CN111950357A - 一种基于多特征yolov3的船用水面垃圾快速识别方法 - Google Patents
一种基于多特征yolov3的船用水面垃圾快速识别方法 Download PDFInfo
- Publication number
- CN111950357A CN111950357A CN202010621539.4A CN202010621539A CN111950357A CN 111950357 A CN111950357 A CN 111950357A CN 202010621539 A CN202010621539 A CN 202010621539A CN 111950357 A CN111950357 A CN 111950357A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- garbage
- yolov3
- tiny
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000003416 augmentation Effects 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 230000003190 augmentative effect Effects 0.000 claims description 7
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013434 data augmentation Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多特征YOLOV3的船用水面垃圾快速识别方法，通过下述方式实现：S1、利用船载摄像装置拍摄图像，对图像进行直方图均衡化预处理，构建图像特征描述子图；S2、构建基于YOLOV3‑tiny目标检测方法的目标识别模型；S3、利用目标识别模型识别S1处理后的图像特征描述子图中存在的目标；S4、根据检测到的目标坐标判断垃圾与船的距离，当距离小于设定的阈值时，进行垃圾收集；S5、对从陆基采集的未被识别的图像进行图像增广处理以及模型训练，得到新的目标识别模型，返回S3重新执行，直至构建的目标识别模型的准确率满足要求。
Description
技术领域
本发明涉及计算机视觉、图像处理、深度学习、人工智能领域。具体涉及一种基于多特征YOLOV3的船用垃圾快速识别方法。
背景技术
智能化垃圾采集是一项包含图像处理、人工智能和自动控制等多个技术的新领域。环保设备的智能化与我们的生活息息相关，随着经济的发展，水面污染越加严重。
关于水面垃圾快速识别方法的研究越来越多。目前，水面垃圾检测算法多基于混合高斯模型和双背景模型的改进方法，在水面复杂场景下，容易受到光照和噪声的影响。存在目标虚警率高、物体定位不准确等问题。同时，上述方法的调参过程复杂，很难满足水面垃圾快速识别的要求。如何提升系统在水面复杂环境下对垃圾检测的准确性和实时性，成为下一步研究的热点问题。
发明内容
本发明解决的技术问题是：本发明提出了一种基于多特征YOLOV3-tiny的垃圾快速识别方法，实现垃圾清理的智能化与自动化。
本发明解决技术的方案是：一种基于多特征YOLOV3的船用水面垃圾快速识别方法，通过下述方式实现：
S1、利用船载摄像装置拍摄图像，对图像进行直方图均衡化预处理，构建图像特征描述子图；
S2、构建基于YOLOV3-tiny目标检测方法的目标识别模型；
S3、利用目标识别模型识别S1处理后的图像特征描述子图中存在的目标；
S4、根据检测到的目标坐标判断垃圾与船的距离，当距离小于设定的阈值时，进行垃圾收集；
S5、对从陆基采集的未被识别的图像进行图像增广处理以及模型训练，得到新的目标识别模型，返回S3重新执行，直至构建的目标识别模型的准确率满足要求。
优选的，S1中拍摄图像数量大于1000张。
优选的，所述的图像特征描述子图通过下述方式完成构建：
将拍摄的RGB图像压缩为灰度图像，提取灰度图像的梯度特征和形态学特征，并将灰度图像作为第一波段，梯度特征图像作为第二波段及形态学特征作为第三波段；利用上述三个波段构建图像特征描述子图。
优选的，基于YOLOV3-tiny目标检测方法的目标识别模型为利用YOLOV3-tiny目标检测方法构建的YOLOV3-tiny神经网络，通过下述方式完成所述目标识别模型的构建：
初始化所述神经网络中卷积层预训练参数以及模型权重；
YOLOV3-tiny神经网络对输入的图像通过卷积、池化操作，得到特征图；
将所述特征图中数据进行归一化处理，保证预测数据在0～1之间，并通过预测层识别目标类别和目标位置；
设置置信度阈值并进行极大值抑制处理，将低于所述置信度阈值的预测层框图去除，得到识别的垃圾出现概率和垃圾位置。
优选的，所述的置信度阈值不低于0.7。
优选的，S5中对从陆基采集的未被识别的图像进行人为标注垃圾，之后进行随机旋转角度、水平偏移、竖直偏移、随机缩放和随机水平旋转中至少三种处理，得到增广图像，对增广图像进行特征提取，输入YOLOV3-tiny神经网络进行训练，得到模型权重，进而得到新的目标识别模型。
优选的，S5中的准确率至少达到85％。
S1中拍摄图像的分辨率最优为2048*1080。
本发明与现有技术相比的有益效果是：
本发明采用基于多特征YOLOV3网络的检测算法进行垃圾检测，取代了基于混合高斯模型和双背景模型的改进方法，避免了复杂的算法调参过程，满足系统在水面复杂环境下对垃圾检测的准确性和实时性；
本发明采用基于多特征YOLOV3网络的检测算法进行垃圾检测，图像经过预处理后提供互补信息，有效防止水面光照和图像噪声的影响，并保证对水面物体的持续跟踪；
本发明采用基于多特征YOLOV3网络的检测算法进行垃圾检测，有效分离目标(垃圾)与背景，并且能够精确区分垃圾的种类，解决了传统垃圾识别算法对垃圾分类不准确的问题。系统具备自学习的能力，保证目标库的实时更新。
附图说明
图1是本方法的步骤图；
图2是构建图像特征描述子图流程图；
图3是对检测到的目标进行筛选分类流程图；
图4是垃圾位置判断与垃圾收集步骤图；
具体实施方式
下面结合实施例对本发明作进一步阐述。
如图1，本方法的实现步骤如下：
A.读入图像数据，对图像进行直方图均衡化和特征学习等预处理
图2，利用船载摄像头实时获取1080P的RGB图像压缩为灰度图像，提取灰度图像的梯度特征和形态学特征图，将灰度图像作为第一波段，梯度特征图像作为第二波段及形态学特征作为第三波段，利用处理后图像构建图像特征描述子图，并将其为分辨率转化为416*416。
B.建立目标识别模型，实时检测水面垃圾
图3，首先对YOLOV3-tiny算法进行参数初始化，读取配置文件，加载模型权重。将A步骤中图像特征描述子图输入YOLOV3-tiny神经网络进行处理。YOLOV3-tiny神经网络包括卷积层，卷积层中卷积核大小不同，导致每个卷积层输出的值不同，对特征处理后的图像进行卷积和均值池化处理，最终输出大小为13*13的卷积特征图，获得归一化的特征数据(数据范围为0～1)，保证算法处理结果的稳定性，为后续预测层操作提供数据支持。
通过anchor boxes预测目标类别和相应的坐标。大小为13*13的卷积特征图中每一个cell预测5个框，每一个框包含目标坐标(x,y,w,h)和目标概率Confidence，每个框对应N个垃圾类别，通过框中信息判别垃圾位置和垃圾类别。
根据预测层输出的目标坐标和目标概率等信息，得到包含垃圾物体的框图，通过设置置信度阈值并进行极大值抑制处理，将低于阈值的框图去除，得到较为准确的垃圾出现概率和垃圾位置。区分水面与水面上物体，将检测到的水面目标分为目标类(树干、易拉罐、塑料瓶和塑料袋等)和背景类，持续跟踪；
C.对检测到的垃圾进行距离测算，如果垃圾与船距离小于阈值，开启垃圾搜集设备
图4，通过YOLOV3-tiny获得目标的位置和类别，设定阈值，当目标(垃圾)进入指定范围，开启垃圾收集装置。
D.搜集岸基监控系统采集图像中未被识别的图像，进行数据增广与模型训练
搜集岸基监控系统采集图像中的未被识别的垃圾图像，对图像中的垃圾进行手动标注，对垃圾进行数据增广，即对图像进行随机旋转角度、水平偏移、竖直偏移、随机缩放和随机水平旋转，并对增广后的图像进行特征提取，输入神经网络进行训练YOLOV3-tiny，得到步骤S20的模型权重，即能够得到新的目标识别模型，利用新的目标识别模型实时对A中处理图像进行垃圾识别，重复上述过程，直至目标识别模型的准确率(一般不低于85％)满足要求。
本发明未详细说明部分属于本领域技术人员的公知常识。
Claims (8)
1.一种基于多特征YOLOV3的船用水面垃圾快速识别方法，其特征在于通过下述方式实现：
S1、利用船载摄像装置拍摄图像，对图像进行直方图均衡化预处理，构建图像特征描述子图；
S2、构建基于YOLOV3-tiny目标检测方法的目标识别模型；
S3、利用目标识别模型识别S1处理后的图像特征描述子图中存在的目标；
S4、根据检测到的目标坐标判断垃圾与船的距离，当距离小于设定的阈值时，进行垃圾收集；
S5、对从陆基采集的未被识别的图像进行图像增广处理以及模型训练，得到新的目标识别模型，返回S3重新执行，直至构建的目标识别模型的准确率满足要求。
2.根据权利要求1所述的方法，其特征在于：S1中拍摄图像数量大于1000张。
3.根据权利要求1所述的方法，其特征在于：所述的图像特征描述子图通过下述方式完成构建：
将拍摄的RGB图像压缩为灰度图像，提取灰度图像的梯度特征和形态学特征，并将灰度图像作为第一波段，梯度特征图像作为第二波段及形态学特征作为第三波段；利用上述三个波段构建图像特征描述子图。
4.根据权利要求1所述的方法，其特征在于：基于YOLOV3-tiny目标检测方法的目标识别模型为利用YOLOV3-tiny目标检测方法构建的YOLOV3-tiny神经网络，通过下述方式完成所述目标识别模型的构建：
初始化所述神经网络中卷积层预训练参数以及模型权重；
YOLOV3-tiny神经网络对输入的图像通过卷积、池化操作，得到特征图；
将所述特征图中数据进行归一化处理，保证预测数据在0～1之间，并通过预测层识别目标类别和目标位置；
设置置信度阈值并进行极大值抑制处理，将低于所述置信度阈值的预测层框图去除，得到识别的垃圾出现概率和垃圾位置。
5.根据权利要求4所述的方法，其特征在于：所述的置信度阈值不低于0.7。
6.根据权利要求4所述的方法，其特征在于：S5中对从陆基采集的未被识别的图像进行人为标注垃圾，之后进行随机旋转角度、水平偏移、竖直偏移、随机缩放和随机水平旋转中至少三种处理，得到增广图像，对增广图像进行特征提取，输入YOLOV3-tiny神经网络进行训练，得到模型权重，进而得到新的目标识别模型。
7.根据权利要求1所述的方法，其特征在于：S5中的准确率至少达到85％。
8.根据权利要求1所述的方法，其特征在于：S1中拍摄图像的分辨率最优为2048*1080。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010621539.4A CN111950357A (zh) | 2020-06-30 | 2020-06-30 | 一种基于多特征yolov3的船用水面垃圾快速识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010621539.4A CN111950357A (zh) | 2020-06-30 | 2020-06-30 | 一种基于多特征yolov3的船用水面垃圾快速识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111950357A true CN111950357A (zh) | 2020-11-17 |
Family
ID=73337830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010621539.4A Pending CN111950357A (zh) | 2020-06-30 | 2020-06-30 | 一种基于多特征yolov3的船用水面垃圾快速识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950357A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139497A (zh) * | 2021-05-08 | 2021-07-20 | 广东工业大学 | 一种水面物体识别的系统、方法及基于5g mec的应用 |
| CN113469090A (zh) * | 2021-07-09 | 2021-10-01 | 王晓东 | 水质污染预警方法、装置及存储介质 |
| CN113705505A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709964A (zh) * | 2016-12-06 | 2017-05-24 | 河南工业大学 | 基于梯度修正和多向纹理提取的素描画生成方法及装置 |
| CN106981069A (zh) * | 2017-03-31 | 2017-07-25 | 卢涵宇 | 一种高分辨率影像灾害对象快速分割方法 |
| CN108764154A (zh) * | 2018-05-30 | 2018-11-06 | 重庆邮电大学 | 一种基于多特征机器学习的水面垃圾识别方法 |
| CN109255044A (zh) * | 2018-08-31 | 2019-01-22 | 江苏大学 | 一种基于YOLOv3深度学习网络的图像智能标注方法 |
| CN110348303A (zh) * | 2019-06-06 | 2019-10-18 | 武汉理工大学 | 一种可搭载于无人艇的辅助水面巡逻系统以及水面监测方法 |
| CN110796186A (zh) * | 2019-10-22 | 2020-02-14 | 华中科技大学无锡研究院 | 基于改进的YOLOv3网络的干湿垃圾识别分类方法 |
| CN110956137A (zh) * | 2019-12-02 | 2020-04-03 | 深圳市镭神智能系统有限公司 | 点云数据的目标检测方法、系统及介质 |
| AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
-
2020
- 2020-06-30 CN CN202010621539.4A patent/CN111950357A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709964A (zh) * | 2016-12-06 | 2017-05-24 | 河南工业大学 | 基于梯度修正和多向纹理提取的素描画生成方法及装置 |
| CN106981069A (zh) * | 2017-03-31 | 2017-07-25 | 卢涵宇 | 一种高分辨率影像灾害对象快速分割方法 |
| CN108764154A (zh) * | 2018-05-30 | 2018-11-06 | 重庆邮电大学 | 一种基于多特征机器学习的水面垃圾识别方法 |
| CN109255044A (zh) * | 2018-08-31 | 2019-01-22 | 江苏大学 | 一种基于YOLOv3深度学习网络的图像智能标注方法 |
| CN110348303A (zh) * | 2019-06-06 | 2019-10-18 | 武汉理工大学 | 一种可搭载于无人艇的辅助水面巡逻系统以及水面监测方法 |
| CN110796186A (zh) * | 2019-10-22 | 2020-02-14 | 华中科技大学无锡研究院 | 基于改进的YOLOv3网络的干湿垃圾识别分类方法 |
| CN110956137A (zh) * | 2019-12-02 | 2020-04-03 | 深圳市镭神智能系统有限公司 | 点云数据的目标检测方法、系统及介质 |
| AU2020100705A4 (en) * | 2020-05-05 | 2020-06-18 | Chang, Jiaying Miss | A helmet detection method with lightweight backbone based on yolov3 network |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139497A (zh) * | 2021-05-08 | 2021-07-20 | 广东工业大学 | 一种水面物体识别的系统、方法及基于5g mec的应用 |
| CN113469090A (zh) * | 2021-07-09 | 2021-10-01 | 王晓东 | 水质污染预警方法、装置及存储介质 |
| CN113469090B (zh) * | 2021-07-09 | 2023-07-14 | 王晓东 | 水质污染预警方法、装置及存储介质 |
| CN113705505A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
| CN113705505B (zh) * | 2021-09-02 | 2024-05-17 | 浙江索思科技有限公司 | 一种面向海洋渔业的船舶目标检测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766830B (zh) | 一种基于人工智能图像处理的舰船目标识别系统及方法 | |
| CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
| CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
| CN111950357A (zh) | 一种基于多特征yolov3的船用水面垃圾快速识别方法 | |
| CN108806334A (zh) | 一种基于图像的智能船舶身份识别方法 | |
| CN111582126B (zh) | 基于多尺度行人轮廓分割融合的行人重识别方法 | |
| CN110569843B (zh) | 一种矿井目标智能检测与识别方法 | |
| CN111310622A (zh) | 一种面向水下机器人智能作业的鱼群目标识别方法 | |
| CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
| CN112417931B (zh) | 一种基于视觉显著性的水面物体检测和分类的方法 | |
| CN106557740A (zh) | 一种遥感图像中油库目标的识别方法 | |
| CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
| Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
| CN112347805A (zh) | 一种多目标二维码检测识别方法、系统、装置及存储介质 | |
| CN111597875A (zh) | 一种交通标志识别方法、装置、设备及存储介质 | |
| CN115082781A (zh) | 一种舰船图像检测方法、装置以及存储介质 | |
| CN114565824A (zh) | 基于全卷积网络的单阶段旋转舰船检测方法 | |
| CN117475353A (zh) | 基于视频的异常烟雾识别方法及系统 | |
| CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
| CN116797941A (zh) | 一种高分辨率遥感影像的海上溢油风险源快速智能识别分类方法 | |
| CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
| CN114882375A (zh) | 一种尾矿库智能识别方法和装置 | |
| CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 | |
| CN114842353B (zh) | 基于自适应目标方向的神经网络遥感影像目标检测方法 | |
| CN113284135B (zh) | 基于全局与局部上下文信息的sar舰船检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220414 Address after: 266200 aoshanwei sub district office, Jimo District, Qingdao City, Shandong Province Applicant after: Aerospace Times (Qingdao) marine equipment technology development Co.,Ltd. Address before: 142 box 403, box 100854, Beijing, Beijing, Haidian District Applicant before: BEIJIGN INSTITUTE OF AEROSPACE CONTROL DEVICES |