CN107833223A - 一种基于光谱信息的水果高光谱图像分割方法 - Google Patents
一种基于光谱信息的水果高光谱图像分割方法 Download PDFInfo
- Publication number
- CN107833223A CN107833223A CN201710890756.1A CN201710890756A CN107833223A CN 107833223 A CN107833223 A CN 107833223A CN 201710890756 A CN201710890756 A CN 201710890756A CN 107833223 A CN107833223 A CN 107833223A
- Authority
- CN
- China
- Prior art keywords
- fruit
- image
- spectral
- pixel
- msub
- 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
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 72
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 68
- 238000003709 image segmentation Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000001228 spectrum Methods 0.000 title claims 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000004611 spectroscopical analysis Methods 0.000 claims 6
- 238000002310 reflectometry Methods 0.000 claims 4
- 230000008859 change Effects 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000011946 reduction process Methods 0.000 claims 1
- 230000008439 repair process Effects 0.000 claims 1
- 230000002459 sustained effect Effects 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 238000000701 chemical imaging Methods 0.000 abstract description 5
- 238000010183 spectrum analysis Methods 0.000 abstract description 2
- 240000000851 Vaccinium corymbosum Species 0.000 description 22
- 235000003095 Vaccinium corymbosum Nutrition 0.000 description 22
- 235000017537 Vaccinium myrtillus Nutrition 0.000 description 22
- 235000021014 blueberries Nutrition 0.000 description 22
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000020983 fruit intake Nutrition 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种基于光谱信息的水果高光谱图像分割方法，涉及光谱图像处理。该基于光谱信息的水果高光谱图像分割方法，是利用高光谱成像设备同时采集待测水果的光谱信息和图像信息，结合光谱分析技术、计算机图像处理和机器视觉技术的优点，对待测水果进行分割的技术。采集到的待测水果高光谱图像是在特定波长范围内由一系列连续的较窄波段图像组成的三维图像数据块。在此三维图像数据块内水果与背景的每个像素点的光谱信息都有较大的差异，通过对比分析水果与背景之间光谱数据的差异采用‘光谱均值‑阈值’分割算法，能够快速准确的分割水果图像。
Description
技术领域
本发明涉及光谱图像处理，特别涉及一种基于光谱信息的水果高光谱图像分割方法。
背景技术
水果营养价值高，产量大,但国内产业发展后劲不强。其主要原因是我国水果采后品质检测技术落后，大多是人工操作，耗时耗力，而且效率低，因而无法满足大规模生产的需求，无法满足国内的高端需求。目前，国内对水果的采后无损检测研究还不成熟，因此，亟需开发快速无损智能高效的采后品质检测技术，推动水果采后处理向优质化、标准化和产业化方向健康发展，以营养和功能引导水果消费。通过分析水果的高光谱图像数据，可以快速无损地检测水果的品质，而将水果图像精准完整地分割出来是分析水果高光谱图像的前提。而大部分水果呈球形，水果高光谱图像中水果边缘颜色较深，与背景颜色相近，故目前基于图像信息的分割方法不易区分水果与背景，容易使水果图像分割不准确。因此，提出一种快速精准的水果图像分割方法，其在水果品质检测中具有较好的应用前景。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种基于光谱信息的水果高光谱图像分割方法，其具有设计合理、快速准确的优点。
本发明所采用的技术方案是：一种基于光谱信息的水果高光谱图像分割方法，其技术要点是，包括以下步骤：
获取高光谱图像的步骤，将校正白板放在移动平台上并与水果样品处于同一高度，获得校正白板的高光谱标定图像；关闭镜头快门获取全黑的高光谱标定图像，最后将待测水果样品放置于移动平台上，获得水果样品在移动平台不同位置的全部的光谱信息；
高光谱图像数据校正的步骤，利用校正白板的高光谱标定图像、全黑的高光谱标定图像对水果样品的光谱信息进行降噪处理，获取平滑的光谱图像；
确定图像分割的特征波长,获取水果样品每个像素点在不同波段处的光谱反射率及背景每个像素点在不同波段处的光谱反射率，计算水果所在区域每个像素点的光谱数据与背景的光谱数据的差值，确定差值最大处的波长为特征波长，该波长下的光谱数据作为分割图像的光谱数据；
分割出待测水果图像的步骤，利用光谱均值-阈值算法分割出待测水果图像。
上述方案中，高光谱图像数据校正的公式如下：
式中，R为校正图像，IS为原始光谱图像，ID为全黑的标定图像，IW为全白的标定图像。
上述方案中，所述的光谱均值-阈值算法包括以下步骤：
随机获取待测水果高光谱图像水果所在区域某像素点处于不同波段的所有光谱数据的反射率，计算反射率的均值，将该均值作为阈值；
将水果高光谱图像每个像素点特征波长下的光谱数据与阈值比较，若小于阈值，则修改像素点的像素值，若大于阈值，则像素值不变。
上述方案中，修改像素点的像素值为255。
本发明的有益效果是：该基于光谱信息的水果高光谱图像分割方法，是利用高光谱成像设备同时采集待测水果的光谱信息和图像信息，结合光谱分析技术、计算机图像处理和机器视觉技术的优点，对待测水果进行分割的技术。采集到的待测水果高光谱图像是在特定波长范围内由一系列连续的较窄波段图像组成的三维图像数据块。在此三维图像数据块内水果与背景的每个像素点的光谱信息都有较大的差异，通过对比分析水果与背景之间光谱数据的差异采用‘光谱均值-阈值’分割算法，能够快速准确的分割水果图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可根据这些附图获得其他的附图。
图1为本发明实施例中基于光谱信息的水果高光谱图像分割方法的流程图；
图2为本发明实施例中分割后的蓝莓图像示意图，(a)为未分割之前的蓝莓示意图；(b)为分割后的蓝莓示意图。
具体实施方式
使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图1～2和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例中将蓝莓作为待测水果，需要的设备主要由高光谱成像光谱仪(ImSpector V10E,Spectral Imaging Ltd,Finland)、一架像素为1392×1040的面阵CCD相机(IGV-B1410M,IMPERX Incorporated,USA)、一台精密位移控制平台(IRCP0076-1COM,台湾)、一套150W的光纤卤素灯(3900Illuminatior,Illumination Technologies,Inc.美国)、一个减少环境光影响的暗箱(120×50×140cm)及数据处理机(DELL Vostro 5560D-1528)，其中，高光谱摄像头的光谱范围为400—1100nm，光谱分辨率为2.8nm。利用高光谱成像采集系统获取水果高光谱图像，调整蓝莓上表面到镜头的距离为250mm，相机曝光时间9.1ms，平台移动速度2.2mm/s，以确保采集的图像清晰且不失真。
本实施例采用的基于光谱信息的水果高光谱图像分割方法获取蓝莓的高光谱图像的步骤如下：
步骤S101，获取高光谱图像的步骤，首先将校正白板放在移动平台上并与水果样品处于同一高度，调整光源强度使最大DN值在3200左右，通过高光谱图像采集软件Spectral Image(Isuzu Optics Corp.,Taiwan)采集全白的标定图像IW；关闭镜头快门获取全黑的标定图像ID；将蓝莓(一个或者多个均可)放置于移动平台上，采集高光谱图像以获得蓝莓在移动平台移动过程中不同位置的全部的原始光谱图像IS。
步骤S102，高光谱图像数据校正的步骤，利用校正白板的高光谱标定图像、全黑的高光谱标定图像对水果样品的光谱信息进行降噪处理，获取平滑的光谱图像，其中，高光谱图像数据校正的公式如下：
式中，R为校正图像，IS为原始图像，ID为全黑的标定图像，IW为全白的标定图像。
步骤S103，确定图像分割的特征波长的步骤，获取水果样品每个像素点在不同波段处的光谱反射率及背景每个像素点在不同波段处的光谱反射率，计算蓝莓区域每个像素点的光谱数据与背景的光谱数据的差值，确定差值最大处的波长为特征波长，该波长下的光谱数据作为分割图像的光谱数据；
通过校正后的蓝莓高光谱图像，确定蓝莓的全波段光谱曲线特点是400-700nm的光谱反射率较低，700-750nm之间光谱反射率迅速上升，并在900nm波段附近光谱达到峰值，而背景的全波段光谱曲线较为平缓，且光谱反射率小。因此本实施例确定在900nm附近波段的蓝莓光谱数据与背景光谱数据差异达到最大，选择900.41nm波长下的蓝莓区域每个像素点的光谱数据与背景的光谱数据作为分割图像的光谱数据。
步骤S104，分割出待测水果图像的步骤，利用光谱均值-阈值算法分割出待测水果图像。随机获取蓝莓高光谱图像某像素点，计算该像素点处的所有光谱数据并求得均值0.31，以此均值作为阈值。将蓝莓高光谱图像像素点(i,j)处900.41nm波长下的光谱数据与阈值0.31进行比较，若背景区域各像素点处900.41nm波长下的光谱反射率(均在0.1以下)小于阈值，应将蓝莓图像对应像素点像素值赋值为255；蓝莓区域各像素点处900.41nm波长下的光谱反射率则都在0.45-0.55之间，若蓝莓区域各像素点处900.41nm波长下的光谱反射率大于阈值，则蓝莓区域对应像素点像素值不变，分割计算公式如下：
式中，t(i,j)为蓝莓高光谱图像像素点(i,j)处900.41nm波长下的的光谱数据,g为蓝莓高光谱图像某像素点处的光谱数据均值，即阈值，h(i,j)为分割后的像素点(i,j)的像素值，Q(i,j)为蓝莓图像分割前像素点(i,j)的像素值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (4)
1.一种基于光谱信息的水果高光谱图像分割方法，其特征在于，包括以下步骤：
获取高光谱图像的步骤，将校正白板放在移动平台上并与水果样品处于同一高度，获得校正白板的高光谱标定图像；关闭镜头快门获取全黑的高光谱标定图像,最后将待测水果样品放置于移动平台上，获得水果样品在移动平台不同位置的全部的光谱信息；
高光谱图像数据校正的步骤，利用校正白板的高光谱标定图像、全黑的高光谱标定图像对水果样品的光谱信息进行降噪处理，获取平滑的光谱图像；
确定图像分割的特征波长,获取水果样品每个像素点在不同波段处的光谱反射率及背景每个像素点在不同波段处的光谱反射率，计算水果所在区域每个像素点的光谱数据与背景的光谱数据的差值，确定差值最大处的波长为特征波长，该波长下的光谱数据作为分割图像的光谱数据；
分割出待测水果图像的步骤，利用光谱均值-阈值算法分割出待测水果图像。
2.如权利要求1所述的基于光谱信息的水果高光谱图像分割方法，其特征在于，高光谱图像数据校正的公式如下：
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>S</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>D</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>I</mi>
<mi>W</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>D</mi>
</msub>
</mrow>
</mfrac>
</mrow>
式中，R为校正图像，IS为原始光谱图像，ID为全黑的标定图像，IW为全白的标定图像。
3.如权利要求1所述的基于光谱信息的水果高光谱图像分割方法，其特征在于，所述的光谱均值-阈值算法包括以下步骤：
随机获取待测水果高光谱图像水果所在区域某像素点处于不同波段的所有光谱数据的反射率，计算反射率的均值，将该均值作为阈值；
将水果高光谱图像每个像素点特征波长下的光谱数据与阈值比较，若小于阈值，则修改像素点的像素值，若大于阈值，则像素值不变。
4.如权利要求3所述的基于光谱信息的水果高光谱图像分割方法，其特征在于，修改像素点的像素值为255。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710890756.1A CN107833223B (zh) | 2017-09-27 | 2017-09-27 | 一种基于光谱信息的水果高光谱图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710890756.1A CN107833223B (zh) | 2017-09-27 | 2017-09-27 | 一种基于光谱信息的水果高光谱图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107833223A true CN107833223A (zh) | 2018-03-23 |
| CN107833223B CN107833223B (zh) | 2023-09-22 |
Family
ID=61643636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710890756.1A Active CN107833223B (zh) | 2017-09-27 | 2017-09-27 | 一种基于光谱信息的水果高光谱图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107833223B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310948A (zh) * | 2021-05-11 | 2021-08-27 | 中国农业科学院农产品加工研究所 | 一种智能化快速测定菜肴食品营养含量的检测装置 |
| CN113688845A (zh) * | 2021-08-19 | 2021-11-23 | 南京诺源医疗器械有限公司 | 适用于高光谱遥感图像的特征提取方法、装置及存储介质 |
| CN114563361A (zh) * | 2021-12-17 | 2022-05-31 | 重庆大学 | 基于高光谱相机的光谱监测文物防盗方法及系统 |
| US11995842B2 (en) * | 2021-07-22 | 2024-05-28 | X Development Llc | Segmentation to improve chemical analysis |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6335501B1 (en) * | 2000-02-04 | 2002-01-01 | Eco-Shred Ltd. | Optical paper sorter |
| CA2406300A1 (en) * | 2002-10-02 | 2004-04-02 | Eco-Shred Ltd. | Optical paper sorter |
| CN103226832A (zh) * | 2013-05-07 | 2013-07-31 | 西安电子科技大学 | 基于光谱反射率变化分析的多光谱遥感影像变化检测方法 |
-
2017
- 2017-09-27 CN CN201710890756.1A patent/CN107833223B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6335501B1 (en) * | 2000-02-04 | 2002-01-01 | Eco-Shred Ltd. | Optical paper sorter |
| CA2406300A1 (en) * | 2002-10-02 | 2004-04-02 | Eco-Shred Ltd. | Optical paper sorter |
| CN103226832A (zh) * | 2013-05-07 | 2013-07-31 | 西安电子科技大学 | 基于光谱反射率变化分析的多光谱遥感影像变化检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| HONGYAN ZHU ETC.: "Hyperspectral Imaging for Predicting the Internal Quality of Kiwifruits Based on Variable Selection Algorithms and Chemometric Models", SCIENTIFIC REPORTS * |
| 田有文: "基于高光谱成像的苹果虫伤缺陷与果梗/花萼识别方法", 农业工程学报, vol. 31, no. 04 * |
| 田有文等: "基于高光谱图像技术的农产品品质无损检测", 农机化研究, no. 10 * |
| 苏红军等: "高光谱数据特征选择与特征提取研究", 遥感技术与应用, no. 04 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310948A (zh) * | 2021-05-11 | 2021-08-27 | 中国农业科学院农产品加工研究所 | 一种智能化快速测定菜肴食品营养含量的检测装置 |
| CN113310948B (zh) * | 2021-05-11 | 2023-03-14 | 中国农业科学院农产品加工研究所 | 一种智能化快速测定菜肴食品营养含量的检测装置 |
| US11995842B2 (en) * | 2021-07-22 | 2024-05-28 | X Development Llc | Segmentation to improve chemical analysis |
| CN113688845A (zh) * | 2021-08-19 | 2021-11-23 | 南京诺源医疗器械有限公司 | 适用于高光谱遥感图像的特征提取方法、装置及存储介质 |
| CN114563361A (zh) * | 2021-12-17 | 2022-05-31 | 重庆大学 | 基于高光谱相机的光谱监测文物防盗方法及系统 |
| CN114563361B (zh) * | 2021-12-17 | 2024-11-05 | 重庆大学 | 基于高光谱相机的光谱监测文物防盗方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107833223B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113608378B (zh) | 一种基于lcd制程的全自动缺陷检测方法和系统 | |
| CN113570605B (zh) | 一种基于液晶显示面板的缺陷检测方法和系统 | |
| CN111896550A (zh) | 一种表面缺陷检测装置及方法 | |
| CN109840889A (zh) | 基于仿生算法的高精度视觉测量方法、装置和系统 | |
| CN111344553B (zh) | 曲面物体的缺陷检测方法及检测系统 | |
| CN111179362B (zh) | 一种基于动态光照校正算法的试纸颜色均匀性检测方法 | |
| CN107833223B (zh) | 一种基于光谱信息的水果高光谱图像分割方法 | |
| CN101256157A (zh) | 表面缺陷检测方法、装置 | |
| WO2014139231A1 (zh) | 光源光强均一性测调系统及测调方法 | |
| CN116678826A (zh) | 一种基于快速立体重建的外观缺陷检测系统及方法 | |
| CN117459700B (zh) | 一种彩色光度立体成像方法、系统、电子设备及介质 | |
| CN116503388A (zh) | 缺陷检测方法、装置及存储介质 | |
| CN112001917A (zh) | 一种基于机器视觉的圆形有孔零件形位公差检测方法 | |
| CN109001218A (zh) | 基于高光谱成像技术的苹果表面缺陷快速无损识别方法 | |
| CN110186937A (zh) | 剔除灰尘影响的镜面物体表面二维缺陷检测方法及系统 | |
| CN109406529A (zh) | 一种aoi缺陷检测系统的性能调节方法 | |
| CN114280075B (zh) | 一种管类零件表面缺陷在线视觉检测系统及检测方法 | |
| CN111551350A (zh) | 一种基于U_Net网络的光学镜片表面划痕检测方法 | |
| CN103217108A (zh) | 一种眼镜架几何参数检测方法 | |
| CN115791806B (zh) | 一种用于汽车漆面缺陷的检测成像方法、电子设备、介质 | |
| CN119151945B (zh) | 图像缺陷检测方法、装置、系统和计算机可读存储介质 | |
| CN119880946B (zh) | 一种基于图像处理的光学镜头表面缺陷检测方法及系统 | |
| CN104848808B (zh) | 一种表面粗糙度检测方法和设备 | |
| JP2012083351A (ja) | 欠陥検査装置およびその方法 | |
| CN119780119A (zh) | 基于多光谱成像的电子元器件外观缺陷检测方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tian Youwen Inventor after: Zhang Fang Inventor after: He Kuan Inventor before: Tian Youwen Inventor before: Zhang Fang Inventor before: He Kuan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |