CN111157967B - 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 - Google Patents
基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 Download PDFInfo
- Publication number
- CN111157967B CN111157967B CN201911388670.4A CN201911388670A CN111157967B CN 111157967 B CN111157967 B CN 111157967B CN 201911388670 A CN201911388670 A CN 201911388670A CN 111157967 B CN111157967 B CN 111157967B
- Authority
- CN
- China
- Prior art keywords
- garbage
- classification
- signal
- radar
- pulse coherent
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
- G01S7/412—Identification of targets based on measurements of radar reflectivity based on a comparison between measured values and known or stored values
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种基于脉冲相干雷达的智能垃圾隔袋识别和分类方法，涉及垃圾分类技术领域，包括对不同类别的垃圾在不同距离下进行测试，采集目标返回的信号强度、相位和幅度；对采集的数据进行标注，生成样本库；获取样本信息，构建深度学习分类器；通过脉冲相干雷达的信号处理结合深度学习分类器进行垃圾识别及分类。本发明是一种基于脉冲相干雷达的智能垃圾分类方法，脉冲信号在时域有精确的区分度，可以根据无线电波的往返时间计算传感器距离垃圾物的精确距离，提高分类结果的可靠性。可根据不同材质对无线电波吸收和反射的不同，接收到的反射信号反映出垃圾物的材质，可以实现自动、智能的多种类隔袋垃圾类别识别，可以避免繁杂的人工操作。
Description
技术领域
本发明涉及一种垃圾分类方法，尤其是一种基于脉冲相干雷达的智能垃圾隔袋识别和分类方法。
背景技术
垃圾桶是生活中必不可少的公共资源，是对垃圾进行处理的必须环节之一。现如今，垃圾分类已在全国46个城市运行，垃圾箱在日常生活中扮演着重要的角色，为环境保护也做出了卓越贡献，也正是为了方便人们将随时产生的废弃物扔到规定的地方，一般平均两个垃圾箱的距离不会超过500米，可想人类对垃圾箱的需求量之大。
现行办法中主要有两种用于垃圾分类：一是对大批量的垃圾在垃圾场集中分类，但是这样做很难实现准确分类，同时回收的各种类含较多杂质成分，设备比较庞大；或者是在利用人工垃圾投放源头按照垃圾依规定分为若干类，这种情况下要求投放者具有较高的个人素质和垃圾分类依据常识，这种方法准确率低，同时也给投放者造成诸多疑惑与不便。目前垃圾分类技术主要有图片或视频识别、语音识别和超声波识别等。图片或视频识别方法的垃圾分类系统通常需要打开垃圾袋将垃圾放入垃圾分类器内进行拍摄识别，而日常生活中垃圾是使用垃圾袋包裹不同垃圾的，因此难以通过图片或视频识别方法处理生活垃圾的分类。语音识别分类的方法可以降低老百姓垃圾分类的难度，但也存在方言识别不准确、操作繁琐等问题。超声波技术运用到垃圾箱中主要是用来识别垃圾箱是否装满，对于垃圾的类别则难以识别。因此亟需一种能够隔着袋子识别垃圾、帮助人们更简便进行垃圾分类的方法。
基于此，做出本申请。
发明内容
为了解决现有技术中存在的上述缺陷，本发明提供了一种基于脉冲相干雷达的智能垃圾隔袋识别和分类方法，目的在于通过对不同材质的垃圾进行信号采集并分析实现更加智能、简便的垃圾隔袋识别分类，从而有利于保护环境、提高可持续发展能力。
为了实现上述目的，本发明采取的技术方案如下：
一种基于脉冲相干雷达的智能垃圾隔袋识别和分类方法，包括如下步骤：
S10 对不同类别的垃圾在不同距离下进行测试，采集目标返回的信号强度、相位和幅度；
S20 对采集的数据进行标注，生成样本库；
S30 获取样本信息，构建深度学习分类器；
S40 通过脉冲相干雷达的信号处理结合深度学习分类器进行垃圾识别及分类。
进一步地，所述步骤S10具体是使用脉冲相干雷达检测垃圾，并记录返回信号的强度、相位和幅度，对每一种类别的垃圾按照不同距离进行测量，一种类别的垃圾在不同的距离会返回相对应不同的信号数据，包括信号强度、相位和幅度。
进一步地，所述步骤S20对采集的数据进行标注，生成样本库，具体包括以下步骤：
S21对步骤S10中采集的原始雷达信号数据进行筛选，删除同一距离并且同一类别中有严重不稳定或受损的原始雷达信号数据；
S22对S21筛选得到的原始雷达数据滤除脉冲噪声，以减少返回信号中的干扰。
S23将S22得到的数据按点转换为二维的图像并进行手动分类标记，对不同类别的数据集给定相应标签，具有不同距离的相同类别的垃圾标记为一个样本类别。
进一步地，为实现高效的识别分类器，所述步骤S30构建深度学习分类器是通过步骤S20得到的训练样本和交叉验证样本对卷积神经网络模型进行训练得到垃圾脉冲相干雷达信号分类模型，使用测试样本对分类模型进行测试，测验分类器的泛化性以及分类结果是否达到预期。使用卷积神经网络可以减少训练参数、提高效率，并结合Dropout等技术可以防止过拟合。而且卷积的层数越高学到的特征就越全局化，可以提高精确度。
进一步地，所述步骤S40通过脉冲相干雷达的信号处理结合深度学习分类器进行垃圾识别及分类的具体步骤如下：
S41通过脉冲相干雷达获取待测垃圾反射信号，并保存返回的波形作为待测垃圾的特征图；
S42将S41所得的特征图输入步骤S30所得深度学习分类器中，可以自动识别输入特征图中的各属性值，将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对输出分类。
进一步地，所述滤除脉冲噪声具体过程为：对S21筛选得到的原始雷达数据采用中值滤波算法处理信号基线漂移以保护信号边缘不被模糊，然后通过小波阈值法对垃圾雷达信号进行处理以更好地分析信号特征，其中小波阈值使用现有的Mallat算法分解，采用现有的Stein无偏阈值处理分解得到的系数，处理后的绝对值低于阈值系数结果设置为0，高于阈值的通过收缩方法处理，阈值由现有的VisuShrink方法确定，以此方法滤除脉冲噪声。
本发明能实现如下技术效果：
（1）本发明是一种基于脉冲相干雷达的智能垃圾分类方法，脉冲信号在时域有精确的区分度，所以可以根据无线电波的往返时间计算传感器距离垃圾物的精确距离，提高分类结果的可靠性。
（2）本发明无需语音识别垃圾名称、无需图像识别垃圾种类，根据不同材质对无线电波吸收和反射的不同，接收到的反射信号反映出垃圾物的材质，可以实现自动、智能的多种类隔袋垃圾类别识别，可以避免繁杂的人工操作。
（3）本发明通过深度学习方法构建分类器辅助脉冲相干雷达对垃圾实现智能分类，通过对不同种类垃圾物材质数据的不断训练可以不断提高揭示待分类垃圾物理特性的有效性，具有非常强大的社会实用性。
附图说明
图1是本发明方法的主要步骤流程图；
图2是本发明实施例中垃圾类别一在不同距离下的回波信号示意图；
图3是本发明实施例中垃圾类别二在不同距离下的回波信号示意图；
图4是本发明实施例中垃圾类别三在不同距离下的回波信号示意图；
图5是本发明实施例中三类不同垃圾在不同距离下峰值曲线变化图；
图6是本发明深度学习分类器构建流程图。
具体实施方式
为了使本发明的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了以下实施例，并结合附图作如下详细说明：
如图1至图6所示，本实施例的一种基于脉冲相干雷达的智能垃圾隔袋识别和分类方法，包括如下步骤：
S10 对不同类别的垃圾在不同距离下进行测试，采集目标返回的信号强度、相位和幅度；
S20 对采集的数据进行标注，生成样本库；
S30 获取样本信息，构建深度学习分类器；
S40 通过脉冲相干雷达的信号处理结合深度学习分类器进行垃圾识别及分类。
步骤S10具体是使用脉冲相干雷达检测垃圾，并记录返回信号的强度、相位和幅度，对每一种类别的垃圾按照不同距离进行测量，一种类别的垃圾在不同的距离会返回相对应不同的信号数据，包括信号强度、相位和幅度。
步骤S20对采集的数据进行标注，生成样本库，具体包括以下步骤：
S21对步骤S10中采集的原始雷达信号数据进行筛选，删除同一距离并且同一类别中有严重不稳定或受损的原始雷达信号数据；
S22对S21筛选得到的原始雷达数据采用中值滤波算法处理信号基线漂移，通过小波阈值法对垃圾雷达信号使用Mallat算法分解，采用Stein无偏阈值处理分解得到的系数，处理后的绝对值低于阈值系数结果设置为0，高于阈值的通过收缩（Shrinkage）方法处理，阈值由VisuShrink方法确定，以此方法滤除脉冲噪声；
S23将S22得到的数据按点转换为二维的图像并进行手动分类标记，对不同类别的数据集给定相应标签，具有不同距离的相同类别的垃圾标记为一个样本类别，所有数据分为80%训练样本、10%测试样本和10%交叉验证样本。
步骤S30构建深度学习分类器是通过步骤S20得到的训练样本和交叉验证样本对卷积神经网络模型进行训练得到垃圾脉冲相干雷达信号分类模型（亦可采用其他以深度学习方法构建可用于分类本案涉及的垃圾信号的相关分类器，如已有的神经网络算法或自己构建的神经网络分类器），使用测试样本对分类模型进行测试，测验分类器的泛化性以及分类结果是否达到预期。具体构建方法如下：
S31构建以二维图像为基础的DenseNet网络：按顺序包括输入层、卷积层（卷积核数量为3S20、最大池化层、3层卷积层（卷积核数量分别为64、128、128）、全连接层和输出层，其中卷积层的卷积核大小为3*3、步幅为1，最大池化层的卷积核大小为2*2、步幅为2；
S32在S31所得的卷积神经网络架构中叠加多层卷积层，搭建MCNN（多尺度卷积神经网络）提高网络识别分类的性能；
S33输入步骤S20得到的训练样本，采用DenseNet网络提取训练样本的信号波形图像特征进行学习训练，结合Adam优化器对训练过程限制最大梯度以优化训练，训练完成后全连接层会将提取到的特征送入分类器中进行分类；
S34输入交叉验证样本，对训练好的分类器调整合理参数；
S35通过测试样本对分类器进行泛化性的测试，结果不满意可以重复执行S33至S35，直到满意。
步骤S40具体步骤如下：
S41通过脉冲相干雷达获取待测垃圾反射信号，并保存返回的波形作为待测垃圾的特征图；
S42将S41所得的特征图输入步骤S30所得深度学习分类器中，可以自动识别输入特征图中的各属性值，将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对输出分类。
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明，不能认定本发明具体实施只局限于上述这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (2)
1.一种基于脉冲相干雷达的智能垃圾隔袋识别和分类方法，包括如下步骤：
S10 对不同类别的垃圾在不同距离下进行测试，采集目标返回的信号强度、相位和幅度：使用脉冲相干雷达检测垃圾，并记录返回信号的强度、相位和幅度，对每一种类别的垃圾按照不同距离进行测量，一种类别的垃圾在不同的距离会返回相对应不同的信号数据，包括信号强度、相位和幅度；
S20 对采集的数据进行标注，生成样本库：
S21对步骤S10中采集的原始雷达信号数据进行筛选，删除同一距离并且同一类别中有严重不稳定或受损的原始雷达信号数据；
S22对S21筛选得到的原始雷达数据滤除脉冲噪声；
S23将S22得到的数据按点转换为二维的图像并进行手动分类标记，对不同类别的数据集给定相应标签，具有不同距离的相同类别的垃圾标记为一个样本类别；
S30 获取样本信息，构建深度学习分类器：通过步骤S20得到的训练样本和交叉验证样本对卷积神经网络模型进行训练得到垃圾脉冲相干雷达信号分类模型，使用测试样本对分类模型进行测试，测验分类器的泛化性以及分类结果是否达到预期；
S40 通过脉冲相干雷达的信号处理结合深度学习分类器进行垃圾识别及分类：
S41通过脉冲相干雷达获取待测垃圾反射信号，并保存返回的波形作为待测垃圾的特征图；
S42将S41所得的特征图输入步骤S30所得深度学习分类器中，可以自动识别输入特征图中的各属性值，将此时物体信号强度、相位和幅度与数据库中对应距离下的数据进行比对输出分类。
2.如权利要求1所述的一种基于脉冲相干雷达的智能垃圾隔袋识别和分类方法，其特征在于：所述滤除脉冲噪声具体过程为：对S21筛选得到的原始雷达数据采用中值滤波算法处理信号基线漂移，通过小波阈值法对垃圾雷达信号使用Mallat算法分解，采用Stein无偏阈值处理分解得到的系数，处理后的绝对值低于阈值系数结果设置为0，高于阈值的通过收缩方法处理，阈值由VisuShrink方法确定，以此方法滤除脉冲噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911388670.4A CN111157967B (zh) | 2019-12-30 | 2019-12-30 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911388670.4A CN111157967B (zh) | 2019-12-30 | 2019-12-30 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111157967A CN111157967A (zh) | 2020-05-15 |
| CN111157967B true CN111157967B (zh) | 2023-09-29 |
Family
ID=70559040
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911388670.4A Active CN111157967B (zh) | 2019-12-30 | 2019-12-30 | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111157967B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112816982A (zh) * | 2020-12-31 | 2021-05-18 | 中国电子科技集团公司第十四研究所 | 一种雷达目标检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5215423A (en) * | 1990-09-21 | 1993-06-01 | Edelhoff Polytechnik Gmbh & Co. | System for determining the spatial position of an object by means of a video optical sensor |
| EP0947851A2 (de) * | 1998-04-02 | 1999-10-06 | DaimlerChrysler Aerospace AG | Verfahren zur Klassifikation und/oder Identifikation eines Zieles |
| JP2005214723A (ja) * | 2004-01-28 | 2005-08-11 | Mitsubishi Electric Corp | 目標識別装置 |
| CN105137498A (zh) * | 2015-09-17 | 2015-12-09 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
| CN106742909A (zh) * | 2016-12-30 | 2017-05-31 | 歌尔股份有限公司 | 垃圾收集机器人及垃圾收集方法 |
| CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
| CN109975799A (zh) * | 2019-03-13 | 2019-07-05 | 谭伟 | 一种雷达识别材料的方法及其系统 |
| CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
| CN110428352A (zh) * | 2019-08-09 | 2019-11-08 | 绵阳德川鸿丰环保科技有限公司 | 可穿戴设备智能分类垃圾的方法及模块化垃圾分类系统 |
| CN110428019A (zh) * | 2019-08-09 | 2019-11-08 | 绵阳德川鸿丰环保科技有限公司 | 垃圾智能分类方法及模块化智能垃圾分类处理系统 |
-
2019
- 2019-12-30 CN CN201911388670.4A patent/CN111157967B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5215423A (en) * | 1990-09-21 | 1993-06-01 | Edelhoff Polytechnik Gmbh & Co. | System for determining the spatial position of an object by means of a video optical sensor |
| EP0947851A2 (de) * | 1998-04-02 | 1999-10-06 | DaimlerChrysler Aerospace AG | Verfahren zur Klassifikation und/oder Identifikation eines Zieles |
| JP2005214723A (ja) * | 2004-01-28 | 2005-08-11 | Mitsubishi Electric Corp | 目標識別装置 |
| CN105137498A (zh) * | 2015-09-17 | 2015-12-09 | 鲁东大学 | 一种基于特征融合的地下目标探测识别系统及方法 |
| CN106742909A (zh) * | 2016-12-30 | 2017-05-31 | 歌尔股份有限公司 | 垃圾收集机器人及垃圾收集方法 |
| CN108229404A (zh) * | 2018-01-09 | 2018-06-29 | 东南大学 | 一种基于深度学习的雷达回波信号目标识别方法 |
| CN109975799A (zh) * | 2019-03-13 | 2019-07-05 | 谭伟 | 一种雷达识别材料的方法及其系统 |
| CN110427896A (zh) * | 2019-08-07 | 2019-11-08 | 成都理工大学 | 一种基于卷积神经网络的垃圾分类智能系统 |
| CN110428352A (zh) * | 2019-08-09 | 2019-11-08 | 绵阳德川鸿丰环保科技有限公司 | 可穿戴设备智能分类垃圾的方法及模块化垃圾分类系统 |
| CN110428019A (zh) * | 2019-08-09 | 2019-11-08 | 绵阳德川鸿丰环保科技有限公司 | 垃圾智能分类方法及模块化智能垃圾分类处理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于激光雷达的海滩垃圾快速识别;何钰滢 等;《海洋学报》;第41卷(第11期);156-162 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111157967A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dokht et al. | Seismic event and phase detection using time–frequency representation and convolutional neural networks | |
| Zahran et al. | Automatic weld defect identification from radiographic images | |
| Chambon et al. | Automatic road pavement assessment with image processing: Review and comparison | |
| Zhang et al. | Using multi-label classification for acoustic pattern detection and assisting bird species surveys | |
| Avila et al. | 2D image based road pavement crack detection by calculating minimal paths and dynamic programming | |
| Brodie et al. | Automated species identification of frog choruses in environmental recordings using acoustic indices | |
| Funch et al. | Detecting glass and metal in consumer trash bags during waste collection using convolutional neural networks | |
| Brooker et al. | Automated detection and classification of birdsong: An ensemble approach | |
| CN101533068A (zh) | 基于dagsvc的模拟电路故障诊断方法 | |
| Zhong et al. | Acoustic detection of regionally rare bird species through deep convolutional neural networks | |
| Quinn et al. | Soundscape classification with convolutional neural networks reveals temporal and geographic patterns in ecoacoustic data | |
| Kershenbaum et al. | An image processing based paradigm for the extraction of tonal sounds in cetacean communications | |
| CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
| CN111914634A (zh) | 一种抗复杂场景干扰的井盖类别自动检测方法和系统 | |
| CN107578021A (zh) | 基于深度学习网络的行人检测方法、装置及系统 | |
| CN105488520A (zh) | 基于多分辨奇异谱熵和svm的泄漏声发射信号识别方法 | |
| Li et al. | Learning deep models from synthetic data for extracting dolphin whistle contours | |
| Keen et al. | Automated detection of low-frequency rumbles of forest elephants: A critical tool for their conservation | |
| Song et al. | Geographic spatiotemporal big data correlation analysis via the Hilbert–Huang transformation | |
| CN111157967B (zh) | 基于脉冲相干雷达的智能垃圾隔袋识别和分类方法 | |
| Zhong et al. | Recognition and prediction of ground vibration signal based on machine learning algorithm | |
| CN117406193B (zh) | 一种雷达数据提取方法、系统、设备及存储介质 | |
| Aodha et al. | Towards a general approach for bat echolocation detection and classification | |
| CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
| Hsan et al. | Combining support vector machine and polynomial regressing to predict tropical cyclone track |
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: 20201126 Address after: Room 1007, building 3, Fengyuan international building, 430 Fengtan Road, Gongshu District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Zhiai time Technology Co.,Ltd. Address before: 311300 room 413, building 2, No. 168, Qianwu Road, Qingshanhu street, Lin'an District, Hangzhou City, Zhejiang Province Applicant before: HANGZHOU LICHEN TECHNOLOGY Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |