CN112288760B - 一种粘连细胞图像筛除方法、***及细胞图像分析方法 - Google Patents
一种粘连细胞图像筛除方法、***及细胞图像分析方法 Download PDFInfo
- Publication number
- CN112288760B CN112288760B CN202011185767.8A CN202011185767A CN112288760B CN 112288760 B CN112288760 B CN 112288760B CN 202011185767 A CN202011185767 A CN 202011185767A CN 112288760 B CN112288760 B CN 112288760B
- Authority
- CN
- China
- Prior art keywords
- cell
- single cell
- image
- cell image
- qualified
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种粘连细胞图像筛除方法、***及细胞图像分析方法。粘连细胞图像筛除方法包括(1)对于经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取单个细胞的形态特征;(2)根据形态特征,判断该单个细胞图像是否合格;如果判断单个细胞图像合格,则保留单个细胞图像,否则筛除单个细胞图像。***包括形态特征获取模块、单个细胞筛选模块。细胞图像分析方法,按照本发明提供的粘连细胞图像筛除方法,对待分析的细胞图像进行预处理。本发明提供的粘连细胞图像的筛选方法,从根源上避免了细胞图像分析中由于细胞图像采集时本身的粘连状态导致的细胞图像分析噪声,显著的减少不均一的细胞对后续结果运算的干扰。
Description
技术领域
本发明属于生物图像处理技术领域,更具体地,涉及一种粘连细胞图像筛除方法、***及细胞图像分析方法。
背景技术
用计算机基于各种算法对细胞影像进行分析和处理的需求日益增长,这类方法首先是将实验获取的细胞图像进行分割获得单个细胞的图像,然后再根据分析的目标输入不同的模型进行训练和预测。
然而细胞的形态各异,密度不均,而细胞培养中可能出现细胞粘连在一起的情况。细胞图像分割方法,无论是传统算法的细胞分割如二值化方法、分水岭算法等,或者是基于深度学习的FCN全卷积神经网络、U-Net网络,都不能对粘连细胞中每个细胞的边缘做出很好的检测和分割,并且切割出的细胞有可能是不完整的。而这些边缘不完整的细胞影像作为数据属于噪声数据,加入后续的模型训练或者分析中,会严重干扰模型的准确度等性能,导致分析效果不佳。噪声数据越多则对模型的准确度等指标干扰越大。
目前,为了解决由于细胞粘连造成图像分割不完整导致的数据的干扰,陕西师范大学李兴伟2020年的论文《基于Caps-Unet的粘连细胞核边缘检测及分割》提到了优化的方法,但该方法也不能显著性地减少不均一的细胞对后续结果运算的干扰。然而由于两个或多个细胞在物理平面上相互重叠、边界相互交叉,或者由于细胞紧密排列、相互挤压发生变形,导致细胞边缘膜信息在图像采集时损失。因此包括上述方法在内的现有技术,都无法在没有像素损失的情况下分离出单个细胞图像。即使经过细胞的边缘检测及分割算法优化,所得到的单个细胞图像仍然有像素损失,或者对后续的图像分析运算造成干扰。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种粘连细胞图像筛除方法、***及细胞图像分析方法,其目的在于通过对待分析的细胞图像进行自动筛选,滤除粘连的细胞图像,保留形态完整的单个细胞图像,从根本上摒除了影响细胞图像分析的噪声,从而显著提高细胞图像分析结果的准确性,由此解决现有技术由于细胞图像采集及边缘检测时,无法避免粘连细胞或形态不完整的细胞图像,导致细胞图像分析技术噪声大、结果不准确的技术问题。
为实现上述目的,按照本发明的一个方面,提供了一种粘连细胞图像筛除方法,其包括以下步骤:
(1)对于经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取所述单个细胞的形态特征;
(2)根据步骤(1)中获得的所述单个细胞图像的形态特征,判断该单个细胞图像是否合格;如果判断所述单个细胞图像合格,则保留所述单个细胞图像,否则筛除所述单个细胞图像。
优选地,所述粘连细胞图像筛除方法,其步骤(1)所述形态特征包括:细胞面积占比、宽高比、凸性、和/或圆度。
优选地,所述粘连细胞图像筛除方法,其步骤(1)所述检测其细胞边缘,优选采用Unet进行细胞边缘检测算法;
所述细胞面积占比,为细胞内部像素占图像总像素的比例;
所述宽高比,为所述单个细胞图像的宽和高之间的比例关系;
所述凸性,为表征所述细胞是否含有凸包的物理量;
所述圆度e,计算方法如下:e=(4π*S2)/L2,其中S为细胞面积,L为细胞周长。
优选地,所述粘连细胞图像筛除方法,其步骤(2)所述判断该单个细胞图像是否合格,采用阈值法、基于机器学习的分类算法、以及聚类算法;优选采用阈值法,具体为:
当所述单个细胞图像的形态特征皆落入预设的合格阈值范围之内时,判断该单个细胞合格;否则判断该单个细胞不合格;
优选地,所述粘连细胞图像筛除方法,其步骤(2)细胞面积占比的合格阈值范围为65%~80%;宽高比的合格阈值范围为宽比高为0.8~1.4;凸性的合格阈值范围为否,即不具备凸包;其圆度合格阈值范围为大于0.85。
按照本发明的另一个方面,提供了一种粘连细胞图像筛除***,其包括:形态特征获取模块、单个细胞筛选模块;
所述形态特征获取模块,用于对经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取所述单个细胞的形态特征,并提交给单个细胞筛选模块;
所述单个细胞筛选模块,用于所述单个细胞图像的形态特征,判断该单个细胞图像是否合格,并保留所述单个细胞图像。
优选,所述粘连细胞图像筛除***,其所述形态特征包括:细胞面积占比、宽高比、凸性、和/或圆度;
所述细胞面积占比,为细胞内部像素占图像总像素的比例;
所述宽高比,为所述单个细胞图像的宽和高之间的比例关系;
所述凸性,为表征所述细胞是否含有凸包的物理量;
所述圆度e,计算方法如下:e=(4π*S2)/L2,其中S为细胞面积,L为细胞周长。
优选,所述粘连细胞图像筛除***,其所述检测其细胞边缘,优选采用Unet进行细胞边缘检测算法;所述判断该单个细胞图像是否合格,采用阈值法。
优选,所述粘连细胞图像筛除***,其当所述单个细胞图像的形态特征皆落入预设的合格阈值范围之内时,判断该单个细胞合格;否则判断该单个细胞不合格;
其中,细胞面积占比的优选合格阈值范围为65%~80%;宽高比的优选合格阈值范围为宽高为0.8~1.4;凸性的合格阈值范围为否,即不具备凸包;其圆度优选合格阈值范围为大于0.85。
按照本发明的另一种方面,提供了一种细胞图像分析方法,包括以下步骤:按照本发明提供的粘连细胞图像筛除方法,对待分析的细胞图像进行预处理;并以保留的单个细胞图像形成的细胞图像集为分析对象进行细胞图像分析。
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。
本发明提供的粘连细胞图像的筛选方法,为细胞图像分析运算提供了一种新的预处理步骤,在进行细胞图像分割之后,进行细胞图像筛选,从而直接将不符合标准的细胞信息排除在细胞图像分析算法之外,从根源上避免了细胞图像分析中,由于细胞图像采集时本身的粘连状态导致的细胞图像分析噪声,提高细胞图像分析的输入数据一致性,显著的减少不均一的细胞对后续结果运算的干扰。
附图说明
图1是本发明提供的粘连细胞图像筛除方法的流程示意图;
图2是本发明实施例提供的粘连细胞图像筛除方法的待处理细胞图像集合;
图3是本发明实施例提供的粘连细胞图像筛除方法处理后获得的单个细胞图像集合。
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。
本发明提供的粘连细胞图像筛除方法,包括以下步骤:
(1)对于经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取所述单个细胞的形态特征;所述形态特征包括:细胞面积占比、宽高比、凸性、和/或圆度。
所述检测其细胞边缘,优选采用Unet进行细胞边缘检测算法;
所述细胞面积占比,为细胞内部像素占图像总像素的比例;
所述宽高比,为所述单个细胞图像的宽和高之间的比例关系;
所述凸性,为表征所述细胞是否含有凸包的物理量;
所述圆度e,计算方法如下:e=(4π*S2)/L2,其中S为细胞面积,L为细胞周长。
(2)根据步骤(1)中获得的所述单个细胞图像的形态特征,判断该单个细胞图像是否合格;如果判断所述单个细胞图像合格,则保留所述单个细胞图像,否则筛除所述单个细胞图像。
所述判断该单个细胞图像是否合格,可采用阈值法、基于机器学习的分类算法、以及聚类算法;其中阈值法的不需要先验建模,也不需要大量的存储和运算资源,运算速度最快,经测试采用Unet进行细胞边缘检测算法的细胞图像进行阈值法判断时,其分类效果与智能学习算法相当;由于细胞的数量众多,因此本发明优选阈值法。
采用阈值法具体为,当所述单个细胞图像的形态特征皆落入预设的合格阈值范围之内时,判断该单个细胞合格;否则判断该单个细胞不合格。其中,细胞面积占比的优选合格阈值范围为65%~80%;宽高比的优选合格阈值范围为宽比高为0.8~1.4;凸性的合格阈值范围为否,即不具备凸包;其圆度优选合格阈值范围为大于0.85。
本发明提供的粘连细胞图像筛除***,包括:形态特征获取模块、单个细胞筛选模块;
所述形态特征获取模块,用于对经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取所述单个细胞的形态特征,并提交给单个细胞筛选模块;所述形态特征包括:细胞面积占比、宽高比、凸性、和/或圆度。
所述检测其细胞边缘,优选采用Unet进行细胞边缘检测算法;
所述细胞面积占比,为细胞内部像素占图像总像素的比例;
所述宽高比,为所述单个细胞图像的宽和高之间的比例关系;
所述凸性,为表征所述细胞是否含有凸包的物理量;
所述圆度e,计算方法如下:e=(4π*S2)/L2,其中S为细胞面积,L为细胞周长。
所述单个细胞筛选模块,用于所述单个细胞图像的形态特征,判断该单个细胞图像是否合格,并保留所述单个细胞图像。
所述判断该单个细胞图像是否合格,采用阈值法、基于机器学习的分类算法、以及聚类算法;优选采用阈值法,具体为:
当所述单个细胞图像的形态特征皆落入预设的合格阈值范围之内时,判断该单个细胞合格;否则判断该单个细胞不合格;
其中,细胞面积占比的优选合格阈值范围为65%~80%;宽高比的优选合格阈值范围为宽比高为0.8~1.4;凸性的合格阈值范围为否,即不具备凸包;其圆度优选合格阈值范围为大于0.85。
本发明提供的细胞图像分析方法,包括以下步骤:
按照本发明提供的粘连细胞图像筛除方法,对待分析的细胞图像进行预处理;并以保留的单个细胞图像形成的细胞图像集为分析对象进行细胞图像分析。
以下为实施例:
一种粘连细胞图像筛除方法,包括以下步骤:
(1)对于经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取所述单个细胞的形态特征;所述形态特征包括:细胞面积占比、宽高比、和凸性。
所述检测其细胞边缘,采用Unet进行细胞边缘检测算法;具体为:
A)预处理:对细胞图像进行预处理,生成掩码图,进行数据输入;
将文件夹A中的细胞原始图片(如图2所示)作为u-net模型的输入,得出细胞图像对应的掩码图,并将掩码图保存在B文件夹中;
B)边缘优化:提取细胞轮廓,对其进行二值化编码,优化细胞边缘;
①将B文件夹中的细胞照片掩码图二值化,其中细胞内部为白色,细胞外为黑色;
②用OpenCV的中值滤波medianBlur(孔径的线性尺寸参数设置为5)对二值化后的照片进行滤波处理,使得细胞边缘部分较为平滑;
C)形态特征提取:通过掩码图像获取细胞的各种特征信息,如下:
所述细胞面积占比cell_area_ratio,为细胞内部像素占图像总像素的比例inside/(inside+outside),作为细胞面积比;
所述宽高比width/height,为所述单个细胞图像的宽width和高height之间的比例关系width/height;
所述凸性convex,为表征所述细胞是否含有凸包的物理量;
①遍历步骤B)处理后的细胞掩码图,计算白色像素点个数并记为inside,计算黑色像素点个数记为outside;
②用OpenCV的shape函数获得图像的宽width和高height;③对细胞掩码轮廓进用OpenCV的isContourConvex函数进行凸性检测,结果记录为convex;
(2)根据步骤(1)中获得的所述单个细胞图像的形态特征,判断该单个细胞图像是否合格;如果判断所述单个细胞图像合格,则保留所述单个细胞图像,否则筛除所述单个细胞图像。
本实施例采用阈值法判断该单个细胞图像是否合格,具体为:
如果cell_area_ratio是65%~80%,width_height_ratio在0.8~1.4内,convex为FALSE,则为合格细胞,否则为不合格细胞;将不合格的细胞照片分选到文件夹C中,其余照片在原文件夹中保持不变,如图3所示。
未经筛选时,所有图片都当成合格图片,数据干扰大;筛选后,筛选出绝大部分不合格的细胞影像,如下表所示。
未经筛选 | 筛选后 | |
符合 | 65450 | 56920 |
不符合 | 0 | 8530 |
而此批数据65450样本中,真实样本分布为:
符合 | 不符合 |
56706 | 8744 |
计算本实施例的筛选方法的正确筛选率为97.5%;超过采用智能分类算法的正确率,而且无需聚类为两类以上细胞。
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 (5)
1.一种粘连细胞图像筛除方法,其特征在于,包括以下步骤:
(1)对于经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取所述单个细胞的形态特征;所述形态特征包括:细胞面积占比、宽高比、凸性、和/或圆度;
(2)根据步骤(1)中获得的所述单个细胞图像的形态特征,判断该单个细胞图像是否合格;如果判断所述单个细胞图像合格,则保留所述单个细胞图像,否则筛除所述单个细胞图像;所述判断该单个细胞图像是否合格采用阈值法,具体为:
当所述单个细胞图像的形态特征皆落入预设的合格阈值范围之内时,判断该单个细胞合格;否则判断该单个细胞不合格;
细胞面积占比的合格阈值范围为65%~80%;宽高比的合格阈值范围为宽比高为0.8~1.4;凸性的合格阈值范围为否,即不具备凸包;其圆度合格阈值范围为大于0.85;
所述细胞面积占比,为细胞内部像素占图像总像素的比例;
所述宽高比,为所述单个细胞图像的宽和高之间的比例关系;
所述凸性,为表征所述细胞是否含有凸包的物理量;
所述圆度e,计算方法如下:e=(4π*S2)/L2,其中S为细胞面积,L为细胞周长。
2.如权利要求1所述的粘连细胞图像筛除方法,其特征在于,步骤(1)所述检测其细胞边缘采用Unet进行细胞边缘检测算法。
3.一种粘连细胞图像筛除***,其特征在于,包括:形态特征获取模块、单个细胞筛选模块;所述形态特征包括:细胞面积占比、宽高比、凸性、和/或圆度;
所述形态特征获取模块,用于对经图像分割处理后获得的单个细胞图像,检测其细胞边缘,获取所述单个细胞的形态特征,并提交给单个细胞筛选模块;
所述单个细胞筛选模块,用于所述单个细胞图像的形态特征,判断该单个细胞图像是否合格;如果判断所述单个细胞图像合格,保留所述单个细胞图像;所述判断该单个细胞图像是否合格,采用阈值法;当所述单个细胞图像的形态特征皆落入预设的合格阈值范围之内时,判断该单个细胞合格;否则判断该单个细胞不合格;
其中,细胞面积占比的合格阈值范围为65%~80%;宽高比的合格阈值范围为宽比高为0.8~1.4;凸性的合格阈值范围为否,即不具备凸包;其圆度合格阈值范围为大于0.85;
所述细胞面积占比,为细胞内部像素占图像总像素的比例;
所述宽高比,为所述单个细胞图像的宽和高之间的比例关系;
所述凸性,为表征所述细胞是否含有凸包的物理量;
所述圆度e,计算方法如下:e=(4π*S2)/L2,其中S为细胞面积,L为细胞周长。
4.如权利要求3所述的粘连细胞图像筛除***,其特征在于,所述检测其细胞边缘,采用Unet进行细胞边缘检测算法。
5.一种细胞图像分析方法,包括以下步骤:按照如权利要求1或2所述的粘连细胞图像筛除方法,对待分析的细胞图像进行预处理;并以保留的单个细胞图像形成的细胞图像集为分析对象进行细胞图像分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011185767.8A CN112288760B (zh) | 2020-10-30 | 2020-10-30 | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011185767.8A CN112288760B (zh) | 2020-10-30 | 2020-10-30 | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288760A CN112288760A (zh) | 2021-01-29 |
CN112288760B true CN112288760B (zh) | 2022-08-19 |
Family
ID=74353624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011185767.8A Active CN112288760B (zh) | 2020-10-30 | 2020-10-30 | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288760B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361478B (zh) * | 2021-07-05 | 2023-08-22 | 上海大学 | 一种细胞运动过程中的形变跟踪方法及*** |
CN114998332B (zh) * | 2022-08-02 | 2022-11-22 | 珠海横琴圣澳云智科技有限公司 | 核型异常细胞的确定方法和装置 |
CN117253227B (zh) * | 2023-10-23 | 2024-06-18 | 深圳市茵冠生物科技有限公司 | 一种人工智能协同自动化设备的监控方法与*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933701A (zh) * | 2015-05-18 | 2015-09-23 | 重庆大学 | 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法 |
CN108320289A (zh) * | 2018-02-12 | 2018-07-24 | 华南理工大学 | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 |
CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、***和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI496112B (zh) * | 2013-09-13 | 2015-08-11 | Univ Nat Cheng Kung | 細胞影像分割方法以及核質比評估方法 |
-
2020
- 2020-10-30 CN CN202011185767.8A patent/CN112288760B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933701A (zh) * | 2015-05-18 | 2015-09-23 | 重庆大学 | 基于多尺度生长与双策略去粘连模型的乳腺细胞分割方法 |
CN108320289A (zh) * | 2018-02-12 | 2018-07-24 | 华南理工大学 | 一种基于稀疏表示和形态学操作的骨髓细胞分割方法 |
CN110110709A (zh) * | 2019-05-27 | 2019-08-09 | 湖南开启时代智能科技有限公司 | 一种基于图像处理的红白细胞分类计数方法、***和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112288760A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288760B (zh) | 一种粘连细胞图像筛除方法、***及细胞图像分析方法 | |
CN113989279B (zh) | 基于人工智能及图像处理的塑料薄膜质量检测方法 | |
CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
CN115457041B (zh) | 一种道路质量识别检测方法 | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
CN114749342B (zh) | 一种锂电池极片涂布缺陷识别方法、装置及介质 | |
CN114140669B (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
CN107622277A (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN114782330B (zh) | 基于人工智能的炉排异常检测方法及*** | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114782475A (zh) | 基于人工智能***的瓦楞纸箱压线缺陷检测优化方法 | |
CN116740072B (zh) | 基于机器视觉的道路表面缺陷检测方法及*** | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
CN114495098B (zh) | 一种基于显微镜图像的盘星藻类细胞统计方法及*** | |
CN114926441A (zh) | 一种注塑件加工成型的缺陷检测方法及*** | |
CN115294377A (zh) | 一种道路裂缝的识别***及方法 | |
CN113435460A (zh) | 一种亮晶颗粒灰岩图像的识别方法 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
CN111242899A (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN113240623A (zh) | 一种路面病害检测方法及装置 | |
CN117635615B (zh) | 基于深度学习实现冲孔模具的缺陷检测方法及*** | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及*** | |
CN113436102A (zh) | 一种加工零件表面缺陷检测方法 | |
CN108182676A (zh) | 一种***碎片化率检测方法、装置、设备及可读存储介质 | |
CN110889418A (zh) | 一种气体轮廓识别方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220601 Address after: 518048 No. 323-m, third floor, comprehensive Xinxing phase I, No. 1, Haihong Road, Fubao community, Fubao street, Futian District, Shenzhen, Guangdong Province Applicant after: Shenzhen Taili Biotechnology Co.,Ltd. Address before: 523576 building 3 and 4, gaobao green technology city, Tutang Industrial Zone, Changping Town, Dongguan City, Guangdong Province Applicant before: DONGGUAN TAILI BIOLOGICAL ENGINEERING CO.,LTD. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |