CN102062870A - 蝗虫密度等级自动监测系统 - Google Patents
蝗虫密度等级自动监测系统 Download PDFInfo
- Publication number
- CN102062870A CN102062870A CN 201010518492 CN201010518492A CN102062870A CN 102062870 A CN102062870 A CN 102062870A CN 201010518492 CN201010518492 CN 201010518492 CN 201010518492 A CN201010518492 A CN 201010518492A CN 102062870 A CN102062870 A CN 102062870A
- Authority
- CN
- China
- Prior art keywords
- signal
- locust
- module
- pulse
- road
- 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
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于农业病虫害防御技术,具体涉及一种蝗虫密度等级自动监测系统。由四部分组成,信号采集模块,由四个高精度差分传声器在一定半径球面上以120度立体角布设,采集一定范围内的声音信号,采集的信号传输给信号预处理模块;信号预处理模块,由前置放大电路、检波电路、波形叠加电路、三级嵌位电路组成,对采样模块送来的数据进行预处理,形成方波脉冲并传输至识别与计算模块;识别与计算模块,由ATMEGA16单片机构成,信号处理结果传输至远程数据传输模块;远程数据传输模块,将结果远程传输至监测中心。本发明运营成本低,无人全天候监测,可实现对蝗虫密度等级的直接测量,可独立使用,也可形成综合监测系统。
Description
技术领域
本发明属于农业病虫害防御技术,具体涉及一种蝗虫密度等级自动监测系统。
背景技术
蝗灾属于毁灭性的生物灾害,它和水灾、旱灾一起构成人类社会的三大自然灾害。20世纪80年代中期以来,受异常气候和农业生态环境变化的影响,我国各地新蝗区不断产生,老蝗区出现反复,蝗虫发生频率上升,危害程度加重。据初步统计,目前我国飞蝗发生区涉及16个省市区,发生面积在2亿亩以上。上述蝗虫发生区涉及农牧民1亿多人。“九五”期间,尽管积极采取了防治措施,但因蝗灾造成的经济损失仍在100亿元以上。
目前,我国常用或已提出的的侦测手段有四种:1)主要依靠人海战术。在蝗灾可能发生的区域,大面积的布点,人工循环进行检查。主要是查虫卵和实际地面蝗虫的龄期来预测蝗灾的发生期。2)卫星遥感预测。该技术通过地面植被指数来间接测量,需要摸清蝗虫生境特征与当地蝗虫种群的发生、繁育之间的关系机理。但一般来说,这种机理是十分复杂的,而且是随地而异的,并不存在一个固定模式。3)雷达监测系统。该方法只能侦测大面积的飞蝗,不能进行预报。通常用于已起飞的蝗灾情况监测。4)有人提出了“一种蝗灾超低空预警系统及其田间蝗虫自动识别方法”(中国农业机械化科学研究院,已申请发明专利)。该方法由于采用了超低空测量方法,较之卫星遥感和一般航空遥感,大大提高了地面图像的分辨率,并能直接测量地面蝗虫。配合GIS地理信息系统,可以扩展探测范围,达到大型遥感系统的覆盖范围,且机动灵活。但是,该方法由于运行成本高,无法进行长期的连续监测,更不能实现24小时全天候监测。
为此,改进和提高蝗虫监测技术水平,探索新的蝗虫监测技术,无疑是十分重要的。
蝗虫鸣叫声属于脉冲声波,例如,亚洲飞蝗的叫声,呈现双脉冲特点,双脉冲内间隔、脉冲对间隔、脉冲幅度均显出比较稳定的性质(见图1)。从统计意义上,当蝗虫密度增大时,同一时段蝗虫鸣叫脉冲数会随之增加。同时,由于声脉冲重叠概率增大,使得高幅度脉冲个数也会增加。通过记录和统计规定时段内脉冲个数以及不同幅度脉冲个数所占比例,可以估算所测区域蝗虫密度等级,进而发出蝗灾程度警报。
蝗虫密度等级的规定,各区域或各部门不尽相同,可以根据监测所在区域,将所对应的蝗虫密度等级规定作为监测系统的定标依据。
发明内容
(一)要解决的技术问题
本发明的目的,是要提供一种利用蝗虫鸣叫声的蝗虫密度等级自动监测系统。该系统具有布设成本和运营费用低,能够全天候监测的优点。即可以独立使用,也可以与其它监测技术融合,形成综合监测系统。例如,可以作为高费用复杂监测系统的预监测环节,减少高运营成本监测系统的启动次数,降低总体运行费用。
(二)技术方案
为达到上述目的,本发明基于蝗虫密度与蝗虫鸣叫声脉冲总次数相关的原理,通过记录和统计规定时间段内的蝗虫鸣叫声脉冲计数,得出监测点处蝗虫密度等级。系统采用以下方案:系统的每个节点由信号采集模块、信号预处理模块、识别与计算模块和远程数据传输模块四部分组成。
1、硬件构成
信号采集模块,由四个高精度差分传声器组成,四个传声器在一定半径球面上以120度立体角布设,采集一定范围内的声音信号,差分传声器可以降低雨声、风声、雷声等广域背景噪声的强度,提高信噪比。信号采集模块的信号传输给信号预处理模块。
信号预处理模块,由前置放大电路、检波电路、波形叠加电路、三级嵌位电路等组成,对采样模块送来的数据进行预处理,形成方波脉冲并传输至识别与计算模块。
识别与计算模块,由ATMEGA16单片机构成。信号处理结果传输至远程数据传输模块。
远程数据传输模块,由MC55芯片承担,将结果远程传输至监测中心。
硬件结构框图见图3。
2、信号处理过程
将四个传声器采集到的信号进行检波取其脉冲包络,然后将四路包络信号叠加,使得特定空域内的信号大大增强,对应空域以外的信号较弱,以实现信号采集的空间定位。设定三种阈值对信号包络进行嵌位与整形,形成三个方波脉冲序列。低阈值嵌位可以滤掉设定空域以外的信号和背景噪声,中阈值和高阈值嵌位可获得不同幅度的信号脉冲。
三个方波脉冲序列送入单片机,单片机将飞蝗鸣叫脉冲信号检出并对三种幅度类别脉冲分别进行统计,形成三维特征向量。将三维特征向量作为已训练好的神经网络输入端,密度等级作为神经网络的输出端,判断给定时段内的蝗虫密度等级。等级类别在神经网络离线训练时确定。
得出的蝗虫密度等级结论通过主控芯片ATMEGA16发送给MC55,MC55则通过GPRS网络传送到指定IP地址的监测中心或手机上。同时,监测中心可控制MC55选择以TCP、UDP、短信3种方式发送数据。
本发明的有益效果:
1、本发明数据采集在地面进行,可实现对蝗虫密度等级的直接测量;
2、本发明为自动监测系统,可实现24小时全天候无人监测;
3、系统每个布设节点设备投入小于1万元人民币,即使考虑主控系统监测中心的设备投入,每个节点的平均设备投入也不会大于1.2万元人民币;
4、运营成本低,单片机耗电量小,利用GPRS网络传送的流量计费方式,传送规定时段的测量结果,数据传输量极低。例如,以30分钟作为一个测量时段,则每个节点每30分钟才传输一个数据。全天候每个节点发出的数据为48个十进制数据,总流量不到0.5k比特。按手机短信收费估算,每个节点每天48条短信息的运营费用仅4.80元人民币;
5、既可以独立使用,也可以与其它监测技术融合,形成综合监测系统;
6、可以作为高费用监测系统(如航空监测)的预监测环节,减少高费用监测系统的启动次数,降低总体运营费用。
附图说明
图1是亚洲飞蝗鸣叫声的时域曲线。
图2是传声器布设示意图,图中阴影部分是四个传声器有效区域公共部分平面投影。
图3是系统结构示意图。
图4是单路前置放大和检波电路的电原理图。由四运放集成电路芯片LM324搭建成四路前置放大电路,每一路对一个传声器的信号进行单独放大并检波。检波电路由检波二极管和旁路电容构成。
图5是模拟加法器电原理图。由集成电路LM385芯片搭建,将检波后的四路信号包络叠加在一起,并正向输出。
图6是三等级嵌位及波形修整电原理图。将模拟加法器的输出分别通过不同嵌位电压的比较器,输出三路TTL电平方波脉冲。电路由LM339比较器集成芯片搭建。
图7信号识别、脉冲统计和结果远程输出结构框图。信号识别、脉冲统计由ATMEGA16单片机完成,结果通过主控芯片ATMEGA16发送给MC55,MC55则通过GPRS网络远程传送到指定IP地址的监测中心或手机上。
具体实施方式
方案中举例应用于说明本发明,但不用来限制本发明的范围。
1、信号采集
由四个高精度差分传声器在一定半径球面上以120度立体角度布设,布设方式平面投影见图2。差分传声器由两个背置的同性质传声器构成,传声器的输出信号是两侧声信号之差。对于诸如雨声、风声、雷声等广域的背景噪声,由于两侧声音输入的强度基本相同,其差值将会很小,而对于由一侧发出的点声源,传声器两侧声音输入的强度差异较大,其差值要比广域声源大得多,从而达到提高信噪比的目的。由于差分传声器在抑制背景噪声同时,也会降低信号的强度。所以,本发明将四个传声器接收到的信号进行叠加,在四个传声器有效区域的公共部分,信号得到加强。以亚洲飞蝗为例,其鸣叫脉冲宽度约15ms,声速以340m/s计,则四个传声器有效区域的公共部分的线度若小于1m,四个传声器信号时差就会小于3ms,信号就会得到有效增强,使得特定空域内的信号大大增强,该空域以外的信号较弱,设置适当的门限,可以只记录四个传声器有效区域公共部分声信号,实现信号采集的空间定位目的。
2、信号的前置放大与检波
信号的前置放大由四运放集成电路芯片LM324搭建成四路前置放大电路完成,每一路对一个传声器的信号进行单独放大。由于波形叠加会影响声音信号的叠加效果,本发明采用波形包络叠加方式。因此,对于前置放大后的四路信号分别进行检波,提取信号包络。每路检波电路由检波二极管和旁路电容构成。前置放大和检波电路见图4。
3、四路信号叠加
模拟加法器由集成电路LM385芯片搭建,将检波后的四路信号包络叠加在一起,并正向输出。模拟加法器电原理图见图5。
4、信号嵌位与整形
由LM339比较器集成芯片搭建成三路并联电压比较电路,每一路的嵌位电压按要求分别设置。低阈值嵌位可以滤掉背景噪声和给定空域外的信号,中阈值和高阈值嵌位可获得不同幅度的信号脉冲。设定的三路阈值对信号包络进行嵌位与整形,形成三个TTL电平的方波脉冲序列。嵌位整形电路电原理图见图6。
5、蝗虫鸣叫信号的提取与次数统计
蝗虫鸣叫信号的提取与次数统计由ATMEGA16单片机完成。蝗虫鸣叫声的时域特征非常明显,例如,亚洲飞蝗鸣叫声呈现双脉冲特点,脉冲宽度约15ms,双脉冲内间隔约8ms,脉冲对间隔约70ms(见图1)。因此,嵌位后的各路方波脉冲中,亚洲飞蝗鸣叫声将以脉冲对形式出现。单片机对各路信号分别进行计时测量,使各路信号构成波尔脉冲序列。以其中一路脉冲序列为例,单片机将脉冲序列分别左移和右移一个脉冲间隔,生成两个位移序列,然后将这两个位移序列分别与原序列进行逻辑与运算,之后,再将得出的两个新序列进行逻辑或运算。这种运算的结果是,脉宽小于蝗虫鸣叫的脉冲宽度,且间隔大于蝗虫鸣叫脉冲间隔的独立脉冲噪声被消除,蝗虫鸣叫脉冲被保留。大脉宽独立脉冲噪声也被保留,但它们的脉宽多数与蝗虫鸣叫脉冲的脉宽相差甚远,与蝗虫鸣叫脉宽接近的仅占极少数量,不影响总体统计结果。
单片机对按上述处理的波尔脉冲序列进行脉宽测量,与蝗虫鸣叫脉宽相差大的脉冲利用坏数据剔除技术使其不予计数。三路计数结果作为判断密度等级的特征量构成三维特征向量。
6、蝗虫密度等级确定
将上述三个统计量作为神经网路的输入端,定义的蝗虫等级作为神经网路的输出端,得出蝗虫密度等级。神经网路训练通过大量实验数据离线进行。
7、远程数据传输
为了减小数据传输量,本系统设计只将监测结论——蝗虫密度等级传输给远程终端。主要采用GPRS模块实现远程传输,设计方案以AVR单片机(ATMEGA16)和GPRS模块MC55为基础,将远程节点的数据,通过主控芯片ATMEGA16发送给MC55,MC55则通过GPRS网络传送到指定IP地址的数据中心或手机上。同时,数据中心可控制MC55选择以TCP、UDP、短信3种方式发送数据。
神经网络分类器的训练
该部分工作采用离线方式先期进行。将已知密度的蝗虫叫声样本进行声波特征参数提取,组成特征参数集合,构成特征向量。采用比较成熟的BP神经网络,将特征向量作为神经网络的输入向量,蝗虫密度等级作为神经网络的输出向量,用训练样本对BP神经网络进行训练,使其能够根据输入参数识别蝗虫密度等级。最后,将训练好的神经网络植入监测系统的单片机内。
远程数据传输内容不受本发明限制,可以根据需要设定,也可直接将测量数据远程传输到数据中心,由中心负责数据的全部处理工作。但这种方案会加重数据通道负荷,增加系统的运营成本。
Claims (2)
1.蝗密度等级自动监测系统,其特征是系统由信号采集模块、信号预处理模块、识别与计算模块和远程数据传输模块四部分组成,信号采集模块,由四个高精度差分传声器组成,四个传声器在一定半径球面上以120度立体角布设,采集一定范围内的声音信号,差分传声器以降低广域背景噪声强度,提高信噪比,信号采集模块采集的信号传输给信号预处理模块;
信号预处理模块,由前置放大电路、检波电路、波形叠加电路、三级嵌位电路组成,对采样模块送来的数据进行预处理,形成方波脉冲并传输至识别与计算模块;识别与计算模块,由ATMEGA16单片机构成,信号处理结果传输至远程数据传输模块;远程数据传输模块,由MC55芯片承担,将结果远程传输至监测中心或手机上,数据中心控制MC55选择TCP、UDP、短信3种方式发送数据。
2.应用权利要求1所述的系统的监测方法,其特征是具体步骤如下:
1)、信号采集:由四个高精度差分传声器在一定半径球面上以120度立体角度布设,差分传声器由两个背置的同性质传声器构成,达到提高信噪比的目的,将四个传声器接收到的信号进行叠加,在四个传声器有效区域的公共部分,信号得到加强,设置适当的门限,可实现只记录四个传声器有效区域公共部分声信号的目的;
2)、信号的前置放大与检波
信号的前置放大由四运放集成电路芯片LM324搭建成四路前置放大电路完成,每一路对一个传声器的信号进行单独放大,为采用波形包络叠加方式,对于前置放大后的四路信号分别进行检波,提取信号包络;
3)、四路信号叠加
模拟加法器由集成电路LM385芯片搭建,将检波后的四路信号包络叠加在一起,并正向输出;
4)、信号嵌位与整形
由LM339比较器集成芯片搭建成三路并联电压比较电路,每一路的嵌位电压按要求分别设置,低阈值嵌位可以滤掉背景噪声和给定空域外的信号,中阈值和高阈值嵌位可获得不同幅度的信号脉冲,设定的三路阈值对信号包络进行嵌位与整形,形成三个TTL电平的方波脉冲序列;
5)、蝗虫鸣叫信号的提取与次数统计
蝗虫鸣叫信号的提取与次数统计由ATMEGA16单片机完成,蝗虫鸣叫声的时域特征非常明显,嵌位后的各路方波脉冲中,蝗虫鸣叫声将以特定间隔脉冲形式出现,间隔脉冲具体形式由蝗虫种类决定,单片机对各路信号分别进行计时测量,然后将各脉冲序列分别左移和右移一个脉冲间隔,生成两个位移序列,然后将这两个位移序列分别与原序列进行逻辑与运算,之后,再将得出的两个新序列进行逻辑或运算,这种运算的效果是,脉宽小于蝗虫鸣叫脉冲宽度,且间隔大于蝗虫鸣叫脉冲间隔的独立脉冲噪声被消除,蝗虫鸣叫脉冲被保留,大脉宽独立脉冲噪声也被保留,但它们的脉宽多数与蝗虫鸣叫脉冲的脉宽相差甚远,与蝗虫鸣叫脉宽接近的仅占很少数量,不影响总体统计结果。
单片机对按上述处理的波尔脉冲序列进行脉宽测量,与蝗虫鸣叫脉宽相差大的脉冲利用坏数据剔除技术使其不予计数。三路计数结果作为判断密度等级的特征量构成三维特征向量;
6)、蝗虫密度等级确定
将上述三个统计量作为神经网路的输入端,定义的蝗虫等级作为神经网路的输出端,得出蝗虫密度等级;
7)、远程数据传输
为了减小数据传输量,本系统设计只将监测结论——蝗虫密度等级传输给远程终端。主要采用GPRS模块实现远程传输,设计方案以AVR单片机ATMEGA16和GPRS模块MC55为基础,将远程节点的数据,通过主控芯片ATMEGA16发送给MC55,MC55则通过GPRS网络传送到指定IP地址的数据中心或手机上。同时,数据中心可控制MC55分别以TCP、UDP、短信3种方式发送数据。远程数据传输内容根据需要设定,或直接将测量数据远程传输到数据中心,由中心负责数据的全部处理工作;
此前应作好先期准备工作即神经网络分类器的训练,该部分工作采用离线方式先期进行,将已知密度的蝗虫叫声样本进行声波特征参数提取,组成特征参数集合,构成特征向量。采用比较成熟的BP神经网络,将特征向量作为神经网络的输入向量,蝗虫密度等级作为神经网络的输出向量,用训练样本对BP神经网络进行训练,使其能够根据输入参数识别蝗虫密度等级。最后,将训练好的神经网络植入监测系统的单片机内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010518492A CN102062870B (zh) | 2010-10-26 | 2010-10-26 | 蝗虫密度等级自动监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010518492A CN102062870B (zh) | 2010-10-26 | 2010-10-26 | 蝗虫密度等级自动监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102062870A true CN102062870A (zh) | 2011-05-18 |
CN102062870B CN102062870B (zh) | 2012-10-03 |
Family
ID=43998232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010518492A Expired - Fee Related CN102062870B (zh) | 2010-10-26 | 2010-10-26 | 蝗虫密度等级自动监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102062870B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107996536A (zh) * | 2017-11-24 | 2018-05-08 | 张昕然 | 一种蝗虫监测图像识别自动预警装置及其制造工艺 |
CN111696127A (zh) * | 2020-06-02 | 2020-09-22 | 中国联合网络通信集团有限公司 | 蝗灾分析预警系统及方法 |
WO2022007114A1 (zh) * | 2020-07-06 | 2022-01-13 | 周爱丽 | 利用蝗虫密度分析的危害检测平台 |
CN113940325A (zh) * | 2021-10-18 | 2022-01-18 | 中国检验检疫科学研究院 | 一种针对蝗虫的监测诱捕装置及含其监测系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5406503A (en) * | 1989-10-27 | 1995-04-11 | American Cyanamid Company | Control system for calibrating and driving ultrasonic transducer |
CN1333243C (zh) * | 2004-06-15 | 2007-08-22 | 东北师范大学 | 四传感器蝙蝠回声信号声场空间分布动态测量系统 |
CN100525727C (zh) * | 2007-09-28 | 2009-08-12 | 东北师范大学 | 应用蝙蝠回声定位声波测定识别蝙蝠种类的方法 |
-
2010
- 2010-10-26 CN CN201010518492A patent/CN102062870B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5406503A (en) * | 1989-10-27 | 1995-04-11 | American Cyanamid Company | Control system for calibrating and driving ultrasonic transducer |
CN1333243C (zh) * | 2004-06-15 | 2007-08-22 | 东北师范大学 | 四传感器蝙蝠回声信号声场空间分布动态测量系统 |
CN100525727C (zh) * | 2007-09-28 | 2009-08-12 | 东北师范大学 | 应用蝙蝠回声定位声波测定识别蝙蝠种类的方法 |
Non-Patent Citations (1)
Title |
---|
《农机化研究》 20090531 苑严伟等 基于BP模型的蝗虫密度预测系统的研究 106-110 1-2 , 第5期 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107996536A (zh) * | 2017-11-24 | 2018-05-08 | 张昕然 | 一种蝗虫监测图像识别自动预警装置及其制造工艺 |
CN111696127A (zh) * | 2020-06-02 | 2020-09-22 | 中国联合网络通信集团有限公司 | 蝗灾分析预警系统及方法 |
WO2022007114A1 (zh) * | 2020-07-06 | 2022-01-13 | 周爱丽 | 利用蝗虫密度分析的危害检测平台 |
CN113940325A (zh) * | 2021-10-18 | 2022-01-18 | 中国检验检疫科学研究院 | 一种针对蝗虫的监测诱捕装置及含其监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102062870B (zh) | 2012-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103544791B (zh) | 基于地震波的地下入侵监测系统 | |
CN101713971B (zh) | 红外及超声波结合检测安全区域的控制系统 | |
CN106646457A (zh) | 基于微波的人员行为检测方法与装置 | |
CN102062870B (zh) | 蝗虫密度等级自动监测系统 | |
CN105206063B (zh) | 一种基于gmi传感器的交通信息监测采集装置与检测方法 | |
CN105243844A (zh) | 一种基于手机信令的道路状态识别方法 | |
WO2018122588A1 (zh) | 一种使用wi-fi探针检测行人流量的方法 | |
CN103345842A (zh) | 一种道路车辆分型系统及方法 | |
CN203894911U (zh) | 一种泥石流次声监测报警装置 | |
CN205211121U (zh) | 公路地质灾害智能监测预警系统 | |
CN110285877A (zh) | 基于Spark Streaming的列车实时定位跟踪与速度计算方法 | |
CN205230349U (zh) | 一种基于tof相机的交通车速检测与抓拍系统 | |
CN109977908B (zh) | 一种基于深度学习的车辆行车车道检测方法 | |
Wang et al. | Real-time monitoring system of landslide based on LoRa architecture | |
CN207601015U (zh) | 一种声发射边坡岩体稳定性实时在线监测系统 | |
CN105139869A (zh) | 一种基于区间差分特征的婴儿啼哭检测方法 | |
CN110084986A (zh) | 一种周界安防方法及装置 | |
CN114218978A (zh) | 一种嵌入式轻量化的毫米波雷达目标识别方法 | |
CN110782628B (zh) | 一种基于北斗系统的山体滑坡监测系统及其监测方法 | |
CN206058478U (zh) | 一种城市洪涝在线监测报警系统 | |
Liang et al. | Fall detection system based on millimeter wave radar and machine learning | |
Zaletnyik et al. | LIDAR waveform classification using self-organizing map | |
CN107870359A (zh) | 微地震事件识别方法及装置 | |
CN105549066A (zh) | 生命信息探测方法 | |
CN109572757A (zh) | 一种铁路落石的检测与定位方法、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121003 Termination date: 20131026 |