CN110717393B - 一种基于红外周视***的森林林火自动检测方法及*** - Google Patents

一种基于红外周视***的森林林火自动检测方法及*** Download PDF

Info

Publication number
CN110717393B
CN110717393B CN201910841109.0A CN201910841109A CN110717393B CN 110717393 B CN110717393 B CN 110717393B CN 201910841109 A CN201910841109 A CN 201910841109A CN 110717393 B CN110717393 B CN 110717393B
Authority
CN
China
Prior art keywords
image
infrared
temperature
forest fire
processing
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
CN201910841109.0A
Other languages
English (en)
Other versions
CN110717393A (zh
Inventor
季云松
其他发明人请求不公开姓名
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.)
Beijing fujirui Optoelectronic Technology Co.,Ltd.
Original Assignee
Beijing Fjr Optoelectronic Technology Co ltd
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 Beijing Fjr Optoelectronic Technology Co ltd filed Critical Beijing Fjr Optoelectronic Technology Co ltd
Priority to CN201910841109.0A priority Critical patent/CN110717393B/zh
Publication of CN110717393A publication Critical patent/CN110717393A/zh
Application granted granted Critical
Publication of CN110717393B publication Critical patent/CN110717393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

本发明公开了一种基于红外周视***的森林林火自动检测方法及***，该方法至少包括：森林原始图像的获取步骤；温度分析步骤；图像分析步骤；结果相与处理步骤；虚警过滤步骤；目标确认步骤；基于该方法的森林林火自动检测***能有效杜绝虚警，对森林林火识别的准确度高，能实现稳定的、较高的预警准确率和发现速度。

Description

一种基于红外周视***的森林林火自动检测方法及***
技术领域
本发明属于森林防火监控技术领域，具体涉及一种基于红外周视***的森林林火自动检测方法及***。
背景技术
森林火灾是地球上重要的灾害之一，其具有突发性、随机性、破坏性大、处置救助困难等特点，因此世界各国都非常重视森林防火监控***的研究，以期对林火险情进行实时有效地监测，争取做到及时准确有效地发现险情，为抢救工作最大限度地争取宝贵时间，最大限度地降低森林火灾造成的损失。
随着红外热成像技术的不断发展和成熟，红外周视***越来越广泛地被应用到森林防火监控中。红外周视***具有360°全景视场，能够360°全方位成像的特点，用于林火检测具有诸多优势：1、旋转速度较快，可达120度/秒，对火场的响应快；2、红外成像稳定性、重复性好，多圈旋转后，同一景物在红外图像上的成像位置偏移仅为1像素；3、红外图像对不同景物的灰度响应重复性好；4、红外图像灰度采样精度为13位，灰度值范围为0-8192。
但森林场景复杂，视场内景物繁多，加之人类活动频繁以及太阳的干扰，使得红外图像的背景成分极其复杂，这会严重影响红外周视***对森林林火的识别准确度，虚警现象时有发生。因此，如何提高红外周视***对森林林火的识别准确度，实现稳定的、较高的预警准确率和发现速度，是目前亟待解决的技术难题。
发明内容
为解决现有技术存在的上述问题，本发明旨在提出一种基于红外周视***的森林林火自动检测方法及使用该方法的***，以期实现稳定的、较高的火情预警准确率和发现速度。
为达到上述目的，本发明一方面提出了一种基于红外周视***的森林林火自动检测方法，该方法至少包括：森林原始图像的获取步骤；温度分析步骤；图像分析步骤；结果相与处理步骤；虚警过滤步骤；目标确认步骤；其中，所述获取步骤所得图像为16位红外原始图像，所述温度分析步骤和所述图像分析步骤均用于分析处理所述获取步骤所得图像，所述温度分析步骤进一步包括对所述红外原始图像的垂直方向进行灰度修正的步骤，设定所述红外原始图像的垂直方向的分辨率为640，则有：D′＝kD*(640-i)2，式中：D′为修正后的灰度值，D为修正前的灰度值，i为列号，k为常系数，所述温度分析步骤进一步包括在所述灰度修正步骤之后的红外温度分析步骤和红外温度数据分割步骤，所述红外温度分析步骤根据红外热像温度与灰度值响应关系基于所述修正后的灰度值D′获得相对应的温度值，所述红外温度数据分割步骤基于所述红外温度分析步骤获得的该温度值进行温度值分割以得到含有所述林火在内的图像，所述图像分析步骤进一步包括在滤波步骤之后的自适应阈值分割步骤，所述自适应阈值分割步骤使用区域OTSU自适应分割算法对所述滤波步骤所得图像进行区域OTSU自适应阈值分割，把该图像按分辨率64×64分成一个个小图像块，然后再对每个小图像块单独进行区域OTSU自适应阈值分割，所述结果相与处理步骤用于将所述温度分析步骤最终所得图像与所述图像分析步骤最终所得图像进行与运算，所述虚警过滤步骤基于所述结果相与处理步骤所得图像进行虚警过滤处理，所述目标确认步骤基于所述虚警过滤步骤所得图像确认所述林火的发生。
进一步地，图像分析步骤进一步包括滤波步骤，所述滤波步骤使用下列矩阵对所述红外原始图像进行二维高斯滤波：
Figure GDA0002572460550000021
进一步地，所述图像分析步骤进一步包括在所述自适应阈值分割步骤之后的图像腐蚀膨胀处理步骤，所述图像腐蚀膨胀处理步骤对所述自适应阈值分割步骤所得图像使用图像腐蚀膨胀算法进行图像的腐蚀与膨胀处理。
进一步地，所述结果相与处理步骤用于将所述温度分析步骤最终所得图像与所述图像分析步骤最终所得图像进行与运算具体为：将所述红外温度数据分割步骤所得图像与所述图像腐蚀膨胀处理步骤所得图像进行与运算。
进一步地，所述虚警过滤步骤基于所述结果相与处理步骤所得图像使用以下措施中的至少一种进行虚警过滤处理：措施一：设定固定的无需报警的区域，根据相频的转台方位和俯仰坐标值计算得到对应的图像坐标值以过滤虚警；措施二：剔除固定在图像中位置不动的且与林火有相似图像与温度特性的目标以过滤虚警；措施三：在图像中与林火有相似图像与温度特性的移动目标，通过该目标的移动速度来过滤虚警；措施四：过滤掉太阳引起的虚警。
为达到上述目的，本发明另一方面进一步提出了一种基于红外周视***的森林林火自动检测***，该***使用本发明所提供的上述方法自动检测森林林火的发生。
与现有技术相比，本发明的自动检测方法能有效杜绝虚警，对森林林火识别的准确度高，能实现稳定的、较高的预警准确率和发现速度，为抢救工作最大限度地争取宝贵时间，最大限度地降低森林火灾造成的损失。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解。在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，用来提供对本发明的进一步理解，构成本申请的一部分，而不应将其视为是对本发明范围的限制。其中：
图1为本发明的自动检测方法的流程图；
图2为本发明的自动检测方法所用的红外热像温度与灰度响应图；
图3为本发明的自动检测方法所用的太阳方位角图；
图4为本发明的自动检测方法所获得的林火现场测试图。
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，以下结合附图及具体实施例，对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，而不能理解为对本发明的限制。
本发明所提供的自动检测方法用于基于红外周视***对森林林火进行识别和检测，红外周视***通过对野外环境中红外辐射值的数据采集及森林火灾数据的分析，结合红外热成像的相对温度分析技术、视频图像分析技术共同实现森林林火的自动检测。
优选地，本发明所使用的红外周视***可以选用凝视红外热成像仪，其能够360度匀速连续旋转成像并形成一个360度的图像带。
下面参照图1描述本发明实施例提供的自动检测方法的具体流程。如图1所示，本发明的该种方法首先通过红外周视***对森林获取16位红外原始图像，然后对获得的16位红外原始图像分别进行温度分析和图像分析，具体流程如下：
(一)温度分析处理
理想状态下，温度与灰度成正比关系，但红外热成像的灰度响应与环境温度密切相关，与观察景物的距离也密切相关，景物的灰度值与景物距离的平方成反比，因此就存在这样一种可能，远距离的高温物体与近距离的低温物体的灰度值相近，这会导致识别错误。因此，在对获得的16位红外原始图像进行温度分析的过程中，首先对红外原始图像的垂直方向进行灰度修正，以消除前述识别错误的现象。
具体来讲，由于转台扫描的俯仰角是固定不变的，因此红外原始图像中最远距离和最近距离可以先行获得，设定红外原始图像的垂直方向的分辨率为640，则有如下公式：
D′＝kD*(640-i)2
式中：D′为修正后的灰度值，D为修正前的灰度值，i为列号，k为常系数。
接下来，本发明的该种方法将基于修正后的灰度值D′近似进行温度分析计算。其中，图2示出了红外热像温度与灰度响应图，该图反映了温度与灰度值之间的非线性响应关系，基于图2所示出的响应关系，可以计算出图像中的每一点灰度值的相对温度值。
根据实践经验，已知林火的绝对温度大约在150-600摄氏度范围，因此，接下来，本发明的该种方法将对计算出的上述相对温度值进行温度值分割处理，得到含有林火在内的图像。
由图2所示，图像中的每一个像素的灰度值对应一个温度值，设定一个灰度阈值dgate，经过此阈值分割后，得到含有林火在内的图像部分。
Figure GDA0002572460550000041
式中：D为修正前的灰度值。
(二)图像分析处理
高斯混合模型(GMM)是当前目标检测方法中效果较好的一类方法，通过统计视频图像中各个点的像素值获取背景模型，最后利用背景减除的思想完成运动目标的检测，该方法能在不断更新背景模型的同时，在新一帧图像中直接检测出属于目标的像素点，减少了计算差分图像和二值化图像等环节，有效地提高了检测速度。在对获得的16位红外原始图像进行图像分析的过程中，本发明的该种方法首先使用图像处理的方法进行视频分析，并进行二维高斯滤波，二维高斯滤波的特点是突出高亮目标，并抑制噪声。
具体地，本发明的该种方法使用下面5×5矩阵对红外原始图像进行二维高斯滤波：
Figure GDA0002572460550000051
接下来，本发明的该种方法将使用区域OTSU自适应分割算法对滤波后的图像进行自适应阈值分割，把图像按分辨率64×64分成一个个小图像块，然后再对每个小图像块单独进行区域OTSU自适应阈值分割。
接下来，本发明的该种方法将对分割后的图像使用图像腐蚀膨胀算法进行图像的腐蚀、膨胀处理，目的是去除小的零星散点，把不连通相邻的目标连接成一体。
接下来，将经上述温度分析所获得的图像数据与图像分析所获得的图像数据进行相与处理，即进行“与”运算，获得最终图像。
根据经验，所获得的上述最终图像中仍然存在很多虚警目标，为提高预警准确性，本发明的该种自动检测方法还增设了虚警过滤处理，具体使用下列措施的至少一种进行虚警过滤：
1、由后端软件设定固定的不需报警区域，此不报警区域可计算到图像上的具体坐标值，结合相应的转台方位、俯仰坐标值，由软件计算得到对应的图像像素坐标值，自动报警数据坐标落在此不需报警内则为虚警，从而过滤虚警；
2、森林中被太阳晒热的岩石、部分道路等与林火相似的图像与温度特性目标，其固定在图像中，且位置不动，可通过后端软件人为剔除；
3、在森林中的道路中行走的车辆、耕种的农用机器等也有与林火相似的图像与温度特性，可通过目标移动的速度来过滤虚警；
4、太阳是林火检测中虚警比较高的干扰物之一，太阳既不是静止不动，却移动速度慢，因此，可利用***安装点位置的经度、纬度和准确的天文时间，计算出太阳出现的方位角、俯仰角，从而过滤掉太阳引起的虚警。具体地，如图3所示，我们可以使用下列公式计算太阳的方位角：
(1)太阳高度角Hs求解公式
sinHs＝sinφ·sinδ+cosφ·cosδ·cosΩ
式中：Hs为太阳高度角；φ为地理纬度；δ为太阳赤纬；Ω为太阳时角。
(2)太阳方位角As求解公式
cosAs＝(sinHs·sinφ-sinδ)/(cosHs·cosφ)
式中：As为太阳方位角；Hs为太阳高度角；φ为地理纬度；δ为太阳赤纬。
经过上面的虚警过滤处理后，干扰物被去掉，最终图像中保留的被识别目标就可以认为是真正的森林林火目标。
其中，图4就示出了使用本发明的自动检测方法在林火现场实拍的现场测试图像，测试火源距离观测点约5km，能见度约为2km，人眼直接不能观察到测试火源，通过红外图像能够清楚地看见图像中的测试火源，同时自动在图像中标出火源位置。
进一步地，本发明对应地还提供了一种使用上述自动检测方法进行林火检测的***。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于红外周视***的森林林火自动检测方法，其特征在于，该方法至少包括：森林原始图像的获取步骤；温度分析步骤；图像分析步骤；结果相与处理步骤；虚警过滤步骤；目标确认步骤；其中，所述获取步骤所得图像为16位红外原始图像，所述温度分析步骤和所述图像分析步骤均用于分析处理所述获取步骤所得图像，所述温度分析步骤进一步包括对所述红外原始图像的垂直方向进行灰度修正的步骤，设定所述红外原始图像的垂直方向的分辨率为640，则有：D′＝kD*(640-i)2，式中：D′为修正后的灰度值，D为修正前的灰度值，i为列号，k为常系数，所述温度分析步骤进一步包括在所述灰度修正步骤之后的红外温度分析步骤和红外温度数据分割步骤，所述红外温度分析步骤根据红外热像温度与灰度值响应关系基于所述修正后的灰度值D′获得相对应的温度值，所述红外温度数据分割步骤基于所述红外温度分析步骤获得的该温度值进行温度值分割以得到含有所述林火在内的图像，所述图像分析步骤进一步包括在滤波步骤之后的自适应阈值分割步骤，所述自适应阈值分割步骤使用区域OTSU自适应分割算法对所述滤波步骤所得图像进行区域OTSU自适应阈值分割，把该图像按分辨率64×64分成一个个小图像块，然后再对每个小图像块单独进行区域OTSU自适应阈值分割，所述结果相与处理步骤用于将所述温度分析步骤最终所得图像与所述图像分析步骤最终所得图像进行与运算，所述虚警过滤步骤基于所述结果相与处理步骤所得图像进行虚警过滤处理，所述目标确认步骤基于所述虚警过滤步骤所得图像确认所述林火的发生。
2.根据权利要求1所述的森林林火自动检测方法，其特征在于，所述图像分析步骤进一步包括滤波步骤，所述滤波步骤使用下列矩阵对所述红外原始图像进行二维高斯滤波：
Figure FDA0002572460540000011
3.根据权利要求2所述的森林林火自动检测方法，其特征在于，所述图像分析步骤进一步包括在所述自适应阈值分割步骤之后的图像腐蚀膨胀处理步骤，所述图像腐蚀膨胀处理步骤对所述自适应阈值分割步骤所得图像使用图像腐蚀膨胀算法进行图像的腐蚀与膨胀处理。
4.根据权利要求3所述的森林林火自动检测方法，其特征在于，所述结果相与处理步骤用于将所述温度分析步骤最终所得图像与所述图像分析步骤最终所得图像进行与运算具体为：将所述红外温度数据分割步骤所得图像与所述图像腐蚀膨胀处理步骤所得图像进行与运算。
5.根据权利要求4所述的森林林火自动检测方法，其特征在于，所述虚警过滤步骤基于所述结果相与处理步骤所得图像使用以下措施中的至少一种进行虚警过滤处理：
措施一：设定固定的无需报警的区域，根据相频的转台方位和俯仰坐标值计算得到对应的图像坐标值以过滤虚警；
措施二：剔除固定在图像中位置不动的且与林火有相似图像与温度特性的目标以过滤虚警；
措施三：在图像中与林火有相似图像与温度特性的移动目标，通过该目标的移动速度来过滤虚警；
措施四：过滤掉太阳引起的虚警。
6.一种基于红外周视***的森林林火自动检测***，其特征在于，该***使用根据权利要求1-5中任意一项所述的方法自动检测森林林火。
CN201910841109.0A 2019-09-06 2019-09-06 一种基于红外周视***的森林林火自动检测方法及*** Active CN110717393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910841109.0A CN110717393B (zh) 2019-09-06 2019-09-06 一种基于红外周视***的森林林火自动检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910841109.0A CN110717393B (zh) 2019-09-06 2019-09-06 一种基于红外周视***的森林林火自动检测方法及***

Publications (2)

Publication Number Publication Date
CN110717393A CN110717393A (zh) 2020-01-21
CN110717393B true CN110717393B (zh) 2020-08-25

Family

ID=69210323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910841109.0A Active CN110717393B (zh) 2019-09-06 2019-09-06 一种基于红外周视***的森林林火自动检测方法及***

Country Status (1)

Country Link
CN (1) CN110717393B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907616B (zh) * 2021-04-27 2022-05-03 浙江大学 一种基于热成像背景滤除的行人检测方法
CN113611075B (zh) * 2021-07-30 2023-01-24 东风商用车有限公司 牵引车火灾监测方法、装置、设备及可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023509A (zh) * 2016-07-25 2016-10-12 上海腾盛智能安全科技股份有限公司 一种用于火灾模式的监测***
CN109741569A (zh) * 2019-01-21 2019-05-10 中国电子科技集团公司第三十八研究所 智能立体车库火灾预警处置***及方法
CN110047241A (zh) * 2019-04-27 2019-07-23 刘秀萍 一种森林火灾无人机巡航监控***
CN110135266A (zh) * 2019-04-17 2019-08-16 浙江理工大学 一种基于深度学习的双摄像头电气火灾防控方法及***

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100511305C (zh) * 2007-08-10 2009-07-08 山东省科学院自动化研究所 双波段图象识别火灾探测报警***及其监控方法
CN101989373B (zh) * 2009-08-04 2012-10-03 中国科学院地理科学与资源研究所 基于可见光—热红外的多光谱多尺度森林火情监测方法
JP5940853B2 (ja) * 2012-03-23 2016-06-29 株式会社日立国際電気 火災検知システム及び火災検知方法
CN106157518A (zh) * 2015-03-24 2016-11-23 青岛浩海网络科技股份有限公司 一种森林防火用远红外防虚警***及其方法
CN104850826B (zh) * 2015-04-23 2018-09-21 北京宇航时代科技发展有限公司 一种火灾红外波段检测方法
CN107248252B (zh) * 2017-08-11 2020-06-05 盈创星空(北京)科技有限公司 一种高效的森林火灾探测***
CN109359554A (zh) * 2018-09-21 2019-02-19 南京信息工程大学 一种基于多合成图像处理技术的森林火灾识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106023509A (zh) * 2016-07-25 2016-10-12 上海腾盛智能安全科技股份有限公司 一种用于火灾模式的监测***
CN109741569A (zh) * 2019-01-21 2019-05-10 中国电子科技集团公司第三十八研究所 智能立体车库火灾预警处置***及方法
CN110135266A (zh) * 2019-04-17 2019-08-16 浙江理工大学 一种基于深度学习的双摄像头电气火灾防控方法及***
CN110047241A (zh) * 2019-04-27 2019-07-23 刘秀萍 一种森林火灾无人机巡航监控***

Also Published As

Publication number Publication date
CN110717393A (zh) 2020-01-21

Similar Documents

Publication Publication Date Title
US9420177B2 (en) Panoramic view imaging system with laser range finding and blind spot detection
CN113359097B (zh) 一种毫米波雷达和相机联合标定的方法
US9881212B2 (en) Infrared image based early detection of oil spills in water
CN102262092B (zh) 能见度测量***及方法
CN109919975B (zh) 一种基于坐标标定的广域监控运动目标关联方法
CN110717393B (zh) 一种基于红外周视***的森林林火自动检测方法及***
CN107886670A (zh) 林区初期火灾快速识别与定位方法、存储介质、电子设备
CN110067274B (zh) 设备控制方法及挖掘机
CN109238227B (zh) 一种表征地面沉降时空演变的方法
CN112857246A (zh) 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法
CN113240887A (zh) 边坡落石崩塌监测方法、装置及设备
CN111879292B (zh) 一种海岸线动态监控方法、监控设备及存储介质
CN112085003A (zh) 公共场所异常行为自动识别方法及装置、摄像机设备
CN104063863A (zh) 用于河道监控的下俯式双目视觉***及图像处理方法
CN110780327A (zh) 基于星载ais与红外相机的海上目标协同定位方法
Honda et al. Real-time volcano activity mapping using ground-based digital imagery
CN114067533A (zh) 一种地质灾害摄影监测预警方法
CN111723597A (zh) 跟踪算法的精度检测方法、装置、计算机设备和存储介质
Hasheminasab et al. Multiscale image matching for automated calibration of UAV-based frame and line camera systems
Öktem et al. Stereophotogrammetry of oceanic clouds
CN117113284A (zh) 多传感器融合的数据处理方法、装置与多传感器融合方法
CN111899289A (zh) 一种基于图像特征信息的红外图像与可见光图像的配准方法
CN115950435A (zh) 无人机巡检影像的实时定位方法
CN113792684B (zh) 弱对齐条件下的消防机器人多模态视觉火焰检测方法
KR20190136850A (ko) 정지궤도 적외선영상에서의 고도영향 저감방법 및 그 장치

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
CP01 Change in the name or title of a patent holder

Address after: 101300, No. two, 1 road, Shunyi Park, Zhongguancun science and Technology Park, Beijing, Shunyi District

Patentee after: Beijing fujirui Optoelectronic Technology Co.,Ltd.

Address before: 101300, No. two, 1 road, Shunyi Park, Zhongguancun science and Technology Park, Beijing, Shunyi District

Patentee before: BEIJING FJR OPTOELECTRONIC TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder