CN111862054A - 一种铆钉轮廓点云提取方法 - Google Patents

一种铆钉轮廓点云提取方法 Download PDF

Info

Publication number
CN111862054A
CN111862054A CN202010714861.1A CN202010714861A CN111862054A CN 111862054 A CN111862054 A CN 111862054A CN 202010714861 A CN202010714861 A CN 202010714861A CN 111862054 A CN111862054 A CN 111862054A
Authority
CN
China
Prior art keywords
point cloud
density
rivet
point
saliency
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
CN202010714861.1A
Other languages
English (en)
Other versions
CN111862054B (zh
Inventor
汪俊
谢乾
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.)
Nanjing Yuntong Technology Co ltd
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202010714861.1A priority Critical patent/CN111862054B/zh
Publication of CN111862054A publication Critical patent/CN111862054A/zh
Application granted granted Critical
Publication of CN111862054B publication Critical patent/CN111862054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种铆钉轮廓点云提取方法，包括以下步骤：采集飞机蒙皮表面的三维扫描点云，得到三维点云邻域信息；根据三维点云邻域信息，计算得到每个点云的初始局部密度；根据初始局部密度计算得到自适应增强后的点云密度，并根据自适应增强后的点云密度定义圆模型的显著度衡量方法；根据圆模型的显著度衡量方法通过RANSAC算法进行铆钉轮廓点云的自动提取。本发明能够快速精确地获取铆钉的三维信息，基于提取的铆钉轮廓点云三维信息，可对铆钉齐平度及铆接质量做出精确检测，极大地提高了铆钉检测的速度与可靠性。

Description

一种铆钉轮廓点云提取方法
技术领域
本发明属于飞机铆钉检测技术领域，具体涉及一种铆钉轮廓点云提取方法。
背景技术
在飞机制造过程中，由于铆钉具有不易脱落，且拆装方便等特性，被广泛应用于飞机装配连接中。其中，大部分铆钉被用于飞机蒙皮表面与内部框架结构间的连接处。在飞机转配的铆接过程及飞机飞行过程中，铆钉结构的链接部位会发生变形，影响飞机外形表面质量。因此蒙皮表面铆钉的铆接质量对装配准确度和飞机气动外形具有至关重要的作用。
铆接质量的检测，一直以来都是一个难题。铆钉齐平度作为一个衡量铆接质量的重要指标，在铆接质量检测中被大量采用，而要检测铆钉齐平度，首先要得到铆钉轮廓信息，现有技术中对铆接轮廓的检测，飞机制造业领域仍大量采用人工检测的方法，检测效率低，且由于铆接轮廓变化微小，肉眼很难发现铆钉变形。因此人工检测方法难以适应现代飞机装配的发展需求。
发明内容
本发明针对现有技术中的不足，提供一种铆钉轮廓点云提取方法，能够快速精确地获取铆钉的三维信息。
为实现上述目的，本发明采用以下技术方案：
一种铆钉轮廓点云提取方法，包括以下步骤：
采集飞机蒙皮表面的三维扫描点云，得到三维点云邻域信息；
根据三维点云邻域信息，计算得到每个点云的初始局部密度；
根据初始局部密度计算得到自适应增强后的点云密度，并根据自适应增强后的点云密度定义圆模型的显著度衡量方法；
根据圆模型的显著度衡量方法通过RANSAC算法进行铆钉轮廓点云的自动提取。
为优化上述技术方案，采取的具体措施还包括：
进一步地，上述根据三维点云邻域信息，计算得到每个点云的初始局部密度包括以下步骤：
遍历整个点云P中的每个点，对遍历到的当前点pi，根据预设的半径r，以当前点为球心，r为半径，在三维空间中得到一个球体，将所有包含在球体中的点集，作为当前点的邻域点云Nr(pi)；
针对点云中任意一点，统计该点邻域中的点的个数；
根据以下公式，算出当前点的密度d(pi)；
d(pi)＝num(Nr(pi))
进一步地，上述根据初始局部密度计算得到自适应增强后的点云密度包括以下步骤：
计算各点密度的局部平均值，即邻域Nr(pi)内的每个点密度的平均值，计算公式如下：
Figure BDA0002597789800000021
计算各点密度的局部方差
Figure BDA0002597789800000022
计算公式如下：
Figure BDA0002597789800000023
设定放大系数C，根据局部平均值和局部方差计算新的局部密度，计算公式如下：
Figure BDA0002597789800000024
其中，pj为当前点的邻域点云中的点，i和j均为1至n的自然数，n为点云P中点的总个数。
进一步地，上述根据自适应增强后的点云密度定义圆模型的显著度衡量方法包括以下步骤：
基于预设的圆模式，根据预设带宽x，生成三个圆环带状区域，其中，最外层圆环带状区域为外环区域R1，中间层圆环带状区域为圆环区域R2，最里层圆环带状区域为内环区域R3；
遍历三个圆环带状区域，根据每个圆环带状区域的所有点的密度，计算每个圆环带状区域内的平均密度值，得到外环区域密度d1,圆环区域密度d2,内环区域密度d3；
定义基于密度差异的圆模型显著度S为：
Figure BDA0002597789800000031
进一步地，上述根据圆模型的显著度衡量方法通过RANSAC算法进行铆钉轮廓点云的自动提取包括以下步骤：
步骤一：在三维扫描点云中随机选取3个点，确定一个圆模型；
步骤二：计算步骤一所述的圆模型的显著度；
步骤三：重复n次步骤一至步骤二，得到n个圆模型对应的显著度，其中，n为点云总个数；
步骤四：在n个圆模型中，取显著度最高的圆模型，作为检测得到的铆钉轮廓点云。
本发明的有益效果是：
本发明提供的一种铆钉轮廓点云提取方法，能够快速精确地获取铆钉的三维信息，基于提取的铆钉轮廓点云三维信息，可对铆钉齐平度及铆接质量做出精确检测，极大地提高了铆钉检测的速度与可靠性。
附图说明
图1为本发明的方法流程示意图。
图2为本发明的圆模型区域分割示意图。
具体实施方式
现在结合附图1-2对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
如图1所示，在本发明的其中一个实施方式中，一种铆钉轮廓点云提取方法，包括以下步骤：
采集飞机蒙皮表面的三维扫描点云，得到三维点云邻域信息；
根据三维点云邻域信息，计算得到每个点云的初始局部密度；
根据初始局部密度计算得到自适应增强后的点云密度，并根据自适应增强后的点云密度定义圆模型的显著度衡量方法；
根据圆模型的显著度衡量方法通过RANSAC算法进行铆钉轮廓点云的自动提取。
在本实施方式中，首先得到飞机蒙皮表面的三维扫描点云，根据三维点云邻域信息，计算每个点云的局部密度；然后根据初始计算的点云局部密度，进一步计算，得到自适应增强后的新点云密度；再根据第二步得到的点云密度，定义圆模型的显著度衡量方法；最后根据设计的模型显著度衡量方法，应用RANSAC进行铆钉轮廓点云的自动提取。三维点云扫描技术的出现，可以快速获取蒙皮表面及铆钉结构的三维点云信息，然后通过本实施例中的上述步骤，可以快速精确地获取铆钉的三维轮廓信息，基于提取的铆钉轮廓点云三维信息，可对铆钉齐平度及铆接质量做出精确检测，极大地提供铆钉检测的速度与可靠性。
如图1所示，在本发明的其中一个实施方式中，根据三维点云邻域信息，计算得到每个点云的初始局部密度包括以下步骤：
遍历整个点云P中的每个点，对遍历到的当前点pi，根据预设的半径r，以当前点为球心，r为半径，在三维空间中得到一个球体，将所有包含在球体中的点集，作为当前点的邻域点云Nr(pi)；
针对点云中任意一点，统计该点邻域中的点的个数；
根据以下公式，算出当前点的密度d(pi)；
d(pi)＝num(Nr(pi))
如图1所示，在本发明的其中一个实施方式中，根据初始局部密度计算得到自适应增强后的点云密度包括以下步骤：
计算各点密度的局部平均值，即邻域Nr(pi)内的每个点密度的平均值，计算公式如下：
Figure BDA0002597789800000041
计算各点密度的局部方差
Figure BDA0002597789800000042
计算公式如下：
Figure BDA0002597789800000043
设定放大系数C，根据局部平均值和局部方差计算新的局部密度，计算公式如下：
Figure BDA0002597789800000051
其中，pj为当前点的邻域点云中的点，i和j均为1至n的自然数，n为点云P中点的总个数。
如图1和图2所示，在本发明的其中一个实施方式中，根据自适应增强后的点云密度定义圆模型的显著度衡量方法包括以下步骤：
基于预设的圆模式，根据预设带宽x，生成三个圆环带状区域，其中，最外层圆环带状区域为外环区域R1，中间层圆环带状区域为圆环区域R2，最里层圆环带状区域为内环区域R3；
遍历三个圆环带状区域，根据每个圆环带状区域的所有点的密度，计算每个圆环带状区域内的平均密度值，得到外环区域密度d1,圆环区域密度d2,内环区域密度d3；
定义基于密度差异的圆模型显著度S为：
Figure BDA0002597789800000052
如图1所示，在本发明的其中一个实施方式中，根据圆模型的显著度衡量方法通过RANSAC算法进行铆钉轮廓点云的自动提取包括以下步骤：
步骤一：在三维扫描点云中随机选取3个点，确定一个圆模型；
步骤二：计算步骤一所述的圆模型的显著度；
步骤三：重复n次步骤一至步骤二，得到n个圆模型对应的显著度，其中，n为点云总个数；
步骤四：在n个圆模型中，取显著度最高的圆模型，作为检测得到的铆钉轮廓点云。
本发明的有益效果是：
本发明提供的一种铆钉轮廓点云提取方法，能够快速精确地获取铆钉的三维信息，基于提取的铆钉轮廓点云三维信息，可对铆钉齐平度及铆接质量做出精确检测，极大地提高了铆钉检测的速度与可靠性，步骤简单，便于操作，并能针对大规模的飞机蒙皮表面扫描点云进行快速的铆钉轮廓提取识别，从而有助于推进飞机制造与装配过程中的质量检测与制造控制，因此适合在航空检测领域推广运用。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (5)

1.一种铆钉轮廓点云提取方法，其特征在于，包括以下步骤：
采集飞机蒙皮表面的三维扫描点云，得到三维点云邻域信息；
根据三维点云邻域信息，计算得到每个点云的初始局部密度；
根据初始局部密度计算得到自适应增强后的点云密度，并根据自适应增强后的点云密度定义圆模型的显著度衡量方法；
根据圆模型的显著度衡量方法通过RANSAC算法进行铆钉轮廓点云的自动提取。
2.根据权利要求1所述的铆钉轮廓点云提取方法，其特征在于，所述根据三维点云邻域信息，计算得到每个点云的初始局部密度包括以下步骤：
遍历整个点云P中的每个点，对遍历到的当前点pi，根据预设的半径r，以当前点为球心，r为半径，在三维空间中得到一个球体，将所有包含在球体中的点集，作为当前点的邻域点云Nr(pi)；
针对点云中任意一点，统计该点邻域中的点的个数；
根据以下公式，算出当前点的密度d(pi)；
d(pi)＝num(Nr(pi))
3.根据权利要求2所述的铆钉轮廓点云提取方法，其特征在于，所述根据初始局部密度计算得到自适应增强后的点云密度包括以下步骤：
计算各点密度的局部平均值，即邻域Nr(pi)内的每个点密度的平均值，计算公式如下：
Figure FDA0002597789790000011
计算各点密度的局部方差
Figure FDA0002597789790000012
计算公式如下：
Figure FDA0002597789790000013
设定放大系数C，根据局部平均值和局部方差计算新的局部密度，计算公式如下：
Figure FDA0002597789790000014
其中，pj为当前点的邻域点云中的点，i和j均为1至n的自然数，n为点云P中点的总个数。
4.根据权利要求1或3所述的铆钉轮廓点云提取方法，其特征在于，所述根据自适应增强后的点云密度定义圆模型的显著度衡量方法包括以下步骤：
基于预设的圆模式，根据预设带宽x，生成三个圆环带状区域，其中，最外层圆环带状区域为外环区域R1，中间层圆环带状区域为圆环区域R2，最里层圆环带状区域为内环区域R3；
遍历三个圆环带状区域，根据每个圆环带状区域的所有点的密度，计算每个圆环带状区域内的平均密度值，得到外环区域密度d1,圆环区域密度d2,内环区域密度d3；
定义基于密度差异的圆模型显著度S为：
Figure FDA0002597789790000021
5.根据权利要求4所述的铆钉轮廓点云提取方法，其特征在于，所述根据圆模型的显著度衡量方法通过RANSAC算法进行铆钉轮廓点云的自动提取包括以下步骤：
步骤一：在三维扫描点云中随机选取3个点，确定一个圆模型；
步骤二：计算步骤一所述的圆模型的显著度；
步骤三：重复n次步骤一至步骤二，得到n个圆模型对应的显著度，其中，n为点云中点的总个数；
步骤四：在n个圆模型中，取显著度最高的圆模型，作为检测得到的铆钉轮廓点云。
CN202010714861.1A 2020-07-23 2020-07-23 一种铆钉轮廓点云提取方法 Active CN111862054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010714861.1A CN111862054B (zh) 2020-07-23 2020-07-23 一种铆钉轮廓点云提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010714861.1A CN111862054B (zh) 2020-07-23 2020-07-23 一种铆钉轮廓点云提取方法

Publications (2)

Publication Number Publication Date
CN111862054A true CN111862054A (zh) 2020-10-30
CN111862054B CN111862054B (zh) 2021-09-28

Family

ID=72950401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010714861.1A Active CN111862054B (zh) 2020-07-23 2020-07-23 一种铆钉轮廓点云提取方法

Country Status (1)

Country Link
CN (1) CN111862054B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129445A (zh) * 2020-11-30 2021-07-16 南京航空航天大学 一种基于多层次拟合的大规模三维铆钉凹凸量可视化方法
CN113405491A (zh) * 2021-05-19 2021-09-17 中航西安飞机工业集团股份有限公司 一种基于三维扫描的装配钉头平齐度检测方法
CN113865508A (zh) * 2021-09-28 2021-12-31 南京航空航天大学 一种蜂窝夹芯复合材料声衬的通孔率自动化检测装置与方法
CN114626470A (zh) * 2022-03-18 2022-06-14 南京航空航天大学深圳研究院 基于多类型几何特征算子的飞机蒙皮关键特征检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354829A (zh) * 2015-10-08 2016-02-24 西北农林科技大学 一种自适应的点云数据分割方法
CN110929758A (zh) * 2019-10-24 2020-03-27 河海大学 一种面向复杂数据的快速搜索和寻找密度峰值的聚类算法
CN111027484A (zh) * 2019-12-11 2020-04-17 中南大学 基于三维成像的隧道钢拱识别方法
CN111028220A (zh) * 2019-12-11 2020-04-17 南京航空航天大学 一种点云铆钉齐平度自动检测方法
CN111062960A (zh) * 2019-12-11 2020-04-24 南京航空航天大学 基于散乱点云的飞机蒙皮对缝特征线提取方法
CN111079611A (zh) * 2019-12-09 2020-04-28 成都奥伦达科技有限公司 一种道路面及其标志线的自动提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354829A (zh) * 2015-10-08 2016-02-24 西北农林科技大学 一种自适应的点云数据分割方法
CN110929758A (zh) * 2019-10-24 2020-03-27 河海大学 一种面向复杂数据的快速搜索和寻找密度峰值的聚类算法
CN111079611A (zh) * 2019-12-09 2020-04-28 成都奥伦达科技有限公司 一种道路面及其标志线的自动提取方法
CN111027484A (zh) * 2019-12-11 2020-04-17 中南大学 基于三维成像的隧道钢拱识别方法
CN111028220A (zh) * 2019-12-11 2020-04-17 南京航空航天大学 一种点云铆钉齐平度自动检测方法
CN111062960A (zh) * 2019-12-11 2020-04-24 南京航空航天大学 基于散乱点云的飞机蒙皮对缝特征线提取方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KAIQI LIU ET.AL.: ""Dynamic Vehicle Detection With Sparse Point Clouds Based on PE-CPD"", 《IEEE TRANSACTIONSON INTELLIGENT TRANSPORTATION SYSTEMS》 *
李永强等: ""车载LiDAR点云数据中杆状地物自动提取与分类"", 《测绘学报》 *
汪俊等: ""飞机大尺寸自动化柔性测量技术研究进展"", 《南京航空航天大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129445A (zh) * 2020-11-30 2021-07-16 南京航空航天大学 一种基于多层次拟合的大规模三维铆钉凹凸量可视化方法
CN113405491A (zh) * 2021-05-19 2021-09-17 中航西安飞机工业集团股份有限公司 一种基于三维扫描的装配钉头平齐度检测方法
CN113865508A (zh) * 2021-09-28 2021-12-31 南京航空航天大学 一种蜂窝夹芯复合材料声衬的通孔率自动化检测装置与方法
CN114626470A (zh) * 2022-03-18 2022-06-14 南京航空航天大学深圳研究院 基于多类型几何特征算子的飞机蒙皮关键特征检测方法
CN114626470B (zh) * 2022-03-18 2024-02-02 南京航空航天大学深圳研究院 基于多类型几何特征算子的飞机蒙皮关键特征检测方法

Also Published As

Publication number Publication date
CN111862054B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN111862054A (zh) 一种铆钉轮廓点云提取方法
CN111028220B (zh) 一种点云铆钉齐平度自动检测方法
CN109934811B (zh) 一种基于深度学习的光学元件表面缺陷检测方法
CN104697462B (zh) 一种基于中轴线的航空叶片型面特征参数提取方法
CN107292310B (zh) 一种圆形指针式表盘视觉定位及自动读数方法
CN106407502B (zh) 一种基于最佳匹配的叶片截面型线轮廓参数评价方法
CN111400667A (zh) 一种基于变公差带约束的航空叶片型面检测方法和系统
CN102735204B (zh) 一种基于弦线的航空薄壁叶片加工扭曲度误差测量方法
CN112053361A (zh) 一种基于大规模点云的飞机蒙皮对缝检测方法
CN111028221B (zh) 基于直线特征检测的飞机蒙皮对缝测量方法
CN111815611A (zh) 一种面向铆钉孔测量点云数据的圆孔特征提取方法
CN107622277A (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN115330731A (zh) 一种航空发动机扇形段叶片缺陷检测识别方法
CN111539070A (zh) 基于实测数据的翼身对接间隙分布控制方法
CN105184792B (zh) 一种圆锯片磨损量在线测量方法
CN103292760A (zh) 一种薄壁叶片误差分析方法
CN111540001A (zh) 航空发动机涡轮叶片气膜孔轴线方向检测方法
CN110232697A (zh) 一种光斑边缘拟合方法
CN111739011A (zh) 一种电线杆倾斜检测方法及装置
CN104111109B (zh) 一种基于不同阶次统计量及支持向量机的机械振动状态识别方法
CN112817955B (zh) 基于回归模型的数据清洗方法
Zhao et al. The edge detection of river model based on self-adaptive Canny Algorithm and connected domain segmentation
CN114882083B (zh) 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置
CN110751687A (zh) 一种基于计算机视觉最小最大圆的苹果大小分级方法
CN116777831A (zh) 一种叶片前后缘粗糙度评价方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220420

Address after: 211106 room 1003-1005, No. 1698, Shuanglong Avenue, Jiangning District, Nanjing, Jiangsu Province (Jiangning Development Zone)

Patentee after: Nanjing Yuntong Technology Co.,Ltd.

Address before: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu

Patentee before: Nanjing University of Aeronautics and Astronautics

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method for Extracting Rivet Contour Point Cloud

Effective date of registration: 20231010

Granted publication date: 20210928

Pledgee: Bank of Nanjing Co.,Ltd. Jiangning sub branch

Pledgor: Nanjing Yuntong Technology Co.,Ltd.

Registration number: Y2023980060601

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20210928

Pledgee: Bank of Nanjing Co.,Ltd. Jiangning sub branch

Pledgor: Nanjing Yuntong Technology Co.,Ltd.

Registration number: Y2023980060601