CN104156731A - 基于人工神经网络的车牌识别***与方法 - Google Patents
基于人工神经网络的车牌识别***与方法 Download PDFInfo
- Publication number
- CN104156731A CN104156731A CN201410371195.0A CN201410371195A CN104156731A CN 104156731 A CN104156731 A CN 104156731A CN 201410371195 A CN201410371195 A CN 201410371195A CN 104156731 A CN104156731 A CN 104156731A
- Authority
- CN
- China
- Prior art keywords
- license plate
- digital signal
- signal processor
- image
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工神经网络的车牌识别***,它包括图像传感器、视频编码器、视频解码器和触摸液晶显示屏,其特征在于:它还包括数字信号处理器,所述的数字信号处理器的型号为TMS320DM642,图像传感器与视频编码器连接,视频编码器与数字信号处理器连接,数字信号处理器与视频解码器连接,视频解码器和数字信号处理器与通信接口模块连接。本发明运行速度块、识别精度高、简单、鲁棒性强,对于大部分光照条件差和较为模糊的各种底色车牌都能够做到准确的识别。
Description
技术领域
本发明涉及智能交通领域,尤其是一种基于人工神经网络的车牌识别***与方法。
背景技术
随着我国经济的高速发展,人民生活水平的不断提高,私有车辆越来越多,交通需求量也越来越大,现有的交通基础设施建设速度远远跟不上机动车辆和其他交通工具的增长速度。传统的人工管理方式已经越来越不能满足实际工作的需要。如何将安全可靠快捷的对车辆进行监控,为人类提供高科技带来的简便、时尚、安全的现代生活,成为了一个全新的课题。在此背景下,智能交通的理念迎来了发展机遇。
智能交通前景十分广阔,随着我国城市化进程的加快和汽车销量的大幅攀升,城市堵车日趋严重,给人们生活带来了诸多不便,并产生大量的气体排放,交通事故频繁,在此背景下,政府加大力度投入智能交通迫在眉睫。智能交通行业规模也越来越大,从长期来看,智能交通的发展如汽车监控、车辆自动识别、实时路况等将成为智能交通的主要内容。
车辆牌照是全世界唯一对车辆身份识别的标记,尽管牌照的字符、颜色、格式内容和制作材料会多种多样,但是车牌照仍是全球范围内最为精确和特定的识别标志。因此,车牌识别技术在交通***管理中有着十分重要的作用。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于人工神经网络的车牌识别***与方法。
本发明的目的是通过以下技术方案来实现的:一种基于人工神经网络的车牌识别***,它包括图像传感器、视频编码器、视频解码器和触摸液晶显示屏,其特征在于:它还包括数字信号处理器,所述的数字信号处理器的型号为TMS320DM642,图像传感器与视频编码器连接,视频编码器与数字信号处理器连接,数字信号处理器与视频解码器连接,视频解码器和数字信号处理器与通信接口模块连接。
所述的基于人工神经网络的车牌识别***执行车牌识别的方法,包括以下步骤:
S1:获取图像序列,并存储到内存;
S2:对图像进行预处理,包括二值化、降噪、图像增强以及边缘检测;
S3:对车牌定位,提取出车牌图像,具体子步骤如下;
S31:对S2预处理后的图像进行小波变换,分级提取图像的边缘;
S32:形态化处理,对车牌轮廓进行初步定位;
S33:筛选车牌区域和伪车牌区域;
S34:采用投影法进行二次定位;
S4:对S3提取出的车牌图像进行二值化处理,查找倾斜的角度,采用改进坐标变换的方法对车牌进行倾斜扶正;
S5:利用垂直投影图中的字符的峰群特点,采用基于字符连通域宽高检测和先验知识相结合的方法进行车牌字符切割;
S6:利用基于神经网络的方法进行字符识别;
S7:显示识别结果。
所述的通信接口模块包括MAX485、TC35和CP2200。
本发明的有益效果是:(1)运行速度高,三秒内返回识别结果,实时处理比较好。
(2)字符识别采用基于BP神经网络的改进算法,识别精度高,在整个识别过程中,识别率达到了98.5%,已经完全达到了工程应用标准。
(3)字符分割采用基于字符连通域宽高检测和先验知识相结合的方法,很好地解决了字符粘连对分割的干扰,同时完成了对车牌图像的滤波。
(4)***通过采用优化小波变换的算法提取LP的边缘信息,并进行字符的二值化,对于大部分光照条件差和较为模糊的各种底色车牌都能够做到准确的识别。
附图说明
图1为本发明***结构方框图;
图2为本发明方法流程框图;
图3为车牌定位流程框图;
图4为车牌倾斜扶正流程框图;
图5为车牌字符切割流程框图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案:如图1所示,一种基于人工神经网络的车牌识别***,它包括图像传感器、视频编码器、视频解码器和触摸液晶显示屏,其特征在于:它还包括数字信号处理器,所述的数字信号处理器的型号为TMS320DM642,图像传感器与视频编码器连接,视频编码器与数字信号处理器连接,数字信号处理器与视频解码器连接,视频解码器和数字信号处理器与通信接口模块连接。
所述的通信接口模块包括MAX485、TC35和CP2200。
所述的数字信号处理器的型号为TMS320DM642。
所述的视频编码器的型号为SAA7121。
所述的视频解码器的型号为TVP5150。
如图2所示,所述的基于人工神经网络的车牌识别***执行车牌识别的方法,包括以下步骤:
S1:获取图像序列,并存储到内存;
S2:对图像进行预处理,包括二值化、降噪、图像增强以及边缘检测;
S3:对车牌定位,提取出车牌图像,具体子步骤如下;
S31:对S2预处理后的图像进行小波变换,分级提取图像的边缘;
S32:形态化处理,对车牌轮廓进行初步定位;
S33:筛选车牌区域和伪车牌区域;
S34:采用投影法进行二次定位;
S4:对S3提取出的车牌图像进行二值化处理,查找倾斜的角度,采用改进坐标变换的方法对车牌进行倾斜扶正;
S5:利用垂直投影图中的字符的峰群特点,采用基于字符连通域宽高检测和先验知识相结合的方法进行车牌字符切割;
S6:利用基于神经网络的方法进行字符识别;
S7:显示识别结果。
图像预处理包括灰度变换、灰度拉伸、图像滤波、图像增强、二值化处理。预处理前的图像都是24位真彩色图像。彩色图像包含着大量的颜色信息,不但在存储上开销很大,而且在处理上也会降低***的执行速度,而且大多数图像处理技术都是针对256级灰度图的。因此,在对图像进行识别等处理中经常将彩色图像转变为灰度图像灰度图中的灰度和彩色图中的RGB颜色对应,其中加权平均值法对R、G、B值赋予权值后加权平均,其转换公式为:f(i,j)=(0.299×R+0.587×G+0.114×B)/3。
灰度拉伸,即根据灰度直方图的分布有选择地对灰度区间进行分段拉伸,以增强对比度对。图像使用维纳滤波主要是为了消除图像中存在的一些噪声。输入图像经过小波变换后分解得到四个分量,分别为平滑分量Aj+1、水平分量Hj+1、垂直分量Vj+1和对角线分量Dj+1。其中水平分量Hj+1表示水平方向的低频分量和垂直分量的高频分量,垂直分量Vj+1表示水平方向的高频分量和垂直分量的低频分量,对角线分量Dj+1表示水平方向的高频分量和垂直分量的高频分量。利用扫描行跳变点数确定出水平候选区,再根据车牌区域垂直投影图的统计规律对水平区域筛选、定位。
从图像的底部开始向顶部逐行扫描,如果满足在一定距离内灰度值跳变14次,且相邻两跳变的距离在一定的范围内,就记录下跳变在该行的起点和终点位置,本文称该起点和终点的连线为行扫描线,如果有连续1O行以上的行扫描线,且相邻上下行的扫描位置相邻,就认为是车牌候选区域。
如图4所示,基于差分投影的车牌倾斜校正的原理:将车牌旋转一个角度,然后计算旋转后车牌图像的水平差分投影图。当车牌倾斜的时候,其水平差分图在水平方向上的投影范围比较大,均值较小,当车牌旋转到水平位置的时候,其水平差分图在水平方向的投影范围最小且均值最大。当然,通常情况下,车牌的倾斜范围在±15。该方法的好处是不受边框的存在与否和字符的清晰程度的影响。利用Hough变换查找车牌倾斜角度的方法,最重要的是找到基准线,并且作为基准线的这条直线应该满足水平直线和垂直直线的要求。在有车牌边框的图像中,车牌边框往往成为了基准线,但是其倾斜的车牌其边框也是倾斜的,因此计算十分复杂,对此采用一种简单的优化投影方法来找出车牌的角度本文对定位出来的车牌,重新二值化,然后进行垂直投影,车牌的高度已找出,可估算字符的宽度,然后在投影图中寻找到第二和第三个字符的间隔处,分别向左找2个字符和向右找5个字符,这样处理值是为了去除车牌两边的边框。
字符识别采用基于人工神经网络的办法。
人工神经网络(简称ANN)是一个并行、分布处理的结构,它由处理单元及其联接的无向讯号通道互联而成。这些处理单元具有局部内存,可以完成局部操作,即它必须仅仅依赖于经过输入联接到达处理单元的所有信号的当前值和存储单元局部内存中的值,每一个单元都有一个单一的输出联接,输出信号可以是任何需要的数学模型。
BP算法(误差反向传播算法)在解空间中寻找能够最小训练误差的网络权值,但是对于含有非线形Sigmoid单元的多层网络,误差曲面可能含有多个不同的局部极小值,梯度下降有可能陷入到这些局部的极小值中。因此,BP算法仅能够保证收敛到误差E的某个局部极小值,而不一定收敛到全局最小误差。练速度;第三,避免落入局部极小值点。
改进方法为:
(1)优化初始权重法
如果把网络权值初始化为接近于0的值[-0.05,0.05]之间的任意一个数,则作为Sigmoid单元净输入的n也必然接近于0,因此在早期的梯度下降步骤中,网络表现为一个非常平滑的函数,近似为输入的线性函数。
(2)增加冲量项法
增加冲量项可以带动梯度下降搜索冲过狭窄的局部极小值而不陷入其中,同时在梯度不变的区域逐渐增大搜索步长,从而可以加快收敛的作用。
(3)使用随机的梯度下降代替真正的梯度下降
梯度下降的随机近似于对于每个训练例沿一个不同的误差曲面有效下降,它依靠这些梯度的平均来近似对于整个训练集合的梯度,这些不同的误差曲面通常有不同的局部极小值,这使得下降过程尽可能的减小了陷入某一个局部极小值。
本设计采用有动量的梯度下降法对神经网络进行改进,提高学习速度并增加算法的可靠性,改进算法为:
Wi,j(k+1)=Wi,j(k)+η((1-a)D(k)+aD(k-1))
其中,D(k)表示K时刻的负梯度,D(k-1)表示K-1时刻的负梯度,η为学习率,a∈[0,1]是动量因子。当a=0时,权值修正只与当前负梯度有关系,当a=1时,修正权值就完全取决于上一次循环的负梯度了。这种方法加入的动量项实际上相当于阻尼项,它减小了学习过程的振荡趋势,从而改善了收敛性。
Claims (2)
1.一种基于人工神经网络的车牌识别***,它包括图像传感器、视频编码器、视频解码器和触摸液晶显示屏,其特征在于:它还包括数字信号处理器,所述的数字信号处理器的型号为TMS320DM642,图像传感器与视频编码器连接,视频编码器与数字信号处理器连接,数字信号处理器与视频解码器连接,视频解码器和数字信号处理器与通信接口模块连接;
所述的基于人工神经网络的车牌识别***执行车牌识别的方法,包括以下步骤:
S1:获取图像序列,并存储到内存;
S2:对图像进行预处理,包括二值化、降噪、图像增强以及边缘检测;
S3:对车牌定位,提取出车牌图像,具体子步骤如下;
S31:对S2预处理后的图像进行小波变换,分级提取图像的边缘;
S32:形态化处理,对车牌轮廓进行初步定位;
S33:筛选车牌区域和伪车牌区域;
S34:采用投影法进行二次定位;
S4:对S3提取出的车牌图像进行二值化处理,查找倾斜的角度,采用改进坐标变换的方法对车牌进行倾斜扶正;
S5:利用垂直投影图中的字符的峰群特点,采用基于字符连通域宽高检测和先验知识相结合的方法进行车牌字符切割;
S6:利用基于神经网络的方法进行字符识别;
S7:显示识别结果。
2.根据权利要求1所述的一种基于人工神经网络的车牌识别***,其特征在于:所述的通信接口模块包括MAX485、TC35和CP2200。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410371195.0A CN104156731B (zh) | 2014-07-31 | 2014-07-31 | 基于人工神经网络的车牌识别***与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410371195.0A CN104156731B (zh) | 2014-07-31 | 2014-07-31 | 基于人工神经网络的车牌识别***与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104156731A true CN104156731A (zh) | 2014-11-19 |
CN104156731B CN104156731B (zh) | 2017-08-25 |
Family
ID=51882228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410371195.0A Expired - Fee Related CN104156731B (zh) | 2014-07-31 | 2014-07-31 | 基于人工神经网络的车牌识别***与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104156731B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069765A (zh) * | 2015-07-22 | 2015-11-18 | 广东迅通科技股份有限公司 | 一种基于特征学习的模糊车牌重建方法 |
CN105260735A (zh) * | 2015-10-10 | 2016-01-20 | 安徽清新互联信息科技有限公司 | 一种基于典型位置的车牌字符分割方法 |
CN105825212A (zh) * | 2016-02-18 | 2016-08-03 | 江西洪都航空工业集团有限责任公司 | 一种基于Hadoop的分布式车牌识别方法 |
CN106210727A (zh) * | 2016-08-16 | 2016-12-07 | 广东中星电子有限公司 | 基于神经网络处理器阵列的视频分级码流编码方法和架构 |
CN106303527A (zh) * | 2016-08-16 | 2017-01-04 | 广东中星电子有限公司 | 时分复用神经网络处理器的视频分级码流编码方法和架构 |
CN106599851A (zh) * | 2016-12-16 | 2017-04-26 | 合肥寰景信息技术有限公司 | 一种基于车牌识别的智能交通分析方法 |
CN106650726A (zh) * | 2016-12-05 | 2017-05-10 | 渤海大学 | 一种车牌识别方法 |
CN106778701A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 |
CN107229929A (zh) * | 2017-04-12 | 2017-10-03 | 西安电子科技大学 | 一种基于r‑cnn的车牌定位方法 |
CN107798323A (zh) * | 2016-08-29 | 2018-03-13 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
CN107909017A (zh) * | 2017-11-06 | 2018-04-13 | 余帝乾 | 一种复杂背景下车牌识别的方法、装置以及*** |
CN108134932A (zh) * | 2018-01-11 | 2018-06-08 | 上海交通大学 | 基于卷积神经网络的视频编解码环路内滤波实现方法及*** |
CN108470175A (zh) * | 2018-03-27 | 2018-08-31 | 康体佳智能科技(深圳)有限公司 | 基于神经网络的车牌识别***及识别方法 |
CN109752393A (zh) * | 2018-12-26 | 2019-05-14 | 五邑大学 | 一种基于图像特征的贴片电阻型号检测方法及其装置 |
CN111815959A (zh) * | 2020-06-19 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
CN112883977A (zh) * | 2021-02-22 | 2021-06-01 | 三峡大学 | 车牌识别方法、装置、电子设备和存储介质 |
CN115330702A (zh) * | 2022-08-01 | 2022-11-11 | 无锡雪浪数制科技有限公司 | 一种基于深度视觉的饮料瓶灌装缺陷识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6281928B1 (en) * | 1998-05-13 | 2001-08-28 | Chuo Hatsujo Kabushiki Kaisha | Positional detector device for a vehicular license plate |
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
-
2014
- 2014-07-31 CN CN201410371195.0A patent/CN104156731B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6281928B1 (en) * | 1998-05-13 | 2001-08-28 | Chuo Hatsujo Kabushiki Kaisha | Positional detector device for a vehicular license plate |
CN101383003A (zh) * | 2008-10-31 | 2009-03-11 | 江西赣粤高速公路股份有限公司 | 车辆号牌实时精确识别方法 |
CN102708356A (zh) * | 2012-03-09 | 2012-10-03 | 沈阳工业大学 | 一种基于复杂背景下的车牌自动定位和识别方法 |
CN103065138A (zh) * | 2012-12-06 | 2013-04-24 | 新疆公众信息产业股份有限公司 | 一种机动车牌号的识别方法 |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069765B (zh) * | 2015-07-22 | 2017-12-22 | 广东迅通科技股份有限公司 | 一种基于特征学习的模糊车牌重建方法 |
CN105069765A (zh) * | 2015-07-22 | 2015-11-18 | 广东迅通科技股份有限公司 | 一种基于特征学习的模糊车牌重建方法 |
CN105260735A (zh) * | 2015-10-10 | 2016-01-20 | 安徽清新互联信息科技有限公司 | 一种基于典型位置的车牌字符分割方法 |
CN105825212A (zh) * | 2016-02-18 | 2016-08-03 | 江西洪都航空工业集团有限责任公司 | 一种基于Hadoop的分布式车牌识别方法 |
CN106210727A (zh) * | 2016-08-16 | 2016-12-07 | 广东中星电子有限公司 | 基于神经网络处理器阵列的视频分级码流编码方法和架构 |
CN106303527A (zh) * | 2016-08-16 | 2017-01-04 | 广东中星电子有限公司 | 时分复用神经网络处理器的视频分级码流编码方法和架构 |
CN106210727B (zh) * | 2016-08-16 | 2020-05-22 | 广东中星电子有限公司 | 基于神经网络处理器阵列的视频分级码流编码方法和*** |
CN107798323A (zh) * | 2016-08-29 | 2018-03-13 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
CN107798323B (zh) * | 2016-08-29 | 2020-12-29 | 北京君正集成电路股份有限公司 | 一种车牌图像定位方法及设备 |
CN106650726A (zh) * | 2016-12-05 | 2017-05-10 | 渤海大学 | 一种车牌识别方法 |
CN106599851A (zh) * | 2016-12-16 | 2017-04-26 | 合肥寰景信息技术有限公司 | 一种基于车牌识别的智能交通分析方法 |
CN106778701A (zh) * | 2017-01-20 | 2017-05-31 | 福州大学 | 一种加入Dropout的卷积神经网络的果蔬图像识别方法 |
CN107229929A (zh) * | 2017-04-12 | 2017-10-03 | 西安电子科技大学 | 一种基于r‑cnn的车牌定位方法 |
CN107909017A (zh) * | 2017-11-06 | 2018-04-13 | 余帝乾 | 一种复杂背景下车牌识别的方法、装置以及*** |
CN108134932A (zh) * | 2018-01-11 | 2018-06-08 | 上海交通大学 | 基于卷积神经网络的视频编解码环路内滤波实现方法及*** |
CN108470175A (zh) * | 2018-03-27 | 2018-08-31 | 康体佳智能科技(深圳)有限公司 | 基于神经网络的车牌识别***及识别方法 |
CN109752393A (zh) * | 2018-12-26 | 2019-05-14 | 五邑大学 | 一种基于图像特征的贴片电阻型号检测方法及其装置 |
CN109752393B (zh) * | 2018-12-26 | 2021-08-17 | 五邑大学 | 一种基于图像特征的贴片电阻型号检测方法及其装置 |
CN111815959A (zh) * | 2020-06-19 | 2020-10-23 | 浙江大华技术股份有限公司 | 一种车辆违章的检测方法、装置以及计算机可读存储介质 |
CN112883977A (zh) * | 2021-02-22 | 2021-06-01 | 三峡大学 | 车牌识别方法、装置、电子设备和存储介质 |
CN115330702A (zh) * | 2022-08-01 | 2022-11-11 | 无锡雪浪数制科技有限公司 | 一种基于深度视觉的饮料瓶灌装缺陷识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104156731B (zh) | 2017-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104156731A (zh) | 基于人工神经网络的车牌识别***与方法 | |
CN107766821B (zh) | 基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及*** | |
CN102708356B (zh) | 一种基于复杂背景下的车牌自动定位和识别方法 | |
CN103116751B (zh) | 一种车牌字符自动识别方法 | |
CN111563412B (zh) | 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法 | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN102254152B (zh) | 基于彩色跳变点和颜色密度的车牌定位方法 | |
CN109255350B (zh) | 一种基于视频监控的新能源车牌检测方法 | |
CN107066933A (zh) | 一种道路标牌识别方法及*** | |
CN106127137A (zh) | 一种基于3d轨迹分析的目标检测识别算法 | |
CN107169985A (zh) | 一种基于对称帧间差分和背景更新的运动目标检测方法 | |
CN105160691A (zh) | 基于颜色直方图的车身颜色识别方法 | |
CN103208185A (zh) | 一种基于车灯识别的夜间车辆检测方法及*** | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别*** | |
CN105528609A (zh) | 一种基于字符位置的车牌定位方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN109117788A (zh) | 一种融合ResNet和LSTM的公交车厢拥挤度检测方法 | |
CN106887004A (zh) | 一种基于块匹配的车道线检测方法 | |
Yang et al. | A vehicle license plate recognition system based on fixed color collocation | |
CN103793708A (zh) | 一种基于仿射校正的多尺度车牌精准定位方法 | |
CN103927548B (zh) | 一种新的避免车辆碰撞的刹车行为检测方法 | |
CN104851288B (zh) | 一种交通灯定位方法 | |
CN107038416A (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN102880859A (zh) | 一种车牌识别方法 | |
CN106295528A (zh) | 一种基于多部件空间位置关系gmm建模的车辆检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170825 Termination date: 20210731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |