CN117831028B - 食材加工数据的处理方法、装置、设备以及存储介质 - Google Patents
食材加工数据的处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN117831028B CN117831028B CN202410254757.7A CN202410254757A CN117831028B CN 117831028 B CN117831028 B CN 117831028B CN 202410254757 A CN202410254757 A CN 202410254757A CN 117831028 B CN117831028 B CN 117831028B
- Authority
- CN
- China
- Prior art keywords
- food
- processing
- food material
- color
- model
- 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
- 235000013305 food Nutrition 0.000 title claims abstract description 368
- 238000012545 processing Methods 0.000 title claims abstract description 262
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000003860 storage Methods 0.000 title claims description 16
- 239000000463 material Substances 0.000 claims abstract description 241
- 239000003086 colorant Substances 0.000 claims abstract description 56
- 235000021067 refined food Nutrition 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 58
- 238000001514 detection method Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 17
- 230000007306 turnover Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000012467 final product Substances 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000002864 food coloring agent Nutrition 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 235000021404 traditional food Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
本发明涉及一种食材加工数据的处理方法,包括以下步骤:获取菜品的初始食材加工数据;在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像;通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正;通过自动识别食材加工后的颜色特征,减少人工判断误差的问题。
Description
技术领域
本发明涉及食材加工技术领域,特别涉及一种食材加工数据的处理方法、装置、设备以及存储介质。
背景技术
随着食品工业的发展和消费者对食品质量的日益关注,食材的加工过程需要更高的精准度和一致性。传统的食材加工主要依赖于人工经验,这种方法在精度和效率上存在局限性。为了提高食材加工的质量和一致性,同时减少人为误差,引入自动化和智能化的技术变得越来越重要。
发明内容
本发明的主要目的为提供一种食材加工数据的处理方法、装置、设备以及存储介质,自动识别食材加工后的颜色特征,减少人工判断误差,提高加工精度。
为实现上述目的,本发明提供了一种食材加工数据的处理方法,包括以下步骤:
获取菜品的初始食材加工数据;
在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像;
通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;其中,所述分辨模型包括SC-YOLOv5s模型以及EfficientDetd0模型,所述SC-YOLOv5s模型中的SC模块与EfficientDetd0模型相结合;所述SC-YOLOv5s模型是SC模块结合YOLOv5s模型,所述SC模块是SE模块与CBAM模块相结合;
对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正。
作为本发明进一步的方案,判断所述食材加工颜色是否在预设的颜色范围内的步骤之后,还包括:
若食材加工颜色在预设的颜色范围内,则食材加工结束。
作为本发明进一步的方案,获取菜品的初始食材加工数据的步骤之后,包括:
对初始食材加工数据进行数据提取,得到初始食材加工的多种数据;其中,所述初始食材加工的多种数据包括食材的总重量、各个食材的重量以及各个食材对应的加工时长;
基于食材的总重量、各个食材的重量以及各个食材对应的加工时长,得到食材加工的总时长以及食材加工各个时间点对应的温度点,基于所述食材加工各个时间点对应的温度点得到食材加工对应的翻转频率。
作为本发明进一步的方案,基于所述食材加工各个时间点对应的温度点得到食材加工对应的翻转频率,包括:
将所述食材加工各个时间点的温度点输入预设的时间序列模型内进行依次排序,生成多个时间顺序温度点;其中,多个所述时间顺序温度点是各个时间点的温度点按照时间顺序依次排列的温度点;
对多个所述时间顺序温度点进行曲线连接,得到温度曲线,并对所述温度曲线进行平滑处理,得到平滑温度曲线;
将所述平滑温度曲线上的温度点输入预设的控制模型内进行频率计算,得到各个温度点对应的翻转频率;其中,所述控制模型是预先训练好的模型。
作为本发明进一步的方案,通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,包括:
通过SE模块对所述食材图像进行特征提取,得到通道域注意力食材图像;
通过CBAM模块对所述通道域注意力食材图像进行通道域和空间域特征整合,得到食材特征增强图像;
将所述食材特征增强图像输入预设的YOLOv5s模型内进行检测;其中,所述YOLOv5s模型用于提高对所述食材特征增强图像的检测速度;
通过EfficientDetd0模型对所述YOLOv5s模型输出的图像进行细微颜色特征提取,得到食材加工颜色。
作为本发明进一步的方案,对所述食材加工颜色进行分割,得到各个食材的颜色,包括:
将所述食材加工颜色输入预设的YOLOv5s模型进行目标检测,得到食材加工的目标检测区域图像;
对所述食材加工的目标检测区域图像进行高斯滤波处理,得到增强的食材加工图像;
对所述增强的食材加工图像进行预分割背景处理,得到食材加工轮廓的区域图像;其中,所述食材加工轮廓的区域图像是在目标区域内只有食材加工的图像;
通过预设的KMeans算法对所述食材加工轮廓的区域图像进行类别划分,得到多个食材加工轮廓的区域图像;
对所述各个食材加工轮廓的区域图像进行像素颜色特征提取,得到各个食材的颜色特征向量;
将所述各个食材的颜色特征向量输入预设聚类模型进行分簇,得到多个颜色的特征簇数;基于所述多个颜色的特征簇数获得颜色的聚类中心,基于所述颜色的聚类中心得到各个食材的颜色。
本发明还提供了一种食材加工数据的处理装置,包括:
获取模块,用于获取菜品的初始食材加工数据;
采集模块,用于在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像;
提取模块,用于通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;其中,所述分辨模型包括SC-YOLOv5s模型以及ficientDetd0模型,所述SC-YOLOv5s模型中的SC模块与ficientDetd0模型相结合;所述SC-YOLOv5s模型是SC模块结合YOLOv5s模型,所述SC模块是SE模块与CBAM模块相结合;
判断模块,用于对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正。
本发明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程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明提供的食材加工数据的处理方法、装置、设备以及存储介质,包括以下步骤:获取菜品的初始食材加工数据;在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像;通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;其中,所述分辨模型包括SC-YOLOv5s模型以及EfficientDetd0模型,所述SC-YOLOv5s模型中的SC模块与EfficientDetd0模型相结合;所述SC-YOLOv5s模型是SC模块结合YOLOv5s模型,所述SC模块是SE模块与CBAM模块相结合;对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正;通过自动识别食材加工后的颜色特征,减少人工判断误差的问题,提高加工精度的技术效果。
附图说明
图1是本发明一实施例中食材加工数据的处理方法的步骤示意图;
图2是本发明一实施例中食材加工数据的处理装置的结构框图;
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明一实施例中食材加工数据的处理方法步骤示意图;
本发明一实施例中提供了一种食材加工数据的处理方法,包括以下步骤:
步骤S1,获取菜品的初始食材加工数据。
具体的,收集有关菜品原材料的基本信息,如种类、质量、尺寸等。可能涉及对原材料的直接测量,或从供应商获取的数据。涉及对原材料的直接测量,或从供应商获取的数据。包括任何预处理步骤,如浸泡、调味等。如果可行,分析过往类似菜品的加工数据,以优化当前的加工计划。可能包括对以往成功和不成功的案例进行回顾。根据菜品的预期品质、口味、外观等设定加工目标。会涉及与厨师或食品技术专家的协商。
通过上述的步骤可以实现以下的有益效果:准确的初始食材加工数据有助于精确调整加工参数,从而提高最终产品的质量。通过分析历史数据和设定明确的加工目标,可以优化整个加工流程,减少浪费。标准化的初始食材加工数据收集有助于保持不同批次食材的加工一致性。了解食材的详细信息有助于预防可能的食品安全问题。明确的初始食材加工数据减少了加工过程中的猜测和不确定性,从而提高效率。通过精确的加工控制,最终产品更可能满足或超出客户的期望。综上所述,准确获取初始食材加工数据是实现高效、高质量食材加工的关键步骤,对整个加工过程和最终产品质量都有显著影响。
步骤S2,在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像。
具体的,准备一个有适当光照和背景的环境以确保图像质量。调整光源以减少反光和阴影,提高成像清晰度。使用高分辨率的相机或扫描设备进行图像采集。检查设备设置,包括焦距、曝光时间、ISO设置等,确保获得高质量图像。将加工后的食材摆放在图像采集区域。确保食材的摆放姿态和位置可以代表其外观特征。捕捉食材的图像,需要从不同角度或距离拍摄多张照片以获取足够的信息。确保图像清晰,食材特征可识别。如果需要,对图像进行预处理,如裁剪、旋转、调整亮度和对比度等。用软件去除图像噪点或不相关的背景信息。将采集到的图像保存和记录,包括图像的任何相关参数。若需进行进一步分析,应将图像传输至相关的数据处理系统或数据库。
通过上述的步骤可以实现以下的有益效果:得到的食材图像可以用来准确监控加工后食材的外观和质量。图像可用于自动化的质量检测系统中,通过比较预设的标准自动识别加工质量问题。图像数据可用于深入分析,如使用计算机视觉和机器学习技术来评估食材的质量。图像采集的自动化可以提高整体加工流程的速度和效率。一旦发现问题,可以追溯图像数据,帮助确定问题发生在加工过程的哪个环节。依靠图像分析可以实现更严格的质量控制标准,并及时调整加工流程。图像采集后可以与标准图像数据库进行比较,以确保产品符合标准化要求。通过上述的操作步骤,可以实现加工过程的自动化监控、质量控制和连续改进,同时为后续的食材处理提供宝贵的数据支持。
步骤S3,通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;其中,所述分辨模型包括SC-YOLOv5s模型以及EfficientDetd0模型,所述SC-YOLOv5s模型中的SC模块与EfficientDetd0模型相结合;所述SC-YOLOv5s模型是SC模块结合YOLOv5s模型,所述SC模块是SE模块与CBAM模块相结合。
具体的,选择合适的预训练模型,本例中为SC-YOLOv5s和EfficientDetd0模型。配置模型参数,包括输入尺寸、超参数等。如果有足够的标注数据,可以在特定的食材数据集上对模型进行微调或重新训练。用标注好的食材图像训练模型,以识别食材并提取颜色特征。用标注好的食材图像训练模型,以识别食材并提取颜色特征。对输入的食材图像进行预处理,使其符合模型输入要求,包括缩放、归一化等操作。将预处理后的图像送入模型中进行特征提取。利用SC-YOLOv5s模型中的SC模块(结合了SE和CBAM模块)进行高效的特征提取。分析提取的颜色特征,并根据预设的颜色范围判断食材的加工颜色是否合格。使用计算机视觉技术定量分析颜色特征,并与预设标准比对。将食材的颜色分析结果输出,如果食材颜色不在预设范围内,将进行进一步的颜色差值计算。
通过上述的步骤可以实现以下的有益效果:结合SC模块的分辨模型对于颜色特征具有更高的提取能力,提高了颜色判断的精准度。自动化的图像分析减少了对人工视觉依赖,减少了主观误差和劳动强度。可以更精确地控制食材加工质量,确保批次间、部分间的一致性。自动化颜色分析使得反馈和调整流程更加迅速,提高了加工线的整体效率。SC-YOLOv5s模型结合了SC模块的优势,可以更好地应对光照变化、食材差异等现象。通过对食材所需调整的颜色差值进行分析,可以提供对加工参数连续优化的指导。上述的过程的自动化使得加工过程得以快速适应各种情况,维持高水平的产品质量,同时大幅提升生产力和产能。
步骤S4,对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正。
具体的,对每个食材的颜色特征向量进行分析,判断它们是否在对应的预设颜色范围内。如果任一食材的颜色不在预设的颜色范围内,计算该食材颜色与预设颜色范围之间的颜色差值。根据颜色差值对初始的食材加工数据进行修正,以确保食材的颜色符合质量标准。
通过上述的步骤可以实现以下的有益效果:通过精确判断食材颜色是否符合预设标准,可以更好地控制食品加工的质量。自动计算颜色差值并修正食材数据,降低了人为干预的需要,提高了食品加工的自动化水平。发现颜色异常可以及时调整生产流程,减少不合格品的产生,提高生产效率和产品合格率。提供详细的颜色偏差数据,有助于生产管理人员做出更为准确和及时的调整决策。总体而言,这个过程不仅提高了食材颜色识别的准确性和效率,还增加了食品生产过程中的质量控制能力,有助于保证最终产品的质量和安全性。
在具体实施例中,判断所述食材加工颜色是否在预设的颜色范围内的步骤之后,还包括:
若食材加工颜色在预设的颜色范围内,则食材加工结束。
具体的,在颜色分析之后,判断食材的颜色是否落在预设的颜色范围内。上述的判断可以基于同样的颜色识别技术进行。如果食材颜色符合预设范围,即判断为加工完成,加工流程结束。如果不符合,继续进行前述的颜色差值计算和加工参数调整。
上述的步骤可以带了以下的技术效果:确保每批食材都达到了预设的加工标准,保证食材品质和安全。避免过度加工或不足加工,节约时间和资源。明确的结束标准简化生产决策,提高整个加工流程的效率和可预测性。准确的加工控制可以减少能源和原料的浪费,降低生产成本。保持产品质量的一致性,提高消费者对品牌的信任和满意度。在实际应用中,这个过程可以通过集成的软硬件系统来实现,比如结合摄像头、颜色分析软件、以及自动控制系统。通过这样的系统,食材加工企业能够以较低的成本实现高效、准确的生产过程,同时保证产品质量,提高市场竞争力。
在具体实施例中,获取菜品的初始食材加工数据的步骤之后,包括:
对初始食材加工数据进行数据提取,得到初始食材加工的多种数据;其中,所述初始食材加工的多种数据包括食材的总重量、各个食材的重量以及各个食材对应的加工时长;
基于食材的总重量、各个食材的重量以及各个食材对应的加工时长,得到食材加工的总时长以及食材加工各个时间点对应的温度点,基于所述食材加工各个时间点对应的温度点得到食材加工对应的翻转频率;其中,所述控制模型是预先训练好的模型。
具体的,获取初始食材加工数据,包括食材的总重量、各食材的重量以及各食材的加工时长。对收集到的数据进行提取和分析。计算食材加工的总时长。根据食材的重量和加工时长,确定加工过程中的关键时间点。确定各时间点对应的温度,基于历史数据、预设的加工参数或实时测量。根据温度点和食材类型,计算食材加工过程中合适的翻转频率。翻转是为了确保食材均匀加工,防止烧焦或未熟。在加工过程中实时监控温度和翻转频率。根据监控数据调整加工参数,以达到最佳加工效果。
上述的步骤可以带了以下的技术效果:通过综合考虑重量、时长、温度和翻转频率,提高加工精度,确保食材品质。精确的加工控制减少能源浪费,优化资源使用。通过自动化控制减少人为干预,提高生产效率和一致性。长期累积的数据可用于持续优化加工流程和参数设定。提高的食材品质和一致性能提升市场竞争力和顾客满意度。精确的温度控制和时长管理有助于减少食品安全风险。
在具体实施中,基于所述食材加工各个时间点对应的温度点得到食材加工对应的翻转频率,包括:
将所述食材加工各个时间点的温度点输入预设的时间序列模型内进行依次排序,生成多个时间顺序温度点;其中,多个所述时间顺序温度点是各个时间点的温度点按照时间顺序依次排列的温度点;
对多个所述时间顺序温度点进行曲线连接,得到温度曲线,并对所述温度曲线进行平滑处理,得到平滑温度曲线;
将所述平滑温度曲线上的温度点输入预设的控制模型内进行频率计算,得到各个温度点对应的翻转频率;其中,所述控制模型是预先训练好的模型。
具体的,首先,收集食材加工过程中不同时间点的温度数据。将上述的温度点按照时间顺序进行排序,形成一个时间序列。可以观察温度随时间的变化趋势,将排序后的温度点通过曲线连接起来,形成一条温度曲线。有助于直观地展现温度随时间的变化。对上述的温度曲线进行平滑处理,去除可能存在的噪声或异常点,使曲线更加平滑连贯。可以减少误差,提高数据的可靠性。将平滑后的温度曲线上的温度点输入一个预设的控制模型。控制模型根据这些温度点计算出相应的翻转频率。控制模型是基于先前的训练得到的,可以根据温度变化合理预测翻转的最佳时机和频率。
上述的步骤可以带了以下的技术效果:通过精确控制翻转频率,可以确保食材在加工过程中受热均匀,从而提高最终产品的品质。自动化的温度监控和翻转频率调整减少了人为干预的需要,提高了加工效率和一致性。
在具体实施例中,通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,包括:
通过SE模块对所述食材图像进行特征提取,得到通道域注意力食材图像;
通过CBAM模块对所述通道域注意力食材图像进行通道域和空间域特征整合,得到食材特征增强图像;
将所述食材特征增强图像输入预设的YOLOv5s模型内进行检测;其中,所述YOLOv5s模型用于提高对所述食材特征增强图像的检测速度;
通过EfficientDetd0模型对所述YOLOv5s模型输出的图像进行细微颜色特征提取,得到食材加工颜色。
具体的,使用SE(Squeeze-and-Excitation)模块处理食材图像,以提取通道域的注意力特征。SE模块能够通过重标定通道特征来增强模型的代表性。利用CBAM(Convolutional Block Attention Module)模块对上一步得到的通道域注意力食材图像进一步处理。CBAM模块结合通道域和空间域的特征,进行特征整合,从而得到食材的特征增强图像。使用YOLOv5s模型对特征增强后的食材图像进行快速检测。YOLOv5s是一个高效的目标检测模型,用于实现快速而准确的物体检测。应用EfficientDetd0模型对YOLOv5s检测后的图像进行进一步处理,专注于提取细微的颜色特征。EfficientDetd0是一种高效的检测模型,适用于捕捉图像中的细节特征。
上述的步骤可以带了以下的技术效果:通过结合多个模型的特征提取和检测能力,可以更精准地识别食材的状态,尤其是在颜色变化上。实时监控食材的颜色变化对于控制食品加工质量至关重要。通过精确的颜色特征分析,可以实时调整加工参数,如温度和时间,以确保食品质量。通过自动化的图像分析过程,减少了人工干预,提高了加工效率。同时,上述的方法还能提供更加一致和可重复的加工结果,有助于保证食品的标准化生产。
在具体实施例中,对所述食材加工颜色进行分割,得到各个食材的颜色,包括:
将所述食材加工颜色输入预设的YOLOv5s模型进行目标检测,得到食材加工的目标检测区域图像;
对所述食材加工的目标检测区域图像进行高斯滤波处理,得到增强的食材加工图像;
对所述增强的食材加工图像进行预分割背景处理,得到食材加工轮廓的区域图像;其中,所述食材加工轮廓的区域图像是在目标区域内只有食材加工的图像;
通过预设的KMeans算法对所述食材加工轮廓的区域图像进行类别划分,得到多个食材加工轮廓的区域图像;
对所述各个食材加工轮廓的区域图像进行像素颜色特征提取,得到各个食材的颜色特征向量;
将所述各个食材的颜色特征向量输入预设聚类模型进行分簇,得到多个颜色的特征簇数;基于所述多个颜色的特征簇数获得颜色的聚类中心,基于所述颜色的聚类中心得到各个食材的颜色。
具体的,使用预设的YOLOv5s模型对食材加工颜色进行目标检测。YOLOv5s是一种轻量级的目标检测模型,用于快速而准确地定位图像中的食材。对目标检测区域的图像应用高斯滤波。上述的步骤用于去除图像噪声,增强食材的视觉特征。对增强后的图像进行预分割,以提取食材加工轮廓的区域图像。有助于将食材从背景中分离出来,仅保留食材本身的图像。使用KMeans算法对食材轮廓的区域图像进行类别划分。将不同食材的图像区域分开,便于后续的颜色特征提取。从每个食材加工轮廓的区域图像中提取像素颜色特征。上述的步骤得到的是每种食材的颜色特征向量。将颜色特征向量输入预设的聚类模型进行分簇。得到多个颜色的特征簇数,并基于此确定颜色的聚类中心。最后根据聚类中心确定每种食材的颜色。
上述的步骤可以带了以下的技术效果:通过结合目标检测和聚类算法,能更精确地识别不同食材的颜色。使用高斯滤波和背景分割技术提高了食材图像的质量,使得颜色特征更加突出和易于识别。这一过程大幅度减少了人工参与,提高了食材颜色分析的自动化水平和效率。此技术不仅可用于食材颜色的识别,还可扩展到其他领域,如农产品质量控制、食品安全检测等。通过这些步骤,可以实现对食材颜色的快速、准确识别和分析,有助于提高食品加工的质量控制和安全性。
上面对本发明实施例中食材加工数据的处理方法进行了描述,下面对本发明实施例中食材加工数据的处理装置进行描述,请参阅图2,本发明实施例中食材加工数据的处理装置一个实施例包括:
获取模块21,用于获取菜品的初始食材加工数据;
采集模块22,用于在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像;
提取模块23,用于通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;其中,所述分辨模型包括SC-YOLOv5s模型以及ficientDetd0模型,所述SC-YOLOv5s模型中的SC模块与ficientDetd0模型相结合;所述SC-YOLOv5s模型是SC模块结合YOLOv5s模型,所述SC模块是SE模块与CBAM模块相结合;
判断模块24,用于对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正。
在本实施例中,上述装置实施例中的各个单元的具体实现,请参照上述方法实施例中所述,在此不再进行赘述。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种食材加工数据的处理方法,其特征在于:包括以下步骤:
获取菜品的初始食材加工数据;
在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像;
通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;其中,所述分辨模型包括SC-YOLOv5s模型以及EfficientDetd0模型,所述SC-YOLOv5s模型中的SC模块与EfficientDetd0模型相结合;所述SC-YOLOv5s模型是SC模块结合YOLOv5s模型,所述SC模块是SE模块与CBAM模块相结合;
对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正;
通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,包括:
通过SE模块对所述食材图像进行特征提取,得到通道域注意力食材图像;
通过CBAM模块对所述通道域注意力食材图像进行通道域和空间域特征整合,得到食材特征增强图像;
将所述食材特征增强图像输入预设的YOLOv5s模型内进行检测;其中,所述YOLOv5s模型用于提高对所述食材特征增强图像的检测速度;
通过EfficientDetd0模型对所述YOLOv5s模型输出的图像进行细微颜色特征提取,得到食材加工颜色;
对所述食材加工颜色进行分割,得到各个食材的颜色,包括:
将所述食材加工颜色输入预设的YOLOv5s模型进行目标检测,得到食材加工的目标检测区域图像;
对所述食材加工的目标检测区域图像进行高斯滤波处理,得到增强的食材加工图像;
对所述增强的食材加工图像进行预分割背景处理,得到食材加工轮廓的区域图像;其中,所述食材加工轮廓的区域图像是在目标区域内只有食材加工的图像;
通过预设的KMeans算法对所述食材加工轮廓的区域图像进行类别划分,得到多个食材加工轮廓的区域图像;
对各个食材加工轮廓的区域图像进行像素颜色特征提取,得到各个食材的颜色特征向量;
将所述各个食材的颜色特征向量输入预设聚类模型进行分簇,得到多个颜色的特征簇数;基于所述多个颜色的特征簇数获得颜色的聚类中心,基于所述颜色的聚类中心得到各个食材的颜色。
2.根据权利要求1所述的食材加工数据的处理方法,其特征在于:判断所述食材加工颜色是否在预设的颜色范围内的步骤之后,还包括:
若食材加工颜色在预设的颜色范围内,则食材加工结束。
3.根据权利要求1所述的食材加工数据的处理方法,其特征在于:获取菜品的初始食材加工数据的步骤之后,包括:
对初始食材加工数据进行数据提取,得到初始食材加工的多种数据;其中,所述初始食材加工的多种数据包括食材的总重量、各个食材的重量以及各个食材对应的加工时长;
基于食材的总重量、各个食材的重量以及各个食材对应的加工时长,得到食材加工的总时长以及食材加工各个时间点对应的温度点,基于所述食材加工各个时间点对应的温度点得到食材加工对应的翻转频率。
4.根据权利要求3所述的食材加工数据的处理方法,其特征在于:基于所述食材加工各个时间点对应的温度点得到食材加工对应的翻转频率,包括:
将所述食材加工各个时间点的温度点输入预设的时间序列模型内进行依次排序,生成多个时间顺序温度点;其中,多个所述时间顺序温度点是各个时间点的温度点按照时间顺序依次排列的温度点;
对多个所述时间顺序温度点进行曲线连接,得到温度曲线,并对所述温度曲线进行平滑处理,得到平滑温度曲线;
将所述平滑温度曲线上的温度点输入预设的控制模型内进行频率计算,得到各个温度点对应的翻转频率;其中,所述控制模型是预先训练好的模型。
5.一种食材加工数据的处理装置,其特征在于,包括:
获取模块,用于获取菜品的初始食材加工数据;
采集模块,用于在基于所述初始食材加工数据对食材进行加工之后,对加工后的食材进行图像采集,得到食材图像;
提取模块,用于通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,并判断所述食材加工颜色是否在预设的颜色范围内;其中,所述分辨模型包括SC-YOLOv5s模型以及ficientDetd0模型,所述SC-YOLOv5s模型中的SC模块与ficientDetd0模型相结合;所述SC-YOLOv5s模型是SC模块结合YOLOv5s模型,所述SC模块是SE模块与CBAM模块相结合;
判断模块,用于对所述食材加工颜色进行分割,得到各个食材的颜色,并判定各个所述食材的颜色是否在对应的预设颜色范围内,若任一所述食材的颜色不在对应的预设颜色范围内,则计算所述食材的颜色与对应的预设颜色范围之间的颜色差值,基于所述颜色差值对初始食材加工数据进行修正;
通过预设的分辨模型对食材图像进行颜色特征提取,得到食材加工颜色,包括:
通过SE模块对所述食材图像进行特征提取,得到通道域注意力食材图像;
通过CBAM模块对所述通道域注意力食材图像进行通道域和空间域特征整合,得到食材特征增强图像;
将所述食材特征增强图像输入预设的YOLOv5s模型内进行检测;其中,所述YOLOv5s模型用于提高对所述食材特征增强图像的检测速度;
通过EfficientDetd0模型对所述YOLOv5s模型输出的图像进行细微颜色特征提取,得到食材加工颜色;
对所述食材加工颜色进行分割,得到各个食材的颜色,包括:
将所述食材加工颜色输入预设的YOLOv5s模型进行目标检测,得到食材加工的目标检测区域图像;
对所述食材加工的目标检测区域图像进行高斯滤波处理,得到增强的食材加工图像;
对所述增强的食材加工图像进行预分割背景处理,得到食材加工轮廓的区域图像;其中,所述食材加工轮廓的区域图像是在目标区域内只有食材加工的图像;
通过预设的KMeans算法对所述食材加工轮廓的区域图像进行类别划分,得到多个食材加工轮廓的区域图像;
对各个食材加工轮廓的区域图像进行像素颜色特征提取,得到各个食材的颜色特征向量;
将所述各个食材的颜色特征向量输入预设聚类模型进行分簇,得到多个颜色的特征簇数;基于所述多个颜色的特征簇数获得颜色的聚类中心,基于所述颜色的聚类中心得到各个食材的颜色。
6.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254757.7A CN117831028B (zh) | 2024-03-06 | 2024-03-06 | 食材加工数据的处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410254757.7A CN117831028B (zh) | 2024-03-06 | 2024-03-06 | 食材加工数据的处理方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117831028A CN117831028A (zh) | 2024-04-05 |
CN117831028B true CN117831028B (zh) | 2024-05-07 |
Family
ID=90515680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410254757.7A Active CN117831028B (zh) | 2024-03-06 | 2024-03-06 | 食材加工数据的处理方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117831028B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014145639A (ja) * | 2013-01-29 | 2014-08-14 | Tdi Product Solution Co Ltd | 食品検査装置 |
CN110115512A (zh) * | 2018-02-05 | 2019-08-13 | 佛山市顺德区美的电热电器制造有限公司 | 烹饪机的控制方法和烹饪机 |
CN111914953A (zh) * | 2020-08-27 | 2020-11-10 | 朱党兰 | 一种基于物联网的食品配料流程监控系统 |
WO2023154515A1 (en) * | 2022-02-14 | 2023-08-17 | Apeel Technology, Inc. | Systems and methods for assessment of produce shelf life using time lapse image data |
CN116884572A (zh) * | 2023-09-07 | 2023-10-13 | 北京四海汇智科技有限公司 | 一种基于图像处理的营养智能管理方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10845060B2 (en) * | 2015-05-05 | 2020-11-24 | June Life, Inc. | Connected food preparation system and method of use |
-
2024
- 2024-03-06 CN CN202410254757.7A patent/CN117831028B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014145639A (ja) * | 2013-01-29 | 2014-08-14 | Tdi Product Solution Co Ltd | 食品検査装置 |
CN110115512A (zh) * | 2018-02-05 | 2019-08-13 | 佛山市顺德区美的电热电器制造有限公司 | 烹饪机的控制方法和烹饪机 |
CN111914953A (zh) * | 2020-08-27 | 2020-11-10 | 朱党兰 | 一种基于物联网的食品配料流程监控系统 |
WO2023154515A1 (en) * | 2022-02-14 | 2023-08-17 | Apeel Technology, Inc. | Systems and methods for assessment of produce shelf life using time lapse image data |
CN116884572A (zh) * | 2023-09-07 | 2023-10-13 | 北京四海汇智科技有限公司 | 一种基于图像处理的营养智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117831028A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349145B (zh) | 缺陷检测方法、装置、电子设备以及存储介质 | |
CN110110799A (zh) | 细胞分类方法、装置、计算机设备和存储介质 | |
CN114706358B (zh) | 一种直缝焊管的焊接工艺信息处理方法及系统 | |
WO2021153633A1 (ja) | 金属組織の相の分類方法、金属組織の相の分類装置、金属組織の相の学習方法、金属組織の相の学習装置、金属材料の材料特性予測方法および金属材料の材料特性予測装置 | |
EP3206164A1 (en) | System and method for efficiently scoring probes in an image with a vision system | |
CN117974665B (zh) | 基于计算机视觉的金属模具在线检测方法及设备 | |
CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
CN117495856B (zh) | 基于深度学习的晶圆表面检测方法、装置、设备和介质 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
Tang et al. | Anomaly detection of core failures in die casting X-ray inspection images using a convolutional autoencoder | |
CN117372435B (zh) | 基于图像特征的连接器针脚检测方法 | |
CN118275449A (zh) | 铜带表面缺陷检测方法、装置及设备 | |
CN117831028B (zh) | 食材加工数据的处理方法、装置、设备以及存储介质 | |
CN116258838B (zh) | 一种用于管片模具合模系统的智能视觉引导方法 | |
CN109407630B (zh) | 参数计算的方法、装置、终端及可读存储介质 | |
CN117630003A (zh) | 一种零件缺陷的检测方法和装置 | |
CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
Candra et al. | Computer Vision Implementation in Scratch Inspection and Color Detection on The Car Roof Surface | |
Bautista et al. | Plum selection system using computer vision | |
CN112215149A (zh) | 基于视觉检测的配件分拣系统及方法 | |
CN114813746B (zh) | 基于机器视觉的弯针检测的方法、系统、存储介质及设备 | |
CN118505688B (zh) | 键盘丝印的图像检测方法、装置、设备及存储介质 | |
CN117817211B (zh) | 基于机器视觉的焊接自动化控制方法及系统 | |
CN116358834A (zh) | 一种接口组件检测设备及方法 | |
CN117336605A (zh) | 辅助对焦方法、装置、计算机设备及其存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Zeng Zhicheng Inventor after: Luo Hongyan Inventor before: Zeng Zhicheng Inventor before: Lie Huapei Inventor before: Luo Yanhong |
|
CB03 | Change of inventor or designer information |