CN111177826B - 一种基于深度卷积网络的室内家居自动布局方法 - Google Patents

一种基于深度卷积网络的室内家居自动布局方法 Download PDF

Info

Publication number
CN111177826B
CN111177826B CN201911274006.7A CN201911274006A CN111177826B CN 111177826 B CN111177826 B CN 111177826B CN 201911274006 A CN201911274006 A CN 201911274006A CN 111177826 B CN111177826 B CN 111177826B
Authority
CN
China
Prior art keywords
furniture frame
dimensional
furniture
pixel point
predicted
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
Application number
CN201911274006.7A
Other languages
English (en)
Other versions
CN111177826A (zh
Inventor
陈旋
吕成云
贺叶羊
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.)
Jiangsu Aijia Household Products Co Ltd
Original Assignee
Jiangsu Aijia Household Products Co Ltd
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 Jiangsu Aijia Household Products Co Ltd filed Critical Jiangsu Aijia Household Products Co Ltd
Priority to CN201911274006.7A priority Critical patent/CN111177826B/zh
Publication of CN111177826A publication Critical patent/CN111177826A/zh
Application granted granted Critical
Publication of CN111177826B publication Critical patent/CN111177826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度卷积网络的室内家居自动布局方法，采用全新设计策略，应用创新设计的检测模型，引入像素点预测家具框模式，并加入家具框类别、对应家具框类别概率、以及相对该家具框的Centerness值的获得，通过与已布局各二维家具图的二维家居户型图进行比较，实现对所设计检测模型的训练，应用训练后的检测模型，针对实际目标户型图进行应用，实现目标户型图中各二维家具图的布局，帮助设计师进行家装设计，极大的节省了设计师手动布局的时间，提高工作效率。

Description

一种基于深度卷积网络的室内家居自动布局方法
技术领域
本发明涉及一种基于深度卷积网络的室内家居自动布局方法，属于智能家装设计技术领域。
背景技术
在家装设计中，布局的家具大小、位置和类别，都需要按实际户型图形状和大小来设计，如此家装设计师在手动布局过程中将耗费大量的时间，严重影响到工作效率。
发明内容
本发明所要解决的技术问题是提供一种基于深度卷积网络的室内家居自动布局方法，能够帮助设计师进行家装设计，极大的节省了设计师手动布局的时间，提高工作效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种基于深度卷积网络的室内家居自动布局方法，以YOLOV3模型为基础，在其HEAD模块中加入FCOS模型中的Centerness分支，构成检测模型，并基于该检测模型执行如下步骤A至步骤E，实现目标户型室内家居自动布局；
步骤A.基于预设各二维家具图、以及各二维家具图所对应的尺寸标签信息，采集预设数量分别已布局各二维家具图的二维家居户型图、以及该各二维家居户型图分别所对应未布局二维家具图的二维户型图，构成样本库，然后进入步骤B；
步骤B.分别针对样本库中的各幅二维户型图，将二维户型图先经过检测模型里的DarkNet53网络提取出三个不同尺度的特征图，接着将小尺度的特征图向上取样，并与大尺度的特征图融合，从而构成FPN网络，由该FPN网络中提取出三个不同尺度大小的特征图，作为该二维户型图所对应不同尺度大小的各特征图，然后进入步骤C；
步骤C.分别针对样本库中的各幅二维户型图，采用检测模型，针对二维户型图所对应不同尺度大小的各特征图进行处理，获得二维户型图中各像素点分别预测对应的一个满足预设各二维家具图的家具框、该家具框类别、对应该家具框类别的概率、以及相对该家具框的Centerness值；进而通过相对该家具框的Centerness值、与对应该家具框类别的概率之间的乘积，构成该家具框的得分，即获得二维户型图中各预测家具框的得分，进一步删除二维户型图中得分低于预设分数阈值的各个预测家具框，更新该二维户型图中的各预测家具框，然后进入步骤D；
步骤D.根据样本库中各二维户型图中各预测家具框的得分，结合二维户型图所对应二维家居户型图中已布局的各二维家具图，针对检测模型进行训练，获得训练后的检测模型，然后进入步骤E；
步骤E.采用步骤C的方法针对目标户型进行处理，获得目标户型图中各预测家具框的得分，然后采用训练后的检测模型进行处理，获得目标户型图中各家具框、以及对应家具框类别，实现目标户型图中各二维家具图的布局。
作为本发明的一种优选技术方案：所述步骤C中，分别针对样本库中的各幅二维户型图，执行如下操作，获得二维户型图中各像素点分别预测对应的一个满足预设各二维家具图的家具框、该家具框类别、对应该家具框类别的概率、以及相对该家具框的Centerness值；
将二维户型图所对应不同尺度大小的各特征图、分别输入检测模型中的HEAD模块，其中，HEAD模块包括Regression支路和Classification支路，各支路分别包括预设层数、预设卷积核大小的各卷积层，且Regression支路中经过最后一个卷积层输出W*H*4的特征图，W为特征图宽，H为特征图高，即Regression支路输出特征图中各像素点分别预测对应的一个满足预设各二维家具图的家具框；
Classification支路中包括分类支路与Centerness支路，分类支路经过预设大小卷积核进行卷积处理后，输出为W*H*C，C为家具框类别数，即特征图中各个像素点分别对应C个值，这C个值经过softmax层，就可以计算获得各个像素点分别对应C个家具框类别中、各个家具框类别的概率，选取概率最大的家具框类别作为像素点所对应的家具框类别，即分类支路输出特征图中各像素点分别所对应的家具框类别、以及对应该家具框类别的概率，即为Regression支路所输出相应像素点预测对应家具框的家具框类别；
Centerness支路经过预设大小卷积核进行卷积处理后，输出为W*H*1，即Centerness支路输出特征图中各像素点分别相对其所预测家具框的Centerness值。
作为本发明的一种优选技术方案：所述像素点相对其所预测家具框的Centerness值按如下方法获得；
假设像素点的坐标为(x,y)，该像素点所预测家具框的左上角坐标、右下角坐标为(x0，y0)，(x1，y1)，则像素点分别到所预测家具框上四条边的距离为：
l＝x-x0，r＝y-y0，t＝x1-x，d＝y1-y
则按如下公式：
Figure BDA0002315030710000021
获得该像素点相对其所预测家具框的Centerness值。
作为本发明的一种优选技术方案：所述步骤D中，在针对检测模型进行训练的过程中，模型损失计算中家具框采用GIou损失函数，家具框类别采用交叉熵损失函数，Centerness损失时采用binarycrossentropy损失函数。
本发明所述一种基于深度卷积网络的室内家居自动布局方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计基于深度卷积网络的室内家居自动布局方法，采用全新设计策略，应用创新设计的检测模型，引入像素点预测家具框模式，并加入家具框类别、对应家具框类别概率、以及相对该家具框的Centerness值的获得，通过与已布局各二维家具图的二维家居户型图进行比较，实现对所设计检测模型的训练，应用训练后的检测模型，针对实际目标户型图进行应用，实现目标户型图中各二维家具图的布局，帮助设计师进行家装设计，极大的节省了设计师手动布局的时间，提高工作效率。
附图说明
图1是本发明设计中针对YOLOV3模型改进后HEAD模块结构图；
图2是本发明应用预测的最终效果图，实线框为真实家具框，虚线为预测家具框。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种基于深度卷积网络的室内家居自动布局方法，以YOLOV3模型为基础，如图1所示，在其HEAD模块中加入FCOS模型中的Centerness分支，构成检测模型，实际应用当中还需对所有的户型图、家具图进行设计，其中，户型图和家具图都是其二维形态，背景采用[0,0,0]表示，背景是指图片中除了户型和家具的其它位置。户型图中前景的门窗墙和家具都只保留其二维形态，用指定的数值填充。比如：[255,0,0]代表墙体，[0,255,0]代表门，[0,0,255]代表窗等等。家具框的坐标构成，其中坐标为家具框的左上角和右下角坐标。
基于上述设计，执行如下步骤A至步骤E，实现目标户型室内家居自动布局。
步骤A.基于预设各二维家具图、以及各二维家具图所对应的尺寸标签信息，采集预设数量分别已布局各二维家具图的二维家居户型图、以及该各二维家居户型图分别所对应未布局二维家具图的二维户型图，构成样本库，然后进入步骤B。
步骤B.分别针对样本库中的各幅二维户型图，将二维户型图先经过检测模型里的DarkNet53网络提取出三个不同尺度的特征图，接着将小尺度的特征图向上取样，并与大尺度的特征图融合，从而构成FPN网络，由该FPN网络中提取出三个不同尺度大小的特征图，作为该二维户型图所对应不同尺度大小的各特征图，然后进入步骤C。
步骤C.分别针对样本库中的各幅二维户型图，执行如下操作，采用检测模型，针对二维户型图所对应不同尺度大小的各特征图进行处理，获得二维户型图中各像素点分别预测对应的一个满足预设各二维家具图的家具框、该家具框类别、对应该家具框类别的概率、以及相对该家具框的Centerness值。
将二维户型图所对应不同尺度大小的各特征图、分别输入检测模型中的HEAD模块，其中，HEAD模块包括Regression支路和Classification支路，各支路分别包括预设层数、预设卷积核大小的各卷积层，且Regression支路中经过最后一个卷积层输出W*H*4的特征图，W为特征图宽，H为特征图高，即Regression支路输出特征图中各像素点分别预测对应的一个满足预设各二维家具图的家具框。实际应用中，诸如各支路分别包括4层、3*3卷积核大小的各卷积层。
Classification支路中包括分类支路与Centerness支路，分类支路经过诸如3*3大小卷积核进行卷积处理后，输出为W*H*C，C为家具框类别数，即特征图中各个像素点分别对应C个值，这C个值经过softmax层，就可以计算获得各个像素点分别对应C个家具框类别中、各个家具框类别的概率，选取概率最大的家具框类别作为像素点所对应的家具框类别，即分类支路输出特征图中各像素点分别所对应的家具框类别、以及对应该家具框类别的概率，即为Regression支路所输出相应像素点预测对应家具框的家具框类别。
Centerness支路经过诸如3*3大小卷积核进行卷积处理后，输出为W*H*1，即Centerness支路输出特征图中各像素点分别相对其所预测家具框的Centerness值。实际应用中，像素点相对其所预测家具框的Centerness值按如下方法获得。
假设像素点的坐标为(x,y)，该像素点所预测家具框的左上角坐标、右下角坐标为(x0，y0)，(x1，y1)，则像素点分别到所预测家具框上四条边的距离为：
l＝x-x0，r＝y-y0，t＝x1-x，d＝y1-y
则按如下公式：
Figure BDA0002315030710000041
获得该像素点相对其所预测家具框的Centerness值。
基于上述操作，进而通过相对该家具框的Centerness值、与对应该家具框类别的概率之间的乘积，构成该家具框的得分，即获得二维户型图中各预测家具框的得分，进一步删除二维户型图中得分低于预设分数阈值的各个预测家具框，更新该二维户型图中的各预测家具框，然后进入步骤D。
引入Centerness，是因为模型会预测出很多正负样本框，而从中筛选出正确框的干扰很大，且目标家具框中心位置附近点预测的框对结果干扰最大。加入Centerness后，离目标家具框中心位置越远的点，Centerness值会越小，从而使最终得分很低。通过非极大值抑制(NMS)操作后就可以过滤掉得分低的预测框，从而抑制了目标家具框中心附近的点对最终预测结果的干扰。
步骤D.如图2所示，根据样本库中各二维户型图中各预测家具框的得分，结合二维户型图所对应二维家居户型图中已布局的各二维家具图，针对检测模型进行训练，获得训练后的检测模型，然后进入步骤E。
在上述步骤D执行模型训练的过程中，模型损失计算中家具框采用GIou损失函数，家具框类别采用交叉熵损失函数，Centerness损失时采用binarycrossentropy损失函数。
步骤E.采用步骤C的方法针对目标户型进行处理，获得目标户型图中各预测家具框的得分，然后采用训练后的检测模型进行处理，获得目标户型图中各家具框、以及对应家具框类别，实现目标户型图中各二维家具图的布局。
将上述所设计基于深度卷积网络的室内家居自动布局方法应用于实际当中，如下表1所示，能非常好的预测空房间中将要布局的家具类型、大小和位置。
Figure BDA0002315030710000051
表1
上述技术方案所设计基于深度卷积网络的室内家居自动布局方法，采用全新设计策略，应用创新设计的检测模型，引入像素点预测家具框模式，并加入家具框类别、对应家具框类别概率、以及相对该家具框的Centerness值的获得，通过与已布局各二维家具图的二维家居户型图进行比较，实现对所设计检测模型的训练，应用训练后的检测模型，针对实际目标户型图进行应用，实现目标户型图中各二维家具图的布局，帮助设计师进行家装设计，极大的节省了设计师手动布局的时间，提高工作效率。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种基于深度卷积网络的室内家居自动布局方法，其特征在于：以YOLOV3模型为基础，在其HEAD模块中加入FCOS模型中的Centerness分支，构成检测模型，并基于该检测模型执行如下步骤A至步骤E，实现目标户型室内家居自动布局；
步骤A.基于预设各二维家具图、以及各二维家具图所对应的尺寸标签信息，采集预设数量分别已布局各二维家具图的二维家居户型图、以及该各二维家居户型图分别所对应未布局二维家具图的二维户型图，构成样本库，然后进入步骤B；
步骤B.分别针对样本库中的各幅二维户型图，将二维户型图先经过检测模型里的DarkNet53网络提取出三个不同尺度的特征图，接着将小尺度的特征图向上取样，并与大尺度的特征图融合，从而构成FPN网络，由该FPN网络中提取出三个不同尺度大小的特征图，作为该二维户型图所对应不同尺度大小的各特征图，然后进入步骤C；
步骤C.分别针对样本库中的各幅二维户型图，采用检测模型，针对二维户型图所对应不同尺度大小的各特征图进行处理，获得二维户型图中各像素点分别预测对应的一个满足预设各二维家具图的家具框、该家具框类别、对应该家具框类别的概率、以及相对该家具框的Centerness值；进而通过相对该家具框的Centerness值、与对应该家具框类别的概率之间的乘积，构成该家具框的得分，即获得二维户型图中各预测家具框的得分，进一步删除二维户型图中得分低于预设分数阈值的各个预测家具框，更新该二维户型图中的各预测家具框，然后进入步骤D；
步骤D.根据样本库中各二维户型图中各预测家具框的得分，结合二维户型图所对应二维家居户型图中已布局的各二维家具图，针对检测模型进行训练，获得训练后的检测模型，然后进入步骤E；
步骤E.采用步骤C的方法针对目标户型进行处理，获得目标户型图中各预测家具框的得分，然后采用训练后的检测模型进行处理，获得目标户型图中各家具框、以及对应家具框类别，实现目标户型图中各二维家具图的布局。
2.根据权利要求1所述一种基于深度卷积网络的室内家居自动布局方法，其特征在于：所述步骤C中，分别针对样本库中的各幅二维户型图，执行如下操作，获得二维户型图中各像素点分别预测对应的一个满足预设各二维家具图的家具框、该家具框类别、对应该家具框类别的概率、以及相对该家具框的Centerness值；
将二维户型图所对应不同尺度大小的各特征图、分别输入检测模型中的HEAD模块，其中，HEAD模块包括Regression支路和Classification支路，各支路分别包括预设层数、预设卷积核大小的各卷积层，且Regression支路中经过最后一个卷积层输出W*H*4的特征图，W为特征图宽，H为特征图高，即Regression支路输出特征图中各像素点分别预测对应的一个满足预设各二维家具图的家具框；
Classification支路中包括分类支路与Centerness支路，分类支路经过预设大小卷积核进行卷积处理后，输出为W*H*C，C为家具框类别数，即特征图中各个像素点分别对应C个值，这C个值经过softmax层，就可以计算获得各个像素点分别对应C个家具框类别中、各个家具框类别的概率，选取概率最大的家具框类别作为像素点所对应的家具框类别，即分类支路输出特征图中各像素点分别所对应的家具框类别、以及对应该家具框类别的概率，即为Regression支路所输出相应像素点预测对应家具框的家具框类别；
Centerness支路经过预设大小卷积核进行卷积处理后，输出为W*H*1，即Centerness支路输出特征图中各像素点分别相对其所预测家具框的Centerness值。
3.根据权利要求2所述一种基于深度卷积网络的室内家居自动布局方法，其特征在于：所述像素点相对其所预测家具框的Centerness值按如下方法获得；假设像素点的坐标为(x,y)，该像素点所预测家具框的左上角坐标、右下角坐标为(x0，y0)，(x1，y1)，则像素点分别到所预测家具框上四条边的距离为：
l＝x-x0，r＝y-y0，t＝x1-x，d＝y1-y
则按如下公式：
Figure DEST_PATH_IMAGE002
获得该像素点相对其所预测家具框的Centerness值。
4.根据权利要求1所述一种基于深度卷积网络的室内家居自动布局方法，其特征在于：所述步骤D中，在针对检测模型进行训练的过程中，模型损失计算中家具框采用GIou损失函数，家具框类别采用交叉熵损失函数，Centerness损失时采用binarycrossentropy损失函数。
CN201911274006.7A 2019-12-12 2019-12-12 一种基于深度卷积网络的室内家居自动布局方法 Active CN111177826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911274006.7A CN111177826B (zh) 2019-12-12 2019-12-12 一种基于深度卷积网络的室内家居自动布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911274006.7A CN111177826B (zh) 2019-12-12 2019-12-12 一种基于深度卷积网络的室内家居自动布局方法

Publications (2)

Publication Number Publication Date
CN111177826A CN111177826A (zh) 2020-05-19
CN111177826B true CN111177826B (zh) 2022-07-08

Family

ID=70650326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911274006.7A Active CN111177826B (zh) 2019-12-12 2019-12-12 一种基于深度卷积网络的室内家居自动布局方法

Country Status (1)

Country Link
CN (1) CN111177826B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112257328B (zh) * 2020-07-08 2021-09-28 武汉智筑完美家居科技有限公司 家具布局方法及电子设备
CN112183649A (zh) * 2020-09-30 2021-01-05 佛山市南海区广工大数控装备协同创新研究院 一种用于对金字塔特征图进行预测的算法
CN113792358B (zh) * 2021-09-22 2024-06-04 深圳须弥云图空间科技有限公司 一种三维家具自动交互布局方法、装置及电子设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033652A (zh) * 2018-08-02 2018-12-18 江苏艾佳家居用品有限公司 一种基于滑动窗特征与回归预测的室内自动布局方法
CN109284760A (zh) * 2018-08-10 2019-01-29 杭州群核信息技术有限公司 一种基于深度卷积神经网络的家具检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109033652A (zh) * 2018-08-02 2018-12-18 江苏艾佳家居用品有限公司 一种基于滑动窗特征与回归预测的室内自动布局方法
CN109284760A (zh) * 2018-08-10 2019-01-29 杭州群核信息技术有限公司 一种基于深度卷积神经网络的家具检测方法及装置

Also Published As

Publication number Publication date
CN111177826A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
CN111177826B (zh) 一种基于深度卷积网络的室内家居自动布局方法
CN106157319B (zh) 基于卷积神经网络的区域和像素级融合的显著性检测方法
CN107403430B (zh) 一种rgbd图像语义分割方法
CN106875406B (zh) 图像引导的视频语义对象分割方法及装置
Cadena et al. Semantic segmentation with heterogeneous sensor coverages
CN107872644A (zh) 视频监控方法及装置
CN105678338B (zh) 基于局部特征学习的目标跟踪方法
CN112802204B (zh) 未知环境下三维空间场景先验的目标语义导航方法及系统
CN109801297B (zh) 一种基于卷积实现的图像全景分割预测优化方法
CN113110482A (zh) 基于先验信息启发式的室内环境机器人探索方法及系统
CN106296732B (zh) 一种复杂背景下的运动目标追踪方法
CN111291768A (zh) 图像特征匹配方法及装置、设备、存储介质
CN108961385B (zh) 一种slam构图方法及装置
CN100378752C (zh) 鲁棒的自然图像分割方法
CN107862702A (zh) 一种结合边界连通性与局部对比性的显著性检测方法
CN110555377A (zh) 一种基于鱼眼相机俯视拍摄的行人检测与跟踪方法
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
CN116698043A (zh) 一种室内移动机器人视觉导航方法
CN111881915A (zh) 一种基于多种先验信息约束的卫星视频目标智能检测方法
CN109636897B (zh) 一种基于改进RGB-D SLAM的Octomap优化方法
CN108280845B (zh) 一种针对复杂背景的尺度自适应目标跟踪方法
CN110910417B (zh) 一种基于超像素邻帧特征对比的弱小运动目标检测方法
CN112926392A (zh) 一种基于轮廓筛选的建筑平面图纸房间识别方法
CN109711417B (zh) 一种基于低水平显著性融合和测地线的视频显著性检测方法
CN116030335A (zh) 基于室内建筑框架约束的视觉定位方法及系统

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 211100 floor 5, block a, China Merchants high speed rail Plaza project, No. 9, Jiangnan Road, Jiangning District, Nanjing, Jiangsu (South Station area)

Applicant after: JIANGSU AIJIA HOUSEHOLD PRODUCTS Co.,Ltd.

Address before: 211100 No. 18 Zhilan Road, Science Park, Jiangning District, Nanjing City, Jiangsu Province

Applicant before: JIANGSU AIJIA HOUSEHOLD PRODUCTS Co.,Ltd.

GR01 Patent grant
GR01 Patent grant