CN110567974B - 一种基于云端人工智能表面缺陷检测*** - Google Patents

一种基于云端人工智能表面缺陷检测*** Download PDF

Info

Publication number
CN110567974B
CN110567974B CN201910937955.2A CN201910937955A CN110567974B CN 110567974 B CN110567974 B CN 110567974B CN 201910937955 A CN201910937955 A CN 201910937955A CN 110567974 B CN110567974 B CN 110567974B
Authority
CN
China
Prior art keywords
unit
detection
image
cloud
result
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
CN201910937955.2A
Other languages
English (en)
Other versions
CN110567974A (zh
Inventor
杨华
尹周平
宋开友
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910937955.2A priority Critical patent/CN110567974B/zh
Publication of CN110567974A publication Critical patent/CN110567974A/zh
Application granted granted Critical
Publication of CN110567974B publication Critical patent/CN110567974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于图像处理领域，并公开了一种基于云端人工智能表面缺陷检测***。该***包括边缘端模块和云端数据处理模块，其中，所述边缘端模块包括数据采集单元和结果反馈单元；所述云端数据处理模块包括智能标注单元、训练单元和检测单元，所述智能标注单元用于智能标注待标注图像的良品，次品以及缺陷信息，并将标注的图像作为待训练数据输入训练单元，训练单元用于建立预测模型传递给检测单元；检测单元用于利用预测模型对待检测的图像进行检测，以此获得待检测图像的检测结果，然后将检测结果反馈给结果反馈单元，通过结果反馈单元将检测结果进行显示。通过本发明，减小边缘端检测的计算成本，增大检测效率与检测精度，有助于提升产品良率。

Description

一种基于云端人工智能表面缺陷检测***
技术领域
本发明属于图像处理领域，更具体地，涉及一种基于云端人工智能表面缺陷检测***。
背景技术
在工业制造领域，原材料的品质各异，制造过程复杂，在产品的表面会产生表面缺陷，例如钢材、木材、纺织物、瓷砖与新型显示器件如TFT-LCD、OLED等。表面缺陷指的是与周边纹理结构和模式不同的局部区域，或者具有不规则亮度变化的局部区域。这些表面缺陷会直接降低产品品质，影响用户体验。为了提高生产质量，在制造过程中应该有效控制所有类型的表面缺陷，所以表面缺陷检测是整个制造业的基础和关键。
自动光学检测是指使用机器代替人眼自动地检测、测量与分析物体，通常应用在工业生产环境中。自动光学检测使用一个或者多个相机拍摄目标图像，采用图像处理***对其进行分析处理，获得目标的状态，颜色，位置等信息，以此进一步指导设备运行，比如刀头运动、质量判别、机械手抓取等。由于自动光学检测具有非接触、高速、高鲁棒、高精度的特点，因此被广泛应用在工业制造中。自动光学检测不仅可以在恶劣的工业环境中工作，不会因人眼长时间工作出现视觉疲劳，而且能够大幅提高生产效率，量化检测结果，指导产品工艺优化。
现有的自动光学检测设备大多为单机***，即一台设备独立工作，均需配备有足够算力的计算机，需完成图像采集、数据收集、检测过程计算等所有工作，制造成本高、检测效率低；且现有自动光学检测设备均采用传统的视觉检测算法，对各种工业产品表面缺陷的检出率难以有很好的鲁棒性，检出率低，制约了这些设备在制造产线上的使用。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于云端人工智能表面缺陷检测***，其目的在于利用深度学习的强大的数据建模能力进行工业产品表面缺陷检测，且为了提升检测效率、减少制造成本，采用在云端部署AI检测算法进行检测、在边缘端采集图像、收集数据集展示检测结果的方式，可以极大提升检测精度及效率，提高产品对不同类型工业产品表面缺陷检测的适应性。
为实现上述目的，按照本发明，提供了一种基于云端人工智能表面缺陷检测***，其特征在于，该***包括边缘端模块和云端数据处理模块，其中，
所述边缘端模块包括数据采集单元和结果反馈单元，所述数据采集单元用于采集待检测对象的图像，并将该图像传递给所述云端数据处理模块，所述结果反馈单元用于接收并显示所述云端数据处理模块根据采集的图像进行数据处理后获得的检测结果；
所述云端数据处理模块包括智能标注单元、训练单元和检测单元，对于所述智能标注单元而言，首先根据人工标注的图像的良品、次品以及缺陷信息进行学习，然后利用学习的结果对待标注图像进行标注，以此确定待标注图像的良品，次品以及缺陷信息，接着，人工检查所述智能标注单元的标注结果以及对标注结果进行纠正；最后将人工检查后获得的待检测图像的良品，次品以及缺陷信息的数据传送给所述训练单元；
所述训练单元根据所述训练数据建立预测模型，并将该预测模型传递给所述检测单元；
所述检测单元接受所述预测模型，并利用该预测模型对待检测的图像进行检测，以此获得待检测图像的检测结果，即判断该待检测图像是否为次品，以及次品中缺陷信息，然后该检测单元将所述检测结果反馈给所述结果反馈单元进行显示，以此实现缺项的检测。
进一步优选地，所述边缘端模块设置在一条或多条生产线上，用于采集生产线的数据并实时将数据处理的结果反馈给生产线。
进一步优选地，所述缺陷信息包括缺陷的位置、大小和种类。
进一步优选地，所述训练模块优选采用人工智能算法对训练数据进行训练。
进一步优选地，所述智能标注单元中构建的预测模型包括良品和次品分类模型，以及次品缺陷信息预测模型。
进一步优选地，所述数据采集单元采集图像采用工业相机或计算机设备。
进一步优选地，所述结果反馈单元显示检测结果的方式为在每条生产线单独显示，或者多条生产线集成显示。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明通过采用智能标注单元与人工标注结果相结合的方式，实现待检测图像的智能标注，减少人工的工作量，同时配合人工的检查，提高智能标注结果的准确性；
2、本发明通过采用检测单元对于实际需要检测对象的图像进行检测，采用预测模型进行自动的检测，不需要人的参与，实现检测过程的自动化，同时也提高检测的准确性是时效性；
3、本发明通过在生产线上设置边缘端模块，将云端数据处理模块设计在远离生产线的一端，通过实时采集每条生产线的数据，并实时反馈检测的结果，实现生产线的远端控制和实时监控。
附图说明
图1是按照本发明的优选实施例所构建的云端的人工智能表面缺陷检测***的结构示意图；
图2是按照本发明的优选实施例所构建的云端数据处理模块的结构示意图；
图3是按照本发明的优选实施例所构建的智能标注单元的结构示意图；
图4是按照本发明的优选实施例所构建的智能标注单元工作过程示意图；
图5是按照本发明的优选实施例所构建的检测单元的工作过程示意图。
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，此处所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。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提出了一种基于云端的人工智能表面缺陷检测***，该***包括如下模块：
(1)边缘端模块
边缘端模块包括数据采集模块和检测结果反馈显示模块。在工业自动化生产现场布置数据采集模块，包括采集需要的工业相机、辅助计算的计算机设备等；一旦生产作业开始，启动数据采集模块，收集海量的训练所需数据，暂时保存在本地的计算机或者工厂服务器中，后续将上传到云端独立模块进行数据处理。
(1-1)数据采集单元
在实际的工业生产需求中，结合当前的人工智能处理算法，用海量的数据来优化处理模型，相较于传统的机器学习处理算法有很大优势，如可以检测低对比度等难以检测的表面缺陷等。不同的自动化生产线或者生产工厂，实际检测需求不同，所需要检测的表面缺陷以及产品都不尽一致，需要分开处理收集，以便于后续的智能标注。在每个边缘段布置的数据采集模块，各自由工程师调试和检测，进行全自动数据采集，建立本地的数据库，保证符合该自动化生产的特性需求，以训练定制化的AI(人工智能)算法，来检测缺陷产品并提高生产效率。
(1-2)结果反馈单元
在进行产品的良品/次品检测时，将待检测数据上传到云端模块，进行缺陷检测。待检测完毕时，根据本***制定的符合产生需求的检测规则，通过网络将检测结果传输到边缘端，在边缘段的计算机显示相应的检测结果，包括缺陷在图像中的位置、缺陷大小、缺陷种类，以及缺陷产生原因和针对该缺陷提出相应的生产线改进策略，以指导实际生产。
(2)云端数据处理模块
如图2所示，云端数据处理模块，包括三大子模块——智能标注单元、AI训练单元、AI检测单元。云端数据处理模块，将采集的海量数据(包括各种表面产品图像数据，如TFT-LCD、钢材、木材、织物等等)，对这些海量数据进行标注并处理；此模块独立于各大生产工厂，不受任何自动化生产的干扰，对各大生产工厂提供数据收集和检测接口，供其使用。自动化生产工厂可以根据实际的生产规模需求，选择制定相应的配置需求(包括检测规则、云端硬件计算力等)，独立于生产，高效快速地反馈生产时所出现的生产问题。
(2-1)智能标注单元
如图3和4所示，在各大生产工厂收集的海量数据，需要进行筛选和标注，以便于训练出符合该工厂实际生产需求的检测模型。数据上传到云端***后，需要进行大量的标注，提出通过云端已有的AI算法，对海量数据进行全自动筛选和标注，同时配有专业的工程师进行监督，保证数据筛选和标注不出错误。提出的结合AI算法自动筛选标注和专业工程师监督策略，大大的提高了数据筛选标注的效率，同时降低了标注成本，间接地提高了生产效率。对于采集的数据Xna，在专家监督θexperts的情况下，利用自动标注算法fannotation对采集的数据进行样本分类为c和缺陷判别为ides。
c,ides＝fannotation(Xna|θexperts)
(2-2)AI训练单元
通过智能标注单元处理后的海量数据，可以直接导入到AI训练单元进行模型训练。在此模块中，需要根据各大生产工厂的生产需求，定制训练规则、判定规则等，以训练出符合实际生产需求的AI处理算法，满足不同行业行业需求，提高数据处理模型能力。待训练完毕时，将该模型保存至云端***，提供数据输入接口，各大生产工厂使用，在短时间的投入实际产生就可以达到相当的检测精度，快速提高生产效率。对于已标注类别c的良品样本Xp用来训练AI算法模型fmodel，其参数为θmodel，按照下述公式来训练更新模型参数。
Figure BDA0002222094090000061
(2-3)AI检测单元
如图5所示，AI检测单元，是提供给各大生产工厂检测调用模块。在此模块使用时，各大生产工厂可以根据自身需求，选择相应的计算引擎、缺陷检测模型、GPU算力资源等，同时，提供智能调节，负载均衡的调度算法，致力于提高生产效率。待检测完毕，提供缺陷在图像中的位置、缺陷大小、缺陷种类，以及缺陷产生原因和针对该缺陷提出相应的生产线改进策略等重要生产信息，以指导实际生产。对于待检测样本Xd，通过数据接口传入到训练好的检测模型fmodel，按如下公式输出检测结果defect。
defect＝|fmodel(Xd,c|θmodel)-Xd|
本发明所提出的云端人工智能表面缺陷检测***，借助强大的网络和云服务功能，开发独立于各大生产工厂的云端独立表面缺陷检测算法，为其定制化算法、算力等资源，满足各种生产需求，在线地帮助企业极大的减少产品检查的时间，直接提高产能，并促进持续的过程质量改进。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于云端人工智能表面缺陷检测***，其特征在于，该***包括边缘端模块和云端数据处理模块，其中，
所述边缘端模块包括数据采集单元和结果反馈单元，所述数据采集单元用于采集待检测对象的图像，并将该图像传递给所述云端数据处理模块，所述结果反馈单元用于接收并显示所述云端数据处理模块根据采集的图像进行数据处理后获得的检测结果；
所述云端数据处理模块包括智能标注单元、训练单元和检测单元，对于所述智能标注单元而言，首先根据人工标注的图像的良品、次品以及缺陷信息进行学习，然后利用学习的结果对待标注图像进行标注，以此确定待标注图像的良品，次品以及缺陷信息，接着，人工检查所述智能标注单元的标注结果以及对标注结果进行纠正；最后将人工检查后获得的待检测图像的良品，次品以及缺陷信息的数据传送给所述训练单元，其中，利用学习的结果对待标注图像进行标注的标注算法为fannotation，待检测图像的良品，次品以及缺陷信息的数据的计算公式为c,ides＝fannotation(Xna|θexperts)，c为所述待检测图像的良品、次品分类，ides为缺陷信息，所述缺陷信息包括缺陷的位置、大小和种类，Xna为采集的数据，θexperts为专家监督；
所述训练单元根据所述训练数据建立预测模型，并将该预测模型传递给所述检测单元，其中，所述预测模型的参数L的计算公式为
Figure FDA0002829418370000011
fmodel为AI算法模型，θmodel为AI算法模型所需参数，Xp为标注类别c的良品样本；
所述检测单元接受所述预测模型，并利用该预测模型对待检测的图像进行检测，以此获得待检测图像的检测结果，即判断该待检测图像是否为次品，以及次品中缺陷信息，然后该检测单元将所述检测结果反馈给所述结果反馈单元进行显示，以此实现缺项的检测。
2.如权利要求1所述的一种基于云端人工智能表面缺陷检测***，其特征在于，所述边缘端模块设置在一条或多条生产线上，用于采集生产线的数据并实时将数据处理的结果反馈给生产线。
3.如权利要求1所述的一种基于云端人工智能表面缺陷检测***，其特征在于，所述训练单元采用人工智能算法对训练数据进行训练。
4.如权利要求1所述的一种基于云端人工智能表面缺陷检测***，其特征在于，所述智能标注单元中构建的预测模型包括良品和次品分类模型，以及次品缺陷信息预测模型。
5.如权利要求1所述的一种基于云端人工智能表面缺陷检测***，其特征在于，所述数据采集单元采集图像采用工业相机或计算机设备。
6.如权利要求1-5任一项所述的一种基于云端人工智能表面缺陷检测***，其特征在于，所述结果反馈单元显示检测结果的方式为在每条生产线单独显示，或者多条生产线集成显示。
CN201910937955.2A 2019-09-30 2019-09-30 一种基于云端人工智能表面缺陷检测*** Active CN110567974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910937955.2A CN110567974B (zh) 2019-09-30 2019-09-30 一种基于云端人工智能表面缺陷检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910937955.2A CN110567974B (zh) 2019-09-30 2019-09-30 一种基于云端人工智能表面缺陷检测***

Publications (2)

Publication Number Publication Date
CN110567974A CN110567974A (zh) 2019-12-13
CN110567974B true CN110567974B (zh) 2021-04-06

Family

ID=68783704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910937955.2A Active CN110567974B (zh) 2019-09-30 2019-09-30 一种基于云端人工智能表面缺陷检测***

Country Status (1)

Country Link
CN (1) CN110567974B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113358020A (zh) * 2020-03-05 2021-09-07 青岛海尔工业智能研究院有限公司 一种机器视觉检测***及方法
CN111431986B (zh) * 2020-03-18 2023-02-28 宁波智诚祥科技发展有限公司 基于5g和ai云边协同的工业智能质检***
CN113450302A (zh) * 2020-03-24 2021-09-28 东莞新能德科技有限公司 基于机器学习极耳检测方法、装置及计算机可读存储介质
CN111310859A (zh) * 2020-03-26 2020-06-19 上海景和国际展览有限公司 一种用于多媒体展示中的快速人工智能数据训练***
CN113468350A (zh) * 2020-03-31 2021-10-01 京东方科技集团股份有限公司 一种图像标注方法、装置及***
CN111915604A (zh) * 2020-08-20 2020-11-10 魏小燕 一种互联网人工智能电子零配件识别与检测***
CN112734703A (zh) * 2020-12-28 2021-04-30 佛山市南海区广工大数控装备协同创新研究院 一种利用ai云端协同检测的pcb缺陷优化方法
CN112712504B (zh) * 2020-12-30 2023-08-15 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及***、计算机可读存储介质
CN112711603A (zh) * 2020-12-30 2021-04-27 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及***、计算机可读存储介质
CN112966772A (zh) * 2021-03-23 2021-06-15 之江实验室 一种多人在线的图像半自动标注方法及***
CN116954181B (zh) * 2023-09-21 2024-03-01 深圳市兴万达电子科技有限公司 一种基于物联网的智能模块控制***及方法
CN117710310A (zh) * 2023-12-14 2024-03-15 上海千映智能科技有限公司 基于人工智能实现芯片外观缺陷检测的***及其方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101604037B1 (ko) * 2014-05-09 2016-03-16 한국건설기술연구원 카메라와 레이저 스캔을 이용한 3차원 모델 생성 및 결함 분석 방법
CN109345523B (zh) * 2018-09-21 2022-08-16 中国科学院苏州生物医学工程技术研究所 表面缺陷检测和三维建模方法
CN109829891B (zh) * 2019-01-02 2020-11-27 浙江大学 一种基于密集生成对抗神经网络的磁瓦表面缺陷检测方法
CN109800805A (zh) * 2019-01-14 2019-05-24 上海联影智能医疗科技有限公司 基于人工智能的图像处理***以及计算机设备
CN110147547A (zh) * 2019-04-09 2019-08-20 苏宁易购集团股份有限公司 一种基于迭代式学习的智能辅助标注方法及***
CN110290203A (zh) * 2019-06-25 2019-09-27 东莞德福得精密五金制品有限公司 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通

Also Published As

Publication number Publication date
CN110567974A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
CN110567974B (zh) 一种基于云端人工智能表面缺陷检测***
CN109840900B (zh) 一种应用于智能制造车间的故障在线检测***及检测方法
US12001178B2 (en) Aluminum oxide production operation optimization system and method based on cloud-edge collaboration
CN113909996B (zh) 一种基于数字孪生的高端装备加工状态监测方法及***
CN112966772A (zh) 一种多人在线的图像半自动标注方法及***
CN109693140B (zh) 一种智能化柔性生产线及其工作方法
CN103934211A (zh) 基于立体视觉的产品三维尺寸分拣***
CN113820326B (zh) 一种长码拉链的缺陷检测***
CN107705023A (zh) 实现生产与品质管理信息化及标准化的控制方法及***
CN115993366B (zh) 基于传感设备的加工件表面检测方法及***
Kumar et al. A machine vision-based cyber-physical production system for energy efficiency and enhanced teaching-learning using a learning factory
CN115129003A (zh) 一种基于自学习时变数字孪生的自动化产线智能监测***
CN115826516A (zh) 一种智能化的不锈钢链条生产管理方法及***
CN112485257A (zh) 一种基于机器视觉的辊压机辊面磨损检测方法及装置
CN111985852A (zh) 一种基于工业大数据的多业务协同质量管控***构架方法
CN116843615B (zh) 一种基于柔性光路的引线框架智能全检方法
CN110705721B (zh) 一种基于dicp***的机器人自动化巡检方法
Lin et al. Enhancing the quality inspection process in the food manufacturing industry through automation
CN113674249A (zh) 基于工业互联网的pcb板印刷质量检测方法
CN203164738U (zh) 基于云计算的机器视觉控制***
TW202326114A (zh) 長碼拉鏈的缺陷或瑕疵檢測系統
Lin et al. Reconfiguration of quality inspection approach to the food processing industry
CN117391552B (zh) 基于数字孪生的建筑部件质量控制***及方法
CN113222449A (zh) 标准化作业有效执行度评估方法及装置
CN117901121A (zh) 一种基于边缘计算的机器人无线通信***

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

Inventor after: Yang Hua

Inventor after: Yin Zhouping

Inventor after: Song Kaiyou

Inventor before: Yang Hua

Inventor before: Yin Zhouping

Inventor before: Wan Qian

Inventor before: Song Kaiyou

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant