CN111310853A - 一种基于神经网络与高程融合的单体化识别算法 - Google Patents

一种基于神经网络与高程融合的单体化识别算法 Download PDF

Info

Publication number
CN111310853A
CN111310853A CN202010155285.1A CN202010155285A CN111310853A CN 111310853 A CN111310853 A CN 111310853A CN 202010155285 A CN202010155285 A CN 202010155285A CN 111310853 A CN111310853 A CN 111310853A
Authority
CN
China
Prior art keywords
fusion
elevation
neural network
algorithm
recognition
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.)
Granted
Application number
CN202010155285.1A
Other languages
English (en)
Other versions
CN111310853B (zh
Inventor
方伯军
张豪杰
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.)
Airlook Aviation Technology Beijing Co ltd
Original Assignee
Airlook Aviation Technology Beijing 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 Airlook Aviation Technology Beijing Co ltd filed Critical Airlook Aviation Technology Beijing Co ltd
Priority to CN202010155285.1A priority Critical patent/CN111310853B/zh
Publication of CN111310853A publication Critical patent/CN111310853A/zh
Application granted granted Critical
Publication of CN111310853B publication Critical patent/CN111310853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请公开了一种基于神经网络与高程融合的单体化识别算法，本申请技术采用最新的深度学习框架，并利用数据管理训练机制，提高单体检测的准确度，并创造性的利用模型的地理信息和图像信息结合，极大提升了单体化识别的准确率，并有效提高了自动化率，基本取消了人工干预，达到了高效，准确，自动化的统一。同时本算法具备很强的适应性，即使对海量的航空影像也可处理。本技术整个流程基本上都是机器自动完成，没有人工参与，节省了人力成本，同时成品效果精度很高，满足了应用级需求，同时效率也很不错。

Description

一种基于神经网络与高程融合的单体化识别算法
技术领域
本申请涉及人工智能算法技术领域，具体而言，涉及一种基于神经网络与高程融合的单体化识别算法。
背景技术
单体化是指一个单独管理的、可被选中应用的实体，其可以进行属性管理、应用计算等。对于人工建模，需要将单独管理的对象制成单独的模型，将独立模型与其他对象分离开，对此部分的单体化主体进行机制管理。单体化应用技术主要应用在倾斜摄影自动化建模过程中，单体化识别本质上是为了解决倾斜摄影自动化建模软件的三维输出管理模型，需要对输出对象进行查询和管理，定义其应用属性。
专利号“CN109165553A”(申请日2018.07.20)公开了一种基于深度学习的石油设施遥感自动识别方法及装置，其包括：将油田区域的遥感数据所述遥感数据转换成多幅图像；确定所述多幅图像中至少包含一处石油设施的图像，并形成图像数据集；将所述图像数据集中的第一部分图像作为训练样本，并对预设的初始深度学习模型进行训练，获得识别模型；将所述图像数据集中的第二部分图像作为测试样本输入所述识别模型，如果获得测试结果满足预设条件，则将所述识别模型作为石油设施识别模型；获取待识别油田区域的遥感数据，并将所述遥感数据转换成待识别图像；基于所述石油设施识别模型对所述待识别图像进行识别处理，获得识别结果。由此可知，其对于地图上的单体识别只是简单地对深度学习模型训练，并利用训练好的模型进行识别，因此得到的图像识别精确度较为低下，不准确。
传统单体化识别需要准确的标出物体的边界，这个过程最重要的物体边缘识别的准确性。这里有两种方法，早期利用传统的是数字图像处理方法，根据像素的特征信息，进行计算，比如梯度等，这些主要是利用了像素的差异性，但是没有识别像素本身，所以，容易误识别。随着深度学习的兴起，神经网络开始作为主要的识别算法，但是神经网络是本质是概率统计，本身有一定的不确定性，加上统计方法受到样本集的影响很大，对于新的数据集效果不是很好，表现在物体虽然可以识别大致类别，但是存在边缘计算不精确的问题。整体过程中需要大量的人工参与，应用效率低下。
发明内容
本申请的主要目的在于提供一种基于神经网络与高程融合的单体化识别算法，以解决相关技术中存在的识别不精确、应用效率低下的问题。
为了实现上述目的，本申请提供了以下技术方案；
一种基于神经网络与高程融合的单体化识别算法，包括选择机制模块、过滤机制模块、AI语义识别模块、综合决策融合算法模块和边缘提取模块；
所述选择机制模块，其功能在于将全局的影像分割，通过一个滑动窗口机制，遍历处理所有的图像，并通过重叠度参数，确保窗口边缘的影像有完整的识别效果，最终通过分块加载到算法模型里；
所述过滤机制模块，其功能在于有效过滤无关的信息，保证物体识别边缘的精确度以及高效过滤无关信息；
所述AI语义识别模块，其功能在于利用最新的深度神经网络技术，并利用积累的海量数据，以及累积的标注信息，训练一个精度很高的语义分割网络，利用迁移学习、强化学习等一系列最先进的AI技术进行语义识别，最终达到很高的识别率；
所述综合决策融合算法模块，其功能在于利用高程信息作为补偿，对同一个像素进行两种打分机制，将神经网络和高程给出的打分进行加权融合，确保精度提升，避免出现识别物体边缘不齐整，以及有误判信息等噪点存在；
所述边缘提取模块，其功能在于通过融合算法给出了一个轮廓信息，根据预处理得到的坐标计算公式，准确计算轮廓的实际地理位置。
具体来说，本申请算法的核心主要是利用深度学习网络训练一个识别模型，同时还增加了独有的图像过滤算法，以及综合决策算法，实现高精度的单体识别，同时迭代模型过程不断调整，最终得到最优化的识别结果。单体化识别时，针对单张图片的目标识别区域，将相邻具有相同标签像素点的集合归为一个“起始种子”，单张图片会产生很多“起始种子”；在多个单张图片中，进行重叠区域融合，将“起始种子”有交集的部分融合成一个整体，形成“融合种子”；针对所有“融合种子”进行膨胀处理，种子的膨胀导致很多种子之间产生了新的交集，将有交集的种子进行再次融合，形成“二次融合种子”，对二次融合种子进行腐蚀处理，最终得到要识别的“目标种子”。
与现有技术相比较，本发明的有益效果为：
本技术整个流程基本上都是机器自动完成，没有人工参与，节省了人力成本，同时成品效果精度很高，满足了应用级需求，同时效率也很不错。
本申请技术采用最新的深度学习框架，并利用数据管理训练机制，提高单体检测的准确度，并创造性的利用模型的地理信息和图像信息结合，极大提升了单体化识别的准确率，并有效提高了自动化率，基本取消了人工干预，达到了高效，准确，自动化的统一。同时本算法具备很强的适应性，即使对海量的航空影像也可处理。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将结合实施例来详细说明本申请。
实施例1
一种基于神经网络与高程融合的单体化识别算法，包括选择机制模块、过滤机制模块、AI语义识别模块、综合决策融合算法模块和边缘提取模块；
所述选择机制模块，其功能在于将全局的影像分割，通过一个滑动窗口机制，遍历处理所有的图像，并通过重叠度参数，确保窗口边缘的影像有完整的识别效果，最终通过分块加载到算法模型里；
所述过滤机制模块，其功能在于有效过滤无关的信息，保证物体识别边缘的精确度以及高效过滤无关信息；
所述AI语义识别模块，其功能在于利用最新的深度神经网络技术，并利用积累的海量数据，以及累积的标注信息，训练一个精度很高的语义分割网络，利用迁移学习、强化学习等一系列最先进的AI技术进行语义识别，最终达到很高的识别率；
所述综合决策融合算法模块，其功能在于利用高程信息作为补偿，对同一个像素进行两种打分机制，将神经网络和高程给出的打分进行加权融合，确保精度提升，避免出现识别物体边缘不齐整，以及有误判信息等噪点存在；
所述边缘提取模块，其功能在于通过融合算法给出了一个轮廓信息，根据预处理得到的坐标计算公式，准确计算轮廓的实际地理位置。
具体来说，本申请算法的核心主要是利用深度学习网络训练一个识别模型，同时还增加了独有的图像过滤算法，以及综合决策算法，实现高精度的单体识别，同时迭代模型过程不断调整，最终得到最优化的识别结果。单体化识别时，针对单张图片的目标识别区域，将相邻具有相同标签像素点的集合归为一个“起始种子”，单张图片会产生很多“起始种子”；在多个单张图片中，进行重叠区域融合，将“起始种子”有交集的部分融合成一个整体，形成“融合种子”；针对所有“融合种子”进行膨胀处理，种子的膨胀导致很多种子之间产生了新的交集，将有交集的种子进行再次融合，形成“二次融合种子”，对二次融合种子进行腐蚀处理，最终得到要识别的“目标种子”。
实施例2
一种基于神经网络与高程融合的单体化识别算法，包括选择机制模块、过滤机制模块、AI语义识别模块、综合决策融合算法模块和边缘提取模块；
所述选择机制模块，其功能在于将全局的影像分割，通过一个滑动窗口机制，遍历处理所有的图像，并通过重叠度参数，确保窗口边缘的影像有完整的识别效果，最终通过分块加载到算法模型里；
所述过滤机制模块，其功能在于有效过滤无关的信息，保证物体识别边缘的精确度以及高效过滤无关信息；
所述AI语义识别模块，其功能在于利用最新的深度神经网络技术，并利用积累的海量数据，以及累积的标注信息，训练一个精度很高的语义分割网络，利用迁移学习、强化学习等一系列最先进的AI技术进行语义识别，最终达到很高的识别率；
所述综合决策融合算法模块，其功能在于利用高程信息作为补偿，对同一个像素进行两种打分机制，将神经网络和高程给出的打分进行加权融合，确保精度提升，避免出现识别物体边缘不齐整，以及有误判信息等噪点存在；
所述边缘提取模块，其功能在于通过融合算法给出了一个轮廓信息，根据预处理得到的坐标计算公式，准确计算轮廓的实际地理位置。
优化地，为了有效过滤无关的信息，过滤机制模块内设有一个过滤器。
进一步地，所述过滤器利用高程信息进行设计。
实施例3
一种基于神经网络与高程融合的单体化识别算法，包括选择机制模块、过滤机制模块、AI语义识别模块、综合决策融合算法模块和边缘提取模块；
所述选择机制模块，其功能在于将全局的影像分割，通过一个滑动窗口机制，遍历处理所有的图像，并通过重叠度参数，确保窗口边缘的影像有完整的识别效果，最终通过分块加载到算法模型里；
所述过滤机制模块，其功能在于有效过滤无关的信息，保证物体识别边缘的精确度以及高效过滤无关信息；
所述AI语义识别模块，其功能在于利用最新的深度神经网络技术，并利用积累的海量数据，以及累积的标注信息，训练一个精度很高的语义分割网络，利用迁移学习、强化学习等一系列最先进的AI技术进行语义识别，最终达到很高的识别率；
进一步地，为得到最优化的识别结果，AI语义识别模块不断进行迭代和优化语义识别过程；
所述综合决策融合算法模块，其功能在于利用高程信息作为补偿，对同一个像素进行两种打分机制，将神经网络和高程给出的打分进行加权融合，确保精度提升，避免出现识别物体边缘不齐整，以及有误判信息等噪点存在；
所述边缘提取模块，其功能在于通过融合算法给出了一个轮廓信息，根据预处理得到的坐标计算公式，准确计算轮廓的实际地理位置；
进一步地，在边缘提取模块中，最终的输出是所有提取的单体化实例的轮廓和对应的地理位置信息。
实施例4
基于实施例1～3的实施，本实施例，为提高单体检测的准确度，还增加利用数据管理训练机制、模型的地理信息和图像信息结合。
实施例5
基于实施例1～4的实施，本实施例，将本技术---基于神经网络与高程融合的单体化识别算法，适用于航空影像处理。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于神经网络与高程融合的单体化识别算法，其特征在于，包括选择机制模块、过滤机制模块、AI语义识别模块、综合决策融合算法模块和边缘提取模块；
所述选择机制模块，其功能在于将全局的影像分割，通过一个滑动窗口机制，遍历处理所有的图像，并通过重叠度参数，确保窗口边缘的影像有完整的识别效果，最终通过分块加载到算法模型里；
所述过滤机制模块，其功能在于有效过滤无关的信息，保证物体识别边缘的精确度以及高效过滤无关信息；
所述AI语义识别模块，其功能在于利用最新的深度神经网络技术，并利用积累的海量数据，以及累积的标注信息，训练一个精度很高的语义分割网络，利用迁移学习、强化学习等一系列最先进的AI技术进行语义识别，最终达到很高的识别率；
所述综合决策融合算法模块，其功能在于利用高程信息作为补偿，对同一个像素进行两种打分机制，将神经网络和高程给出的打分进行加权融合，确保精度提升，避免出现识别物体边缘不齐整，以及有误判信息等噪点存在；
所述边缘提取模块，其功能在于通过融合算法给出了一个轮廓信息，根据预处理得到的坐标计算公式，准确计算轮廓的实际地理位置。
2.如权利要求1所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，为了有效过滤无关的信息，过滤机制模块内设有一个或一个以上的过滤器。
3.如权利要求2所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，所述过滤器利用高程信息进行设计。
4.如权利要求1所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，过滤机制模块设有图像过滤算法，具体为：针对单张图片的目标识别区域，将相邻具有相同标签像素点的集合归为一个“起始种子”，单张图片会产生很多“起始种子”；在多个单张图片中，进行重叠区域融合，将“起始种子”有交集的部分融合成一个整体，形成“融合种子”。
5.如权利要求4所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，针对所有“融合种子”进行膨胀处理，种子的膨胀导致很多种子之间产生了新的交集，将有交集的种子进行再次融合，形成“二次融合种子”。
6.如权利要求5所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，继续对二次融合种子进行腐蚀处理，最终得到要识别的“目标种子”。
7.如权利要求1所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，为得到最优化的识别结果，AI语义识别模块不断进行迭代和优化语义识别过程。
8.如权利要求1所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，在边缘提取模块中，最终的输出是所有提取的单体化实例的轮廓和对应的地理位置信息。
9.如权利要求1所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，为提高单体检测的准确度，还增加利用数据管理训练机制、模型的地理信息和图像信息结合。
10.如权利要求1-9任一项所述的一种基于神经网络与高程融合的单体化识别算法，其特征在于，基于神经网络与高程融合的单体化识别算法还适用于航空影像处理。
CN202010155285.1A 2020-03-06 2020-03-06 一种基于神经网络与高程融合的单体化识别算法 Active CN111310853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010155285.1A CN111310853B (zh) 2020-03-06 2020-03-06 一种基于神经网络与高程融合的单体化识别算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010155285.1A CN111310853B (zh) 2020-03-06 2020-03-06 一种基于神经网络与高程融合的单体化识别算法

Publications (2)

Publication Number Publication Date
CN111310853A true CN111310853A (zh) 2020-06-19
CN111310853B CN111310853B (zh) 2022-08-02

Family

ID=71147926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010155285.1A Active CN111310853B (zh) 2020-03-06 2020-03-06 一种基于神经网络与高程融合的单体化识别算法

Country Status (1)

Country Link
CN (1) CN111310853B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132845A (zh) * 2020-08-13 2020-12-25 当家移动绿色互联网技术集团有限公司 三维模型的单体化方法、装置、电子设备和可读介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106251399A (zh) * 2016-08-30 2016-12-21 广州市绯影信息科技有限公司 一种基于lsd‑slam的实景三维重建方法
CA3008183A1 (en) * 2015-12-14 2017-06-22 Mcmaster University A natural product and genetic data analysis and discovery system, method and computational platform therefor
CN107192700A (zh) * 2017-07-25 2017-09-22 潍坊学院 一种用于中药质量控制的多光源快速荧光光谱检测装置及方法
CN108154118A (zh) * 2017-12-25 2018-06-12 北京航空航天大学 一种基于自适应组合滤波与多级检测的目标探测系统及方法
CN109632860A (zh) * 2019-01-15 2019-04-16 中国科学院昆明植物研究所 一种解析混合物中单体化合物结构的方法
CN110570428A (zh) * 2019-08-09 2019-12-13 浙江合信地理信息技术有限公司 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3008183A1 (en) * 2015-12-14 2017-06-22 Mcmaster University A natural product and genetic data analysis and discovery system, method and computational platform therefor
CN106251399A (zh) * 2016-08-30 2016-12-21 广州市绯影信息科技有限公司 一种基于lsd‑slam的实景三维重建方法
CN107192700A (zh) * 2017-07-25 2017-09-22 潍坊学院 一种用于中药质量控制的多光源快速荧光光谱检测装置及方法
CN108154118A (zh) * 2017-12-25 2018-06-12 北京航空航天大学 一种基于自适应组合滤波与多级检测的目标探测系统及方法
CN109632860A (zh) * 2019-01-15 2019-04-16 中国科学院昆明植物研究所 一种解析混合物中单体化合物结构的方法
CN110570428A (zh) * 2019-08-09 2019-12-13 浙江合信地理信息技术有限公司 一种从大规模影像密集匹配点云分割建筑物屋顶面片的方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132845A (zh) * 2020-08-13 2020-12-25 当家移动绿色互联网技术集团有限公司 三维模型的单体化方法、装置、电子设备和可读介质

Also Published As

Publication number Publication date
CN111310853B (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN111027547B (zh) 一种针对二维图像中的多尺度多形态目标的自动检测方法
CN109785337B (zh) 一种基于实例分割算法的栏内哺乳动物清点方法
CN101706445B (zh) 用于牛肉大理石花纹等级评分的图像处理方法
CN111784657A (zh) 一种基于数字图像的水泥路面病害自动识别的系统及方法
CN103400151A (zh) 一体化的光学遥感影像与gis自动配准与水体提取方法
CN104615986B (zh) 利用多检测器对场景变化的视频图像进行行人检测的方法
CN105844205B (zh) 基于图像处理的字符信息识别方法
CN105550678A (zh) 基于全局显著边缘区域的人体动作特征提取方法
Champion et al. 2D building change detection from high resolution satelliteimagery: A two-step hierarchical method based on 3D invariant primitives
CN110619258B (zh) 一种基于高分辨率遥感影像的道路轨迹核查方法
Dal Poz et al. Object-space road extraction in rural areas using stereoscopic aerial images
CN112819821B (zh) 一种细胞核图像检测方法
CN108711148A (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN107392929A (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN113516664A (zh) 一种基于语义分割动态点的视觉slam方法
CN107808524A (zh) 一种基于无人机的道路交叉口车辆检测方法
CN112183301A (zh) 一种建筑物楼层智能识别方法及装置
CN113936214A (zh) 一种基于融合空天遥感影像的岩溶湿地植被群落分类方法
CN112132853A (zh) 地面导向箭头的构建方法及其装置、电子设备及存储介质
CN111310853B (zh) 一种基于神经网络与高程融合的单体化识别算法
CN110889338A (zh) 无监督式的铁路道床异物检测、样本构造方法及装置
CN106570878A (zh) 一种基于灰度差分的稠油微观界面检测方法
Ebrahimikia et al. True orthophoto generation based on unmanned aerial vehicle images using reconstructed edge points
CN110889418A (zh) 一种气体轮廓识别方法
CN110853097A (zh) 一种应用于饼干表面图案打印设备的饼干识别定位方法

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
GR01 Patent grant
GR01 Patent grant