CN102117447A - 作物品质区域预测系统及方法 - Google Patents
作物品质区域预测系统及方法 Download PDFInfo
- Publication number
- CN102117447A CN102117447A CN2011100452857A CN201110045285A CN102117447A CN 102117447 A CN102117447 A CN 102117447A CN 2011100452857 A CN2011100452857 A CN 2011100452857A CN 201110045285 A CN201110045285 A CN 201110045285A CN 102117447 A CN102117447 A CN 102117447A
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- quality
- testing result
- geographic position
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种作物品质区域预测系统及方法,该系统包括中心主机以及若干网络子机,网络子机,用于采集作物成熟期籽粒样品,记录采样点地理位置数据,用近红外品质检测仪对籽粒样品进行品质检测,在本地记录作物品质指标的检测结果及其对应的地理位置数据,并将其同步至中心主机的数据中心服务器;中心主机进一步包括:遥感影像处理模块,用于获取作物生长期多波段遥感影像,并对其进行预处理,计算影像植被指数;数据中心服务器,用于接收网络子机同步的数据,对检测结果数据与影像植被指数数据进行相关性分析,建立数学模型,并根据数学模型反演生成作物品质区域分布图。本发明的系统及方法可快速、准确且更有效率地进行区域作物品质预测。
Description
技术领域
本发明涉及作物品质检测及预测技术领域,尤其涉及一种基于近红外作物品质分析网络及遥感技术的作物品质区域预测系统及方法。
背景技术
现代粮食加工企业为了确保原料合格和面粉品质,非常期望在小麦收获季节开始时快速了解大区域的小麦品质情况,然后根据这些数据制定合理的收购和加工计划。为了准确有效的了解区域小麦品质情况,存在小麦区域品质预测的方法,主要包括两种:一种是基于大量样点检测结果和种植品种结构的分析,通过专家知识估计小麦区域品质分布;另一种是结合GIS空间插值方法,通过对大量样点的检测结果进行空间插值(通常采用Kriging插值方法),从而得到小麦区域品质分布的预测图。但两种方法都需要收集和检测大量的小麦籽粒样品,需要耗费大量人工和材料成本。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:提供一种可快速、准确且更有效率地进行区域作物品质预测的系统及方法。
(二)技术方案
为解决上述问题,本发明提供了一种作物品质区域预测系统,该系统包括中心主机以及与所述中心子机相连的若干网络子机,所述网络子机,用于采集作物成熟期籽粒样品,记录采样点地理位置数据,用近红外品质检测仪对所述籽粒样品进行品质检测,在本地记录作物品质指标的检测结果及其对应的地理位置数据,并将其同步至中心主机的数据中心服务器;所述中心主机进一步包括:遥感影像处理模块,用于获取作物生长期多波段遥感影像,并对其进行预处理,计算影像植被指数;数据中心服务器,用于接收所述网络子机同步的数据,对所述检测结果数据与所述影像植被指数数据进行相关性分析,建立数学模型,并根据所述数学模型反演生成作物品质区域分布图。
其中,所述网络子机进一步包括:采集单元,用于采集作物成熟期籽粒样品,并记录采样点地理位置数据;近红外品质检测仪,用于对所述采集单元采集到的籽粒样品进行品质检测,并在本地记录作物品质指标的检测结果及其对应的地理位置数据;数据同步单元,用于将所述检测结果及其对应的地理位置数据同步至中心主机的数据中心服务器。
其中,该系统还包括与所述中心主机以及网络子机均相连的网络管理中心,所述网络管理中心,用于根据设定区域内设定量的作物样品,利用人工神经网络方法建立定标模型文件,并向待预测区域内全部近红外品质检测仪发送所述定标模型文件,统一全部近红外品质检测仪的定标模型。
其中,所述数据中心服务器进一步包括:模型构建单元,用于对所述检测结果数据与所述影像植被指数数据进行相关性分析,并建立数学模型;分析制图单元,用于根据所述数学模型反演生成作物品质区域分布图。
其中,所述数据中心服务器还包括:品质数据处理单元,用于对所述检测结果及其对应的地理位置数据进行完整性和匹配检查,合并经完整性和匹配检查后的检测结果及其对应的地理位置数据,生成属性表包括采样点编号、地理位置、以及检测结果的ESRI Shape格式文件。
本发明还提供了一种基于上述作物品质区域预测系统的作物品质区域预测方法,该方法包括步骤:
S1.获取作物生长期多波段遥感影像,并对其进行预处理,计算选定的影像植被指数;
S2.采集作物成熟期籽粒样品,记录采样点地理位置数据,用近红外品质检测仪对所述籽粒样品进行品质检测,在本地记录作物品质指标的检测结果及其对应的地理位置数据,并将其同步至数据中心服务器;
S3.所述数据中心服务器对所述检测结果数据与所述植被指数数据进行相关性分析,建立数学模型,并根据所述数学模型反演生成作物品质区域分布图。
其中,在步骤S1之前还包括步骤:
A.根据设定区域内设定量的作物样品,利用人工神经网络方法建立定标模型文件;
B.向待预测区域内全部近红外品质检测仪发送所述定标模型文件,统一全部近红外品质检测仪的定标模型。
其中,在步骤S2后步骤S3之前还包括步骤:
S2.1对所述检测结果及其对应的地理位置数据进行完整性和匹配检查;
S2.2合并经完整性和匹配检查后的检测结果及其对应的地理位置数据,生成属性表包括采样点编号、地理位置、以及检测结果的ESRI Shape格式文件。
其中,步骤S3进一步包括步骤:
S3.1建立采样点处作物籽粒品质指标与该位置的影像植被指数之间的相关系数矩阵;
S3.2选取相关系数矩阵中最大值所在的行列对应的品质指标和影像植被指数,根据选取的采样点数据建立数学模型;
S3.3根据所述数学模型,计算影像覆盖范围内的作物品质指标,反演生成作物品质区域分布图。
(三)有益效果
本发明系统及方法在网络环境下实现近红外网络技术、遥感技术和信息技术的综合集成,利用近红外网络技术实现区域上任意仪器检测的品质结果一致性,可以快速检测大量样品;利用遥感技术计算关键生育期的采样点植被指数和区域影像植被指数,利用信息技术将近红外分析仪器检测的品质结果数据同步到网络管理中心服务器并实现自动的格式转换与入库,并通过相关性分析和模型反演实现作物品质检测数据的由点到面的预测。
附图说明
图1为依照本发明一种实施方式的作物品质区域预测系统结构示意图;
图2为依照本发明一种实施方式的作物品质区域预测方法流程图。
具体实施方式
本发明提出的作物品质区域预测系统及方法,结合附图及实施例详细说明如下。本实施方式以小麦品质区域预测为例,但不仅限于此。
如图1所示,依照本发明一种实施方式的作物品质区域预测系统,包括中心子机以及与所述中心子机相连的若干网络子机,其连接方式可为互联网连接方式,其中:
各网络子机,用于采集小麦成熟期的籽粒样品,记录采样点地理位置数据,用近红外品质检测仪对小麦籽粒样品进行品质检测,在本地记录小麦品质指标的检测结果及其对应的地理位置数据,并将其同步至中心主机的数据中心服务器;
中心主机进一步包括:
遥感影像处理模块,用于获取小麦生长期多波段遥感影像,并对其进行预处理,计算影像植被指数;
数据中心服务器,用于接收网络子机同步的数据,将检测结果数据与植被指数数据进行相关性分析,建立数学模型,并根据数学模型反演生成小麦品质区域分布图。
另外,该系统还包括与中心主机以及网络子机均相连的网络管理中心,将分散各地的网络子机中的近红外品质检测仪连入互联网,并通过网络管理中心服务器向所有入网仪器传递定标模型文件,使得所有入网仪器的定标模型一致,然后通过标准样品进行仪器标准化这样就确保了网内仪器检测结果的一致性。将近红外品质检测仪联入互联网,是指为仪器在互联网上分配固定IP地址,使得仪器可以被网络服务器直接访问到。
该网络管理中心,每年收集一定的样品加入到定标样品库,根据样品,利用人工神经网络方法建立定标模型文件,并向待预测区域内全部近红外品质检测仪发送该定标模型文件,统一全部近红外品质检测仪的定标模型。
本发明统一使用定标模型文件的必要性在于目前国内大部分仪器中所使用的定标文件的两个来源都存在一定的缺陷:一种是由生产厂家所提供的定标模型,这种定标模型通常是根据国外的小麦样品所建立的,不能较好的代表国内小麦的品质情况;第二种是由仪器使用单位自己收集样品建立的定标模型,这种定标模型通常是根据仪器单位所在单位的一个较小区域的小麦样品建立的,不能代表大区域的小麦品质情况。
网络子机进一步包括:
采集单元,用于采集小麦成熟期的籽粒样品,记录采样点地理位置数据;
近红外品质检测仪,用于对采集单元采集到的籽粒样品进行品质检测,并在本地记录小麦品质指标的检测结果及其对应的地理位置数据;
数据同步单元,用于将检测结果及其对应的地理位置数据同步至中心主机的数据中心服务器。
数据中心服务器进一步包括:
模型构建单元,用于将检测结果数据与植被指数数据进行相关性分析,建立数学模型;
分析制图单元,用于根据数学模型反演生成小麦品质区域分布图。
数据中心服务器还包括:
品质数据处理单元,用于对检测结果及其对应的地理位置数据进行完整性和匹配检查,合并经完整性和匹配检查后的检测结果及其对应的地理位置数据,生成属性表包括采样点编号、地理位置、以及检测结果的ESRI Shape格式文件。
如图2所示,依照本发明一种实施方式的基于上述作物品质区域预测系统的小麦品质区域预测方法包括步骤:
S1.获取小麦生长期(开花期或灌浆期)多波段遥感影像,并对其进行预处理,计算选定的影像植被指数。
本步骤中对遥感影像的预处理除常规预处理过程以外,还包括了从影像上提取小麦种植区,并将小麦种植区保存为Shape格式的矢量文件。
S2.在小麦成熟期,到初选的目标区域尽量均匀分布地现场采集小麦籽粒样品,记录采样点地理位置数据,用近红外品质检测仪对所述籽粒样品进行品质检测,在本地(即检测仪相连的PC机上)记录作物品质指标的检测结果及其对应的地理位置数据,并将其同步至数据中心服务器。
本步骤中现场采集小麦籽粒样品的位置分布非常重要,需要各样品具有很好的代表性,一方面空间上分布要尽量均匀,另一方面也要选取兼顾品种的代表性,尽量保证各个品种的样点数量与种植面积成正比。
本步骤中近红外品质分析仪所检测的小麦籽粒品质指标包括蛋白质含量、水分含量和湿面筋含量,检测结果记录为CSV格式(逗号分隔文本文件格式,是一种通用文本交换格式);
本步骤中所采用的数据同步软件是基于文件变化监测的FTP同步工具,当该软件检测到指定文件夹中的文件大小、名称等发生变化时,就会自动启动连接FTP服务器并上传数据功能,当然这些需要先在服务器端的FTP管理软件中进行权限设置。
S3.数据中心服务器将检测结果数据与所述植被指数数据进行相关性分析,建立数学模型,并根据所述数学模型反演生成作物品质区域分布图。
本步骤中生成的小麦品质区域分布图是在遥感影像计算所得的植被指数图像的基础上,结合该植被指数与品质指标之间的反演模型生成的,相比较与GIS空间插值方法,具有更好的机理性和准确性。
在步骤S1之前还包括步骤:
A.在全国各小麦产区采集8000份样品(这些样品要具有广泛的代表性,即需要包含不同的品种、气候、地理、温度和浓度范围的小麦籽粒样品,同时还需要根据产量分配样品数量的权重)采用人工神经网络方法建立定标模型文件,并且每年添加新的样品,用以更新定标模型;
B.向待预测区域内全部近红外品质检测仪发送定标模型文件,同一所述全部近红外品质检测仪的定标模型。
在步骤S2后步骤S3之前还包括步骤:
S2.1对检测结果及其对应的地理位置数据进行完整性和匹配检查;
S2.2合并经完整性和匹配检查后的检测结果及其对应的地理位置数据,生成属性表包括采样点编号、地理位置、以及检测结果的ESRI Shape格式文件。
步骤S2.2将地理位置数据和检测结果转换成Shape格式数据文件的过程进一步包括:
S2.21将地理位置数据文件转换成CSV文件,每一行数据包括样点编号、经度值和纬度值;
S2.22将样品检测结果文件转换成CSV文件,每一行的数据包括样点编号、蛋白质含量、水分含量和湿面筋含量;
S2.23将两个文件按照样点对应关系合并成一个文件,并根据经纬度值转换成Shape格式数据文件。
步骤S3进一步包括步骤:
S3.1建立采样点处作物籽粒品质指标与该位置的植被指数之间的相关系数矩阵;
S3.2选取相关系数矩阵中最大值所在的行列对应的品质指标和植被指数,根据选取的采样点数据建立数学模型;
S3.3根据所述数学模型,计算影像覆盖范围内的作物品质指标,反演生成作物品质区域分布图。
其中,数学模型包括一元线性模型、一元指数模型以及一元对数模型等,但不限于此。
本发明的系统及方法在满足检测精度要求的基础上,实现了大区域大样品量的快速检测,并将采样点上的检测结果推广到面,从而实现了大面积作物品质的快速预测,使得粮食收购和加工企业可以及时掌握作物品质的区域分布状况,辅助其指定合理和有针对性的收购方案。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (9)
1.一种作物品质区域预测系统,其特征在于,该系统包括中心主机以及与所述中心子机相连的若干网络子机,
所述网络子机,用于采集作物成熟期籽粒样品,记录采样点地理位置数据,用近红外品质检测仪对所述籽粒样品进行品质检测,在本地记录作物品质指标的检测结果及其对应的地理位置数据,并将其同步至中心主机的数据中心服务器;
所述中心主机进一步包括:
遥感影像处理模块,用于获取作物生长期多波段遥感影像,并对其进行预处理,计算影像植被指数;
数据中心服务器,用于接收所述网络子机同步的数据,对所述检测结果数据与所述影像植被指数数据进行相关性分析,建立数学模型,并根据所述数学模型反演生成作物品质区域分布图。
2.如权利要求1所述的作物品质区域预测系统,其特征在于,
所述网络子机进一步包括:
采集单元,用于采集作物成熟期籽粒样品,并记录采样点地理位置数据;
近红外品质检测仪,用于对所述采集单元采集到的籽粒样品进行品质检测,并在本地记录作物品质指标的检测结果及其对应的地理位置数据;
数据同步单元,用于将所述检测结果及其对应的地理位置数据同步至中心主机的数据中心服务器。
3.如权利要求2所述的作物品质区域预测系统,其特征在于,该系统还包括与所述中心主机以及网络子机均相连的网络管理中心,所述网络管理中心,用于根据设定区域内设定量的作物样品,利用人工神经网络方法建立定标模型文件,并向待预测区域内全部近红外品质检测仪发送所述定标模型文件,统一全部近红外品质检测仪的定标模型。
4.如权利要求1所述的作物品质区域预测系统,其特征在于,所述数据中心服务器进一步包括:
模型构建单元,用于对所述检测结果数据与所述影像植被指数数据进行相关性分析,并建立数学模型;
分析制图单元,用于根据所述数学模型反演生成作物品质区域分布图。
5.如权利要求4所述的作物品质区域预测系统,其特征在于,所述数据中心服务器还包括:
品质数据处理单元,用于对所述检测结果及其对应的地理位置数据进行完整性和匹配检查,合并经完整性和匹配检查后的检测结果及其对应的地理位置数据,生成属性表包括采样点编号、地理位置、以及检测结果的ESRI Shape格式文件。
6.一种基于权利要求1-5任一项所述的作物品质区域预测系统的作物品质区域预测方法,其特征在于,该方法包括步骤:
S1.获取作物生长期多波段遥感影像,并对其进行预处理,计算选定的影像植被指数;
S2.采集作物成熟期籽粒样品,记录采样点地理位置数据,用近红外品质检测仪对所述籽粒样品进行品质检测,在本地记录作物品质指标的检测结果及其对应的地理位置数据,并将其同步至数据中心服务器;
S3.所述数据中心服务器对所述检测结果数据与所述植被指数数据进行相关性分析,建立数学模型,并根据所述数学模型反演生成作物品质区域分布图。
7.如权利要求6所述的作物品质区域预测方法,其特征在于,在步骤S1之前还包括步骤:
A.根据设定区域内设定量的作物样品,利用人工神经网络方法建立定标模型文件;
B.向待预测区域内全部近红外品质检测仪发送所述定标模型文件,统一全部近红外品质检测仪的定标模型。
8.如权利要求6所述的作物品质区域预测方法,其特征在于,在步骤S2后步骤S3之前还包括步骤:
S2.1对所述检测结果及其对应的地理位置数据进行完整性和匹配检查;
S2.2合并经完整性和匹配检查后的检测结果及其对应的地理位置数据,生成属性表包括采样点编号、地理位置、以及检测结果的ESRI Shape格式文件。
9.如权利要求6所述的作物品质区域预测方法,其特征在于,步骤S3进一步包括步骤:
S3.1建立采样点处作物籽粒品质指标与该位置的影像植被指数之间的相关系数矩阵;
S3.2选取相关系数矩阵中最大值所在的行列对应的品质指标和影像植被指数,根据选取的采样点数据建立数学模型;
S3.3根据所述数学模型,计算影像覆盖范围内的作物品质指标,反演生成作物品质区域分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100452857A CN102117447A (zh) | 2011-02-24 | 2011-02-24 | 作物品质区域预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100452857A CN102117447A (zh) | 2011-02-24 | 2011-02-24 | 作物品质区域预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102117447A true CN102117447A (zh) | 2011-07-06 |
Family
ID=44216202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100452857A Pending CN102117447A (zh) | 2011-02-24 | 2011-02-24 | 作物品质区域预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102117447A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN104050649A (zh) * | 2014-06-13 | 2014-09-17 | 北京农业信息技术研究中心 | 农业遥感系统 |
CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
CN107860748A (zh) * | 2017-12-20 | 2018-03-30 | 中国海洋大学 | 近红外光谱网络化采集系统 |
CN108872143A (zh) * | 2018-05-22 | 2018-11-23 | 南京农业大学 | 一种基于近红外光谱的小麦感染赤霉病等级检测方法 |
CN109377241A (zh) * | 2018-08-22 | 2019-02-22 | 航天信息股份有限公司 | 一种基于gis的粮食品质监控展示方法及系统 |
CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
-
2011
- 2011-02-24 CN CN2011100452857A patent/CN102117447A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102668899A (zh) * | 2012-03-28 | 2012-09-19 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN102668899B (zh) * | 2012-03-28 | 2015-02-25 | 北京师范大学 | 一种农作物种植模式识别方法 |
CN104050649A (zh) * | 2014-06-13 | 2014-09-17 | 北京农业信息技术研究中心 | 农业遥感系统 |
CN104089647A (zh) * | 2014-07-01 | 2014-10-08 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
CN104089647B (zh) * | 2014-07-01 | 2016-07-06 | 北京农业信息技术研究中心 | 一种作物病害发生范围监测方法及系统 |
CN107860748A (zh) * | 2017-12-20 | 2018-03-30 | 中国海洋大学 | 近红外光谱网络化采集系统 |
CN108872143A (zh) * | 2018-05-22 | 2018-11-23 | 南京农业大学 | 一种基于近红外光谱的小麦感染赤霉病等级检测方法 |
CN109377241A (zh) * | 2018-08-22 | 2019-02-22 | 航天信息股份有限公司 | 一种基于gis的粮食品质监控展示方法及系统 |
CN111665217A (zh) * | 2020-06-09 | 2020-09-15 | 吉林省农业科学院 | 一种大豆种子蔗糖含量的近红外光谱检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Boschetti et al. | Multi-year monitoring of rice crop phenology through time series analysis of MODIS images | |
CN102117447A (zh) | 作物品质区域预测系统及方法 | |
Nutini et al. | Land-use and land-cover change detection in a semi-arid area of Niger using multi-temporal analysis of Landsat images | |
Reeves et al. | Usefulness and limits of MODIS GPP for estimating wheat yield | |
Cunha et al. | Very early prediction of wine yield based on satellite data from VEGETATION | |
Shuai et al. | Daily MODIS 500 m reflectance anisotropy direct broadcast (DB) products for monitoring vegetation phenology dynamics | |
Ma et al. | Investigating the impact of climate change on crop phenological events in Europe with a phenology model | |
CN110213376B (zh) | 一种用于虫害预防的信息处理系统及方法 | |
de Oliveira et al. | Evaluation of MODIS-based estimates of water-use efficiency in Amazonia | |
Motohka et al. | Evaluation of optical satellite remote sensing for rice paddy phenology in monsoon Asia using a continuous in situ dataset | |
CN106092913A (zh) | 一种农作物营养安全检测方法及其系统 | |
CN110188962B (zh) | 基于农业物联网的水稻供应链信息处理方法 | |
CN110210408B (zh) | 基于卫星与无人机遥感结合的作物生长预测系统及方法 | |
AU2017376837A1 (en) | Detection of environmental conditions | |
Vitasse et al. | ‘Hearing’alpine plants growing after snowmelt: ultrasonic snow sensors provide long-term series of alpine plant phenology | |
Zhu et al. | Estimation of maize above-ground biomass based on stem-leaf separation strategy integrated with LiDAR and optical remote sensing data | |
Gaughan et al. | Linking vegetation response to seasonal precipitation in the Okavango–Kwando–Zambezi catchment of southern Africa | |
CN105761150A (zh) | 农作物信息及样本的采集方法和系统 | |
Dhakar et al. | Field scale wheat LAI retrieval from multispectral Sentinel 2A-MSI and LandSat 8-OLI imagery: effect of atmospheric correction, image resolutions and inversion techniques | |
Fan et al. | Characterizing changes in cropping patterns using sequential Landsat imagery: An adaptive threshold approach and application to Phoenix, Arizona | |
Zhao et al. | Monitoring vegetation dynamics by coupling linear trend analysis with change vector analysis: a case study in the Xilingol steppe in northern China | |
Fan et al. | A simple visible and near-infrared (V-NIR) camera system for monitoring the leaf area index and growth stage of Italian ryegrass | |
Huang et al. | A dataset of winter wheat aboveground biomass in China during 2007–2015 based on data assimilation | |
Schut et al. | Trends in global vegetation activity and climatic drivers indicate a decoupled response to climate change | |
Zhou et al. | Improving satellite-based modelling of gross primary production in deciduous broadleaf forests by accounting for seasonality in light use efficiency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110706 |