CN110956641A - 一种基于化学反应优化的列车车轮踏面图像分割方法 - Google Patents
一种基于化学反应优化的列车车轮踏面图像分割方法 Download PDFInfo
- Publication number
- CN110956641A CN110956641A CN201911138307.7A CN201911138307A CN110956641A CN 110956641 A CN110956641 A CN 110956641A CN 201911138307 A CN201911138307 A CN 201911138307A CN 110956641 A CN110956641 A CN 110956641A
- Authority
- CN
- China
- Prior art keywords
- value
- wheel tread
- chemical reaction
- dimensional
- train wheel
- 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 41
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000003709 image segmentation Methods 0.000 title claims abstract description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 22
- 238000000354 decomposition reaction Methods 0.000 description 12
- 238000003786 synthesis reaction Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000004134 energy conservation Methods 0.000 description 5
- 238000005381 potential energy Methods 0.000 description 3
- 231100000241 scar Toxicity 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003711 image thresholding Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000032544 Cicatrix Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于化学反应优化的列车车轮踏面图像分割方法,针对传统的OTSU阈值分割方法受图像对比度、信噪比等因素影响较大的缺点,采用二维OTSU方法加以改进,提高缺陷分割的准确性,同时结合学反应优化搜索方法,提高阈值分割速度,减少耗时。本方法可以有效地消除随机噪声,保留必要的缺陷信息,同时该方法具有较高的分割速度和精度,满足实时性要求。
Description
技术领域
本发明涉及图像处理技术领域,具体是一种列车车轮踏面图像的缺陷分割方法。
背景技术
近年来,随着列车承载量和速度的提高,列车养护变得至关重要,而车轮踏面表面缺陷检测是列车养护重要的环节,由于列车负载、碾压、自然环境等多种因素影响,车 轮踏面不可避免地出现轧痕、轧疤等缺陷。踏面缺陷如果不及时检测、维护,将会是很 大的安全隐患。为了对踏面缺陷进行检测,首先必须把踏面缺陷从车轮踏面原始图像中 分割出来。传统的图像分割算法受图像对比度、信噪比等因素影响大,迫切需要一种新 型高效的车轮踏面缺陷图像分割方法。
发明内容
本发明解决的技术问题是:提供一种列车车轮踏面图像的缺陷分割方法,解决现有 方法从原始图像中分割踏面缺陷效果不佳的问题。
为了达到上述目的,本发明采用下述技术方案:
一种基于化学反应优化的列车车轮踏面缺陷分割方法,在CRO算法基础上,结合离散化CRO和二维OTSU阈值化方法获得最佳阈值的改进方法。CRO中适应度函数的 输入是连续值,为了将CRO算法应用于图像阈值化问题,首先要将其扩展至离散空间, 即使得输入值为离散值。
二维OTSU模型的解属于二维空间,如下式:
基于CRO的二维OTSU阈值化方法步骤如下:
步骤(1)令t=1,随机生成Xi。通过二维OTSU模型的等式(6)计算F([Xi,1])合 理度值,搜索F([Xi,1])中的最优解F([Gi]),其中i=1,2,3,L,POP。
步骤(2)当i<POP时:
①依据等式(8)更新,采用二维OTSU模型计算的合理度值;
②如果当前合理度值优于F([Pi]),则令Pi=Xi,否则执行子步骤④;
③如果当前位置最优解Pi优于分子群中最优解Gi,则令Gi=Pi;
④i=i+1,执行子步骤②。
步骤(3)如果t循环至最大迭代次数循环终止,则Gi为最终阈值,否则令t=t+1返回步骤(2)。
本发明具有以下有益效果:
(1)采用离散化化学反应优化算法,解决了原连续CRO算法在图像分割中的应用问题;
(2)结合了OTSU算法,提高了对列车车轮踏面缺陷图像分割的有效性和效率。
附图说明
图1为车轮踏面缺陷的原始图像。
图2为本发明实施例的OTSU算法图像。
图3为本发明实施例的本算法图像。
图4为本发明实施例的CRO算法流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
1、二维OTSU模型
早期的分割算法大多是基于一维灰度直方图选择阈值,其中著名的OTSU法广泛应用于实时处理,但该方法仅适用于目标与背景具有高对比度和信噪比的图像,对于对比 度和信噪比低的情况,OTSU法的分割精度较差。二维直方图是结合灰度值和像素邻域 均值形成的联合直方图,同时考虑灰度信息和邻域空间信息。为了克服一维OTSU分割 法对噪声和图像对比度较为敏感的缺点,二维直方图是结合灰度值和像素邻域均值形成 的联合直方图,同时考虑灰度信息和邻域空间信息。基于二维直方图产生了二维OTSU 阈值分割算法,该算法改善了一维OTSU分割法的抗噪性和低对比度图像的敏感性。
该方法描述如下:给定一幅大小为m×n的图像,图像的灰度级为L,像素数量为 N=m×n,(x,y)处的灰度值为i,其邻域内灰度均值为j,nij表示(i,j)在一幅图中出 现的次数,Pij表示(i,j)的概率分布,计算方式如下:
Pij=nij/N,i,j=0,1,2,…,L-1 (1)
在二维OTSU模型中定义图像的阈值为联合向量(t,s),阈值将图像划分为目标A和背景B两个区域,A和B两个区域内的概率分布如下:
A和B均值向量为:
在二维直方图中的概率分布如下:
μT≈ωAμA+ωBμB (4)
A和B两类间离散矩阵为:
Sb(t,s)=ωA(μA-μT)(μA-μT)T+ωB(μB-μT)T (5)
离散矩阵的迹如下:
离散矩阵的迹的最大值(T,S)则为二维OTSU模型的最优阈值。
2、化学反应优化算法(CRO)
CRO算法是一种基于群体的非线性优化算法,模拟大自然中化学反应时分子间的相 互作用过程,依据能量守恒定律可知,参与化学反应的系统的势能总是向着最小方向进行的原理,使用多个分子在搜索空间内依据分子的个体行为和群体行为自动寻找目标函数f(x):Rn→R的最优解。
CRO的基本原理是能量守恒定律,把所有涉及的分子和连着buffer的一个有限空间 称作完备系统。系统的总能量由初始种群大小PopSize,初始动能值InitialKE及初始中央能量缓冲器buffer决定,即
k,l分别表示反应前后的种群大小,ω,ω′分别表示反应前的分子和反应后生成的 分子,则必须满足下列能量守恒条件,初等反应才能发生。即
从理论上讲,能量达到负值的任何操作都是不可行的。若一些实际问题的函数值可 能涉及到负值(负PE),就要把此类问题等价转换成函数值为正的问题。
化学变化是由碰撞引发的,存在两种碰撞类型:分子内部碰撞和分子间碰撞,因此存在四种初等反应:单分子无效碰撞,分解,分子间无效碰撞和合成。
单分子无效碰撞指单个分子在独立空间内进行碰撞,在这个碰撞中,只有分子结构 ω发生微小变化为ω′,即ω→ω′。N(.)是任意邻域搜索算子,就有ω′=N(ω)和PEw′=f (ω′)。能量守恒条件为
PEω+KEω≥PEω′ (9)
分子间无效碰撞指多个分子相互碰撞后相互作用,反应分子数不改变(假设两个分 子)。即ω1+ω2→ω′1+ω′2。ω′1=N(ω1),ω′2=N(ω2)。能量守恒条件为
合成是与分解对应的,指多个分子(这里假设两个)相互碰撞,最后融合在一起的过程,即ω1+ω2→ω′。能量守恒条件为
CRO是一种松散耦合的化学反应的优化技术,它并不试图捕捉每一个化学反应的细 节。根据分子结构,分子动能、势能、以及对中心能量缓冲器的设置。
CRO参数包括种群规模PopSize,分子数目设置常数MoleColl,动能损失率常数KELossRate,初始动能值InitialKE,初始中央缓冲能量器buffer,分解与合成常数α 和β。
(1)种群规模PopSize
CRO是一个种群可变的优化技术。种群规模PopSize在不同迭代中可能是不同的。当单分子或分子间无效碰撞发生时,分子数目前后不变;而当发生分解和合成反应时, 分子数量分别增加和减小,使用分解与合成常数α和β控制频率。
(2)权重因子
在CRO中有四个权重因子:分子数目设置常数MoleColl,动能损失率常数KELossRate,分解与合成常数α和β。
MoleColl决定参与初等反应的分子数量,用于选择初等反应类型。
KELossRate表示单分子碰撞时动能损失下限,0≤KELossRate≤1,且a∈[KELossRate,1]。
常数α和β决定其分解与合成准则,分解准则为:
NumHit–MinHit>α (13)
当满足(7)式,发生分解反应,否则,发生单分子无效碰撞。
合成准则为:
KE≤β (14)
当满足(8)式,发生合成反应,否则,发生分子间无效碰撞。
标准CRO算法执行流程见图4。
3、基于CRO的二维OTSU算法
在CRO基础上,结合离散化CRO和二维OTSU阈值化方法获得最佳阈值的改进方 法。CRO中适应度函数的输入是连续值,为了将CRO算法应用于图像阈值化问题,首 先要将其扩展至离散空间,即使得输入值为离散值。
二维OTSU模型的解属于二维空间,如下式:
基于CRO的二维OTSU阈值化方法步骤如下:
步骤(1)令t=1,随机生成Xi。通过二维OTSU模型的等式(6)计算F([Xi,1])合 理度值,搜索F([Xi,1])中的最优解F([Gi]),其中i=1,2,3,L,POP。
步骤(2)当i<POP时:
①依据等式(8)更新,采用二维OTSU模型计算的合理度值;
②如果当前合理度值优于F([Pi]),则令Pi=Xi,否则执行子步骤④;
③如果当前位置最优解Pi优于分子群中最优解Gi,则令Gi=Pi;
④i=i+1,执行子步骤②。
步骤(3)如果t循环至最大迭代次数循环终止,则Gi为最终阈值,否则令t=t+1返回步骤(2)。
实施效果
为了证明本方法对列车车轮踏面缺陷图像的分割性能,与传的枚举二维OTSU算法进行图像分割对比。本实验中CRO的种群分子数为27,最大迭代次数均为500,CRO的权 重系数常数MoleColl为0.2,单分子碰撞时动能损失下限KELossRate为0.1,常数α设 置为150000,β设置为10。CRO算法通过随机初始化100次实现。阈值的方差和二维 OTSU类间离散矩阵的迹的方差定义如下:
这里ti是搜索算法阈值和枚举法阈值的差,即:ti=tCRO/SRO-tOSTU;γ=∑ti/k;fi是搜索法的迹的值和枚举法的迹的值之差,即fi=fCRO/SRO-fOSTU;v=∑ti/k;k是CRO的 初始化次数,这里k=100。
两种缺陷图像的耗时、阈值方差、合理度方差等统计结果如表1所示,可以看出在相同的灰度阈值和邻域均值条件下,本发明算法运算速度快,耗时短。此外,依据方差 信息可以证明算法鲁棒性也较好,自适应性强。
表1轧疤缺陷的参数值计算
为了验证本发明方法的有效性,针对车轮踏面缺陷图像使用传统算法和本算法进行对比实验。测试图像选择低对比度的车轮踏面轧疤缺陷图像,如图1所示,图2是传统 的OTSU分割结果,本算法的分割结果如图3所示。实验结果表明:传统方法受图像对 比度的影响,并未准确地将目标与背景进行分割,而本算法结合灰度和空域信息使得分 割精度显著提高,同时采用CRO加快阈值搜索,减少了计算复杂度,实验结果显示背 景与缺陷分割更加准确,同时缺陷信息得到了有效保留。
虽然本发明已以较佳实施例公开如上,但它们并不是用来限定本发明,任何熟习此 技艺者,在不脱离本发明之精神和范围内,自当可作各种变化或润饰,因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。本发明未详细描述内容为本领域技术人员公知的技术。
Claims (5)
1.一种基于化学反应优化的列车车轮踏面图像分割方法,其特征在于:在CRO算法基础上,结合离散化CRO和二维OTSU阈值化方法获得最佳阈值的改进方法,从而有效地消除随机噪声,提高对列车车轮踏面图像进行阈值分割的速度,减少耗时。
3.根据权利要求1所述的基于化学反应优化的列车车轮踏面图像分割方法,其特征在于:将二维OTSU阈值化方法分为三个步骤:
步骤一、令t=1,随机生成Xi;通过二维OTSU模型的等式(6)计算F([Xi,1])合理度值,搜索F([Xi,1])中的最优解F([Gi]),其中i=1,2,3,L,POP;
步骤二、当i<POP时:
①依据等式(8)更新,采用二维OTSU模型计算的合理度值;
②如果当前合理度值优于F([Pi]),则令Pi=Xi,否则执行子步骤④;
③如果当前位置最优解Pi优于群中最优解Gi,则令Gi=Pi;
④i=i+1,执行子步骤②;
步骤三、如果t循环至最大迭代次数循环终止,则Gi为最终阈值,否则令t=t+1返回步骤二。
4.根据权利要求3所述的基于化学反应优化的列车车轮踏面图像分割方法,其特征在于:所述步骤一中的等式(6)是:
trSb(t,s)=ωA[(μAi-μTi)2+(μAj-μTj)2]+ωB[(μBi-μTi)2+(μBj-μTj)2]
离散矩阵的迹的最大值(T,S)为二维OTSU模型的最优阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138307.7A CN110956641A (zh) | 2019-11-20 | 2019-11-20 | 一种基于化学反应优化的列车车轮踏面图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911138307.7A CN110956641A (zh) | 2019-11-20 | 2019-11-20 | 一种基于化学反应优化的列车车轮踏面图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956641A true CN110956641A (zh) | 2020-04-03 |
Family
ID=69977808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911138307.7A Pending CN110956641A (zh) | 2019-11-20 | 2019-11-20 | 一种基于化学反应优化的列车车轮踏面图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956641A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
WO2018086433A1 (zh) * | 2016-11-08 | 2018-05-17 | 江苏大学 | 一种医学图像分割方法 |
CN109658424A (zh) * | 2018-12-07 | 2019-04-19 | 中央民族大学 | 一种改进的鲁棒二维otsu阈值图像分割方法 |
CN109785285A (zh) * | 2018-12-11 | 2019-05-21 | 西安工程大学 | 一种基于椭圆特征拟合的绝缘子破损检测方法 |
CN109872330A (zh) * | 2019-01-25 | 2019-06-11 | 安徽理工大学 | 一种改进狮群优化的二维Otsu快速图像分割方法 |
CN110097169A (zh) * | 2019-05-08 | 2019-08-06 | 河南大学 | 一种混合abc和cro的高维特征选择方法 |
-
2019
- 2019-11-20 CN CN201911138307.7A patent/CN110956641A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101887584A (zh) * | 2010-07-07 | 2010-11-17 | 清华大学 | 一种基于适度随机搜索行为的多阈值图像分割方法 |
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
WO2018086433A1 (zh) * | 2016-11-08 | 2018-05-17 | 江苏大学 | 一种医学图像分割方法 |
CN109658424A (zh) * | 2018-12-07 | 2019-04-19 | 中央民族大学 | 一种改进的鲁棒二维otsu阈值图像分割方法 |
CN109785285A (zh) * | 2018-12-11 | 2019-05-21 | 西安工程大学 | 一种基于椭圆特征拟合的绝缘子破损检测方法 |
CN109872330A (zh) * | 2019-01-25 | 2019-06-11 | 安徽理工大学 | 一种改进狮群优化的二维Otsu快速图像分割方法 |
CN110097169A (zh) * | 2019-05-08 | 2019-08-06 | 河南大学 | 一种混合abc和cro的高维特征选择方法 |
Non-Patent Citations (11)
Title |
---|
杨振 等: "化学反应蚁群优化算法", 《计算机应用研究》 * |
杨振 等: "化学反应蚁群优化算法", 《计算机应用研究》, vol. 31, no. 10, 18 November 2014 (2014-11-18) * |
杨振: "化学反应优化算法的理论研究与改进", 工程科技Ⅰ辑, pages 9 * |
王曼 等: "基于简化粒子群优化的高铁钢轨智能检测技术", 信息技术与网络安全, vol. 37, no. 2, pages 77 * |
王曼等: "基于简化粒子群优化的高铁钢轨智能检测技术", 《信息技术与网络安全》 * |
王曼等: "基于简化粒子群优化的高铁钢轨智能检测技术", 《信息技术与网络安全》, vol. 37, no. 02, 10 February 2018 (2018-02-10), pages 77 * |
邵闯 等: "基于混合粒子群优化的2维Otsu路面裂缝图像阈值分割方法", 《湖北汽车工业学院学报》 * |
邵闯 等: "基于混合粒子群优化的2维Otsu路面裂缝图像阈值分割方法", 《湖北汽车工业学院学报》, vol. 33, no. 3, 18 October 2019 (2019-10-18) * |
陈晓丹 等: "自然计算在图像分割方面的应用研究分析", 《电脑知识与技术》 * |
陈晓丹 等: "自然计算在图像分割方面的应用研究分析", 《电脑知识与技术》, vol. 9, no. 32, 14 December 2013 (2013-12-14), pages 7319 * |
陈晓丹 等: "自然计算在图像分割方面的应用研究分析", 电脑知识与技术, vol. 9, no. 32, pages 7319 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508715B (zh) | 一种基于深度学习的车牌定位和识别方法 | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN108346159A (zh) | 一种基于跟踪-学习-检测的视觉目标跟踪方法 | |
Ming et al. | Vehicle detection using tail light segmentation | |
CN104636118A (zh) | 基于光平衡的qr二维码自适应二值化处理方法和装置 | |
CN106683076A (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN101281648A (zh) | 低复杂度的尺度自适应视频目标跟踪方法 | |
CN112561881B (zh) | 基于评价模型的红外图像自适应数据增强方法 | |
CN104050681A (zh) | 一种基于视频图像的道路消失点检测方法 | |
CN107194344B (zh) | 自适应骨骼中心的人体行为识别方法 | |
CN104484890A (zh) | 基于复合稀疏模型的视频目标跟踪方法 | |
CN104881871A (zh) | 基于改进多目标和声搜索算法的交通图像分割方法 | |
CN101887588A (zh) | 一种基于表观分块的遮挡处理方法 | |
CN106600610B (zh) | 一种fcm图像分割方法及装置 | |
CN109766905B (zh) | 基于自组织特征映射网络的目标分群方法 | |
CN115359258B (zh) | 一种成分不确定度测量的弱小目标检测方法及系统 | |
CN105321188A (zh) | 基于前景概率的目标跟踪方法 | |
CN106780568A (zh) | 一种基于压缩不规则分块lbp的视频目标跟踪方法 | |
CN107844739B (zh) | 基于自适应同时稀疏表示的鲁棒性目标追踪方法 | |
De Rita et al. | CNN-based object detection on low precision hardware: Racing car case study | |
CN106199544B (zh) | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 | |
Wei et al. | An improved threshold selection algorithm based on particle swarm optimization for image segmentation | |
CN110633749A (zh) | 基于改进视点特征直方图的三维点云识别方法 | |
CN110956641A (zh) | 一种基于化学反应优化的列车车轮踏面图像分割方法 | |
CN113379788A (zh) | 一种基于三元组网络的目标跟踪稳定性方法 |
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 |
Address after: 210019 floor 12, building 01, No. 8, Bailongjiang East Street, Jianye District, Nanjing, Jiangsu Province Applicant after: NANJING TYCHO INFORMATION TECHNOLOGY Co.,Ltd. Address before: Room 113, 11 / F, building 03, No. 18, Jialing Jiangdong Street, Jianye District, Nanjing City, Jiangsu Province, 210019 Applicant before: NANJING TYCHO INFORMATION TECHNOLOGY Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200403 |
|
RJ01 | Rejection of invention patent application after publication |