CN110111327A - 一种面向绿色资产评估的数字图像清洗方法 - Google Patents
一种面向绿色资产评估的数字图像清洗方法 Download PDFInfo
- Publication number
- CN110111327A CN110111327A CN201910409403.4A CN201910409403A CN110111327A CN 110111327 A CN110111327 A CN 110111327A CN 201910409403 A CN201910409403 A CN 201910409403A CN 110111327 A CN110111327 A CN 110111327A
- Authority
- CN
- China
- Prior art keywords
- image
- digital image
- sample
- point
- digital
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004140 cleaning Methods 0.000 title claims abstract description 26
- 238000012937 correction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 230000007547 defect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005406 washing Methods 0.000 claims 1
- 238000012549 training Methods 0.000 abstract description 10
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000003062 neural network model Methods 0.000 abstract description 4
- 239000008358 core component Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011234 economic evaluation Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种面向绿色资产评估的数字图像清洗方法，包括数据图像解析、图像去重、图像优化、几何校正、样品提取、图像输出等步骤。本发明供完整的数字图像清洗流程，可用于构建高质量数字图像数据训练，推动人工智能核心技术融入到绿色资产评估过程中，提升绿色资产评估的全面性和准确性；本发明适用于紫外光、红外光和可见光等多波段机器视觉数字图像，清洗后的数字图像可用于训练多类神经网络模型训练。
Description
技术领域
本发明属于绿色资产评估和人工智能领域，具体涉及一种面向绿色资产评估的数字图像清洗方法。
背景技术
以光伏发电系统、风力发电系统、大容量储能系统、新能源汽车光储充一体化系统为代表的新能源系统是资产密集型绿色资产，在并购交易重组中需要进行全面的技术尽调和经济评价，其核心部件的安全和质量是影响绿色资产估值和未来经济收益的重要指标。
目前，依托智能无人机、智能轨道机器人等先进技术，可实现绿色资产核心部件的全检，但仍采用人工方式对大量图像和视频结果进行检查，弊端是：工作量大，评判标准不易统一，误判率较高，影响绿色资产评估的全面性和准确性。
基于深度学习的数字图像缺陷自动识别技术是解决上述弊端的有效手段，依托各类成熟的深度卷积神经网络模型，基于数字图像的自动识别可实现目标特征自动检测和分割、缺陷自动识别、目标物体场景分类等功能，能够高效、快速、批量的识别绿色资产核心部件中存在的各类安全和质量缺陷。
基于数字图像深度学习的缺陷自动识别，关键环节包括两个阶段：一是神经网络模型训练阶段，需要海量的图像数据对神经网络模型进行训练，每个图像数据须经历数据采集、数据清洗和数据标注后成为有效的训练数据；二是识别与推理阶段，调用已训练的模型对新的图像数据进行识别。
现阶段，人工智能技术快速发展，针对消费级人工智能图像识别应用，如人脸识别、常见物品及动物识别，已有机构提供了海量的标准训练数据集，但针对绿色资产评估应用场景，高质量训练数据集缺乏，主要原因是：缺乏流程化的数据清洗方法。
申请号201711419150.6的中国专利，描述了一种由无人机和机器人获取的图像数据规范化人工智能分析系统，属于上述缺陷自动识别的第二阶段（识别与推理阶段），侧重于神经网络的构建，数据清洗的详细流程并未涉及。
申请号201710665692.5的中国专利，描述了一种低质量分类图像数据清洗方法，从互联网上收集已分类数据集，通过自建训练模型进一步清洗，提高原有数据集质量，并未涉及原始图像的清洗。
申请号201710599473.1的专利，描述了一种针对相同及相似图片去重的图像数据清洗方法，属于数字图像清洗的第一步，并不完备，更无法应用于绿色资产评估领域。
发明内容
针对绿色资产评估领域缺乏统一的数字图像清洗流程，核心部件安全性和经济性难以实现全面评估的现状，本发明提供了一种面向绿色资产评估的数字图像清洗方法，经本方法清洗后的数字图像数据，可直接用于深度学习神经网络模型训练，不受神经网络类型和构架的限制。
一种面向绿色资产评估的数字图像清洗方法，其特征在于，包含如下步骤：
S1、图像解析：载入和解析包含被测样品安全和质量信息的数字图像；
S2、图像去重：提取步骤S1中载入数字图像的MD5值，与已清洗图像数据库进行比对，判断当前载入图像是否已清洗，如已清洗，则退出，重新载入下一个数字图像；如未清洗，执行下一步S3；
S3、图像优化：判定图像是否有效，如无效，则退出，重新载入下一个数字图像；如有效，则对图像进行亮度和对比度优化；
S4、几何校正：对步骤S3中优化后的数字图像进行几何空间变换，通过数字图像算法将样品成像图统一映射成样品正上方俯视图；
S5、样品提取，在步骤S4几何校正后的数字图像中，对样品进行识别、分割和提取；
S6、图像输出，将提取的样品单独生成统一大小、统一格式的数字图像；并将步骤S1中提取的MD5值记录到已清洗图像数据库中，整个清洗流程结束。
按上述方法，所述的步骤S1具体为：先判定载入的数字图像的头文件信息判定传感器类型，如紫外光机器视觉、红外光机器视觉、可见光机器视觉等，依据类型调用不同算法解析包解析成二维数组，数组中的每个值代表数字图像对应的像素信息，后续步骤的算法操作基于该二维数组；
按上述方法，所述的步骤S2和步骤S6中涉及的MD5值提取算法哈希算法是一种被广泛使用的密码散列函数，每个数字图像MD5值具有唯一性，用于避免数字图像重复清洗，节约计算机计算资源；
按上述方法，所述的步骤S3中，数字图像的亮度和对比度变换参数需依据应用场景预先设定，以更清晰的呈现数字图像中的安全、质量缺陷信息；
按上述方法，所述的步骤S4中提及的几何校正采用的是中心投影变换法，可将样品任意视角的成像图校正成样品正上方俯视图，是本发明的关键步骤，以矩形样品为例，其实施方法具体为：
如图2，假设矩形样品在数字图像中的成像形状为任意四边形OQ01Q11Q10，变换目标为样品的俯视图，即目标矩形OT01T11T10，在中心投影变换空间中，所述任意四边形OQ01Q11Q10和所述目标矩形OT01T11T10相交于O点；E点为投影光源点，将所述任意四边形OQ01Q11Q10投影成所述目标矩形OT01T11T10；点Q为所述任意四边形OQ01Q11Q10上任意一点，点R为所述点Q在所述目标矩形OT01T11T10的投影点。
； （1）
； （2）
； （3）
其中，，分别是x轴、y轴的单位向量；x，y是点R的二维坐标值；和为常量；和为Q点的极坐标值；所述矩形OT01T11T10内任意坐标（被投影点）与则所述矩形所述任意四边形OQ01Q11Q10中投影点的对应关系为：
；（4）
按上述方法，所述的公式（4）也适用于其它几何形状的样品，通过在样品俯视图中绘制辅助矩形图。
按上述方法，所述的步骤S6输出的图像仅包含提取出的样品，且分辨率、数据格式完全一致，各类缺陷清晰呈现。
本发明的有益效果为：
（1）本发明供完整的数字图像清洗流程，用于构建高质量数字图像数据训练，推动人工智能核心技术融入到绿色资产评估过程中，提升绿色资产评估的全面性和准确性；
（2）本发明适用于紫外光、红外光和可见光等多波段机器视觉数字图像，清洗后的数字图像可用于训练多类神经网络模型训练。
附图说明
图1是本发明所涉及的一种面向绿色资产评估的数字图像清洗方法；
图2是本发明所涉及的中心投影变换空间示意图；
图3是本发明所涉及的绿色资产核心部件光伏组件的原始红外数字图像；
图4是本发明所涉及的优化后的绿色资产核心部件光伏组件红外数字图像；
图5是本发明所涉及的中心投影变换后的绿色资产核心部件光伏组件红外数字图像；
图6是本发明所涉及的清洗后的样品输出图像。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
本发明提供一种面向绿色资产评估的数字图像清洗方法，如图1所示，包含下述步骤：
一种面向绿色资产评估的数字图像清洗方法，其特征在于，包含如下步骤：
S1、图像解析：载入和解析包含被测样品安全和质量信息的数字图像；
S2、图像去重：提取步骤S1中载入数字图像的MD5值，与已清洗图像数据库进行比对，判断当前载入图像是否已清洗，如已清洗，则退出，重新载入下一个数字图像；如未清洗，执行下一步S3；
S3、图像优化：判定图像是否有效，如无效，则退出，重新载入下一个数字图像；如有效，则对图像进行亮度和对比度优化；
S4、几何校正：对步骤S3中优化后的数字图像进行几何空间变换，通过数字图像算法将样品成像图统一映射成样品正上方俯视图；
S5、样品提取，在步骤S4几何校正后的数字图像中，对样品进行识别、分割和提取；
S6、图像输出，将提取的样品单独生成统一大小、统一格式的数字图像；并将步骤S1中提取的MD5值记录到已清洗图像数据库中，整个清洗流程结束。
按上述方法，针对绿色资产典型核心部件光伏组件的红外数字图像进行清洗。
按上述方法，所述的步骤S1具体为：判定载入的数字图像的头文件信息，判定为红外机器视觉成像，调用红外图像算法解析图像，显示效果见图3；
按上述方法，所述的步骤S2和步骤S6中涉及的MD5值提取算法哈希算法是一种被广泛使用的密码散列函数，每个数字图像MD5值具有唯一性，用于避免数字图像重复清洗，节约计算机计算资源；
按上述方法，所述的步骤S3中，数字图像的亮度和对比度变换参数需依据应用场景预先设定，以更清晰的呈现数字图像中的安全、质量缺陷信息，优化后的效果参见图4；
按上述方法，所述的步骤S4中提及的几何校正采用的是中心投影变换法，可将样品任意视角的成像图校正成样品正上方俯视图，是本发明的关键步骤，其实施方法具体为：
如图2，假设矩形样品在数字图像中的成像形状为任意四边形OQ01Q11Q10，变换目标为样品的俯视图，即目标矩形OT01T11T10，在中心投影变换空间中，所述任意四边形OQ01Q11Q10和所述目标矩形OT01T11T10相交于O点；E点为投影光源点，将所述任意四边形OQ01Q11Q10投影成所述目标矩形OT01T11T10；点Q为所述任意四边形OQ01Q11Q10上任意一点，点R为所述点Q在所述目标矩形OT01T11T10的投影点；
； （1）
； （2）
； （3）
其中，，分别是x轴、y轴的单位向量；x，y是点R的二维坐标值；和为常量；和为Q点的极坐标值；所述矩形OT01T11T10内任意坐标（被投影点）与则所述矩形所述任意四边形OQ01Q11Q10中投影点的对应关系为：
； （4）
几何校正后的图像效果见图5；
按上述方法，所述的公式（4）也适用于其它几何形状的样品，通过在样品俯视图中绘制辅助矩形图。
按上述方法，所述的步骤S6输出的图像仅包含提取出的样品，且分辨率、数据格式完全一致，各类缺陷清晰呈现，效果图参见图6。
Claims (6)
1.一种面向绿色资产评估的数字图像清洗方法，其特征在于，包含如下步骤：
S1、图像解析：载入和解析包含被测样品安全和质量信息的数字图像；
S2、图像去重：提取步骤S1中载入数字图像的MD5值，与已清洗图像数据库进行比对，判断当前载入图像是否已清洗，如已清洗，则退出，重新载入下一个数字图像；如未清洗，执行下一步S3；
S3、图像优化：判定图像是否有效，如无效，则退出，重新载入下一个数字图像；如有效，则对图像进行亮度和对比度优化；
S4、几何校正：对步骤S3中优化后的数字图像进行几何空间变换，通过数字图像算法将样品成像图统一映射成样品正上方俯视图；
S5、样品提取，在步骤S4几何校正后的数字图像中，对样品进行识别、分割和提取；
S6、图像输出，将提取的样品单独生成统一大小、统一格式的数字图像；并将步骤S1中提取的MD5值记录到已清洗图像数据库中，整个清洗流程结束。
2.如权利要求1所述的方法，其特征在于，所述的步骤S1中载入的数字图像来源包含紫外光、红外光和可见光等多波段机器视觉。
3.如权利要求1所述的方法，其特征在于，所述的步骤S2和步骤S6中涉及的MD5值提取算法哈希算法是一种被广泛使用的密码散列函数，每个数字图像MD5值具有唯一性，用于避免数字图像重复清洗，节约计算机计算资源。
4.如权利要求1所述的方法，其特征在于，所述的步骤S3中数字图像的亮度和对比度变换参数需依据应用场景预先设定，目的是将数字图像中的安全、质量缺陷更清晰的呈现。
5.如权利要求1所述的方法，其特征在于，所述的步骤S4中提及的几何校正采用的是中心投影变换法，可将样品任意视角的成像图校正成样品正上方俯视图，是本发明的关键步骤，以矩形样品为例，其实施方法具体为：
如图2所示，假设矩形样品在数字图像中的成像形状为任意四边形OQ01Q11Q10，变换目标为样品的俯视图——目标矩形OT01T11T10；在中心投影变换空间中，所述的任意四边形OQ01Q11Q10和所述的目标矩形OT01T11T10相交于O点；E点为投影光源点，将所述的任意四边形OQ01Q11Q10投影成所述的目标矩形OT01T11T10；点Q为所述的任意四边形OQ01Q11Q10上任意一点，点R为所述点Q在所述的目标矩形OT01T11T10的投影点；
； （1）
； （2）
； （3）
其中，，分别是X轴和Y轴的单位向量，x，y是点R的二维坐标值；和为常量；，为向量关于｛，｝的坐标；所述的目标矩形OT01T11T10内任意坐标（被投影点）与所述任意四边形OQ01Q11Q10中投影点的对应关系为：
；（4）
所述的公式（4）也适用于其它几何形状的样品，通过在样品俯视图中绘制辅助矩形图。
6.如权利要求1所述的方法，所述的步骤S6输出的图像仅包含提取出的样品，且分辨率、数据格式完全一致，各类缺陷清晰呈现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910409403.4A CN110111327A (zh) | 2019-05-17 | 2019-05-17 | 一种面向绿色资产评估的数字图像清洗方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910409403.4A CN110111327A (zh) | 2019-05-17 | 2019-05-17 | 一种面向绿色资产评估的数字图像清洗方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110111327A true CN110111327A (zh) | 2019-08-09 |
Family
ID=67490536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910409403.4A Pending CN110111327A (zh) | 2019-05-17 | 2019-05-17 | 一种面向绿色资产评估的数字图像清洗方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111327A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100322525A1 (en) * | 2009-06-19 | 2010-12-23 | Microsoft Corporation | Image Labeling Using Multi-Scale Processing |
| CN102880726A (zh) * | 2012-10-23 | 2013-01-16 | 深圳市宜搜科技发展有限公司 | 一种图像过滤方法及系统 |
| WO2016016227A1 (en) * | 2014-08-01 | 2016-02-04 | Mirada Medical Limited | Method and apparatus for delineating an object within a volumetric medical image |
| CN107704844A (zh) * | 2017-10-25 | 2018-02-16 | 哈尔滨理工大学 | 基于无人机双目视差图像的输电线路覆冰厚度辨识方法 |
| CN108986104A (zh) * | 2018-06-04 | 2018-12-11 | 国网浙江省电力有限公司检修分公司 | 基于距离变换和标记分水岭算法的绝缘子图像分割方法 |
| CN109255345A (zh) * | 2018-08-21 | 2019-01-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于卷积神经网络的电缆隧道铁锈识别方法 |
-
2019
- 2019-05-17 CN CN201910409403.4A patent/CN110111327A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100322525A1 (en) * | 2009-06-19 | 2010-12-23 | Microsoft Corporation | Image Labeling Using Multi-Scale Processing |
| CN102880726A (zh) * | 2012-10-23 | 2013-01-16 | 深圳市宜搜科技发展有限公司 | 一种图像过滤方法及系统 |
| WO2016016227A1 (en) * | 2014-08-01 | 2016-02-04 | Mirada Medical Limited | Method and apparatus for delineating an object within a volumetric medical image |
| CN107704844A (zh) * | 2017-10-25 | 2018-02-16 | 哈尔滨理工大学 | 基于无人机双目视差图像的输电线路覆冰厚度辨识方法 |
| CN108986104A (zh) * | 2018-06-04 | 2018-12-11 | 国网浙江省电力有限公司检修分公司 | 基于距离变换和标记分水岭算法的绝缘子图像分割方法 |
| CN109255345A (zh) * | 2018-08-21 | 2019-01-22 | 国网浙江省电力有限公司电力科学研究院 | 一种基于卷积神经网络的电缆隧道铁锈识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张军等主编: "《摄影测量与遥感技术》", 31 July 2015 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902732A (zh) | 车辆自动分类方法及相关装置 | |
| CN112215119B (zh) | 一种基于超分辨率重建的小目标识别方法、装置及介质 | |
| CN109886947A (zh) | 基于区域的卷积神经网络的高压电线缺陷检测方法 | |
| CN114240939B (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
| WO2020029915A1 (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
| Charco et al. | Deep learning based camera pose estimation in multi-view environment | |
| CN117011563B (zh) | 基于半监督联邦学习的道路损害巡检跨域检测方法及系统 | |
| CN114331946A (zh) | 一种图像数据处理方法、设备以及介质 | |
| CN114333062B (zh) | 基于异构双网络和特征一致性的行人重识别模型训练方法 | |
| Nair et al. | T2v-ddpm: Thermal to visible face translation using denoising diffusion probabilistic models | |
| CN113807237B (zh) | 活体检测模型的训练、活体检测方法、计算机设备及介质 | |
| CN117635603B (zh) | 基于目标检测的中空遮阳产品在线质量检测系统及方法 | |
| CN117132503A (zh) | 一种图像局部高亮区域修复方法、系统、设备及存储介质 | |
| CN113743434A (zh) | 一种目标检测网络的训练方法、图像增广方法及装置 | |
| CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
| CN116129417A (zh) | 一种基于低质量图像的数字仪表读数检测方法 | |
| CN110111327A (zh) | 一种面向绿色资产评估的数字图像清洗方法 | |
| CN115272284A (zh) | 基于图像质量评估的输电线路缺陷识别方法 | |
| CN117726627B (zh) | 芯片表面缺陷检测方法及设备 | |
| Silva et al. | Automatic recognition of electrical grid elements using convolutional neural networks | |
| US20240296572A1 (en) | Systems and Methods for Image Registration and Imaging Device Calibration | |
| Abd Ali et al. | Feature extraction for RGB-D cameras | |
| Zhang et al. | Novel freight train image fault detection and classification models based on CNN | |
| CN115272992B (zh) | 一种车辆姿态估计方法 | |
| Wang et al. | Defect Detection Method for Substation Equipment Based on Lightweight Improved YOLOv5s Algorithm |
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: Room 608-5, 32 Tieling Road, Yangpu District, Shanghai Applicant after: Shanghai Daokou Intelligent Technology Co., Ltd Applicant after: Shanghai Beiyang Information Technology Co.,Ltd. Address before: Room 608-5, 32 Tieling Road, Yangpu District, Shanghai Applicant before: SHANGHAI DAOKOU MATERIAL TECHNOLOGY Co.,Ltd. Applicant before: Shanghai Beiyang Information Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20201210 Address after: Room 608-5, No.32, Tieling Road, Yangpu District, Shanghai, 200092 Applicant after: Shanghai Daokou Intelligent Technology Co., Ltd Address before: Room 608-5, No.32, Tieling Road, Yangpu District, Shanghai, 200092 Applicant before: Shanghai Daokou Intelligent Technology Co., Ltd Applicant before: Shanghai Beiyang Information Technology Co.,Ltd. |
|
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190809 |