申请/专利权人：安徽农业大学;安徽泓森物联网有限公司

申请日：2019-01-28

公开（公告）日：2023-03-24

公开（公告）号：CN109784417B

主分类号：G06V10/82

分类号：G06V10/82;G06V10/764;G06N3/0464;G06N3/048;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2023.03.24#授权;2019.06.14#实质审查的生效;2019.05.21#公开

摘要：本发明实施方式提供一种黑毛猪肉图像的识别方法，属于黑毛猪肉的新鲜度识别技术领域。所述识别方法包括：预设一残差网络模型；采用预设的数据库对残差网络模型进行训练，初始化残差网络模型的参数和残差网络模型的各个变量的权重，其中，数据库包括至少一张猪肉的图像；将LReLU函数作为自适应网络的激活函数；采用预设的样本集再次训练残差网络模型，其中，样本集包括至少一张黑毛猪肉的图像；输出残差网络模型；采用残差网络模型识别黑毛猪肉图像。该黑毛猪肉图像的识别方法提高了黑毛猪肉图像新鲜度的识别率。

主权项：1.一种黑毛猪肉图像的识别方法，其特征在于，所述识别方法包括：预设一残差网络模型，所述残差网络模型包括：多个残差模块，每个所述残差模块包括串联的至少一个卷积层和一个池化层，所述卷积层用于对输入的黑毛猪肉图像进行滤波处理，所述池化层用于对处理后的所述黑毛猪肉图像进行进一步整合，每个所述残差模块的输入端和输出端连接；自适应网络，与所述残差模块连接，用于对所述黑毛猪肉图像进行识别和分类，所述自适应网络的层数为3层；采用预设的数据库对所述残差网络模型进行训练，初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重，其中，所述数据库包括至少一张猪肉的图像；将LReLU函数作为所述自适应网络的激活函数；采用预设的样本集再次训练所述残差网络模型，其中，所述样本集包括至少一张黑毛猪肉的图像；输出所述残差网络模型；采用所述残差网络模型识别黑毛猪肉图像。

全文数据：残差网络模型及其训练方法、系统、识别方法及系统技术领域本发明涉及黑毛猪肉的新鲜度识别技术领域，具体地涉及一种基于残差网络和迁移学习的识别方法、系统及存储介质。背景技术猪肉在存放过程中，由于本身酶的作用以及微生物的污染或宰杀前患病等原因，会造成猪肉自溶、腐败分解等变化，导致猪肉新鲜度下降。由于猪肉成分的分解，必然使其营养价值降低，而且无论是参与腐败的微生物及其毒素，还是腐败后形成的有毒分解产物，都可能引起人的中毒和疾病。猪肉的腐败变质是一渐进过程，变化复杂，还受到诸多因素的影响。因此如何准确快速地评定肉类的品质和安全性关系着消费者的健康和切身利益。现有技术中，猪肉品质的评价指标是颜色、质地、pH值、嫩度、新鲜度等，而新鲜度是评价肉品质和安全性的重要复杂的指标参数，其包含各种微生物、理化和生化特性。猪肉的主要成分，比如：蛋白质、脂肪和碳水化合物，被酶和细菌分解，产生气味；猪肉中的蛋白质将逐渐分解为氢，硫化物、氨、乙基硫醇等，产生包括组胺，酪胺，腐胺和色胺有毒小分子；脂肪会分解成醛类化合物和醛酸；碳水化合物会分解醇类、酮类、醛类、烃类和羧酸类酸性气体。在贮藏过程中，这些物质和其他碱性氮化合物一起会影响猪肉的颜色、纹理和形状特征。现有技术中判断猪肉新鲜度主要是依赖对猪肉的各项指标例如颜色、质地等进行检测，再根据预设的指标判断猪肉的新鲜度。这种方法虽然可以准确的判断猪肉的新鲜度，但是检测的方式复杂，依赖人为操作，难以实现自动化。发明内容本发明实施方式的目的是提供一种残差网络模型及其训练方法、系统、识别方法及系统。该残差网络模型相对于现有技术中的残差网络模型具备对黑毛猪肉图像的高精度识别功能；该训练方法、系统可以训练出高精度识别功能的残差网络模型；该识别方法、系统通过采用残差网络模型对黑毛猪肉进行识别，从而提高了黑毛猪肉图像新鲜度的识别率。为了实现上述目的，本发明的一方面实施方式提供一种基于残差网络和迁移学习的识别方法，该识别方法可以用于识别黑毛猪肉的新鲜度，包括：多个残差模块，每个所述残差模块包括串联的至少一个卷积层和一个池化层，所述卷积层用于对输入的黑毛猪肉图像进行滤波处理，所述池化层用于对处理后的所述黑毛猪肉图像进行进一步整合，每个所述残差模块的输入端和输出端连接；自适应网络，与所述残差模块连接，用于对所述黑毛猪肉图像进行识别和分类。可选地，所述自适应网络的层数为3层。另一方面，本发明还提供一种用于残差网络模型的训练方法，用于训练上述任一所述的残差网络模型，所述训练方法包括：预设一残差网络模型；采用预设的数据库对所述残差网络模型进行训练，初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重，其中，所述数据库包括至少一张猪肉的图像；将所述残差网络模型的全连接层和分类层的替换为自适应网络；将LReLU函数作为所述自适应网络的激活函数；采用预设的样本集再次训练所述残差网络模型，其中，所述样本集包括至少一张黑毛猪肉的图像；输出所述残差网络模型。可选地，所述采用预设的数据库对所述残差网络模型进行训练，初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重包括：分别对每张所述猪肉的图像进行裁切；分别对每张所述猪肉的图像进行仿射变换、透视变换和图像旋转中的至少一种操作以扩充所述猪肉的图像的数量。可选地，采用公式1作为所述LReLU函数，其中，x为输入值，fx为输出值，α为预设的参数。可选地，α的取值为0.01。另一方面，本发明还提供一种用于残差网络模型的训练系统，所述训练系统包括处理器，所述处理器用于执行上述任一所述的训练方法。另一方面，本发明还提供一种用于黑毛猪肉的识别方法，所述识别方法包括采用上述任一所述的残差网络模型对黑毛猪肉的图像进行识别。再一方面，本发明还提供一种用于黑毛猪肉的识别系统，所述识别系统包括处理器，所述处理器用于执行上述所述的识别方法。通过上述技术方案，本发明提供的残差网络模型通过将残差网络模型中的全连接层和分类层替换为自适应网络的方式，使得残差网络模型具备对黑毛猪肉图像的精确识别的功能；本发明提供的训练方法、系统通过迁移学习的方式，将传统残差网络模型在猪肉图像中学习的知识迁移至黑毛猪肉的识别中，使得在仅提供小样本的黑毛猪肉图像数据的情况下，也能够完成对残差网络模型的训练；本发明提供的识别方法通过将训练出的残差网络模型应用黑毛猪肉图像的识别中，实现了对黑毛猪肉图像的精确识别。本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。附图说明附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：图1是根据本发明的一个实施方式的残差网络模型的结构框图；图2是根据本发明的一个实施方式的用于训练残差网络模型的训练方法的流程图；图3是根据本发明的一个实施方式的处理猪肉图像的方法的流程图；图4是ReLU函数的函数关系曲线图；图5是LReLU函数的函数关系曲线图；图6a是根据本发明的一个示例的训练过程中模型损失变化曲线图；以及图6b是根据本发明的一个示例的训练过程中分类准确率变化曲线图。具体实施方式以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。在本申请实施方式中，在未作相反说明的情况下，使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重力方向上而言的各部件相互位置关系描述用词。另外，若本申请实施方式中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。如图1所示是根据本发明的一个实施方式的残差网络模型的结构框图。在图1中，该残差网络模型可以多个串联的残差模块10和自适应网络20。在图1中，每个残差模块10可以包括串联的至少一个卷积层11和一个池化层12。卷积层11用于对输入的黑毛猪肉图像进行滤波处理；池化层12用于对处理后的黑毛猪肉图像进行进一步整合。此外，为了避免由于多个卷积层11和池化层12处理过程中造成的梯度弥散的问题出现，每个残差模块10的输入端可以和输出端连接，这样可以使得神经网络在成百上千层时仍能够很好地训练结果，增强了模型的特征学习能力，提高了模型的分类性能。自适应网络20与残差模块10连接，用于对黑毛猪肉图像进行识别和分类。由于传统残差网络模型的全连接层和分类层对非线性对象的建模在该实施方式中，该非线性对象可以是例如黑毛猪肉图像不能很好地分类。因此，考虑到自适应网络在非线性对象的建模方面的优势，将全连接层和分类层替换为自适应网络能够很好地满足对黑毛猪肉图像的识别要求。对于该自适应网络层数的确定，可以是本领域人员所知的任意数量。在本发明的一个优选示例中，该自适应网络可以是3层。如图2所示是根据本发明的一个实施方式的用于训练出如图1所示的残差网络模型的训练方法的流程图。在图2中，该训练方法可以包括：在步骤S10中，预设一残差网络模型。该残差网络模型可以是本领域人员所知的残差网络模型，例如上述所述的传统残差网络模型残差模块、全连接层和分类层。在步骤S11中，采用预设的数据库对残差网络模型进行训练，初始化残差网络模型的参数和残差网络模型的各个变量的权重。由于传统监督学习的特点，在残差网络模型的训练方法中，一般是采用大量黑毛猪肉的数据集直接对残差网络模型进行训练，在调节完残差网络模型的相应参数后，直接采用残差网络模型进行识别。但是，由于国内目前针对黑毛猪肉图像识别的研究相对较少，因此，能够提供的黑毛猪肉的数据集也相对较少，那么以传统的采用大量黑毛猪肉的数据集的方式直接进行训练显然难以满足实施的硬件条件。所以，在本发明的该实施方式中，可以采用与黑毛猪肉相近的猪肉图像构成的数据集预设的数据库对残差网络模型进行训练，从而调节该残差网络模型的各个参数。另外，虽然猪肉图像相对于黑毛猪肉图像在数量方面具备一定的优势，但是仍然可能存在数量不足的情况。因此，可以在采用猪肉图像对残差网络模型进行训练前，先对猪肉图像构成的数据库进行如图3所示出的方法进行处理。在图3中，该方法可以包括：在步骤S21中，分别对每张猪肉的图像进行裁切。在步骤S22中，分别对每张猪肉的图像进行仿射变换、透视变换和图像旋转中的至少一种操作以扩充猪肉的图像的数量。在步骤S12中，将残差网络模型的全连接层和分类层的替换为自适应网络。由于传统残差网络模型的全连接层和分类层对非线性对象的建模在该实施方式中，该非线性对象可以是例如黑毛猪肉图像不能很好地分类。因此，考虑到自适应网络在非线性对象的建模方面的优势，将全连接层和分类层替换为自适应网络能够很好地满足对黑毛猪肉图像的识别要求。对于该自适应网络层数的确定，可以是本领域人员所知的任意数量。在本发明的一个优选示例中，该自适应网络可以是3层。在步骤S13中，将LReLU函数作为自适应网络的激活函数。由于传统的自适应网络的激活函数一般使用ReLURectifiedLinearUnit，线性整流单元函数，表达式为公式1，该公式1的函数关系如图4所示，当输入值x0时，该ReLU函数的输出值fx为0，那么该线性整流单元则为非激活状态，对于该自适应网络的参数，也不会进行更新和调节，从而造成了自适应网络的神经元的浪费。相对而言，采用公式1作为LReLULeaky线性整流单元函数则可以很好避免神经元的浪费。在该实施方式中，该LReLU函数可以是例如公式2所示，其中，x为输入值，fx为输出值，α为预设的参数，在本发明的一个优选示例中，α的取值可以为0.01。该LReLU函数的函数关系可以是如图5所示。通过图5可以看出，当输入值x0时，输出值fx0，此时Leaky线性整流单元处于激活状态，也即该自适应网络的神经元处于激活状态，从而避免了对神经元的浪费。在步骤S14中，采用预设的样本集再次训练残差网络模型。由于上述训练出的残差网络模型只能够针对猪肉的图像进行识别，对于黑毛猪肉图像进行识别则难以适应。所以，在该实施方式中，可以结合迁移学习的思想，将该残差网络模型从猪肉图像中学习到的知识迁移到对黑毛猪肉图像识别的任务中来。具体地，在该步骤S14中，可以是采用黑毛猪肉图像再次对残差网络模型进行训练，从而调节该残差网络模型的参数。在步骤S15中，输出残差网络模型。此外，本发明还提供一种用于残差网络模型的训练系统。该训练系统可以包括处理器，处理器用于执行上述任一的训练方法。在该实施方式中，该处理器可以是例如通用处理器、专用处理器、常规处理器、数字信号处理器DSP、多个微处理器、与DSP核心相关联的一个或多个微处理器、控制器、微控制器、专用集成电路ASIC、现场可编程门阵列FPGA电路、任何其它类型的集成电路IC、状态机、系统级芯片SOC等。另一方面，本发明还提供一种用于黑毛猪肉的识别方法，识别方法包括采用上述任一所述的残差网络模型对黑毛猪肉的图像进行识别。再一方面，本发明还提供一种用于黑毛猪肉的识别系统，识别系统包括处理器，处理器用于执行上述任一所述的识别方法。通过上述技术方案，本发明提供的残差网络模型通过将残差网络模型中的全连接层和分类层替换为自适应网络的方式，使得残差网络模型具备对黑毛猪肉图像的精确识别的功能；本发明提供的训练方法、系统通过迁移学习的方式，将传统残差网络模型在猪肉图像中学习的知识迁移至黑毛猪肉的识别中，使得在仅提供小样本的黑毛猪肉图像数据的情况下，也能够完成对残差网络模型的训练；本发明提供的识别方法通过将训练出的残差网络模型应用黑毛猪肉图像的识别中，实现了对黑毛猪肉图像的精确识别。实施例1,依据国家规定，猪肉新鲜度的鉴定标准：pH值为5.6-6.2且在稀释度为110000的环境中，微生物菌群总量为2.46-16.2CFUmL、大肠菌群为3.48-5.97CFUmL的猪肉定义为新鲜肉；pH值为6.2-6.7之间且在稀释度为110000的环境中，微生物菌群总量为16.8-370.43CFUmL、大肠菌群为9.24-93CFUmL为次鲜肉；pH值为大于6.7且在稀释度为110000的环境中，微生物总量为410-3070CFUmL、大肠菌群为240-1100CFUmL为腐败肉。根据国家标准继续把次鲜猪肉中微生物菌群总量在16.2-28.4CFUmL之间、大肠菌群在5.97-9.2CFUmL之间且pH值在6.1-6.3之间判断为次鲜肉一级；微生物菌群总量在28.4-142CFUmL之间、大肠菌群在9.2-28CFUmL之间且pH值为6.2-6.5判断为次鲜肉二级；微生物菌群总量在142-370CFUmL之间、大肠菌群在28-93CFUmL之间且pH值为6.4-6.7时判断为次鲜肉三级。把腐败猪肉中微生物菌群总量在370-1040CFUmL之间、大肠菌群在93-240CFUmL之间且pH值为6.7-6.8时为腐败肉一级；微生物菌群总量在1040-1420CFUmL之间、大肠菌群在240-290CFUmL之间且pH值为6.8-7.0时判断为腐败肉二级；微生物菌群总量在1420-3070CFUmL之间、大肠菌群在290-大于1100CFUmL且pH值大于7.0时判断为腐败肉三级。依据上述标准对每种猪肉进行检测，从而确定每种猪肉的新鲜度，并将该新鲜度与该猪肉的图像相对应，从而生成关联的数据以构成预设的数据库。考虑到该数据库需要庞大的数据量作为支撑，在该实施方式中，可以选用安徽农业大学疫病防控省重点实验室多年积累的各类猪肉新鲜度和图像为该数据库。执行本发明提供的训练方法、识别方法以及运行本发明提供的残差网络模型的硬件条件可以例如是：CPU为IntelCorei7-6700k，主板为华硕Z170，显卡为GeForceGTX1080，硬盘为三星SSD950PRO256GB+希捷ST20002.0TB，内存为金士顿DDR464GB，操作系统为Windows10企业版，Caffe系统是Windows10版。对残差网络模型进行训练的各个参数如表1所示，表1在对残差网络模型进行训练前，考虑到图像的识别度的问题，可以预先对数据库中的图像进行预处理。该预处理的方式可以包括：分别对每张猪肉的图像进行裁切例如裁切至224*224，这样可以使得机器读取的速度大大提高；分别对每张猪肉的图像进行仿射变换、透视变换和图像旋转操作以扩充猪肉的图像的数量，从而通过增加待识别的图像数量的方式来提高机器识别的准确度。数据库的猪肉的图片的数据如表2所示，表2以表2中示出的数据分别对残差网络模型进行训练和测试，运用交叉熵代价函数来监督整个训练过程该交叉熵可以用于度量样本的真实值和残差网络模型的输出值的差异大小。训练过程中的模型损失变化曲线如图6a和图6b所示。在图6a中，横坐标为训练的epochs迭代次数训练集中的所有样本遍历一次称为epochs，纵坐标为模型损失。由图6a可知，大约经过800代epochs后，训练集和验证集上的模型损失均稳定在0值附近。图6b为训练过程中模型的分类准确率变化曲线，横坐标为epochs，纵坐标为模型分类准确率。由图6b可知，大约经过800代epoches之后，训练集和测试集的分类准确率分别稳定在99.7％和92％左右，验证集的准确率最高可达98.7％。由此可知，本发明提供的残差网络模型相对于现有技术的残差网络模型具有较好的肉品图像分类性能。在该实施例中，可以利用混淆矩阵来定量评估残差网络模型输出的各类之间的混淆程度，矩阵的行和列分别代表真实和预测情况，矩阵中任意一个元素xij代表将第i种类别预测为第j种类别的图片数占该类别图像总数的比例。对角线元素值表示对应不同黑毛猪肉新鲜度分类准确率，其他位置为对应的错分率。混淆矩阵见表3。其中，xx为新鲜肉，cx1为次鲜肉一级，cx2为次鲜肉二级，cx3为次鲜肉三级，fb1为腐败肉一级，fb2为腐败肉二级，fb3为腐败肉三级。表3classxxcx1cx2cx3fb1fb2fb3xx0.990.0100000cx100.98000.0200cx20.0700.920.08000cx3000.090.91000fb10000.040.910.050fb200000.040.940.02fb300000.020.010.97从表3可知，新鲜猪肉xx的分类效果最好，准确率可达99％，新鲜三级和腐败一级准确率最差，为91％；整体平均分类准确率为94.5％，由此可见本发明提供的残差网络模型及其训练方法在黑毛猪肉新鲜度数据集上获得了较好的分类效果。此外，在该实施方式中，还可以将现有技术中的残差网络模型与本发明提供的残差网络模型进行比较，比较结果见表4。其中ResNet-50AAUSet是基于传统的残差网络模型使用AAUSeT安徽农业大学疫病防控省重点实验室多年积累的各类猪肉新鲜度和图像的该数据库训练获得，ResNet-50HMZJ是基于传统的残差网络模型仅使用黑毛猪肉的小样本集直接训练残差网络模型训练获得，ResNet-50迁移是基于传统的残差网络模型使用AAUSet训练，迁移到HMZJ数据集对模型微调后获得；ProposedReLU和ProposedLReLU是基于本发明提供的残差网络模型，其自适应网络中的激活函数分别采用ReLU和LReLU。表中模型的分类准确率均在该实施例的测试集上获得，Flop为模型的浮点运算量。表4由表4可知，分类准确率最差为Resnet-50HMZJ。采用本发明提供的训练方法及残差网络模型的分类准确率明显优于其他残差网络模型。此外，本发明提供的训练方法及残差网络模型也减少了模型的运算量，缩短了模型的训练时间，而且模型分类性能相对原始模型也有所提高。以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个可以是单片机，芯片等或处理器processor执行本申请各个实施方式所述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-OnlyMemory、随机存取存储器RAM，RandomAccessMemory、磁碟或者光盘等各种可以存储程序代码的介质。此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

权利要求：1.一种残差网络模型，用于黑毛猪肉图像的识别，其特征在于，所述残差网络模型包括：多个残差模块，每个所述残差模块包括串联的至少一个卷积层和一个池化层，所述卷积层用于对输入的黑毛猪肉图像进行滤波处理，所述池化层用于对处理后的所述黑毛猪肉图像进行进一步整合，每个所述残差模块的输入端和输出端连接；自适应网络，与所述残差模块连接，用于对所述黑毛猪肉图像进行识别和分类。2.根据权利要求1所述的残差网络模型，其特征在于，所述自适应网络的层数为3层。3.一种用于残差网络模型的训练方法，用于训练如权利要求1或2所述的残差网络模型，其特征在于，所述训练方法包括：预设一残差网络模型；采用预设的数据库对所述残差网络模型进行训练，初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重，其中，所述数据库包括至少一张猪肉的图像；将所述残差网络模型的全连接层和分类层的替换为自适应网络；将LReLU函数作为所述自适应网络的激活函数；采用预设的样本集再次训练所述残差网络模型，其中，所述样本集包括至少一张黑毛猪肉的图像；输出所述残差网络模型。4.根据权利要求3所述的识别方法，其特征在于，所述采用预设的数据库对所述残差网络模型进行训练，初始化所述残差网络模型的参数和所述残差网络模型的各个变量的权重包括：分别对每张所述猪肉的图像进行裁切；分别对每张所述猪肉的图像进行仿射变换、透视变换和图像旋转中的至少一种操作以扩充所述猪肉的图像的数量。5.根据权利要求3所述的识别方法，其特征在于，采用公式1作为所述LReLU函数，其中，x为输入值，fx为输出值，α为预设的参数。6.根据权利要求5所述的识别方法，其特征在于，α的取值为0.01。7.一种用于残差网络模型的训练系统，其特征在于，所述训练系统包括处理器，所述处理器用于执行如权利要求3至6任一所述的训练方法。8.一种用于黑毛猪肉的识别方法，其特征在于，所述识别方法包括采用如权利要求1或2所述的残差网络模型对黑毛猪肉的图像进行识别。9.一种用于黑毛猪肉的识别系统，其特征在于，所述识别系统包括处理器，所述处理器用于执行如权利要求8所述的识别方法。

百度查询： 安徽农业大学;安徽泓森物联网有限公司 黑毛猪肉图像的识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD