CN111507917B - 一种基于卷积神经网络的无参智能磨皮方法 - Google Patents
一种基于卷积神经网络的无参智能磨皮方法 Download PDFInfo
- Publication number
- CN111507917B CN111507917B CN202010296043.4A CN202010296043A CN111507917B CN 111507917 B CN111507917 B CN 111507917B CN 202010296043 A CN202010296043 A CN 202010296043A CN 111507917 B CN111507917 B CN 111507917B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- skin
- sample
- segmentation
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 28
- 230000000694 effects Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000000227 grinding Methods 0.000 claims abstract description 9
- 230000010354 integration Effects 0.000 claims abstract description 3
- 230000011218 segmentation Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000005498 polishing Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000002874 Acne Vulgaris Diseases 0.000 description 1
- 208000035874 Excoriation Diseases 0.000 description 1
- 206010000496 acne Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/77—Retouching; Inpainting; Scratch removal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的无参智能磨皮方法，具体包括如下步骤：101)图像输入步骤、102)CNN降噪步骤、103)CNN皮肤概率处理步骤、104)整合处理步骤；本发明提供对不同的图像进行不同程度的降噪，人物图像的磨皮效果自然、精确，远优于传统算法效果的一种基于卷积神经网络的无参智能磨皮方法。
Description
技术领域
本发明涉及手机拍摄拍摄图像处理技术领域，更具体的说，它涉及一种基于卷积神经网络的无参智能磨皮方法。
背景技术
目前在图像处理软件市场以及相机拍照等领域，人像照片磨皮美颜技术已经成为不可或缺的一部分，磨皮效果的好坏，直接影响人像照片修图最终的质量。在影视婚纱摄影等的后期处理中，磨皮技术往往依靠设计师手工像素级处理，耗时长，效率低下；在手机app应用中，多数使用基于传统图像处理的磨皮技术，磨皮效果千篇一律，无法自动调节磨皮程度，磨皮程度过大容易损失图像细节，过小又无法有效去除皱纹信息，效果单一。
发明内容
本发明克服了现有技术的不足，提供一种基于卷积神经网络的无参智能磨皮方法。
本发明的技术方案如下：
一种基于卷积神经网络的无参智能磨皮方法，具体包括如下步骤：
101)图像输入步骤：图像转换为特定处理格式作为处理的输入图像，图像为原始图像S；
102)CNN降噪步骤：基于同一场景下不同的噪声样本，并结合CNN网络学习噪声的分布情况，然后通过噪声的分布情况对场景中的噪声图像去噪，得到降噪图像A；
103)CNN皮肤概率处理步骤：通过卷积网络对输入图像的皮肤区域进行分割，输出为分割概率图B；输入图像为W×H×3，3为RGB三个颜色通道，输出的分割概率图为W×H×1；W为图像的横向尺寸，H为图像的纵向尺寸；
104)整合处理步骤：将原始图像S、降噪图像A、分割概率图B进行整合，得到智能磨皮效果图，具体整合的公式如下：
D＝S*(1-B)+A*B 公式(1)
其中，D为磨皮效果图。
进一步的，步骤102)中的噪声样本，通过选取自然场景拍摄的图像，即在自然场景下，固定相机位置，快速连续拍摄同一目标的两张图像，构成一个样本。
进一步的，步骤102)中的噪声样本，通过人工添加噪声的方式，具体如下：
201)添加高斯噪声处理步骤：准备N张高清人像照片，N>10000，对N张人像照片进行高斯噪声添加，添加较小强度即μ＜0.06，σ＜0.2的高斯噪声得到输入样本T1；添加较大强度即μ>0.1，σ>0.3的高斯噪声得到输入样本T2；
添加的高斯噪声公式如下所示：
其中，x表示像素值，μ表示均值参数，σ表示方差参数，均值参数和方差参数为设定值；
高斯噪声添加的公式如下：
P'(x)＝P(x)+Gauss(x)×255 公式(3)
其中，P’(x)表示高斯噪声添加后的结果像素，P(x)表示原始图像中对应x位置的像素值；
202)CNN降噪网络训练步骤：对N张高清人像照片添加较大强度的高斯噪声，得到输出样本T2；将样本T1和样本T2进行图像缩放到CNN降噪网络，输入尺寸，进行训练，通过LOSS使用MSE，并迭代大于10000次，得到最终的训练模型；
203)图像A获取步骤：将原始图像S输入步骤202)训练好的降噪模型中，得到降噪后的降噪图像A。
进一步的，步骤103)中的卷积网络对输入图像的皮肤区域进行分割，具体包括如下步骤：
301)训练样本集获取步骤：准备M张带人像的原始图像S，对M张原始图像S进行人工皮肤分割标记，得到M张分割结果图Mask，Mask为黑白二值图，黑色为背景，白色为皮肤区域，以此构建皮肤分割网络训练样本集；
302)建模步骤：将步骤301处理的训练样本集输入到卷积网络进行训练，最终得到皮肤分割模型；
303)分割概率图B获取步骤：将原始图像S输入皮肤分割模型进行预测，得到概率图B。
进一步的，对概率图B进行图像二值化处理，判断概率值大于0.5则填充白色，否则填充黑色。
本发明相比现有技术优点在于：
本发明避免了传统滤波算法中繁荣复杂的参数设置，同时，根据每一张图片的噪声分布不同，会进行不同程度的皮肤区域降噪；训练模型建立之后神经网络模型会记录学习到的噪声分布，对不同的图像进行不同程度的降噪，人物图像的磨皮效果自然、精确，远优于传统算法效果。
附图说明
图1为本发明的流程图；
图2为本发明的降噪网络结构图；
图3为本发明的皮肤分割网络结构图；
图4为本发明的未处理前的原图；
图5为本发明的处理后的效果图。
具体实施方式
下面结合附图和具体实施方式对本发明进一步说明。
如图1至图5所示，一种基于卷积神经网络的无参智能磨皮方法，具体包括如下步骤：
101)图像输入步骤：图像转换为特定处理格式作为处理的输入图像，图像为原始图像S；原始图像S一般以BGRA32格式作为输入，实际中并不局限于此格式，可以采用其它已有的图像格式。
102)CNN降噪步骤：基于同一场景下不同的噪声样本，并结合CNN网络学习噪声的分布情况，然后通过噪声的分布情况对场景中的噪声图像去噪，得到降噪图像A。由于人像照片中皮肤上的瑕疵也可以理解为一种特殊的图像噪声，因此，该方法可以达到自然磨皮的效果。对于噪声样本的采集可以通过选取自然场景拍摄的图像，即在自然场景下，固定相机位置，快速连续拍摄同一目标的两张图像，构成一个样本。也可以使用人工添加噪声的方式进行。
通过人工添加噪声的方式具体如下：
201)添加高斯噪声处理步骤：准备N张高清人像照片，N>10000，对N张人像照片进行高斯噪声添加，添加较小强度即μ＜0.06，σ＜0.2的高斯噪声得到输入样本T1；添加较大强度即μ>0.1，σ>0.3的高斯噪声得到输入样本T2。
添加的高斯噪声公式如下所示：
其中，x表示像素值，μ表示均值参数，σ表示方差参数，均值参数和方差参数为设定值；
高斯噪声添加的公式如下：
P'(x)＝P(x)+Gauss(x)×255 公式(3)
其中，P’(x)表示高斯噪声添加后的结果像素，P(x)表示原始图像中对应x位置的像素值。
202)CNN降噪网络训练步骤：对N张高清人像照片添加较大强度的高斯噪声，得到输出样本T2。将样本T1和样本T2进行图像缩放到CNN降噪网络，输入尺寸，进行训练，通过LOSS(深度学习的代价函数)使用MSE(均方误差)，并迭代大于10000次，得到最终的训练模型。该模型具备对图像进行降噪的能力，不同的图像，降噪程度不同，对于人像照片而言，皮肤上的痘印和瑕疵均属于噪声，因此，降噪表现为皮肤的光滑度不同，瑕疵越少，越光滑，即达到自动智能磨皮效果。其中，CNN降噪网络将输入原图的W×H×3，输出对应降噪效果图W×H×3；输入原图经过卷积和线性整流函数(Relu)后进行下采样Maxpooling方法，多次重复卷积、下采样到深度学习分割网络Unet的底端，然后对应进行多次上采样UpSample和卷积操作，每一层横向与下一层上采样结果进行Concentate融合，最后经过3次卷积输出降噪效果图。其中，Concentate是深度学习中的一种通道连接方式，属于特有概念。以256×256尺寸的图像输入为例，W＝H＝256，分别进行3次下采样和3次上采样，3次Concentate融合后，进行3次卷积输出降噪效果图。
203)图像A获取步骤：将原始图像S输入步骤202)训练好的降噪模型中，得到降噪后的降噪图像A。
103)CNN皮肤概率处理步骤：通过卷积网络对输入图像的皮肤区域进行分割，输出为分割概率图B；输入图像为W×H×3，3为RGB三个颜色通道，输出的分割概率图为W×H×1；W为图像的横向尺寸，H为图像的纵向尺寸。
其中，卷积网络对输入图像的皮肤区域进行分割，具体包括如下步骤：
301)训练样本集获取步骤：准备M张带人像的原始图像S，对M张原始图像S进行人工皮肤分割标记(人工皮肤分割就是用类似Photoshop之类的工具，把图像中的皮肤区域标记为白色，其他区域标记为黑色，以此作为二值图保存下来；深度学习中样本的准备方法就是先通过人工标定)，得到M张分割结果图Mask，Mask为黑白二值图，黑色为背景，白色为皮肤区域，以此构建皮肤分割网络训练样本集。
302)建模步骤：将步骤301处理的训练样本集输入到卷积网络进行训练，最终得到皮肤分割模型。
303)分割概率图B获取步骤：将原始图像S输入皮肤分割模型进行预测，得到概率图B。对概率图B进行图像二值化处理，判断概率值大于0.5则填充白色，否则填充黑色。即过程中样本原图输入卷积网络训练输出二值图像或者概率图，这两个都可以输出的，概率图也是一张黑白图，不过黑白之间有过渡。
104)整合处理步骤：将原始图像S、降噪图像A、分割概率图B进行整合，得到智能磨皮效果图，具体整合的公式如下：
D＝S*(1-B)+A*B 公式(1)
其中，D为磨皮效果图。具体效果如图4变为图5照片上人物的皮肤更细腻润滑。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员，在不脱离本发明构思的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明保护范围内。
Claims (4)
1.一种基于卷积神经网络的无参智能磨皮方法，其特征在于，具体包括如下步骤：
101)图像输入步骤：图像转换为特定处理格式作为处理的输入图像，图像为原始图像S；
102)CNN降噪步骤：基于同一场景下不同的噪声样本，并结合CNN网络学习噪声的分布情况，然后通过噪声的分布情况对场景中的噪声图像去噪，得到降噪图像A；
103)CNN皮肤概率处理步骤：通过卷积网络对输入图像的皮肤区域进行分割，输出为分割概率图B；输入图像为W×H×3，3为RGB三个颜色通道，输出的分割概率图为W×H×1；W为图像的横向尺寸，H为图像的纵向尺寸；
104)整合处理步骤：将原始图像S、降噪图像A、分割概率图B进行整合，得到智能磨皮效果图，具体整合的公式如下：
D＝S*(1-B)+A*B 公式(1)
其中，D为磨皮效果图；
其中，步骤102)中的噪声样本，通过人工添加噪声的方式，具体如下：
201)添加高斯噪声处理步骤：准备N张高清人像照片，N>10000，对N张人像照片进行高斯噪声添加，添加较小强度即μ＜0.06，σ＜0.2的高斯噪声得到输入样本T1；添加较大强度即μ>0.1，σ>0.3的高斯噪声得到输入样本T2；
添加的高斯噪声公式如下所示：
其中，x表示像素值，μ表示均值参数，σ表示方差参数，均值参数和方差参数为设定值；
高斯噪声添加的公式如下：
P'(x)＝P(x)+Gauss(x)×255 公式(3)
其中，P’(x)表示高斯噪声添加后的结果像素，P(x)表示原始图像中对应x位置的像素值；
202)CNN降噪网络训练步骤：对N张高清人像照片添加较大强度的高斯噪声，得到输出样本T2；将样本T1和样本T2进行图像缩放到CNN降噪网络，输入尺寸，进行训练，通过LOSS使用MSE，并迭代大于10000次，得到最终的训练模型；
203)图像A获取步骤：将原始图像S输入步骤202)训练好的降噪模型中，得到降噪后的降噪图像A。
2.根据权利要求1所述的一种基于卷积神经网络的无参智能磨皮方法，其特征在于，步骤102)中的噪声样本，通过选取自然场景拍摄的图像，即在自然场景下，固定相机位置，快速连续拍摄同一目标的两张图像，构成一个样本。
3.根据权利要求1所述的一种基于卷积神经网络的无参智能磨皮方法，其特征在于，步骤103)中的卷积网络对输入图像的皮肤区域进行分割，具体包括如下步骤：
301)训练样本集获取步骤：准备M张带人像的原始图像S，对M张原始图像S进行人工皮肤分割标记，得到M张分割结果图Mask，Mask为黑白二值图，黑色为背景，白色为皮肤区域，以此构建皮肤分割网络训练样本集；
302)建模步骤：将步骤301处理的训练样本集输入到卷积网络进行训练，最终得到皮肤分割模型；
303)分割概率图B获取步骤：将原始图像S输入皮肤分割模型进行预测，得到概率图B。
4.根据权利要求3所述的一种基于卷积神经网络的无参智能磨皮方法，其特征在于，对概率图B进行图像二值化处理，判断概率值大于0.5则填充白色，否则填充黑色。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010296043.4A CN111507917B (zh) | 2020-04-15 | 2020-04-15 | 一种基于卷积神经网络的无参智能磨皮方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010296043.4A CN111507917B (zh) | 2020-04-15 | 2020-04-15 | 一种基于卷积神经网络的无参智能磨皮方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111507917A CN111507917A (zh) | 2020-08-07 |
| CN111507917B true CN111507917B (zh) | 2022-11-01 |
Family
ID=71876060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010296043.4A Active CN111507917B (zh) | 2020-04-15 | 2020-04-15 | 一种基于卷积神经网络的无参智能磨皮方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507917B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229278A (zh) * | 2017-04-14 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸图像处理方法、装置和电子设备 |
| CN108932699A (zh) * | 2018-04-24 | 2018-12-04 | 南京信息工程大学 | 基于变换域的三维匹配调和滤波图像去噪方法 |
| CN110706179A (zh) * | 2019-09-30 | 2020-01-17 | 维沃移动通信有限公司 | 一种图像处理方法及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI453680B (zh) * | 2010-10-08 | 2014-09-21 | Micro Star Int Co Ltd | 可抑制雜訊及環境影響之臉部辨識方法 |
-
2020
- 2020-04-15 CN CN202010296043.4A patent/CN111507917B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229278A (zh) * | 2017-04-14 | 2018-06-29 | 深圳市商汤科技有限公司 | 人脸图像处理方法、装置和电子设备 |
| CN108932699A (zh) * | 2018-04-24 | 2018-12-04 | 南京信息工程大学 | 基于变换域的三维匹配调和滤波图像去噪方法 |
| CN110706179A (zh) * | 2019-09-30 | 2020-01-17 | 维沃移动通信有限公司 | 一种图像处理方法及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 《采用多重特征蒙板的人像皮肤美化技术》;鲁晓卉 等；;《浙江大学学报（工学版）》;20171231;第2300-2309页； * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111507917A (zh) | 2020-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | An experiment-based review of low-light image enhancement methods | |
| Zhang et al. | Residual non-local attention networks for image restoration | |
| CN110781895B (zh) | 一种基于卷积神经网络的图像语义分割方法 | |
| CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
| CN108986132B (zh) | 一种使用全卷积神经网络生成证件照Trimap图的方法 | |
| CN112734650B (zh) | 一种基于虚拟多曝光融合的不均匀光照图像增强方法 | |
| CN106485668A (zh) | 用于过曝修正的方法、系统和装置 | |
| CN108694705A (zh) | 一种多帧图像配准与融合去噪的方法 | |
| US7768529B2 (en) | Method and system for image editing | |
| CN110610526B (zh) | 一种基于wnet对单目人像进行分割和景深渲染的方法 | |
| CN111445384B (zh) | 一种通用人像照片漫画风格化方法 | |
| CN111626918A (zh) | 一种基于语义分割网络技术对数字图像进行风格变化的方法及系统 | |
| CN116797488A (zh) | 一种基于特征融合与注意力嵌入的低照度图像增强方法 | |
| Yuan et al. | High quality image reconstruction from RAW and JPEG image pair | |
| CN114862698A (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
| CN116681636A (zh) | 基于卷积神经网络的轻量化红外与可见光图像融合方法 | |
| Lv et al. | Low-light image enhancement via deep Retinex decomposition and bilateral learning | |
| Meng et al. | Gia-net: Global information aware network for low-light imaging | |
| KR20110108934A (ko) | 참조 이미지를 이용한 카툰 렌더링 장치 및 방법 | |
| CN112927160B (zh) | 一种基于深度Retinex的单张低光图像增强方法 | |
| CN112561782B (zh) | 一种提高海上场景仿真图片真实度的方法 | |
| CN112070686B (zh) | 一种基于深度学习的逆光图像协同增强方法 | |
| CN111507917B (zh) | 一种基于卷积神经网络的无参智能磨皮方法 | |
| US20220398704A1 (en) | Intelligent Portrait Photography Enhancement System | |
| CN112991236B (zh) | 一种基于模板的图像增强方法及装置 |
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: 22nd floor, block a, Huaxing Times Square, 478 Wensan Road, Xihu District, Hangzhou, Zhejiang 310000 Applicant after: Hangzhou Xiaoying Innovation Technology Co.,Ltd. Address before: 310000 16 / F, HANGGANG metallurgical technology building, 294 Tianmushan Road, Xihu District, Hangzhou City, Zhejiang Province Applicant before: Hangzhou Xiaoying Innovation Technology Co.,Ltd. Address after: 310000 16 / F, HANGGANG metallurgical technology building, 294 Tianmushan Road, Xihu District, Hangzhou City, Zhejiang Province Applicant after: Hangzhou Xiaoying Innovation Technology Co.,Ltd. Address before: 16 / F, HANGGANG Metallurgical Science and technology building, 294 Tianmushan Road, Xihu District, Hangzhou City, Zhejiang Province, 310012 Applicant before: HANGZHOU QUWEI SCIENCE & TECHNOLOGY Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |