CN110702042A - 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 - Google Patents
一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 Download PDFInfo
- Publication number
- CN110702042A CN110702042A CN201910978119.9A CN201910978119A CN110702042A CN 110702042 A CN110702042 A CN 110702042A CN 201910978119 A CN201910978119 A CN 201910978119A CN 110702042 A CN110702042 A CN 110702042A
- Authority
- CN
- China
- Prior art keywords
- thickness
- workpiece
- spectrogram
- pulse echo
- ultrasonic pulse
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B17/00—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations
- G01B17/02—Measuring arrangements characterised by the use of infrasonic, sonic or ultrasonic vibrations for measuring thickness
-
- 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
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Length Measuring Devices Characterised By Use Of Acoustic Means (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,包括,选取目标厚度估算区间不同厚度的标准试块作为标准厚度参考点;采用超声脉冲回波法多次采集不同厚度的标准试块的脉冲回波时域信号,加窗后进行快速傅里叶变换生成频谱图;将各标准试块的频谱图截取一定频率范围后作为训练样本集输入卷积神经网络中进行训练,形成识别模型;将待测工件的回波的频谱图输入识别模型中得到待测工件与各标准试块的频谱相似度,作为估计待测工件厚度的权重。本发明以超声脉冲回波在不同厚度下的频谱图主瓣与各次谐波旁瓣的细微频移变化为基础,采用卷积神经网络对频谱图进行识别,能够实现在回波时域信号混叠情况下进行待测工件厚度的估算。
Description
技术领域
本发明公开了一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,属于超声无损检测技术领域。
背景技术
在机械制造、航空航天、汽车制造等大型工业中,生产的工件需要在恶劣的环境下长期使用,损等残缺都会对生产安全造成严重的威胁,因此对工件的加工剩余厚度的要求越发严苛,超声无损测厚具有很广阔的应用场合。
传统超声测厚应用中,主要是对声波的TOF(Time of Flight)进行测定,常用的方法有阈值法、峰值法、包络法、曲线拟合法和互相关法等。其中,互相关法已能够对TOF进行较为准确的测定。但在薄件测厚中,常因探头的精度不佳以及回波经多次反射后信噪比大幅下降造成各次回波时域信号已发生严重混叠,传统的TOF测定方法将会产生较大的误差。
发明内容
本发明的目的在于提供一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,在超声脉冲回波在薄件测厚或在低信噪比条件下回波时域信号已产生混叠的情况下,依据脉冲回波信号在不同厚度下频谱图主瓣与各次谐波旁瓣细微的频移变化为基础采用卷积神经网络对频谱图进行识别,通过待测工件与各样块的相似度实现厚度的估算。
为实现上述目的,本发明的技术方案如下:
本发明实施例提供一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,包括:
选取目标厚度估算区间不同厚度的标准试块作为标准厚度参考点;
采用超声脉冲回波法多次采集每个不同厚度的标准试块的脉冲回波时域信号;
对获得的标准试块的所有脉冲回波时域信号加窗后进行快速傅里叶变换生成标准试块的频谱图;
将各标准试块的频谱图截取一定频率范围后作为训练样本集输入卷积神经网络中进行训练,输出识别模型;
将待测工件的超声脉冲回波的频谱图输入识别模型中得到待测工件与各标准试块的频谱相似度,以频谱相似度为权重估计待测工件的厚度。
进一步的,所述标准试块是涵盖待测工件厚度范围内的不同厚度的试块。
进一步的,所述超声脉冲回波法采用单探头自发自收模式,并且采用相同的回波采样率。
进一步的,所述将各标准试块的频谱图截取一定频率范围,包括:
截取的上限频率为:
截取的下限频率为:
其中,fH为上限频率,fm为探头的中心频率,fw为探头的带宽。
进一步的,所述训练样本集输入卷积神经网络之前,将频谱图更改为固定像素大小的图像。
进一步的,所述卷积神经网络卷积层的卷积核大小为5×5。
进一步的,卷积神经网络训练中,池化层生成的特征图经全连接层处理输出识别模型,用以识别待测工件的超声脉冲回波频谱图,并得出待测工件与标准工件的频谱图相似度。
进一步的,所述待测工件的超声脉冲回波的频谱图的获取,包括:
采用超声脉冲回波法采集待测工件的超声脉冲回波时域信号,
对所获取的超声脉冲回波时域信号加窗后进行快速傅里叶变换生成频谱图;
进一步的,所述将待测工件的超声脉冲回波的频谱图输入识别模型中之前,将所述频谱图截取一定频率范围后修改为固定像素大小的图像。
进一步的,所述待测工件的厚度估计如下:
d=αWTD
其中,d为待测工件的厚度估计值,α为一维行修正系数矩阵,由标准试块及实际工件厚度测试标定而来,W为以频谱相似度权重为元素的对角矩阵,D为标准样块厚度值构成的一维列矩阵。
本发明在超声脉冲回波法薄件测厚中针对回波信号信噪比较低或回波时域信号已产生混叠的情况下,采用卷积神经网络对频谱图进行识别以实现薄件厚度的估算,改善了传统识别方法在上述情况下精度不佳或无法测量的问题。
附图说明
图1是产生混叠的时域信号示意图;
图2是频谱图偏移示意图;
图3是本发明实施例的厚度估算方法流程图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,超声脉冲回波在薄件测厚过程中或在低信噪比条件下,回波时域信号常常已经产生混叠,在时域上对回波波形进行处理判定已经十分困难且精确度不高。
本发明提供一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,依据脉冲回波信号在不同厚度下频谱图主瓣与各次谐波旁瓣细微的频移变化为基础,采用卷积神经网络对频谱图进行识别。所述频移变化具体表现为在某个厚度的回波频谱图为图2中的实线,更薄厚度的频谱图为图2中的虚线,当厚度变薄时,各次谐波旁瓣与主瓣的距离存在微小收缩变化。
本发明实施例的超声脉冲回波测厚中信号混叠条件下的厚度估算方法,参见图3,包括:
(1)选取目标厚度估算区间不同厚度的标准试块作为标准厚度参考点,所述标准试块应是涵盖待测工件厚度范围内的不同厚度的标准试块,标准参考点的数量将会直接影响最终厚度估算结果的精度。
(2)采用超声脉冲回波法多次采集每个不同厚度的标准试块的脉冲回波时域信号,所述超声脉冲回波法采用单探头自发自收模式并且采用相同的回波采样率。所述每个不同厚度的标准试块的脉冲回波时域信号采集次数影响未知工件厚度估计精度。
(3)对步骤(2)中获得的所有脉冲回波时域信号加窗后进行快速傅里叶变换生成频谱图,所述加窗可以是矩形窗和/或三角窗和/或汉宁窗,其目的是提取有效的时域回波信号减少计算量。一个标准试块可对应多幅频谱图。
(4)将各标准试块的频谱图截取一定频率范围后作为训练样本集输入卷积神经网络中进行训练。
所述频率范围的上限频率为:
所述频率范围的下限频率为:
其中,fm为探头的中心频率,fw为探头的带宽。
进一步的,所述输入卷积神经网络中进行训练的频谱图应更改为如1024*1024的固定像素大小的图像。
进一步的,所述卷积神经网络卷积层的卷积核大小为5×5,计算公式为:
其中,l代表所在卷积层的层数;代表卷积层产生的特征图的第j个像素;f()是激活函数;Mj代表输入层图像的第j个感受野;代表输入层图像的第j个感受野的第i个像素,所述输入层图像的感受野大小i等于所述卷积核的大小;代表所述输入层图像的感受野的卷积核的第i个参数;代表所述输入层图像的第j个感受野的偏置。
进一步的,将所述卷积层产生的特征图输入卷积神经网络的池化层,对所述卷积层特征图做下采样,以降低图像的分辨率,池化层的计算公式如下:
进一步的,池化层生成的特征图经全连接层处理输出识别模型,用以识别待测工件的回波频谱图,并得出所述待测工件与标准工件的频谱图相似度。
(5)采用步骤(2)中所述的超声脉冲回波法采集待测工件的超声脉冲时域回波信号,经步骤(3)中相同处理后得到待测工件的超声脉冲回波的频谱图,将所述待测工件的频谱图截取所述频率范围后修改为所述固定像素大小的图像输入所述识别模型中,即得到待测工件与各标准试块的频谱相似度。
进一步的,以频谱相似度为权重估计待测工件的厚度,待测工件的厚度估计公式为:
d=αWTD
其中,d为待测工件的厚度估计值,α为一维行修正系数矩阵,由标准试块及实际工件厚度测试标定而来,W为以频谱相似度权重为元素的对角矩阵,D为标准样块厚度值构成的一维列矩阵。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,包括:
选取目标厚度估算区间不同厚度的标准试块作为标准厚度参考点;
采用超声脉冲回波法多次采集每个不同厚度的标准试块的脉冲回波时域信号;
对获得的标准试块的所有脉冲回波时域信号加窗后进行快速傅里叶变换生成标准试块的频谱图;
将各标准试块的频谱图截取一定频率范围后作为训练样本集输入卷积神经网络中进行训练,输出识别模型;
将待测工件的超声脉冲回波的频谱图输入识别模型中得到待测工件与各标准试块的频谱相似度,以频谱相似度为权重估计待测工件的厚度。
2.根据权利要求1所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,所述标准试块是涵盖待测工件厚度范围内的不同厚度的试块。
3.根据权利要求1所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,所述超声脉冲回波法采用单探头自发自收模式,并且采用相同的回波采样率。
5.根据权利要求1所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,所述训练样本集输入卷积神经网络之前,将频谱图更改为固定像素大小的图像。
6.根据权利要求1所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,所述卷积神经网络卷积层的卷积核大小为5×5。
7.根据权利要求1所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,卷积神经网络训练中,池化层生成的特征图经全连接层处理输出识别模型,用以识别待测工件的超声脉冲回波频谱图,并得出待测工件与标准工件的频谱图相似度。
8.根据权利要求1所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,所述待测工件的超声脉冲回波的频谱图的获取,包括:
采用超声脉冲回波法采集待测工件的超声脉冲回波时域信号,
对所获取的超声脉冲回波时域信号加窗后进行快速傅里叶变换生成频谱图。
9.根据权利要求8所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,所述将待测工件的超声脉冲回波的频谱图输入识别模型中之前,将所述频谱图截取一定频率范围后修改为固定像素大小的图像。
10.根据权利要求1所述的一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法,其特征在于,所述待测工件的厚度估计如下:
d=αWTD
其中,d为待测工件的厚度估计值,α为一维行修正系数矩阵,由标准试块及实际工件厚度测试标定而来,W为以频谱相似度权重为元素的对角矩阵,D为标准样块厚度值构成的一维列矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978119.9A CN110702042B (zh) | 2019-10-15 | 2019-10-15 | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910978119.9A CN110702042B (zh) | 2019-10-15 | 2019-10-15 | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110702042A true CN110702042A (zh) | 2020-01-17 |
CN110702042B CN110702042B (zh) | 2021-07-02 |
Family
ID=69198856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910978119.9A Active CN110702042B (zh) | 2019-10-15 | 2019-10-15 | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110702042B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111397697A (zh) * | 2020-04-08 | 2020-07-10 | 河海大学常州校区 | 一种水位超声检测方法 |
CN115077438A (zh) * | 2022-07-29 | 2022-09-20 | 四川轻化工大学 | 一种cng储气井壁多路超声测厚方法 |
CN115586254A (zh) * | 2022-09-30 | 2023-01-10 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及*** |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6282350A (ja) * | 1985-10-07 | 1987-04-15 | Ishikawajima Harima Heavy Ind Co Ltd | 超音波探傷装置 |
WO2009012354A1 (en) * | 2007-07-17 | 2009-01-22 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
CN101614533A (zh) * | 2008-06-26 | 2009-12-30 | 中国科学院金属研究所 | 一种能精确测量超薄工件厚度方法及仪器 |
CN102226783A (zh) * | 2011-03-25 | 2011-10-26 | 北京工业大学 | 一种基于振动声调制技术的管道闭合裂纹检测装置及方法 |
CN103148815A (zh) * | 2013-01-30 | 2013-06-12 | 大连理工大学 | 基于声压反射系数自相关函数的薄层厚度超声检测方法 |
CN104181234A (zh) * | 2014-08-29 | 2014-12-03 | 河海大学常州校区 | 一种基于多重信号处理技术的无损检测方法 |
WO2017077287A1 (en) * | 2015-11-06 | 2017-05-11 | 3-Sci Ltd | Ultrasonic thickness gauge to be used in a high temperature environment and process for attaching it |
CN106680821A (zh) * | 2016-12-05 | 2017-05-17 | 南昌航空大学 | NiCoCrAlYTa六元涂等离子喷涂涂层厚度超声无损检测方法 |
CN108981624A (zh) * | 2018-06-20 | 2018-12-11 | 长江存储科技有限责任公司 | 膜层厚度测量方法及膜层厚度测量装置 |
CN109344688A (zh) * | 2018-08-07 | 2019-02-15 | 江苏大学 | 一种基于卷积神经网络的监控视频中人的自动识别方法 |
CN110076631A (zh) * | 2019-04-03 | 2019-08-02 | 南京航空航天大学 | 复杂薄壁结构零件壁厚在机测量方法 |
CN110108240A (zh) * | 2019-04-23 | 2019-08-09 | 北京理工大学 | 一种基于自适应滤波的薄层厚度测量方法 |
CN110146510A (zh) * | 2019-05-14 | 2019-08-20 | 苏州市新特纺织有限公司 | 一种基于图像识别技术的涂层质量在线监测方法 |
CN110161119A (zh) * | 2019-06-07 | 2019-08-23 | 湘潭大学 | 风电叶片缺陷识别方法 |
CN110286155A (zh) * | 2019-07-15 | 2019-09-27 | 北京交通大学 | 一种多层复合材料的损伤检测方法及*** |
-
2019
- 2019-10-15 CN CN201910978119.9A patent/CN110702042B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS6282350A (ja) * | 1985-10-07 | 1987-04-15 | Ishikawajima Harima Heavy Ind Co Ltd | 超音波探傷装置 |
WO2009012354A1 (en) * | 2007-07-17 | 2009-01-22 | Clemson University | System and method to assess signal similarity with applications to diagnostics and prognostics |
CN101614533A (zh) * | 2008-06-26 | 2009-12-30 | 中国科学院金属研究所 | 一种能精确测量超薄工件厚度方法及仪器 |
CN102226783A (zh) * | 2011-03-25 | 2011-10-26 | 北京工业大学 | 一种基于振动声调制技术的管道闭合裂纹检测装置及方法 |
CN103148815A (zh) * | 2013-01-30 | 2013-06-12 | 大连理工大学 | 基于声压反射系数自相关函数的薄层厚度超声检测方法 |
CN104181234A (zh) * | 2014-08-29 | 2014-12-03 | 河海大学常州校区 | 一种基于多重信号处理技术的无损检测方法 |
WO2017077287A1 (en) * | 2015-11-06 | 2017-05-11 | 3-Sci Ltd | Ultrasonic thickness gauge to be used in a high temperature environment and process for attaching it |
CN106680821A (zh) * | 2016-12-05 | 2017-05-17 | 南昌航空大学 | NiCoCrAlYTa六元涂等离子喷涂涂层厚度超声无损检测方法 |
CN108981624A (zh) * | 2018-06-20 | 2018-12-11 | 长江存储科技有限责任公司 | 膜层厚度测量方法及膜层厚度测量装置 |
CN109344688A (zh) * | 2018-08-07 | 2019-02-15 | 江苏大学 | 一种基于卷积神经网络的监控视频中人的自动识别方法 |
CN110076631A (zh) * | 2019-04-03 | 2019-08-02 | 南京航空航天大学 | 复杂薄壁结构零件壁厚在机测量方法 |
CN110108240A (zh) * | 2019-04-23 | 2019-08-09 | 北京理工大学 | 一种基于自适应滤波的薄层厚度测量方法 |
CN110146510A (zh) * | 2019-05-14 | 2019-08-20 | 苏州市新特纺织有限公司 | 一种基于图像识别技术的涂层质量在线监测方法 |
CN110161119A (zh) * | 2019-06-07 | 2019-08-23 | 湘潭大学 | 风电叶片缺陷识别方法 |
CN110286155A (zh) * | 2019-07-15 | 2019-09-27 | 北京交通大学 | 一种多层复合材料的损伤检测方法及*** |
Non-Patent Citations (3)
Title |
---|
F LEFEVRE: "Thickness gauging of thin layers by laser ultrasonics and neural network", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 * |
刘凯等: "序列相似性检测在超声测厚***中的应用", 《仪表技术与传感器》 * |
胡硕等: "基于卷积神经网络的目标跟踪算法综述", 《高技术通讯》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111397697A (zh) * | 2020-04-08 | 2020-07-10 | 河海大学常州校区 | 一种水位超声检测方法 |
CN115077438A (zh) * | 2022-07-29 | 2022-09-20 | 四川轻化工大学 | 一种cng储气井壁多路超声测厚方法 |
CN115586254A (zh) * | 2022-09-30 | 2023-01-10 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及*** |
CN115586254B (zh) * | 2022-09-30 | 2024-05-03 | 陕西师范大学 | 一种基于卷积神经网络识别金属材料的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110702042B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110702042B (zh) | 一种超声脉冲回波测厚中信号混叠条件下的厚度估算方法 | |
CN104838229B (zh) | 超声波测量设备和方法 | |
CN109283248B (zh) | 基于DBSCAN和k-means算法的板类结构多缺陷检测方法 | |
CN105841645B (zh) | 一种基于电磁超声的测厚方法 | |
CN101109628A (zh) | 用于测量固态器件中的薄层的方法 | |
CN102608212A (zh) | 基于声压反射系数功率谱测量薄层声阻抗和声衰减的方法 | |
CN113063593B (zh) | 基于超声回波能量系数的滚动轴承信号特征信息获取方法 | |
CN106770691A (zh) | 一种基于压缩感知的汽轮机叶轮超声相控阵信号压缩方法 | |
CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN113126099A (zh) | 一种基于音频特征提取的单波束底质分类方法 | |
CN115540790A (zh) | 一种高精度超声厚度测量方法和装置 | |
CN109142548B (zh) | 一种基于相位环形统计矢量的超声成像方法 | |
CN111175727A (zh) | 一种基于条件波数谱密度的宽带信号方位估计的方法 | |
CN108490255A (zh) | 一种基于两级fft的数字宽带高精度测频方法及*** | |
CN112818762A (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
CN110333506B (zh) | 一种提取索力测量雷达的拉索位置参数的方法 | |
CN107315169B (zh) | 基于二阶统计量相似度的杂波协方差矩阵估计方法 | |
CN109541042B (zh) | 一种超声导波传播距离稀疏估计方法及其检测*** | |
CN114813129B (zh) | 基于wpe与emd的滚动轴承声信号故障诊断方法 | |
CN114964581B (zh) | 一种基于超声相控阵聚焦原理的应力检测方法 | |
CN115561320A (zh) | 一种处理超声信号中波形数据的方法和装置 | |
Bechou et al. | An improved method for automatic detection and location of defects in electronic components using scanning ultrasonic microscopy | |
CN113723207A (zh) | 一种基于直方图距离的突变信号检测方法 | |
CN114818232A (zh) | 一种海水空间温度剖面的重构方法及*** | |
CN112541157A (zh) | 一种信号频率精确估计方法 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230104 Address after: 211161 No. 7, Tiancheng Road, Binjiang Development Zone, Jiangning District, Nanjing, Jiangsu Province Patentee after: NANJING CHIYUN TECHNOLOGY DEVELOPMENT Co.,Ltd. Address before: 213022, No. 200 Jinling North Road, Jiangsu, Changzhou Patentee before: CHANGZHOU CAMPUS OF HOHAI University |