CN113487698B - 基于双通道神经网络模型的表单生成方法及装置 - Google Patents

基于双通道神经网络模型的表单生成方法及装置 Download PDF

Info

Publication number
CN113487698B
CN113487698B CN202110853472.1A CN202110853472A CN113487698B CN 113487698 B CN113487698 B CN 113487698B CN 202110853472 A CN202110853472 A CN 202110853472A CN 113487698 B CN113487698 B CN 113487698B
Authority
CN
China
Prior art keywords
chart
data
graph
target
neural network
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
CN202110853472.1A
Other languages
English (en)
Other versions
CN113487698A (zh
Inventor
张玉
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.)
Shenzhen Saiante Technology Service Co Ltd
Original Assignee
Shenzhen Saiante Technology Service 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 Shenzhen Saiante Technology Service Co Ltd filed Critical Shenzhen Saiante Technology Service Co Ltd
Priority to CN202110853472.1A priority Critical patent/CN113487698B/zh
Publication of CN113487698A publication Critical patent/CN113487698A/zh
Application granted granted Critical
Publication of CN113487698B publication Critical patent/CN113487698B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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

Landscapes

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

Abstract

本申请公开一种基于双通道神经网络模型的表单生成方法、装置、计算机设备及存储介质，涉及人工智能技术领域，用于提高表单生成的效率。该表单生成方法包括：获取目标用户的图表绘制指令，其中，绘制指令中包括图表绘制路径；基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联；将图表绘制路径和图表数据输入预设的图表绘制模型中，其中，图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型；读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板；将图表数据输入至图表模板中生成目标表单。

Description

基于双通道神经网络模型的表单生成方法及装置
技术领域
本发明实施例涉及人工智能技术领域，尤其是一种基于双通道神经网络模型的表单生成方法、装置、计算机设备及存储介质。
背景技术
目前，用户在日常的工作中会接触大量的表单。例如在医疗场景下，医生在为病人开具病例时，需要通过预先设定好的病例表单，生成与病人相应的病例。
传统的表单基本是由开发人员基于已有的平台定制化编写代码实现，这种方式做出的表单仅供特定的工单使用，每次有新上线的表单时，需要发布版本才能生效。这种方式的开发工作量大，每一个表单都需要开发针对性的完整页面代码，并且必须要发版本才能上线新需求，表单上线周期长，并且出了问题不能快速解决。
发明内容
本发明实施例提供一种能够提高表单生成效率的基于双通道神经网络模型的表单生成方法、装置、计算机设备及存储介质。
为达到上述目的，本申请实施例采用如下技术方案：
第一方面，提供一种基于双通道神经网络模型的表单生成方法，包括：
获取目标用户的图表绘制指令，其中，绘制指令中包括图表绘制路径，图表绘制路径是指目标用户在制作表单时绘制的图表轨迹；
基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联；
将图表绘制路径和图表数据输入预设的图表绘制模型中，其中，图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型；
读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板；
将图表数据输入至图表模板中生成目标表单。
可选地，图表绘制模型的训练方法包括：
采集历史图表数据以及历史图表数据对应的标记数据构建训练样本集，其中，标记数据包括历史图表数据对应的图表路径以及图表结构；
根据训练样本集对双通道神经网络模型进行监督训练，至双通道神经网络模型符合预设的收敛条件时，生成图表绘制模型。
可选地，基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联，包括：
基于图表绘制指令，获取与图表绘制指令对应的图表数据；
确定图表绘制路径的绘制起始点、绘制终止点和绘制方向；
根据绘制起始点、绘制终止点和绘制方向，从图表数据中确定与图表绘制路径中，每个绘制点对应的数据。
可选地，图表模板包括表单的界面设计组件；将图表数据输入至图表模板中生成目标表单，包括：
确定图表数据的数据类型；
根据图表数据的数据类型，以界面设计组件的显示方式，生成目标表单。
可选地，图表模板包括用于配置表格的表格表单项；表格表单项为编辑态表单区域；将图表数据输入至图表模板中生成目标表单，包括：
从图表数据中获取表格数据；
将表格数据输入至图表模板中的表格表单项，以生成目标表单。
可选地，将图表数据输入至图表模板中生成目标表单之后，还包括：
确定目标表单的目标表单项是否发生变化；
若目标表单项发生变化，则从历史数据库中获取目标表单项的历史数据；
响应于用户执行回退操作，在目标表单项中显示历史数据。
可选地，将图表数据输入至图表模板中生成目标表单之后，还包括：
采集目标表单的页面宽度和页面长度；
根据页面宽度和页面长度，确定目标表单的打印页面尺寸；
若目标表单的打印页面尺寸满足预设尺寸，则对目标表单执行栅格化处理，并将处理后的目标表单映射到打印地址。
第二方面，提供一种基于双通道神经网络模型的表单生成装置，该表单生成装置包括：
获取模块，用于获取目标用户的图表绘制指令，其中，绘制指令中包括图表绘制路径，图表绘制路径是指目标用户在制作表单时绘制的图表轨迹；
关联模块，用于基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联；
处理模块，用于将图表绘制路径和图表数据输入预设的图表绘制模型中，其中，图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型；
读取模块，用于读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板；
生成模块，用于将图表数据输入至图表模板中生成目标表单。
可选地，表单生成装置还包括：采集模块；
采集模块，用于采集历史图表数据以及历史图表数据对应的标记数据构建训练样本集，其中，标记数据包括历史图表数据对应的图表路径以及图表结构；
处理模块，还用于根据训练样本集对双通道神经网络模型进行监督训练，至双通道神经网络模型符合预设的收敛条件时，生成图表绘制模型。
可选地，关联模块，具体用于：
基于图表绘制指令，获取与图表绘制指令对应的图表数据；
确定图表绘制路径的绘制起始点、绘制终止点和绘制方向；
根据绘制起始点、绘制终止点和绘制方向，从图表数据中确定与图表绘制路径中，每个绘制点对应的数据。
可选地，图表模板包括表单的界面设计组件；生成模块，具体用于：
确定图表数据的数据类型；
根据图表数据的数据类型，以界面设计组件的显示方式，生成目标表单。
可选地，图表模板包括用于配置表格的表格表单项；表格表单项为编辑态表单区域；生成模块，具体用于：
从图表数据中获取表格数据；
将表格数据输入至图表模板中的表格表单项，以生成目标表单。
可选地，处理模块，还用于确定目标表单的目标表单项是否发生变化；
获取模块，还用于若目标表单项发生变化，则从历史数据库中获取目标表单项的历史数据；
表单生成装置还包括：显示模块；
显示模块，用于响应于用户执行回退操作，在目标表单项中显示历史数据。
可选地，采集模块，还用于采集目标表单的页面宽度和页面长度；
处理模块，还用于根据页面宽度和页面长度，确定目标表单的打印页面尺寸；
处理模块，还用于若目标表单的打印页面尺寸满足预设尺寸，则对目标表单执行栅格化处理，并将处理后的目标表单映射到打印地址。
第三方面，为解决上述技术问题本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述基于双通道神经网络模型的表单生成方法的步骤。
该计算机设备可以是网络设备，也可以是网络设备中的一部分装置，例如网络设备中的芯片系统。该芯片系统用于支持网络设备实现第一方面及其任意一种可能的实现方式中所涉及的功能，例如，接收、确定、分流上述基于双通道神经网络模型的表单生成方法中所涉及的数据和/或信息。该芯片系统包括芯片，也可以包括其他分立器件或电路结构。
第四方面，为解决上述技术问题本发明实施例还提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述基于双通道神经网络模型的表单生成方法的步骤。
第五方面，提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如第一方面及其任一种可能的设计方式所述的基于双通道神经网络模型的表单生成方法。
需要说明的是，上述计算机指令可以全部或者部分存储在第一计算机存储介质上。其中，第一计算机存储介质可以与基于双通道神经网络模型的表单生成装置的处理器封装在一起的，也可以与基于双通道神经网络模型的表单生成装置的处理器单独封装，本申请实施例对此不作限定。
本发明中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述；并且，第二方面、第三方面、第四方面以及第五方面的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
在本申请实施例中，上述基于双通道神经网络模型的表单生成装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本发明类似，属于本发明权利要求及其等同技术的范围之内。
本发明的这些方面或其他方面在以下的描述中会更加简明易懂。
本发明实施例的有益效果是：在获取目标用户的图表绘制指令后，由于绘制指令中包括图表绘制路径，因此，可以基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联。接着，将图表绘制路径和图表数据输入预设的图表绘制模型中，以得到图表绘制模型输出的分类结果。然后，可以读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板。后续，将图表数据输入至图表模板中生成目标表单。
由于图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型，因此，根据图表绘制模型输出的分类结果可以快速查找到对应的图表模板。后续，将图表数据输入至图表模板中生成目标表单，提高了表单生成的效率。
附图说明
图1为本申请实施例提供的一种基于双通道神经网络模型的表单生成方法流程示意图；
图2为本申请实施例提供的又一种基于双通道神经网络模型的表单生成方法流程示意图；
图3为本申请实施例提供的又一种基于双通道神经网络模型的表单生成方法流程示意图；
图4为本申请实施例提供的又一种基于双通道神经网络模型的表单生成方法流程示意图；
图5为本申请实施例提供的又一种基于双通道神经网络模型的表单生成方法流程示意图；
图6为本申请实施例提供的又一种基于双通道神经网络模型的表单生成方法流程示意图；
图7为本申请实施例提供的一种基于双通道神经网络模型的表单生成装置的结构示意图；
图8为本申请实施例提供的计算机设备的基本结构框图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
如背景技术所描述，目前，用户在日常的工作中会接触大量的表单。传统的表单基本是由开发人员基于已有的平台定制化编写代码实现，这种方式做出的表单仅供特定的工单使用，每次有新上线的表单时，需要发布版本才能生效。这种方式的开发工作量大，每一个表单都需要开发针对性的完整页面代码，并且必须要发版本才能上线新需求，表单上线周期长，并且出了问题不能快速解决。
针对上述问题，本申请实施例提供了一种基于双通道神经网络模型的表单生成方法，在获取目标用户的图表绘制指令后，由于绘制指令中包括图表绘制路径，因此，可以基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联。接着，将图表绘制路径和图表数据输入预设的图表绘制模型中，以得到图表绘制模型输出的分类结果。然后，可以读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板。后续，将图表数据输入至图表模板中生成目标表单。
由于图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型，因此，根据图表绘制模型输出的分类结果可以快速查找到对应的图表模板。后续，将图表数据输入至图表模板中生成目标表单，提高了表单生成的效率。
上述基于双通道神经网络模型的表单生成方法可以应用于计算机设备。该计算机设备可以为用于表单生成的设备，也可以为该设备中的芯片，还可以为该设备中的片上系统。
可选的，该设备可以是物理机，例如：台式电脑，又称台式机或桌面机(desktopcomputer)、手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra-mobile personalcomputer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)等终端设备。
可选的，上述计算机设备也可以通过部署在物理机上的虚拟机(virtualmachine，VM)，实现上述计算机设备所要实现的功能。
可选的，上述计算机设备也可以是服务器。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
下面结合附图对本申请实施例提供的基于双通道神经网络模型的表单生成方法进行详细介绍。如图1所示，基于双通道神经网络模型的表单生成方法包括：S101-S105。
S101、获取目标用户的图表绘制指令。
其中，绘制指令中包括图表绘制路径。
具体的，目标用户在制作表单时，可以绘制图表绘制路径。在这种情况下，电子设备可以获取目标用户的图表绘制指令。
图表绘制路径是指目标用户在制作表单时绘制的图表轨迹。例如，在预设时间段内，某个数据程阶梯式上涨，则目标用户在制作表单时，可以绘制与该数据上涨幅度对应的图表绘制路径。
可选的，图表绘制指令可以是目标用户在电子设备上绘制图表绘制路径后自动生成的，也可以是目标用户在电子设备上绘制图表绘制路径后，对绘制控件执行触发操作生成的，还可以是通过其他方式生成的，本申请对此不作限定。
S102、基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联。
具体的，在获取目标用户的图表绘制指令后，可以基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联。
示例性的，图表数据包括某个商品在一段时间内的价格浮动变化。例如：在第一天为100元，在第二天为95元，在第三天为105元。目标用户在制作表单时，可以绘制与商品价格相关的图表绘制路径。在获取目标用户的图表绘制指令后，由于绘制指令中包括图表绘制路径，因此，可以基于图表绘制指令，将图表绘制路径与商品价格进行关联。
S103、将图表绘制路径和图表数据输入预设的图表绘制模型中。
其中，图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型。
具体的，在基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联后，可以将图表绘制路径和图表数据输入预设的图表绘制模型中。
目前，卷积神经网络(Convolutional Neural Network，CNN)和循环神经网络(Recurrent Neural Network，RNN)作为深度神经网络(Deep Neural Networks，DNN)的两种主要架构类型，在传统的分类任务中，一般通过单一的CNN或者RNN等模型对图表绘制路径和图表数据进行向量化表示，但单一的模型可能会抓不到重点，由于数据的类型不同，没有哪种单一的模型是适配的。因此，本实施例中，为了使分类任务的输出质量更高，本发明中通过建立双通道神经网络模型来进行数据分类。
可选的，图表绘制模型的训练方法包括：
采集历史图表数据以及历史图表数据对应的标记数据构建训练样本集。
其中，标记数据包括历史图表数据对应的图表路径以及图表结构。
可选的，历史图表数据为当前时刻之前的任意时刻的图表数据。电子设备可以从历史数据库中获取，也可以从其他电子设备中获取，本申请对此不作限定。
在一种可能的实现方式中，所述历史图表数据是医疗数据，如个人健康档案、处方、检查报告等数据。
在一种可能的实现方式中，可以通过信息查询的方式获取历史图表数据。信息查询成为很多场景中用户快速获取所需信息的渠道。例如在医疗领域中，可以基于人工智能模型从海量的电子病历中查询用户所需的病历信息，有助于为用户提供病历参考。
根据训练样本集对双通道神经网络模型进行监督训练，至双通道神经网络模型符合预设的收敛条件时，生成图表绘制模型。
可选的，收敛条件可以是双通道神经网络模型执行训练的次数达到预设次数，也可以是双通道神经网络模型中的目标数据长时间未发生变化，还可以是其他收敛条件，本申请对此不作限定。
示例性的，在构建双通道神经网络模型后，还需对构建的所述双通道神经网络模型进行训练。具体地，对构建的所述双通道神经网络模型进行训练，包括：获取训练集，将所述训练集输入到所述双通道神经网络模型以输出所述训练集的分类结果，依据所述双通道神经网络模型输出的分类结果与所述训练集的实际分类结果，计算损失函数交叉熵，通过优化算法对所述损失函数交叉熵进行最小化，以训练所述双通道神经网络模型。
S104、读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板。
具体的，在获取到图表绘制路径和图表数据后，电子设备并不知道哪些数据做行，哪些数据做列。因此，电子设备可以将图表绘制路径和图表数据输入预设的图表绘制模型中，以得到图表绘制模型输出的分类结果。这样一来，电子设备便可以根据分类结果，确定哪些数据做行，哪些数据做列。后续，电子设备可以读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板。
预设的图表绘制模型可以看做是一个训练好的黑匣子。输入数据为图表绘制路径和图表数据，输出数据为图表绘制路径和图表数据的分类结果。在预设的图表绘制模型输出图表绘制路径和图表数据的分类结果后，可以读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板。
例如，图表数据的格式为5*11，图表绘制路径为横短竖长。在获取到图表绘制路径和图表数据后，电子设备将图表绘制路径和图表数据输入预设的图表绘制模型后，以得到图表绘制模型输出的分类结果为：横坐标为5，纵坐标为11。后续，电子设备可以基于该分类结果，查找横坐标为5，纵坐标为11的图表模板。
可选的，基于分类结果查找对应的图表模板时，可以读取预先存储的分类结果与图表模板的对应关系，也可以向服务器发送数据请求，请求获取对应的图表模板，还可以通过其他方式获取对应的图表模板，本申请对此不作限定。
S105、将图表数据输入至图表模板中生成目标表单。
具体的，在读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板后，可以将图表数据输入至图表模板中生成目标表单。
示例性的，在医疗场景下，医生在为病人开具病例时，需要通过预先设定好的病例表单，生成与病人相应的病例。通过本申请涉及的表单生成方法，在接收到医生在计算机设备内输入的病例数据后，计算机设备生成用于生成病例表单的表单生成指令。接着，计算机可以基于表单生成指令，将病例数据与表单生成指令对应的图表数据进行关联。接着，将病例数据和图表数据输入预设的图表绘制模型中，以得到图表绘制模型输出的分类结果。然后，可以读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板。后续，将图表数据输入至图表模板中生成病例表单。这样一来，医生只需输入病人相应的病例数据，便可以生成相应的病例表单，，提高了表单生成的效率。
本申请实施例提供了一种基于双通道神经网络模型的表单生成方法，在获取目标用户的图表绘制指令后，由于绘制指令中包括图表绘制路径，因此，可以基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联。接着，将图表绘制路径和图表数据输入预设的图表绘制模型中，以得到图表绘制模型输出的分类结果。然后，可以读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板。后续，将图表数据输入至图表模板中生成目标表单。
由于图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型，因此，根据图表绘制模型输出的分类结果可以快速查找到对应的图表模板。后续，将图表数据输入至图表模板中生成目标表单，提高了表单生成的效率。
可选的，结合图1，如图2所示，上述S102中，基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联的方法具体包括：
S201、基于图表绘制指令，获取与图表绘制指令对应的图表数据。
具体的，在基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联时，可以基于图表绘制指令，获取与图表绘制指令对应的图表数据。
S202、确定图表绘制路径的绘制起始点、绘制终止点和绘制方向。
具体的，在基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联时，可以确定图表绘制路径的绘制起始点、绘制终止点和绘制方向。
结合上述示例，图表数据包括某个商品在一段时间内的价格浮动变化。例如：在第一天为100元，在第二天为95元。在这种情况下，可以建立坐标系。其中，图表绘制路径的绘制起始点的坐标为(1,100)，绘制终止点的坐标为(2，95)，绘制方向为从左到右。绘制轨迹可以为直线，即沿绘制方向通过直线连接绘制起始点和绘制终止点。
S203、根据绘制起始点、绘制终止点和绘制方向，从图表数据中确定与图表绘制路径中，每个绘制点对应的数据。
具体的，在基于图表绘制指令，获取与图表绘制指令对应的图表数据，以及确定图表绘制路径的绘制起始点、绘制终止点和绘制方向后，根据绘制起始点、绘制终止点和绘制方向，从图表数据中确定与图表绘制路径中，每个绘制点对应的数据。
结合上述示例，绘制起始点对应的数据为商品在第一天的价格为100元，绘制终止点对应的数据为商品在第二天的价格为95元。这样一来，电子设备便可以基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联。
可选的，结合图1，如图3所示，图表模板包括表单的界面设计组件；上述S103中，将图表数据输入至图表模板中生成目标表单的方法具体包括：
S301、确定图表数据的数据类型。
具体的，将图表数据输入至图表模板中生成目标表单时，可以确定图表数据的数据类型。这样一来，可以根据图表数据的数据类型，在于表单的界面设计组件对应的区域，显示图标数据。
S302、根据图表数据的数据类型，以界面设计组件的显示方式，生成目标表单。
具体的，在确定图表数据的数据类型后，可以根据图表数据的数据类型，以界面设计组件的显示方式，生成目标表单。
示例性的，界面设计组件为柱形图。在确定图表模板包括柱形图的界面设计组件后，可以确定图表数据的数据类型。然后确定与柱形图对应的图表数据。后续，可以根据图表数据的数据类型，以柱形图的显示方式，生成目标表单。
可选的，结合图1，如图4所示，图表模板包括用于配置表格的表格表单项；上述S103中，将图表数据输入至图表模板中生成目标表单的方法具体包括：
S401、从图表数据中获取表格数据。
具体的，图表模板包括用于配置表格的表格表单项。在这种情况下，可以从图表数据中获取表格数据。
S402、将表格数据输入至图表模板中的表格表单项，以生成目标表单。
具体的，从图表数据中获取表格数据后，可以将表格数据输入至图表模板中的表格表单项，以生成目标表单。
这样一来，目标表单可以支持表格编辑。用户可以通过可编辑的表格表单项，对目标表单中的内容进行编辑，丰富了用户体验。
可选的，结合图1，如图5所示，将图表数据输入至图表模板中生成目标表单之后，还包括：
S501、确定目标表单的目标表单项是否发生变化。
具体的，将图表数据输入至图表模板中生成目标表单之后，还可以确定目标表单的目标表单项是否发生变化。
S502、若目标表单项发生变化，则从历史数据库中获取目标表单项的历史数据。
具体的，若目标表单项发生变化，则从历史数据库中获取目标表单项的历史数据。这样一来，若目标表单项发生变化，则可以根据历史数据恢复目标表单项中的数据。
S503、响应于用户执行回退操作，在目标表单项中显示历史数据。
具体的，从历史数据库中获取目标表单项的历史数据后，还可以响应于用户执行回退操作，在目标表单项中显示历史数据。
例如，用户误触了目标表单项中的数据，以使得目标表单项中的数据发生了变化。在这种情况下，就可以从历史数据库中获取目标表单项的历史数据，并响应于用户执行回退操作，在目标表单项中显示历史数据，实现了恢复数据的操作。
可选的，结合图1，如图6所示，将图表数据输入至图表模板中生成目标表单之后，还包括：
S601、采集目标表单的页面宽度和页面长度。
具体的，将图表数据输入至图表模板中生成目标表单之后，若用户想要打印目标表单，则计算机可以采集目标表单的页面宽度和页面长度。
S602、根据页面宽度和页面长度，确定目标表单的打印页面尺寸。
具体的，在采集目标表单的页面宽度和页面长度后，还可以根据页面宽度和页面长度，确定目标表单的打印页面尺寸。
S603、若目标表单的打印页面尺寸满足预设尺寸，则对目标表单执行栅格化处理，并将处理后的目标表单映射到打印地址。
具体的，若目标表单的打印页面尺寸满足预设尺寸，则对目标表单执行栅格化处理，并将处理后的目标表单映射到打印地址。这样一来，用户可以直接打印目标表单，丰富了用户体验。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本申请实施例可以根据上述方法示例对基于双通道神经网络模型的表单生成装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
具体请参阅图7，图7为本实施例基于双通道神经网络模型的表单生成装置基本结构示意图。
如图7所示，一种基于双通道神经网络模型的表单生成装置，包括：
获取模块701，用于获取目标用户的图表绘制指令，其中，绘制指令中包括图表绘制路径；
关联模块702，用于基于图表绘制指令，将图表绘制路径与图表绘制指令对应的图表数据进行关联；
处理模块703，用于将图表绘制路径和图表数据输入预设的图表绘制模型中，其中，图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型；
读取模块704，用于读取图表绘制模型输出的分类结果，并基于分类结果查找对应的图表模板；
生成模块705，用于将图表数据输入至图表模板中生成目标表单。
可选地，表单生成装置还包括：采集模块706；
采集模块706，用于采集历史图表数据以及历史图表数据对应的标记数据构建训练样本集，其中，标记数据包括历史图表数据对应的图表路径以及图表结构；
处理模块703，还用于根据训练样本集对双通道神经网络模型进行监督训练，至双通道神经网络模型符合预设的收敛条件时，生成图表绘制模型。
可选地，关联模块702，具体用于：
基于图表绘制指令，获取与图表绘制指令对应的图表数据；
确定图表绘制路径的绘制起始点、绘制终止点和绘制方向；
根据绘制起始点、绘制终止点和绘制方向，从图表数据中确定与图表绘制路径中，每个绘制点对应的数据。
可选地，图表模板包括表单的界面设计组件；生成模块705，具体用于：
确定图表数据的数据类型；
根据图表数据的数据类型，以界面设计组件的显示方式，生成目标表单。
可选地，图表模板包括用于配置表格的表格表单项；表格表单项为编辑态表单区域；生成模块705，具体用于：
从图表数据中获取表格数据；
将表格数据输入至图表模板中的表格表单项，以生成目标表单。
可选地，处理模块703，还用于确定目标表单的目标表单项是否发生变化；
获取模块701，还用于若目标表单项发生变化，则从历史数据库中获取目标表单项的历史数据；
表单生成装置还包括：显示模块707；
显示模块707，用于响应于用户执行回退操作，在目标表单项中显示历史数据。
可选地，采集模块706，还用于采集目标表单的页面宽度和页面长度；
处理模块703，还用于根据页面宽度和页面长度，确定目标表单的打印页面尺寸；
处理模块703，还用于若目标表单的打印页面尺寸满足预设尺寸，则对目标表单执行栅格化处理，并将处理后的目标表单映射到打印地址。
为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图8，图8为本实施例计算机设备基本结构框图。
如图8所示，计算机设备的内部结构示意图。该计算机设备包括通过系统总线连接的处理器、计算机存储介质、存储器和网络接口。其中，该计算机设备的存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现一种基于双通道神经网络模型的表单生成方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行一种基于双通道神经网络模型的表单生成方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本实施方式中处理器用于执行图7中各个模块的具体功能，存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有人脸图像关键点检测装置中执行所有子模块所需的程序代码及数据，服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过神经网络模型提取目标图像中的文字区域图像，再使用文字区域图像的方法，将文字图像从文字区域图像中聚类分割出来。由于，无需对文字直接进行提取，只需要识别目标图像中文字所在的区域，因此，降低了模型训练和分类的难度，进而降低模型训练和部署成本和环境要求。而使用聚类的方式对文字区域图像中的文字图像进行提取，无需对聚类模型进行训练，就能够将文字图像和背景图像分割开来，在提高文字图像提取准确率的情况下，进一步的降低文字提取的研发成本和对部署环境的要求，实现文字提取的轻量化部署，提高了文字提取技术的适应性。
本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例基于双通道神经网络模型的表单生成方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等计算机存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
本发明还提供一种存储有计算机可读指令的存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例基于双通道神经网络模型的表单生成方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等计算机存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
本技术领域技术人员可以理解，本申请中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本申请中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本申请中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅是本申请的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (9)

1.一种基于双通道神经网络模型的表单生成方法，其特征在于，包括：
获取目标用户的图表绘制指令，其中，所述绘制指令中包括图表绘制路径，图表绘制路径是指目标用户在制作表单时绘制的图表轨迹；
基于所述图表绘制指令，将所述图表绘制路径与所述图表绘制指令对应的图表数据进行关联；
将所述图表绘制路径和所述图表数据输入预设的图表绘制模型中，其中，所述图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型；
读取所述图表绘制模型输出的分类结果，并基于所述分类结果查找对应的图表模板；
将所述图表数据输入至所述图表模板中生成目标表单；
所述基于所述图表绘制指令，将所述图表绘制路径与所述图表绘制指令对应的图表数据进行关联，包括：
基于所述图表绘制指令，获取与所述图表绘制指令对应的图表数据；
确定所述图表绘制路径的绘制起始点、绘制终止点和绘制方向；
根据所述绘制起始点、所述绘制终止点和所述绘制方向，从所述图表数据中确定与所述图表绘制路径中，每个绘制点对应的数据。
2.根据权利要求1所述的表单生成方法，其特征在于，所述图表绘制模型的训练方法包括：
采集历史图表数据以及所述历史图表数据对应的标记数据构建训练样本集，其中，所述标记数据包括所述历史图表数据对应的图表路径以及图表结构；
根据所述训练样本集对所述双通道神经网络模型进行监督训练，至所述双通道神经网络模型符合预设的收敛条件时，生成所述图表绘制模型。
3.根据权利要求1所述的表单生成方法，其特征在于，所述图表模板包括表单的界面设计组件；所述将所述图表数据输入至所述图表模板中生成目标表单，包括：
确定所述图表数据的数据类型；
根据所述图表数据的数据类型，以所述界面设计组件的显示方式，生成所述目标表单。
4.根据权利要求1所述的表单生成方法，其特征在于，所述图表模板包括用于配置表格的表格表单项；所述表格表单项为编辑态表单区域；所述将所述图表数据输入至所述图表模板中生成目标表单，包括：
从所述图表数据中获取表格数据；
将所述表格数据输入至所述图表模板中的表格表单项，以生成所述目标表单。
5.根据权利要求1所述的表单生成方法，其特征在于，所述将所述图表数据输入至所述图表模板中生成目标表单之后，还包括：
确定所述目标表单的目标表单项是否发生变化；
若所述目标表单项发生变化，则从历史数据库中获取所述目标表单项的历史数据；
响应于用户执行回退操作，在所述目标表单项中显示所述历史数据。
6.根据权利要求1所述的表单生成方法，其特征在于，所述将所述图表数据输入至所述图表模板中生成目标表单之后，还包括：
采集所述目标表单的页面宽度和页面长度；
根据所述页面宽度和所述页面长度，确定所述目标表单的打印页面尺寸；
若所述目标表单的打印页面尺寸满足预设尺寸，则对所述目标表单执行栅格化处理，并将处理后的目标表单映射到打印地址。
7.一种基于双通道神经网络模型的表单生成装置，其特征在于，包括：
获取模块，用于获取目标用户的图表绘制指令，其中，所述绘制指令中包括图表绘制路径，图表绘制路径是指目标用户在制作表单时绘制的图表轨迹；
关联模块，用于基于所述图表绘制指令，将所述图表绘制路径与所述图表绘制指令对应的图表数据进行关联；
处理模块，用于将所述图表绘制路径和所述图表数据输入预设的图表绘制模型中，其中，所述图表绘制模型为预先训练至收敛状态，用于构建表单的双通道神经网络模型；
读取模块，用于读取所述图表绘制模型输出的分类结果，并基于所述分类结果查找对应的图表模板；
生成模块，用于将所述图表数据输入至所述图表模板中生成目标表单；
关联模块，具体用于：
基于图表绘制指令，获取与图表绘制指令对应的图表数据；
确定图表绘制路径的绘制起始点、绘制终止点和绘制方向；
根据绘制起始点、绘制终止点和绘制方向，从图表数据中确定与图表绘制路径中，每个绘制点对应的数据。
8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至6中任一项权利要求所述的基于双通道神经网络模型的表单生成方法的步骤。
9.一种计算机存储介质，其特征在于，其存储有依据权利要求1至6中任意一项所述的基于双通道神经网络模型的表单生成方法所实现的计算机程序，该计算机程序被计算机调用运行时，执行该方法所包括的步骤。
CN202110853472.1A 2021-07-27 2021-07-27 基于双通道神经网络模型的表单生成方法及装置 Active CN113487698B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110853472.1A CN113487698B (zh) 2021-07-27 2021-07-27 基于双通道神经网络模型的表单生成方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110853472.1A CN113487698B (zh) 2021-07-27 2021-07-27 基于双通道神经网络模型的表单生成方法及装置

Publications (2)

Publication Number Publication Date
CN113487698A CN113487698A (zh) 2021-10-08
CN113487698B true CN113487698B (zh) 2023-12-12

Family

ID=77943195

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110853472.1A Active CN113487698B (zh) 2021-07-27 2021-07-27 基于双通道神经网络模型的表单生成方法及装置

Country Status (1)

Country Link
CN (1) CN113487698B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446666A (zh) * 2018-04-04 2018-08-24 平安科技（深圳）有限公司 双通道神经网络模型训练及人脸比对方法、终端及介质
CN109656652A (zh) * 2018-11-21 2019-04-19 平安科技（深圳）有限公司 网页图表绘制方法、装置、计算机设备和存储介质
CN111159987A (zh) * 2019-12-27 2020-05-15 深圳壹账通智能科技有限公司 数据图表绘制方法、装置、设备和计算机可读存储介质
CN112597745A (zh) * 2020-12-23 2021-04-02 深圳赛安特技术服务有限公司 一种智能图表的生成方法、装置、计算机系统及可读存储介质
CN113052262A (zh) * 2021-04-23 2021-06-29 深圳壹账通智能科技有限公司 表单生成方法、装置、计算机设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1652133A4 (en) * 2003-07-09 2009-06-10 Raptor International Inc METHOD AND SYSTEM FOR DATA ANALYSIS USING NEURONAL NETWORKS
US8626477B2 (en) * 2011-03-04 2014-01-07 Xldyn, Llc Spreadsheet-based graphical user interface for modeling of products using the systems engineering process

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108446666A (zh) * 2018-04-04 2018-08-24 平安科技（深圳）有限公司 双通道神经网络模型训练及人脸比对方法、终端及介质
CN109656652A (zh) * 2018-11-21 2019-04-19 平安科技（深圳）有限公司 网页图表绘制方法、装置、计算机设备和存储介质
CN111159987A (zh) * 2019-12-27 2020-05-15 深圳壹账通智能科技有限公司 数据图表绘制方法、装置、设备和计算机可读存储介质
CN112597745A (zh) * 2020-12-23 2021-04-02 深圳赛安特技术服务有限公司 一种智能图表的生成方法、装置、计算机系统及可读存储介质
CN113052262A (zh) * 2021-04-23 2021-06-29 深圳壹账通智能科技有限公司 表单生成方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113487698A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN111680634B (zh) 公文文件处理方法、装置、计算机设备及存储介质
EP3816855A2 (en) Method and apparatus for extracting information, device, storage medium and computer program product
CN113704429A (zh) 基于半监督学习的意图识别方法、装置、设备及介质
CN116245177B (zh) 地理环境知识图谱自动化构建方法及系统、可读存储介质
CN113378970A (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN111753140A (zh) Xml文件解析方法及相关设备
CN111881900B (zh) 语料生成、翻译模型训练、翻译方法、装置、设备及介质
CN113204698A (zh) 新闻主题词生成方法、装置、设备及介质
CN112989043A (zh) 指代消解方法、装置、电子设备及可读存储介质
CN113487698B (zh) 基于双通道神经网络模型的表单生成方法及装置
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN111274813A (zh) 语言序列标注方法、装置存储介质及计算机设备
CN113050933B (zh) 脑图数据处理方法、装置、设备及存储介质
CN115510188A (zh) 文本关键词关联方法、装置、设备及存储介质
CN112307771B (zh) 基于情感分析的课程分析方法、装置、设备及介质
CN113392220B (zh) 一种知识图谱生成方法、装置、计算机设备及存储介质
CN114331932A (zh) 目标图像生成方法和装置、计算设备以及计算机存储介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质
CN114004209A (zh) Pdf格式数据导出方法、装置、电子设备及可读存储介质
US10628632B2 (en) Generating a structured document based on a machine readable document and artificial intelligence-generated annotations
CN112287738A (zh) 图形控件的文本匹配方法及装置、介质、电子设备
CN112699228B (zh) 业务访问方法、装置、电子设备及存储介质
CN117010349B (zh) 基于神经网络模型的表单填充方法、系统及存储介质
Figueroa-Gutiérrez et al. Towards Automatic Interpretation Of Statistical Graphs For The Visually Impaired
AU2022271364A1 (en) Facilitating identification of fillable regions in a form

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: 20211019

Address after: 518000 Room 201, building a, No.1 Qianwan 1st Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen City, Guangdong Province

Applicant after: Shenzhen saiante Technology Service Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant