目标检测", 《红外与激光工程》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378268A (zh) * 2019-07-10 2019-10-25 中国科学院长春光学精密机械与物理研究所 高光谱快速目标检测方法及系统
CN110378268B (zh) * 2019-07-10 2022-04-26 中国科学院长春光学精密机械与物理研究所 高光谱快速目标检测方法及系统
CN110969125A (zh) * 2019-12-02 2020-04-07 哈尔滨工业大学 一种面向目标识别任务的探测谱段优选方法
CN110969125B (zh) * 2019-12-02 2022-10-25 哈尔滨工业大学 一种面向目标识别任务的探测谱段优选方法
CN111401195A (zh) * 2020-03-10 2020-07-10 上海航天控制技术研究所 一种基于多波段红外图像的海面目标检测方法
CN111401195B (zh) * 2020-03-10 2023-11-14 上海航天控制技术研究所 一种基于多波段红外图像的海面目标检测方法
CN112799143A (zh) * 2020-12-01 2021-05-14 中国电子科技集团公司第十一研究所 一种目标识别方法、光电系统及可读存储介质
CN112799143B (zh) * 2020-12-01 2023-03-03 中国电子科技集团公司第十一研究所 一种目标识别方法、光电系统及可读存储介质

Also Published As

Publication number Publication date
CN109697431B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN109697431A (zh) 一种基于高光谱图像的弱小目标检测方法
Zhao et al. An insulator in transmission lines recognition and fault detection model based on improved faster RCNN
Zhao et al. A coupled convolutional neural network for small and densely clustered ship detection in SAR images
CN105574855B (zh) 云背景下基于模板滤波和虚警抑制的红外小目标检测方法
CN103218816B (zh) 一种基于视频分析的人群密度估计方法与人流量统计方法
CN109871902B (zh) 一种基于超分辨率对抗生成级联网络的sar小样本识别方法
CN105335966B (zh) 基于局域同质性指标的多尺度遥感影像分割方法
Kang et al. SFR-Net: Scattering feature relation network for aircraft detection in complex SAR images
CN108171193B (zh) 基于超像素局部信息度量的极化sar舰船目标检测方法
CN103578110A (zh) 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法
CN102945374B (zh) 一种高分辨率遥感图像中民航飞机自动检测方法
Kou et al. Infrared small target detection based on the improved density peak global search and human visual local contrast mechanism
CN111539441A (zh) 一种基于毫米波安检图像的隐匿物检测方法及系统
CN111401168A (zh) 一种无人机的多层雷达特征提取与选择方法
Su et al. Hyperspectral image classification based on volumetric texture and dimensionality reduction
Yang et al. Transformer-based anchor-free detection of concealed objects in passive millimeter wave images
CN113420594A (zh) 基于改进Faster R-CNN的SAR图像舰船检测方法
Dou et al. Aircraft recognition in high resolution SAR images using saliency map and scattering structure features
CN104598922A (zh) 基于模糊c均值的全极化sar图像分类方法
Cao et al. Clutter suppression and target tracking by the low-rank representation for airborne maritime surveillance radar
Chen et al. Port ship detection in complex environments
Du et al. Multiple frames based infrared small target detection method using CNN
CN114663795A (zh) 距离选通成像设备获取玻璃幕墙后图像的目标检测方法
CN116311067A (zh) 基于高维特征图谱的目标综合识别方法、装置及设备
Wu et al. Moving target shadow detection method based on improved ViBe in VideoSAR images

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
CB03 Change of inventor or designer information

Inventor after: Gong Jinnan

Inventor after: Chen Wenbin

Inventor after: Hu Jianming

Inventor after: Jiang Shikai

Inventor after: Zhi Xiyang

Inventor after: Guan Guopeng

Inventor before: Guan Guopeng

Inventor before: Gong Jinnan

Inventor before: Zhi Xiyang

Inventor before: Chen Wenbin

Inventor before: Hu Jianming

Inventor before: Jiang Shikai

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant