CN109871455B - 碳化竹片分色方法及*** - Google Patents
碳化竹片分色方法及*** Download PDFInfo
- Publication number
- CN109871455B CN109871455B CN201910079753.9A CN201910079753A CN109871455B CN 109871455 B CN109871455 B CN 109871455B CN 201910079753 A CN201910079753 A CN 201910079753A CN 109871455 B CN109871455 B CN 109871455B
- Authority
- CN
- China
- Prior art keywords
- carbonized bamboo
- color
- bamboo chips
- image data
- color separation
- 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
Images
Landscapes
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种碳化竹片分色方法及***。其中,所述方法包括:采集历史碳化竹片的颜色图像数据样本,和根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型,和根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色,以及根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。通过上述方式,能够实现无需人工能自动对碳化竹片进行分色,提高了分色效率和分色准确率,经自动分色后的碳化竹片的颜色一致性能得到保障,能保障竹制产品的颜色质量。
Description
技术领域
本发明涉及碳化竹技术领域,尤其涉及一种碳化竹片分色方法及***。
背景技术
竹子是禾本科的分支,为多年生植物,种类繁多,分布在热带、亚热带至温暖带地区,我国素有“竹子王国”之誉,竹资源十分丰富。据统计,全世界竹林面积约有2200万公顷,而我国竹林面积达720万公顷,约占三分之一,位居世界第二位,仅次于印度。全球竹属植物70余属,1200余种;而我国约有竹属植物35属,近400种。全世界竹林年产量1600万吨,我国的竹林年产量达到800万吨以上,几乎占到世界竹产量的一半;位居世界第一位。所以在我国,竹子又被称为“第二森林”。我国竹林面积中毛竹面积分布最大,范围最广。其中,福建,江西,浙江三省的竹林面积占到全国一半。
随着生活水平的提高,竹制产品产业例如竹片凉席、竹片艺术工程、竹片建筑正在成为公众关注的热点,然而发展竹制产品,必须首先解决竹子材料的“发霉、腐烂、虫蛀”等缺陷问题,即防霉、防腐、防蛀的三防处理。竹子材料的组成和木材相似,组成竹材的主要成分有纤维素、半纤维素、和木质素,含有蛋白质类,脂肪类和各种糖类以及少量灰分元素。
碳化又称干馏、炭化、焦化,是指固体或有机物在隔绝空气条件下加热分解的反应过程或加热固体物质来制取液体或气体,通常会变为固体产物的一种方式。碳化过程不一定会涉及到裂解或热解,冷凝后收集产物。与通常蒸馏相比,碳化过程需要更高的温度,使用碳化可以从炭或木材中提取液态的燃料。碳化也可以通过热解来分解矿物质盐,例如对硫酸盐干馏可以产生二氧化硫和三氧化硫,溶于水后就可以得到硫酸;对煤碳化,可得焦炭、煤焦油、粗氨水、煤气;对竹片碳化,可得碳化竹片。
碳化竹片的原理是用高温把竹片内的糖分“烧掉”,这样处理过的竹片就不易被虫子咬食,至于颜色,本色和深色的没有区别,只不过是深色的经过上色而已。碳化的竹片经过碳化脱水后不会裂,而本色的竹片即原竹会裂。
碳化竹片在进行下一步的竹制产品加工前,必须先对碳化竹片的颜色进行分色,否则无法保证竹制产品的颜色一致性。
现有对碳化竹片进行分色的方案,主要依靠人工肉眼识别的方式对碳化竹片进行分色筛选,劳动强度大,分色筛选效率低,特别是人眼长期进行单调的扫视检查,极易产生视觉疲劳,更易增加误判和漏检。人工分色筛选后的碳化竹片的颜色一致性难以得到保障,无法保障竹制产品的颜色质量。
但是,发明人发现现有技术中至少存在如下问题:
现有碳化竹片分色的方案,主要依靠人工肉眼识别的方式对碳化竹片进行分色筛选,劳动强度大,分色筛选效率低,容易误判和漏检,经人工分色筛选后的碳化竹片的颜色一致性难以得到保障,无法保障竹制产品的颜色质量。
发明内容
有鉴于此,本发明的目的在于提出一种碳化竹片分色方法及***,能够实现无需人工能自动对碳化竹片进行分色,提高了分色效率和分色准确率,经自动分色后的碳化竹片的颜色一致性能得到保障,能保障竹制产品的颜色质量。
根据本发明的一个方面,提供一种碳化竹片分色方法,包括:
采集历史碳化竹片的颜色图像数据样本;其中,所述历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
根据所述采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型;
根据所述建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色;
根据所述对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
其中,所述根据所述采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型,包括:
根据所述采集的历史碳化竹片的颜色图像数据样本,获取所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
将所述获取的所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段;其中,所述N为大于1的自然数;
通过卷积神经网络,提取所述分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征;
根据所述提取的时间加权特征,获得所述分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征;
融合所述获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分;
根据所述计算得到的预测得分,得到最终的关联所述采集的历史碳化竹片的颜色图像数据样本的分类;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的分类,得到关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型。
其中,所述根据所述建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色,包括:
根据所述建立的基于碳化竹片的颜色图像数据的分色模型,从所述建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用所述匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色。
其中,所述根据所述对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,包括:
根据所述对当前的碳化竹片进行分色的分色结果,采用标注方式提示所述分色结果,根据所述提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
其中,在所述采集历史碳化竹片的颜色图像数据样本之前,还包括:
在碳化竹片的分色过程完成后,获取所述碳化竹片的颜色图像信息,和根据所述获取的碳化竹片的颜色图像信息,生成所述获取的碳化竹片的颜色图像信息对应的颜色类型标签。
根据本发明的另一个方面,提供一种碳化竹片分色***,包括:
采集单元、建立单元、分色单元和筛选单元;
所述采集单元,用于采集历史碳化竹片的颜色图像数据样本;其中,所述历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
所述建立单元,用于根据所述采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型;
所述分色单元,用于根据所述建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色;
所述筛选单元,用于根据所述对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
其中,所述建立单元,具体用于:
根据所述采集的历史碳化竹片的颜色图像数据样本,获取所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
将所述获取的所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段;其中,所述N为大于的自然数;
通过卷积神经网络,提取所述分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征;
根据所述提取的时间加权特征,获得所述分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征;
融合所述获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分;
根据所述计算得到的预测得分,得到最终的关联所述采集的历史碳化竹片的颜色图像数据样本的分类;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的分类,得到关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型。
其中,所述分色单元,具体用于:
根据所述建立的基于碳化竹片的颜色图像数据的分色模型,从所述建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用所述匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色。
其中,所述筛选单元,具体用于:
根据所述对当前的碳化竹片进行分色的分色结果,采用标注方式提示所述分色结果,根据所述提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
其中,所述碳化竹片分色***,还包括:
生成单元,用于在碳化竹片的分色过程完成后,获取所述碳化竹片的颜色图像信息,和根据所述获取的碳化竹片的颜色图像信息,生成所述获取的碳化竹片的颜色图像信息对应的颜色类型标签。
可以发现,以上方案,可以采集历史碳化竹片的颜色图像数据样本,其中,该历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签,和根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型,和根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色,以及根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,能够实现无需人工能自动对碳化竹片进行分色,提高了分色效率和分色准确率,经自动分色后的碳化竹片的颜色一致性能得到保障,能保障竹制产品的颜色质量。
进一步的,以上方案,可以根据该采集的历史碳化竹片的颜色图像数据样本,获取该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签,和将该获取的该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段,其中,该N为大于1的自然数,和通过卷积神经网络,提取该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征,和根据该提取的时间加权特征,获得该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,和融合该获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分,和根据该计算得到的预测得分,得到最终的关联该采集的历史碳化竹片的颜色图像数据样本的分类,和根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的分类,得到关联该采集的历史碳化竹片的颜色图像数据样本的训练特征,以及根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型,能够实现提高建立基于碳化竹片的颜色图像数据的分色模型的建模效果和准确度。
进一步的,以上方案,可以根据该建立的基于碳化竹片的颜色图像数据的分色模型,从该建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用该匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色,能够有效提高当前的碳化竹片图像信息的分色结果的分色效率和准确率。
进一步的,以上方案,可以根据该对当前的碳化竹片进行分色的分色结果,采用标注方式提示该分色结果,根据该提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,能够实现通过标注方式,提高自动对碳化竹片进行分色的漏检率,提高经分色后的碳化竹片的颜色质量保障,从而提高竹制产品的颜色质量。
进一步的,以上方案,可以在碳化竹片的分色过程完成后,获取该碳化竹片的颜色图像信息,和根据该获取的碳化竹片的颜色图像信息,生成该获取的碳化竹片的颜色图像信息对应的颜色类型标签,能够实现有效提高建立基于碳化竹片的颜色图像数据的分色模型的构建效率。
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,下面将对实施例或现有技术描述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,还可以根据这些附图获得其他的附图。
图1是本发明碳化竹片分色方法一实施例的流程示意图;
图2是本发明碳化竹片分色方法另一实施例的流程示意图;
图3是本发明碳化竹片分色***一实施例的结构示意图;
图4是本发明碳化竹片分色***另一实施例的结构示意图;
图5是本发明碳化竹片分色***又一实施例的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明作进一步的详细描述。特别指出的是,以下实施例仅用于说明本发明,但不对本发明的范围进行限定。同样的,以下实施例仅为本发明的部分实施例而非全部实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种碳化竹片分色方法,能够实现无需人工能自动对碳化竹片进行分色,提高了分色效率和分色准确率,经自动分色后的碳化竹片的颜色一致性能得到保障,能保障竹制产品的颜色质量。
请参见图1,图1是本发明碳化竹片分色方法一实施例的流程示意图。需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限。如图1所示,该方法包括如下步骤:
S101:采集历史碳化竹片的颜色图像数据样本;其中,该历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签。
其中,在该采集历史碳化竹片的颜色图像数据样本之前,还可以包括:
在碳化竹片的分色过程完成后,获取该碳化竹片的颜色图像信息,和根据该获取的碳化竹片的颜色图像信息,生成该获取的碳化竹片的颜色图像信息对应的颜色类型标签。
在本实施例中,碳化竹片分色方法运行于其上的电子设备例如服务器可以通过有线连接方式或者无线连接方式从检测者利用其进行登录的终端设备来采集历史碳化竹片的颜色图像数据样本。
在本实施例中,该终端设备可以是具有摄像头和多种传感器包含但不限于光敏,距离,重力,加速度,磁感应等传感器的各种电子终端,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
在本实施例中,该电子设备可以是提供各种服务的服务器,例如对终端设备上显示的碳化竹片的颜色图像数据登录界面提供支持的后台登录服务器,该后台登录服务器可以对历史碳化竹片的颜色图像数据和当前碳化竹片的颜色图像数据等数据进行分析等处理,并将处理结果,例如可以将推荐给分色者供参考的建议信息反馈给终端设备。
在本实施例中,分色者可以使用终端设备通过网络与电子设备例如服务器进行交互,以接收或发送消息等。终端设备上可以安装有各种需要验证分色者信息的客户端应用,例如碳化竹片类应用、即时通信工具、邮箱客户端、碳化竹片平台软件、颜色图像类应用等等。
S102:根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型。
其中,该根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型,可以包括:
根据该采集的历史碳化竹片的颜色图像数据样本,获取该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
将该获取的该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段;其中,该N为大于1的自然数;
通过卷积神经网络,提取该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征;
根据该提取的时间加权特征,获得该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征;
融合该获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分;
根据该计算得到的预测得分,得到最终的关联该采集的历史碳化竹片的颜色图像数据样本的分类;
根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的分类,得到关联该采集的历史碳化竹片的颜色图像数据样本的训练特征;
根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型。
在本实施例中,卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学习的代表算法之一。
在本实施例中,该卷积神经网络,可以包括:至少一个三维卷积层、至少一个三维池化层和至少一个全连接层等。
S103:根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色。
其中,该根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色,可以包括:
根据该建立的基于碳化竹片的颜色图像数据的分色模型,从该建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用该匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色。
在本实施例中,该当前的碳化竹片图像信息,可以是当前目标碳化竹片的图像信息等,本发明不加以限定。
S104:根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
其中,该根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,可以包括:
根据该对当前的碳化竹片进行分色的分色结果,采用标注方式提示该分色结果,根据该提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
可以发现,在本实施例中,可以采集历史碳化竹片的颜色图像数据样本,其中,该历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签,和根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型,和根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色,以及根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,能够实现无需人工能自动对碳化竹片进行分色,提高了分色效率和分色准确率,经自动分色后的碳化竹片的颜色一致性能得到保障,能保障竹制产品的颜色质量。
进一步的,在本实施例中,可以根据该采集的历史碳化竹片的颜色图像数据样本,获取该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签,和将该获取的该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段,其中,该N为大于1的自然数,和通过卷积神经网络,提取该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征,和根据该提取的时间加权特征,获得该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,和融合该获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分,和根据该计算得到的预测得分,得到最终的关联该采集的历史碳化竹片的颜色图像数据样本的分类,和根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的分类,得到关联该采集的历史碳化竹片的颜色图像数据样本的训练特征,以及根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型,能够实现提高建立基于碳化竹片的颜色图像数据的分色模型的建模效果和准确度。
进一步的,在本实施例中,可以根据该建立的基于碳化竹片的颜色图像数据的分色模型,从该建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用该匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色,能够有效提高当前的碳化竹片图像信息的分色结果的分色效率和准确率。
进一步的,在本实施例中,可以根据该对当前的碳化竹片进行分色的分色结果,采用标注方式提示该分色结果,根据该提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,能够实现通过标注方式,提高自动对碳化竹片进行分色的漏检率,提高经分色后的碳化竹片的颜色质量保障,从而提高竹制产品的颜色质量。
请参见图2,图2是本发明碳化竹片分色方法另一实施例的流程示意图。本实施例中,该方法包括以下步骤:
S201:在碳化竹片的分色过程完成后,获取该碳化竹片的颜色图像信息,和根据该获取的碳化竹片的颜色图像信息,生成该获取的碳化竹片的颜色图像信息对应的颜色类型标签。
S202:采集历史碳化竹片的颜色图像数据样本;其中,该历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签。
可如上S101所述,在此不作赘述。
S203:根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型。
可如上S102所述,在此不作赘述。
S204:根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色。
可如上S103所述,在此不作赘述。
S205:根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
可如上S104所述,在此不作赘述。
可以发现,在本实施例中,可以在碳化竹片的分色过程完成后,获取该碳化竹片的颜色图像信息,和根据该获取的碳化竹片的颜色图像信息,生成该获取的碳化竹片的颜色图像信息对应的颜色类型标签,能够实现有效提高建立基于碳化竹片的颜色图像数据的分色模型的构建效率。
本发明还提供一种碳化竹片分色***,能够实现无需人工能自动对碳化竹片进行分色,提高了分色效率和分色准确率,经自动分色后的碳化竹片的颜色一致性能得到保障,能保障竹制产品的颜色质量。
请参见图3,图3是本发明碳化竹片分色***一实施例的结构示意图。本实施例中,该碳化竹片分色***30包括采集单元31、建立单元32、分色单元33和筛选单元34。
该采集单元31,用于采集历史碳化竹片的颜色图像数据样本;其中,该历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签。
该建立单元32,用于根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型。
该分色单元33,用于根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色。
该筛选单元34,用于根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
可选地,该建立单元32,可以具体用于:
根据该采集的历史碳化竹片的颜色图像数据样本,获取该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
将该获取的该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段;其中,该N为大于1的自然数;
通过卷积神经网络,提取该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征;
根据该提取的时间加权特征,获得该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征;
融合该获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分;
根据该计算得到的预测得分,得到最终的关联该采集的历史碳化竹片的颜色图像数据样本的分类;
根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的分类,得到关联该采集的历史碳化竹片的颜色图像数据样本的训练特征;
根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型。
可选地,该分色单元33,可以具体用于:
根据该建立的基于碳化竹片的颜色图像数据的分色模型,从该建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用该匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色。
可选地,该筛选单元34,可以具体用于:
根据该对当前的碳化竹片进行分色的分色结果,采用标注方式提示该分色结果,根据该提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
请参见图4,图4是本发明碳化竹片分色***另一实施例的结构示意图。区别于上一实施例,本实施例所述碳化竹片分色***40还包括:生成单元41。
该生成单元41,用于在碳化竹片的分色过程完成后,获取该碳化竹片的颜色图像信息,和根据该获取的碳化竹片的颜色图像信息,生成该获取的碳化竹片的颜色图像信息对应的颜色类型标签。
请参见图5,图5是本发明碳化竹片分色***又一实施例的结构示意图。该碳化竹片分色***的各个单元模块可以分别执行上述方法实施例中对应步骤。相关内容请参见上述方法中的详细说明,在此不再赘叙。
本实施例中,该碳化竹片分色***包括:处理器51、与该处理器51耦合的存储器52、分色器53、筛选器54。
该处理器51,用于在碳化竹片的分色过程完成后,获取该碳化竹片的颜色图像信息,和根据该获取的碳化竹片的颜色图像信息,生成该获取的碳化竹片的颜色图像信息对应的颜色类型标签,和采集历史碳化竹片的颜色图像数据样本,其中,该历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签,以及根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型。
该存储器52,用于存储操作***、该处理器51执行的指令等。
该分色器53,用于根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色。
该筛选器54,用于根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
可选地,该处理器51,可以具体用于:
根据该采集的历史碳化竹片的颜色图像数据样本,获取该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
将该获取的该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段;其中,该N为大于1的自然数;
通过卷积神经网络,提取该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征;
根据该提取的时间加权特征,获得该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征;
融合该获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分;
根据该计算得到的预测得分,得到最终的关联该采集的历史碳化竹片的颜色图像数据样本的分类;
根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的分类,得到关联该采集的历史碳化竹片的颜色图像数据样本的训练特征;
根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型。
可选地,该分色器53,可以具体用于:
根据该建立的基于碳化竹片的颜色图像数据的分色模型,从该建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用该匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色。
可选地,该筛选器54,可以具体用于:
根据该对当前的碳化竹片进行分色的分色结果,采用标注方式提示该分色结果,根据该提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
可以发现,以上方案,可以采集历史碳化竹片的颜色图像数据样本,其中,该历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签,和根据该采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型,和根据该建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色,以及根据该对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,能够实现无需人工能自动对碳化竹片进行分色,提高了分色效率和分色准确率,经自动分色后的碳化竹片的颜色一致性能得到保障,能保障竹制产品的颜色质量。
进一步的,以上方案,可以根据该采集的历史碳化竹片的颜色图像数据样本,获取该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签,和将该获取的该历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段,其中,该N为大于1的自然数,和通过卷积神经网络,提取该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征,和根据该提取的时间加权特征,获得该分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,和融合该获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分,和根据该计算得到的预测得分,得到最终的关联该采集的历史碳化竹片的颜色图像数据样本的分类,和根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的分类,得到关联该采集的历史碳化竹片的颜色图像数据样本的训练特征,以及根据该得到的关联该采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型,能够实现提高建立基于碳化竹片的颜色图像数据的分色模型的建模效果和准确度。
进一步的,以上方案,可以根据该建立的基于碳化竹片的颜色图像数据的分色模型,从该建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用该匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色,对当前的碳化竹片进行分色,能够有效提高当前的碳化竹片图像信息的分色结果的分色效率和准确率。
进一步的,以上方案,可以根据该对当前的碳化竹片进行分色的分色结果,采用标注方式提示该分色结果,根据该提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,能够实现通过标注方式,提高自动对碳化竹片进行分色的漏检率,提高经分色后的碳化竹片的颜色质量保障,从而提高竹制产品的颜色质量。
进一步的,以上方案,可以在碳化竹片的分色过程完成后,获取该碳化竹片的颜色图像信息,和根据该获取的碳化竹片的颜色图像信息,生成该获取的碳化竹片的颜色图像信息对应的颜色类型标签,能够实现有效提高建立基于碳化竹片的颜色图像数据的分色模型的构建效率。
在本发明所提供的几个实施方式中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,模块或单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的部分实施例,并非因此限制本发明的保护范围,凡是利用本发明说明书及附图内容所作的等效装置或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种碳化竹片分色方法,其特征在于,包括:
采集历史碳化竹片的颜色图像数据样本;其中,所述历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
根据所述采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型;
根据所述建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色;
根据所述对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片;
所述根据所述采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型,包括:
根据所述采集的历史碳化竹片的颜色图像数据样本,获取所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
将所述获取的所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段;其中,所述N为大于1的自然数;
通过卷积神经网络,提取所述分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征;
根据提取的时间加权特征,获得分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征;
融合获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分;
根据计算得到的预测得分,得到最终的关联所述采集的历史碳化竹片的颜色图像数据样本的分类;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的分类,得到关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型。
2.如权利要求1所述的碳化竹片分色方法,其特征在于,所述根据所述建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色,包括:
根据所述建立的基于碳化竹片的颜色图像数据的分色模型,从所述建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用所述匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色。
3.如权利要求1所述的碳化竹片分色方法,其特征在于,所述根据所述对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片,包括:
根据所述对当前的碳化竹片进行分色的分色结果,采用标注方式提示所述分色结果,根据所述提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
4.如权利要求1所述的碳化竹片分色方法,其特征在于,在所述采集历史碳化竹片的颜色图像数据样本之前,还包括:
在碳化竹片的分色过程完成后,获取碳化竹片的颜色图像信息,和根据获取的碳化竹片的颜色图像信息,生成所述获取的碳化竹片的颜色图像信息对应的颜色类型标签。
5.一种碳化竹片分色***,其特征在于,包括:
采集单元、建立单元、分色单元和筛选单元;
所述采集单元,用于采集历史碳化竹片的颜色图像数据样本;其中,所述历史碳化竹片的颜色图像数据样本中包括碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
所述建立单元,用于根据所述采集的历史碳化竹片的颜色图像数据样本,建立基于碳化竹片的颜色图像数据的分色模型;
所述分色单元,用于根据所述建立的基于碳化竹片的颜色图像数据的分色模型,对当前的碳化竹片进行分色;
所述筛选单元,用于根据所述对当前的碳化竹片进行分色的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
6.如权利要求5所述的碳化竹片分色***,其特征在于,所述建立单元,具体用于:
根据所述采集的历史碳化竹片的颜色图像数据样本,获取所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签;
将所述获取的所述历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签分为N段;其中,所述N为大于1的自然数;
通过卷积神经网络,提取所述分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的时间加权特征;
根据所述提取的时间加权特征,获得所述分为N段后的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征;
融合所述获得的N段历史碳化竹片的颜色图像数据样本中的碳化竹片的多种类型颜色的图像信息及对应的颜色类型标签的多尺度特征,计算预测得分;
根据所述计算得到的预测得分,得到最终的关联所述采集的历史碳化竹片的颜色图像数据样本的分类;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的分类,得到关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征;
根据所述得到的关联所述采集的历史碳化竹片的颜色图像数据样本的训练特征进行模型训练,建立基于碳化竹片的颜色图像数据的分色模型。
7.如权利要求5所述的碳化竹片分色***,其特征在于,所述分色单元,具体用于:
根据所述建立的基于碳化竹片的颜色图像数据的分色模型,从所述建立的基于碳化竹片的颜色图像数据的分色模型中匹配出当前的碳化竹片图像信息的训练特征,采用所述匹配出的训练特征对当前的碳化竹片图像信息进行训练的方式,对当前的碳化竹片图像信息进行分色。
8.如权利要求5所述的碳化竹片分色***,其特征在于,所述筛选单元,具体用于:
根据所述对当前的碳化竹片进行分色的分色结果,采用标注方式提示所述分色结果,根据所述提示的分色结果,筛选掉当前的碳化竹片中颜色不一致的碳化竹片。
9.如权利要求5所述的碳化竹片分色***,其特征在于,所述碳化竹片分色***,还包括:
生成单元,用于在碳化竹片的分色过程完成后,获取碳化竹片的颜色图像信息,和根据获取的碳化竹片的颜色图像信息,生成获取的碳化竹片的颜色图像信息对应的颜色类型标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079753.9A CN109871455B (zh) | 2019-01-28 | 2019-01-28 | 碳化竹片分色方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910079753.9A CN109871455B (zh) | 2019-01-28 | 2019-01-28 | 碳化竹片分色方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871455A CN109871455A (zh) | 2019-06-11 |
CN109871455B true CN109871455B (zh) | 2020-11-10 |
Family
ID=66918208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910079753.9A Active CN109871455B (zh) | 2019-01-28 | 2019-01-28 | 碳化竹片分色方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871455B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886934B (zh) * | 2019-01-28 | 2020-12-18 | 厦门理工学院 | 碳化竹片缺陷检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001041064A2 (en) * | 1999-12-01 | 2001-06-07 | Koninklijke Philips Electronics N.V. | Program classification using object tracking |
CN101436302A (zh) * | 2008-12-10 | 2009-05-20 | 南京大学 | 一种基于神经网络的彩色三维模型的颜色分类方法 |
CN103971134A (zh) * | 2014-04-25 | 2014-08-06 | 华为技术有限公司 | 图像分类、检索和校正方法,以及相应装置 |
CN108446705A (zh) * | 2017-02-16 | 2018-08-24 | 华为技术有限公司 | 图像处理的方法和设备 |
CN109033308A (zh) * | 2018-07-16 | 2018-12-18 | 安徽江淮汽车集团股份有限公司 | 一种图像检索方法及装置 |
-
2019
- 2019-01-28 CN CN201910079753.9A patent/CN109871455B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001041064A2 (en) * | 1999-12-01 | 2001-06-07 | Koninklijke Philips Electronics N.V. | Program classification using object tracking |
CN101436302A (zh) * | 2008-12-10 | 2009-05-20 | 南京大学 | 一种基于神经网络的彩色三维模型的颜色分类方法 |
CN103971134A (zh) * | 2014-04-25 | 2014-08-06 | 华为技术有限公司 | 图像分类、检索和校正方法,以及相应装置 |
CN108446705A (zh) * | 2017-02-16 | 2018-08-24 | 华为技术有限公司 | 图像处理的方法和设备 |
CN109033308A (zh) * | 2018-07-16 | 2018-12-18 | 安徽江淮汽车集团股份有限公司 | 一种图像检索方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109871455A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Basile et al. | What do tree-related microhabitats tell us about the abundance of forest-dwelling bats, birds, and insects? | |
Zhao et al. | Tracing the geographic origin of beef in China on the basis of the combination of stable isotopes and multielement analysis | |
Spirin et al. | Antrodia hyalina, a new polypore from Russia, and A. leucaena, new to Europe | |
Mendes | Phylogeny and taxonomic revision of Heteropachylinae (Opiliones: Laniatores: Gonyleptidae) | |
Spirin et al. | What is Antrodia sensu stricto? | |
CN109254959B (zh) | 一种数据评价方法、装置、终端设备及可读存储介质 | |
CN111157698A (zh) | 一种利用发射率数据获取黑土土壤全钾含量的反演方法 | |
Nolan et al. | Automated detection and segmentation of vine rows using high resolution UAS imagery in a commercial vineyard | |
CN109871455B (zh) | 碳化竹片分色方法及*** | |
Hendrawan et al. | Deep learning to detect and classify the purity level of luwak coffee green beans | |
CN109886934B (zh) | 碳化竹片缺陷检测方法及*** | |
Masetti et al. | NMR tracing of food geographical origin: The impact of seasonality, cultivar and production year on data analysis | |
Silva et al. | Computer vision-based wood identification: A review | |
Gislason et al. | Comparison between automated analysis of zooplankton using ZooImage and traditional methodology | |
CN105223140A (zh) | 同源物质的快速识别方法 | |
Saha et al. | A comparative study on grey relational analysis and C5. 0 classification algorithm on adventitious rhizogenesis of Eucalyptus | |
Zhou et al. | Wood-inhabiting fungi in southern China 5. New species of Theleporus and Grammothele (Polyporales, Basidiomycota) | |
Ravindran et al. | Caveat emptor: on the need for baseline quality standards in computer vision wood identification | |
CN104182387A (zh) | 一种文本情感倾向分析*** | |
Benca et al. | Applying morphometrics to early land plant systematics: A new Leclercqia (Lycopsida) species from Washington State, USA | |
Thompson et al. | Global observing for phytoplankton? A perspective | |
Dang et al. | Vpbr: An automatic and low-cost vision-based biophysical properties recognition pipeline for pumpkin | |
CN105335626A (zh) | 一种基于网络分析的群lasso特征分群方法 | |
Brown et al. | Identification of Megaselia (Diptera: Phoridae) species using wing vein landmarking | |
CN108345851A (zh) | 一种基于人脸识别分析个人兴趣爱好的方法 |
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 |