CN112053335B - 一种热轧棒材重叠检测方法、系统及介质 - Google Patents

一种热轧棒材重叠检测方法、系统及介质 Download PDF

Info

Publication number
CN112053335B
CN112053335B CN202010894168.7A CN202010894168A CN112053335B CN 112053335 B CN112053335 B CN 112053335B CN 202010894168 A CN202010894168 A CN 202010894168A CN 112053335 B CN112053335 B CN 112053335B
Authority
CN
China
Prior art keywords
bar
cross
hot rolled
section
image
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
CN202010894168.7A
Other languages
English (en)
Other versions
CN112053335A (zh
Inventor
庞殊杨
袁钰博
李文玲
刘睿
贾鸿盛
王嘉骏
刘斌
毛尚伟
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.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology 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 CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202010894168.7A priority Critical patent/CN112053335B/zh
Publication of CN112053335A publication Critical patent/CN112053335A/zh
Application granted granted Critical
Publication of CN112053335B publication Critical patent/CN112053335B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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]
    • 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
    • G06T2207/30204—Marker
    • 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
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明提出一种热轧棒材重叠检测方法、系统及介质，包括：获取辊道输入方向的截面图像；将所述图像输入棒材重叠检测模型，获取棒材在所述辊道水平面上的位置；判断所述位置是否在预设区域内，若不在，则反馈异常信息；本发明通过深度学习神经网络识别重叠问题，避免人工识别错漏，可有效提高识别的准确性和效率。

Description

一种热轧棒材重叠检测方法、系统及介质
技术领域
本发明涉及智慧冶金领域，尤其涉及一种热轧棒材重叠检测方法、系统及介质。
背景技术
在钢铁产品生产中，热轧棒材是为了方便储存和运输的一种重要产品，并且需要在棒材生产完成后统计棒材的具体数量。由于多条产线需要长时间运行，且设备往复运动、存在人身安全风险，若仅仅依靠人工识别，势必存在漏检、错检的情况，甚至导致热轧棒材检测成本大幅度上升。
发明内容
鉴于以上现有技术存在的问题，本发明提出一种热轧棒材重叠检测方法、系统及介质，主要解决。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
一种热轧棒材重叠检测方法，包括：
获取辊道输入方向的截面图像；
将所述图像输入棒材重叠检测模型，获取棒材在所述辊道水平面上的位置；
判断所述位置是否在预设区域内，若不在，则反馈异常信息。
可选地，设置一个或多个图像采集装置从辊道侧方采集所述截面图像；其中，所述图像采集装置所在的水平面与所述辊道水平面平行。
可选地，获取棒材在所述辊道水平面的位置之前，还包括：
以所述图像中棒材的横截面作为识别目标，根据所述横截面的形状判断所述图像中是否存在棒材，若存在，则获取所述棒材在所述辊道水平面的位置。
可选地，根据所述横截面的直径长度以及所述辊道水平面设置所述预设区域。
可选地，所述横截面为圆形时，单根棒材置于所述辊道上的情况下，所述横截面远离所述辊道水平面的外切面到所述辊道水平面的区域作为第一区域；
统计设定数量的棒材横截面直径，获取直径均值，根据所述均值调整所述第一区域大小，获取所述预设区域。
可选地，单根棒材置于所述辊道上的情况下，设置所述图像采集装置采集图像的几何中心与所述棒材的横截面几何中心共面。
可选地，若所述横截面几何中心位置不在所述预设区域内，则出现重叠异常，反馈异常信息。
可选地，采集对应应用场景下的所述截面图像，对所述截面图像中棒材横截面进行标注，获取标注样本集；
通过所述标注样本集训练神经网络，获取所述棒材重叠检测模型。
可选地，所述神经网络包括R-CNN、SSD-MobileNet、Faster-RCNN、YOLO。
一种热轧棒材重叠检测系统，包括：
图像采集模块，用于获取辊道输入方向的截面图像；
位置获取模块，用于将所述图像输入棒材重叠检测模型，获取棒材在所述辊道水平面上的位置；
异常检测模块，用于判断所述位置是否在预设区域内，若不在，则反馈异常信息。
一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的热轧棒材重叠检测方法。
如上所述，本发明一种热轧棒材重叠检测方法、系统及介质，具有以下有益效果。
通过实时识别画面中的热轧棒材的位置，并在发现热轧棒材数钢前重叠时返回错误信息，提醒工人处理，避免了因重叠而造成的棒材数量统计错误，可有效提高异常识别的效率和准确性。
附图说明
图1为本发明一实施例中热轧棒材重叠检测方法的流程图。
图2为本发明一实施例中热轧棒材重叠检测系统的模块图。
图3为辊道图像示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明提供一种热轧棒材重叠检测方法，包括步骤S01-S03。
在步骤S01中，获取辊道输入方向的截面图像：
在一实施例中，可设置一个或多个图像采集装置从辊道侧方采集截面图像；其中，图像采集装置所在的水平面与辊道水平面平行。
在一实施例中，单根棒材置于辊道上的情况下，设置图像采集装置采集图像的几何中心与棒材的横截面几何中心共面。
具体地，可在精整区输入辊道侧面设置工业相机；工业相机与辊道水平面平行，满足相机镜头、热轧棒材横截面圆形的圆心，二者基本位于同一条直线上，具体相机画面效果如图3所示。
在步骤S02中，将图像输入棒材重叠检测模型，获取棒材在辊道水平面上的位置；
在一实施例中，获取棒材在辊道水平面的位置之前，还包括：
以图像中棒材的横截面作为识别目标，根据横截面的形状判断图像中是否存在棒材，若存在，则获取棒材在辊道水平面的位置。
在一实施例中，可收集一段时间内，对应应用场景下辊道输入方向的截面图像，并对截面图像中进行棒材的横截面进行标注，制作标注样本集；搭建神经网络并利用标注样本集对模型训练，得到棒材重叠检测模型；
具体地，对在特定工业场景下拍摄获得的辊道图像进行图像标注，热轧棒材的横截面为正圆形，可使用图像标注工具的矩形选框标出棒材横截面在图像中的位置、记录下圆形外接矩形框的位置信息，将经过标注的图像用于构建标注样本集，并将其分为三部分：训练集、测试集、验证集，用训练集的数据训练棒材重叠检测模型，用测试集和验证集对模型进行微调，以保证模型的检测精度。
图像标注后训练集可用于训练的有效信息包括图像基础属性与标注信息。图片基础属性有：filename-文件名称，width-宽度，height-高度，depth-图像深度。标注信息包括：xmin,ymin,xmax,ymax，分别代表每一个方坯横截面的矩形框在图像中的左上角横坐标、左上角纵坐标、右下角横坐标与右下角纵坐标；class，即目标物体的类别。
在一实施例中，通过预设的神经网络学习每张方坯训练集样本图像中标注的矩形框内的方坯的特征，最终得到方坯检测模型。其中，神经网络可采用SSD-MobileNet神经网络、R-CNN、Faster-RCNN、YOLO系列等。
调用棒材重叠检测模型，识别输入的实时图像中是否存在热轧棒材，并记录图像中所有棒材位置信息；
进一步的，位置信息包括：
Figure BDA0002657896160000041
该列表中的四个坐标分别对应矩形框的左上、左下、右下、右上点，Bandx minBandy min、分别为左上角点的横、纵坐标；Bandx maxBandy max分别为右下角点的横、纵坐标。根据矩形框对角坐标可计算得到棒材圆心的坐标值。
在步骤S03中，判断位置是否在预设区域内，若不在，则反馈异常信息。
在一实施例中，根据横截面的直径长度以及辊道水平面设置预设区域。
在一实施例中，横截面为圆形时，单根棒材置于辊道上的情况下，横截面远离辊道水平面的外切面到辊道水平面的区域作为第一区域；
统计设定数量的棒材横截面直径，获取直径均值，根据均值调整第一区域大小，获取预设区域。
在一实施例中，若横截面几何中心位置不在预设区域内，则出现重叠异常，反馈异常信息。
具体地，可设置阈值D，将相机视野内运输热轧棒材的输入辊道上方距离辊道水平面的距离在阈值D以下的横截面相关区域设置为算法的感兴趣区域(RegionofInterest,简写为ROI)，即预设区域。
将获取的热轧棒材横截面位置信息与感兴趣区域比较，若满足
ROIy min≤Goley min；ROIy max≤Goley max
其中，Goleymin和Goleymax分别表示棒材横截面圆心纵坐标的最大值和最小值，当图像中存在多个棒材时，同时满足上述两个条件，则这一批次热轧棒材位于感兴趣区域内，则输出热轧棒材数钢前运行正常的状态信息；任一条件不满足则输出热轧棒材数钢前重叠的异常状态信息，并实现报警。
请参阅图2，本实施例提供了一种热轧棒材重叠检测系统，用于执行前述方法实施例中的热轧棒材重叠检测方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，热轧棒材重叠检测系统包括图像采集模块10、位置获取模块11和异常检测模块12；图像采集模块10用于辅助执行前述方法实施例介绍的步骤S01；位置获取模块11用于辅助执行前述方法实施例介绍的步骤S02；异常检测模块12用于辅助执行前述方法实施例介绍的步骤S03。
本申请实施例还提供了一种非易失性可读存储介质，该存储介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中热轧棒材重叠检测方法所包含步骤的指令(instructions)。
综上所述，本发明一种热轧棒材重叠检测方法、系统及介质，基于机器视觉，利用神经网络与深度学习，设计了一套能够检测热轧棒材实时状态的算法。该算法能够实时识别画面中的热轧棒材的位置，并在发现热轧棒材数钢前重叠时返回错误信息，提醒工人处理，避免了因重叠而造成的棒材数量统计错误；通过机器视觉代替人工，避免人工监测的错漏问题，有效提高效率节约人工成本。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种热轧棒材重叠检测方法，其特征在于，包括：
获取辊道输入方向的截面图像；
将所述图像输入棒材重叠检测模型，以所述图像中棒材的横截面作为识别目标，根据所述横截面的形状判断所述图像中是否存在棒材，若存在，则获取所述棒材在所述辊道水平面的位置；
判断所述位置是否在预设区域内，若不在，则反馈异常信息。
2.根据权利要求1所述的热轧棒材重叠检测方法，其特征在于，设置一个或多个图像采集装置从辊道侧方采集所述截面图像；其中，所述图像采集装置所在的水平面与所述辊道水平面平行。
3.根据权利要求1所述的热轧棒材重叠检测方法，其特征在于，根据所述横截面的直径长度以及所述辊道水平面设置所述预设区域。
4.根据权利要求3所述的热轧棒材重叠检测方法，其特征在于，所述横截面为圆形时，单根棒材置于所述辊道上的情况下，所述横截面远离所述辊道水平面的外切面到所述辊道水平面的区域作为第一区域；
统计设定数量的棒材横截面直径，获取直径均值，根据所述均值调整所述第一区域大小，获取所述预设区域。
5.根据权利要求2所述的热轧棒材重叠检测方法，其特征在于，单根棒材置于所述辊道上的情况下，设置所述图像采集装置采集图像的几何中心与所述棒材的横截面几何中心共面。
6.根据权利要求1所述的热轧棒材重叠检测方法，其特征在于，若所述横截面几何中心位置不在所述预设区域内，则出现重叠异常，反馈异常信息。
7.根据权利要求1所述的热轧棒材重叠检测方法，其特征在于，采集对应应用场景下的所述截面图像，对所述截面图像中棒材横截面进行标注，获取标注样本集；
通过所述标注样本集训练神经网络，获取所述棒材重叠检测模型。
8.根据权利要求7所述的热轧棒材重叠检测方法，其特征在于，所述神经网络包括R-CNN、SSD-MobileNet、Faster-RCNN、YOLO。
9.一种热轧棒材重叠检测系统，其特征在于，包括：
图像采集模块，用于获取辊道输入方向的截面图像；
位置获取模块，用于将所述图像输入棒材重叠检测模型，以所述图像中棒材的横截面作为识别目标，根据所述横截面的形状判断所述图像中是否存在棒材，若存在，则获取所述棒材在所述辊道水平面的位置；
异常检测模块，用于判断所述位置是否在预设区域内，若不在，则反馈异常信息。
10.一个或多个机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-8中一个或多个所述的方法。
CN202010894168.7A 2020-08-31 2020-08-31 一种热轧棒材重叠检测方法、系统及介质 Active CN112053335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010894168.7A CN112053335B (zh) 2020-08-31 2020-08-31 一种热轧棒材重叠检测方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010894168.7A CN112053335B (zh) 2020-08-31 2020-08-31 一种热轧棒材重叠检测方法、系统及介质

Publications (2)

Publication Number Publication Date
CN112053335A CN112053335A (zh) 2020-12-08
CN112053335B true CN112053335B (zh) 2023-05-12

Family

ID=73607606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010894168.7A Active CN112053335B (zh) 2020-08-31 2020-08-31 一种热轧棒材重叠检测方法、系统及介质

Country Status (1)

Country Link
CN (1) CN112053335B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1625208A (zh) * 2003-12-04 2005-06-08 尼司卡股份有限公司 薄片重送检测方法和薄片供给器及采用它的图像读取装置
CN105990180A (zh) * 2015-03-23 2016-10-05 瑞萨电子株式会社 半导体器件、其制造方法和图案重叠检查方法
CN107213635A (zh) * 2017-05-25 2017-09-29 网易（杭州）网络有限公司 视野显示方法和装置
CN111340027A (zh) * 2020-03-05 2020-06-26 中冶赛迪重庆信息技术有限公司 一种堆钢识别方法、系统、电子设备及介质
CN111524113A (zh) * 2020-04-17 2020-08-11 中冶赛迪重庆信息技术有限公司 提升链异常识别方法、系统、设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4242884B2 (ja) * 2006-09-01 2009-03-25 シャープ株式会社 シート搬送装置、および、それを備えた原稿搬送装置、画像処理装置
CN101912899A (zh) * 2010-06-21 2010-12-15 中冶京诚工程技术有限公司 棒材计数方法及装置
JP6642970B2 (ja) * 2015-03-05 2020-02-12 キヤノン株式会社 注目領域検出装置、注目領域検出方法及びプログラム
CN110929756B (zh) * 2019-10-23 2022-09-06 广物智钢数据服务(广州)有限公司 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质
CN110992325A (zh) * 2019-11-27 2020-04-10 同济大学 基于深度学习的目标清点方法、装置和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1625208A (zh) * 2003-12-04 2005-06-08 尼司卡股份有限公司 薄片重送检测方法和薄片供给器及采用它的图像读取装置
CN105990180A (zh) * 2015-03-23 2016-10-05 瑞萨电子株式会社 半导体器件、其制造方法和图案重叠检查方法
CN107213635A (zh) * 2017-05-25 2017-09-29 网易（杭州）网络有限公司 视野显示方法和装置
CN111340027A (zh) * 2020-03-05 2020-06-26 中冶赛迪重庆信息技术有限公司 一种堆钢识别方法、系统、电子设备及介质
CN111524113A (zh) * 2020-04-17 2020-08-11 中冶赛迪重庆信息技术有限公司 提升链异常识别方法、系统、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
捆扎线材图像处理的识别方法研究;陈浩;《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》(第3期);I138-633 *

Also Published As

Publication number Publication date
CN112053335A (zh) 2020-12-08

Similar Documents

Publication Publication Date Title
CN104992449B (zh) 基于机器视觉的信息识别及表面缺陷在线检测方法
CN106778779A (zh) 一种电动注塑机模具检测方法
CN105139384B (zh) 缺陷胶囊检测的方法和装置
CN110570422A (zh) 一种基于矩阵分析的胶囊缺陷视觉检测方法
CN111783672A (zh) 一种提高桥梁动位移精度的图像特征辨识方法
CN103699876A (zh) 一种基于线阵ccd图像识别车号的方法及装置
CN111754502A (zh) 基于多尺度特征融合的Faster-RCNN算法检测磁芯表面缺陷的方法
CN113177941B (zh) 一种钢卷边裂识别方法、系统、介质和终端
CN112053335B (zh) 一种热轧棒材重叠检测方法、系统及介质
CN114219753A (zh) 一种基于深度学习的电力设备表面缺陷检测方法及终端
CN112053333B (zh) 一种基于机器视觉的方坯检测方法、系统、设备及介质
CN116109633B (zh) 一种轴承保持器的窗口检测方法及设备
CN112053336B (zh) 一种棒材对齐检测方法、系统、设备及介质
CN116167930A (zh) 图像增强方法、边缘线定位方法、巡边检方法及装置
CN112037198B (zh) 一种热轧棒材定支分离检测方法、系统、介质及终端
CN114655655A (zh) 一种基于UNet网络的传送带跑偏检测方法
WO2022027816A1 (zh) 一种用于图像获取装置的检测方法及相关装置
CN113239832A (zh) 基于图像识别的隐患智能识别方法及系统
CN112053334B (zh) 一种加热炉冷坯料台双钢识别方法、系统及介质
CN112037196A (zh) 一种冷床倍尺检测方法、系统及介质
CN112037199A (zh) 热轧棒材收集完成辊道落料检测方法、系统、介质及终端
CN112329849A (zh) 基于机器视觉的废钢料场卸料状态识别方法、介质及终端
CN116993804B (zh) 一种基于lsm算法的箍筋尺寸检测方法及系统
Zhao et al. Image capturing and segmentation method for characters marked on hot billets
CN112884694B (zh) 一种平面显示面板的缺陷检测方法、装置、设备及介质

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: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant