CN110688999B - 马赫带效应模拟的点光源金属钢印文字检测方法 - Google Patents
马赫带效应模拟的点光源金属钢印文字检测方法 Download PDFInfo
- Publication number
- CN110688999B CN110688999B CN201910951390.3A CN201910951390A CN110688999B CN 110688999 B CN110688999 B CN 110688999B CN 201910951390 A CN201910951390 A CN 201910951390A CN 110688999 B CN110688999 B CN 110688999B
- Authority
- CN
- China
- Prior art keywords
- image
- light source
- mach
- area
- character
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/146—Aligning or centring of the image pick-up or image-field
- G06V30/1475—Inclination or skew detection or correction of characters or of image to be recognised
- G06V30/1478—Inclination or skew detection or correction of characters or of image to be recognised of characters or characters lines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种马赫带效应模拟的点光源金属钢印文字检测方法,含有以下步骤:1、在点光源下使用面阵相机对待检测金属钢印进行拍照,得到一帧输入图像数据;2、对输入图像数据进行预处理操作;3、建立基于马赫带的自求商模拟图像;4、根据整型或浮点型量化形式使用映射函数将自求商模拟图像的值域进行归一化;5、将归一化后的图像输入基于深度神经网络的文字检测器,得到文字包络区域;6、将文字包络区域进行透视变换,求解透视变换矩阵;7、将透视变换后的图像输入光字符识别网络,得到金属钢印文字的识别结果;本发明使用点光源对金属钢印文字进行检测,降低了检测装置的复杂度、限定程度及装置规模,检测准确度高,速度快,成本低。
Description
技术领域:
本发明涉及一种文字检测方法,特别涉及一种马赫带效应模拟的点光源金属钢印文字检测方法。
背景技术:
金属零件(如变速箱)的箱体外侧面上或者电机、内燃机外壳的侧面上的铭牌上通常都会打上钢印,所打的钢印文字或凸起或凹陷,在工业化生产中或其它自动化过程中,当要用到某一金属零件时,就需要对其身份进行识别,即需要对金属零件外壳侧面上的钢印进行文字检测,目前的检测方法主要有:
使用同轴光源打出文字基线的高光区域。由于此方法对光源的调试要求较高,通常使用在批量生产的流水线上,而对于灵活配置或动态配置的单件生产线而言没有实用意义。
另一种方法是使用激光线扫描方式或使用ToF或其他深度相机获取金属零件某视角的三维点云,并得到文字凸凹特征,并进行光字符识别。此方法不仅对调试的要求较高,而且对金属零件的位姿有一定的要求,因而对于没有确切零件位姿的情况下,无法进行光字符识别。
目前随着深度神经网络的推广,光字符识别可以实现检测文字区域并提供透视变换信息,对透视变换后的区域进行文字识别的功能。传统的基于模板匹配、二值化特征提取等方法在准确度、处理速度、高容错等方面均弱于深度神经网络方法,而上述常见的钢印光字符识别方法只能通过二值化特征提取等基于分割的方法完成,性能上存在不足。
对于工业光源而言,高斯光、同轴光意味着设备臃肿,检测区域庞大,占地面积大,无法灵活嵌入到常见的紧凑环境中。
然而,不使用理想光源则会导致凹凸不平的物体在光源下产生的高频特征不一致性。一种极端例子是,点光源是光源不均衡的极端表现形式,目前的检测系统难以克服点光源产生的高光、阴影、高频特征不一致的问题。同时,现有的集成度高的自带主动光源的工业相机,无法在高强度曝光的环境下正常使用。
因此,现有的设备和方法无法满足视觉检测应用场景的多样性。
发明内容:
本发明要解决的技术问题是:提供一种马赫带效应模拟的点光源金属钢印文字检测方法,该方法极大程度上降低了检测装置的复杂度、限定程度及装置规模,检测准确度高,速度快,成本低。
本发明的技术方案:
一种马赫带效应模拟的点光源金属钢印文字检测方法,含有以下步骤:
步骤一、使面阵相机面向待检测金属钢印,待检测金属钢印区域位于面阵相机视野内,在点光源下用面阵相机进行拍照,捕捉到一帧待检测金属钢印的输入图像数据;
步骤二、对面阵相机的输入图像数据进行预处理操作,经过预处理操作后得到图像S;
步骤三、基于马赫带效应建模,使用图像S建立基于马赫带的自求商模拟图像R;
马赫带效应是一种心理学视觉效应,即人对物体的明暗边界具有主动增强的能力,同时能够在亮度缓慢变化的区域内消除亮度的不一致性的视觉能力。
得到的马赫带模拟图像R的幅值不处于归一化的范围,但大部分位于0附近;
步骤四、根据整型或浮点型量化形式使用映射函数将自求商模拟图像R的值域进行归一化,得到待输入深度神经网络的图像U;
步骤五、将图像U输入基于深度神经网络的文字检测器,得到文字包络区域;
步骤六、将文字包络区域进行透视变换,通过文字包络区域的四个角点求解透视变换矩阵,得到透视变换后的图像;
步骤七、将透视变换后的图像输入光字符识别网络,得到金属钢印文字的识别结果。
步骤二中的预处理操作分两种情况:当面阵相机为RGB彩色相机时,使用最暗通道原则提取输入图像的亮度值,得到图像S;
当面阵相机为灰度相机时,无需进行任何操作,直接将输入图像作为图像S。
最暗通道原则的表达式如下:
Pi,j=min(Ri,j,Gi,j,Bi,j)
其中(i,j)是指输入图像的像素位于输入图像某通道的第i行第j列,Ri,j,Gi,j,Bi,j分别代表输入图像在位置(i,j)处的像素中R(红),G(绿),B(蓝)通道分量值,Pi,j是指位置(i,j)处的输入图像的R,G,B通道中最小亮度值。
步骤三中的基于马赫带的自求商模拟图像R的表达式如下:
其中,Si,j是图像S在位置(i,j)处的像素亮度值,Bi,j是图像B在位置(i,j)处的像素亮度值,mean(S)和mean(B)分别是对图像S和图像B整体求得的均值;
B是一种通过处理后的图像,可通过近似的均值卷积实现,然而一般的均值卷积在自求商过程中会遇到过于平滑的问题,从而出现自求商效果劣化的情况,因此,使用带有抖动的扩张均值卷积窗K对图像S做卷积,得到图像B。
卷积窗K如下:
上述计算的计算量在紧凑相机的低功耗处理器中是极为可观的,因此,使用积分图I对所述均值窗W进行加速,积分图能够描述当前位置与原点构成的矩形内所有像素幅值之和。对于图像S,积分图I的简明概念可以通过加和公式表示如下:
I(i,j)=∑x<i,y<j S(x,y),
整理上述规则构建积分图:
I(i,j)=I(i-1,j)+I(i,j-1)-I(i-1,j-1)+S(i,j)。
此方法可以节省滑动窗口时的计算量。
步骤四中,考虑深度神经网络的输入量化格式:
当深度神经网络的输入量化格式为INT8时,
Tx(x∈[0,255])=M(x)*255
对自求商模拟图像R进行查表转换,得到待输入深度神经网络的图像U:
Ui,j=T(Si,j*255);
当深度神经网络的输入量化格式为浮点型时,
此时无法通过查找表加速,但一般通过浮点计算的深度神经网络都会运行在特定的加速器芯片中,因此不存在性能瓶颈。
步骤六中,一般的文字包络区域可以由四边形代替,因此,有透视变换关系如下:
该关系式中,等号的左侧为目标位置,等号的右侧为转移矩阵A和像素原始位置齐次项,
求解矩阵A,每个点有:
4点组成适定方程,求得矩阵A;4点的目标位置确定下一级网络输入(h*w)的图像大小构成,4点的目标位置为:
P(0,0),P(0,h-1),P(w-1,0),P(w-1,h-1);
至此,得到(h*w)区域内透视变换后的图像,对光字符识别网络而言,这是一种高质量的输入图像。
本发明的有益效果:
1、本发明使用面阵相机,基于马赫带效应的建模方法,解决了在点光源下捕捉到的金属钢印的阴影、高频特征非一致性问题,同时提供了实用的加速后处理方法,能够将图像对接至现有的光字符识别深度神经网络中;本发明通过对图像的有效处理,即可实现高性能的灵活的金属钢印文字检测,准确度高。
2、本发明对光源均一性要求较低,可以使用普通的点光源,对待检零件的位姿要求低,极大程度上降低了检测装置的复杂度、限定程度及装置规模。检测成本低。
3、本发明的后处理方法中使用了积分图对均值窗进行加速,使用了映射函数查表法提高了处理速度,效率很高。
附图说明:
图1为使用手机在手机闪光灯下所捕捉到的金属零件钢印图像;
图2为通过本发明方法处理后待输入光字符识别网络的图像。
具体实施方式:
马赫带效应模拟的点光源金属钢印文字检测方法,含有以下步骤:
步骤一、使手机面向待检测金属钢印,待检测金属钢印区域位于手机摄像头视野内,在手机闪光灯的点光源下用手机进行拍照,捕捉到一帧待检测金属钢印的输入图像数据,如图1所示;
步骤二、对手机的输入图像数据进行预处理操作,经过预处理操作后得到图像S;
步骤三、基于马赫带效应建模,使用图像S建立基于马赫带的自求商模拟图像R;
马赫带效应是一种心理学视觉效应,即人对物体的明暗边界具有主动增强的能力,同时能够在亮度缓慢变化的区域内消除亮度的不一致性的视觉能力。
得到的马赫带模拟图像R的幅值不处于归一化的范围,但大部分位于0附近;
步骤四、根据整型或浮点型量化形式使用映射函数将自求商模拟图像R的值域进行归一化,得到待输入深度神经网络的图像U;
步骤五、将图像U输入基于深度神经网络的文字检测器,得到文字包络区域;
步骤六、将文字包络区域进行透视变换,通过文字包络区域的四个角点求解透视变换矩阵,得到透视变换后的图像,如图2所示;
步骤七、将透视变换后的图像输入光字符识别网络,得到金属钢印文字的识别结果。
步骤二中的预处理操作分两种情况:当手机设为RGB彩色相机时,使用最暗通道原则提取输入图像的亮度值,得到图像S;
当手机设为灰度相机时,无需进行任何操作,直接将输入图像作为图像S。
最暗通道原则的表达式如下:
Pi,j=min(Ri,j,Gi,j,Bi,j)
其中(i,j)是指输入图像的像素位于输入图像某通道的第i行第j列,Ri,j,Gi,j,Bi,j分别代表输入图像在位置(i,j)处的像素中R(红),G(绿),B(蓝)通道分量值,Pi,j是指位置(i,j)处的输入图像的R,G,B通道中最小亮度值。
步骤三中的基于马赫带的自求商模拟图像R的表达式如下:
其中,Si,j是图像S在位置(i,j)处的像素亮度值,Bi,j是图像B在位置(i,j)处的像素亮度值,mean(S)和mean(B)分别是对图像S和图像B整体求得的均值;
B是一种通过处理后的图像,可通过近似的均值卷积实现,然而一般的均值卷积在自求商过程中会遇到过于平滑的问题,从而出现自求商效果劣化的情况,因此,使用带有抖动的扩张均值卷积窗K对图像S做卷积,得到图像B。
卷积窗K如下:
以3×3为例:
此时,扩张均值卷积窗实现了数值抖动,但没有增加噪声。
上述计算的计算量在紧凑相机的低功耗处理器中是极为可观的,因此,使用积分图I对所述均值窗W进行加速,积分图能够描述当前位置与原点构成的矩形内所有像素幅值之和。对于图像S,积分图I的简明概念可以通过加和公式表示如下:
I(i,j)=∑x<i,y<j S(x,y),
整理上述规则构建积分图:
I(i,j)=I(i-1,j)+I(i,j-1)-I(i-1,j-1)+S(i,j)。
以求锚点位于(a,b)的像素,窗口大小为3×3的均值为例,均值W为:
W(a,b)=(I(a+1,b+1)-I(a-1,b-1))*p
此方法可以节省滑动窗口时的计算量。
步骤四中,考虑深度神经网络的输入量化格式:
当深度神经网络的输入量化格式为INT8时,
Tx(x∈[0,255])=M(x)*255
对自求商模拟图像R进行查表转换,得到待输入深度神经网络的图像U:
Ui,j=T(Si,j*255);
当深度神经网络的输入量化格式为浮点型时,
此时无法通过查找表加速,但一般通过浮点计算的深度神经网络都会运行在特定的加速器芯片中,因此不存在性能瓶颈。
步骤六中,一般的文字包络区域可以由四边形代替,因此,有透视变换关系如下:
该关系式中,等号的左侧为目标位置,等号的右侧为转移矩阵A和像素原始位置齐次项,
求解矩阵A,每个点有:
4点组成适定方程,求得矩阵A;4点的目标位置确定下一级网络输入(h*w)的图像大小构成,4点的目标位置为:
P(0,0),P(0,h-1),P(w-1,0),P(w-1,h-1);
至此,得到如图2所示的(h*w)区域内透视变换后的图像,对光字符识别网络而言,这是一种高质量的输入图像。
Claims (6)
1.一种马赫带效应模拟的点光源金属钢印文字检测方法,其特征是:含有以下步骤:
步骤一、使面阵相机面向待检测金属钢印,待检测金属钢印区域位于面阵相机视野内,在点光源下用面阵相机进行拍照,捕捉到一帧待检测金属钢印的输入图像数据;
步骤二、对面阵相机的输入图像数据进行预处理操作,经过预处理操作后得到图像S;
步骤三、基于马赫带效应建模,使用图像S建立基于马赫带的自求商模拟图像R,基于马赫带的自求商模拟图像R的表达式如下:
其中,Si,j是图像S在位置(i,j)处的像素亮度值,Bi,j是图像B在位置(i,j)处的像素亮度值,mean(S)和mean(B)分别是对图像S和图像B整体求得的均值;
B是一种通过处理后的图像,使用带有抖动的扩张均值卷积窗K对图像S做卷积,得到图像B;
步骤四、根据整型或浮点型量化形式使用映射函数将自求商模拟图像R的值域进行归一化,得到待输入深度神经网络的图像U;
步骤五、将图像U输入基于深度神经网络的文字检测器,得到文字包络区域;
步骤六、将文字包络区域进行透视变换,通过文字包络区域的四个角点求解透视变换矩阵,得到透视变换后的图像;
步骤七、将透视变换后的图像输入光字符识别网络,得到金属钢印文字的识别结果。
2.根据权利要求1所述的马赫带效应模拟的点光源金属钢印文字检测方法,其特征是:所述步骤二中的预处理操作分两种情况:当面阵相机为RGB彩色相机时,使用最暗通道原则提取输入图像的亮度值,得到图像S;
当面阵相机为灰度相机时,直接将输入图像作为图像S;
最暗通道原则的表达式如下:
Pi,j=min(Ri,j,Gi,j,Bi,j)
其中(i,j)是指输入图像的像素位于输入图像某通道的第i行第j列,Ri,j,Gi,j,Bi,j分别代表输入图像在位置(i,j)处的像素中R,G,B通道分量值,Pi,j是指位置(i,j)处的输入图像的R,G,B通道中最小亮度值。
4.根据权利要求3所述的马赫带效应模拟的点光源金属钢印文字检测方法,其特征是:使用积分图I对所述均值窗W进行加速,对于图像S,积分图I通过加和公式表示如下:
I(i,j)=∑x<i,y<jS(x,y),
整理上述规则构建积分图:
I(i,j)=I(i-1,j)+I(i,j-1)-I(i-1,j-1)+S(i,j)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951390.3A CN110688999B (zh) | 2019-10-08 | 2019-10-08 | 马赫带效应模拟的点光源金属钢印文字检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910951390.3A CN110688999B (zh) | 2019-10-08 | 2019-10-08 | 马赫带效应模拟的点光源金属钢印文字检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110688999A CN110688999A (zh) | 2020-01-14 |
CN110688999B true CN110688999B (zh) | 2020-08-28 |
Family
ID=69111563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910951390.3A Active CN110688999B (zh) | 2019-10-08 | 2019-10-08 | 马赫带效应模拟的点光源金属钢印文字检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110688999B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989793A (zh) * | 2021-11-08 | 2022-01-28 | 成都天奥集团有限公司 | 一种石墨电极钢印文字识别方法 |
CN115329932A (zh) * | 2022-08-05 | 2022-11-11 | 中国民用航空飞行学院 | 基于数字孪生的飞机着陆姿态监视方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679208A (zh) * | 2013-11-27 | 2014-03-26 | 北京中科模识科技有限公司 | 基于广电字幕识别的训练数据自动生成和深度学习方法 |
CN106203433A (zh) * | 2016-07-13 | 2016-12-07 | 西安电子科技大学 | 一种车辆监控图像中车牌位置自动提取并透视校正的方法 |
CN106485255A (zh) * | 2016-09-29 | 2017-03-08 | 深圳元启智能技术有限公司 | 一种dm码定位及识别的方法与系统 |
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
CN108596166A (zh) * | 2018-04-13 | 2018-09-28 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
CN109636815A (zh) * | 2018-12-19 | 2019-04-16 | 东北大学 | 一种基于计算机视觉的金属板带产品标签信息识别方法 |
-
2019
- 2019-10-08 CN CN201910951390.3A patent/CN110688999B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679208A (zh) * | 2013-11-27 | 2014-03-26 | 北京中科模识科技有限公司 | 基于广电字幕识别的训练数据自动生成和深度学习方法 |
EP3182334A1 (en) * | 2015-12-17 | 2017-06-21 | Xerox Corporation | License plate recognition using coarse-to-fine cascade adaptations of convolutional neural networks |
CN106203433A (zh) * | 2016-07-13 | 2016-12-07 | 西安电子科技大学 | 一种车辆监控图像中车牌位置自动提取并透视校正的方法 |
CN106485255A (zh) * | 2016-09-29 | 2017-03-08 | 深圳元启智能技术有限公司 | 一种dm码定位及识别的方法与系统 |
CN108596166A (zh) * | 2018-04-13 | 2018-09-28 | 华南师范大学 | 一种基于卷积神经网络分类的集装箱箱号识别方法 |
CN109636815A (zh) * | 2018-12-19 | 2019-04-16 | 东北大学 | 一种基于计算机视觉的金属板带产品标签信息识别方法 |
Non-Patent Citations (2)
Title |
---|
Digital Image Sharpening Using Fractional Derivative and Mach Band Effect;Chien-Cheng Tseng、Su-Ling Lee;《2012 IEEE International Symposium on Circuits and Systems》;20120523;2765-2768 * |
大角度透视变形集装箱图像箱号识别方法;张绍明等;《同济大学学报》;20190228;第47卷(第2期);285-290 * |
Also Published As
Publication number | Publication date |
---|---|
CN110688999A (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767379B (zh) | Pcb板标注印刷质量检测方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN112101349A (zh) | 一种车牌样本生成方法及装置 | |
CN110648284B (zh) | 一种光照不均匀的图像处理方法及装置 | |
CN110688999B (zh) | 马赫带效应模拟的点光源金属钢印文字检测方法 | |
CN110135446B (zh) | 文本检测方法及计算机存储介质 | |
CN114022383A (zh) | 一种文字图像的摩尔纹祛除方法、装置及电子设备 | |
WO2016068326A1 (ja) | 画像処理装置、文字認識装置、画像処理方法、およびプログラム | |
US20210366087A1 (en) | Image colorizing method and device | |
CN107256539B (zh) | 一种基于局部对比度的图像锐化方法 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
CN103530625A (zh) | 一种基于数字图像处理的光学字符识别方法 | |
CN112508024A (zh) | 一种变压器电气铭牌钢印字体智能识别方法 | |
CN112991236B (zh) | 一种基于模板的图像增强方法及装置 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN111797694B (zh) | 一种车牌检测方法及装置 | |
CN112949423A (zh) | 物体识别方法、物体识别装置及机器人 | |
CN116740375A (zh) | 一种图像特征提取方法、系统及介质 | |
CN105303529A (zh) | 一种基于直方图均衡化的数字图像去雾方法 | |
CN116485992A (zh) | 一种复合型三维扫描方法和装置、三维扫描仪 | |
Mai et al. | An improved method for Vietnam License Plate location | |
CN114663299A (zh) | 适用于煤矿井下的图像去雾模型的训练方法及其装置 | |
CN114155252A (zh) | 面向移动端应用的人体目标分割方法及系统 | |
CN113222895A (zh) | 一种基于人工智能的电极缺陷检测方法及系统 | |
CN115409890B (zh) | 基于msr和广义霍夫变换的自定义标志检测方法及系统 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200731 Address after: 230088 room 803, floor 8, phase II, innovation industrial park, 2800 innovation Avenue, high tech Zone, Hefei City, Anhui Province Applicant after: HEFEI HAINUOHENG INFORMATION TECHNOLOGY Co.,Ltd. Address before: No. 3A16 and 3a17, building 1, incubation, University Science Park, No. 11, Changchun Road, high tech Industrial Development Zone, Zhongyuan District, Zhengzhou City, Henan Province Applicant before: Zhengzhou Maitou Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |