CN103063880A - 一种估计并补偿扫描探针显微镜中温漂的方法 - Google Patents
一种估计并补偿扫描探针显微镜中温漂的方法 Download PDFInfo
- Publication number
- CN103063880A CN103063880A CN201210564315XA CN201210564315A CN103063880A CN 103063880 A CN103063880 A CN 103063880A CN 201210564315X A CN201210564315X A CN 201210564315XA CN 201210564315 A CN201210564315 A CN 201210564315A CN 103063880 A CN103063880 A CN 103063880A
- Authority
- CN
- China
- Prior art keywords
- drift
- temperature
- image
- scanning probe
- value
- 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
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种估计并补偿扫描探针显微镜中温漂的方法,用扫描探针显微镜在固定的采样间隔下获得样品表面图像后,将每幅图像分别划分为若干块并进行梯度化处理,使用相位相关法计算相邻采样时刻获得的图像在x及y方向的漂移量,运用密度聚类DBSCAN算法剔除噪声数据后计算图像整体漂移量;然后用神经网络方法根据前几次的漂移量及当前近场温度数据预测下一采样时刻的漂移量,并根据实际测量计算得到的漂移量数据改进神经网络参数;预测得到的下一采样时刻漂移量作为前馈信号输入给控制器,控制器据此做出补偿,从而抑制温漂,实现自动控制;本发明可以有效抑制在没有严格温湿度控制的环境下,扫描探针显微镜随时间的推移所产生的温漂。
Description
技术领域
本发明涉及一种在没有严格温湿度环境控制的环境中,估计并补偿扫描探针显微镜工作过程中温漂的方法。
背景技术
目前,利用扫描探针显微镜的研究涉及越来越多的领域。其不仅用来获取物体的表面形态,也用于对纳米级别的粒子进行操控。譬如已有研究人员在研究使用原子力显微镜(AFM)对直径10nm的粒子进行推动的操作。然而,为了实现纳米级别物体的自动生产,仍然有很多问题需要解决。因为在一个没有严格温湿度环境控制的条件下使用AFM对粒子进行操作时,有很多不确定性的问题需要操作人员做出人为干预补偿,譬如AFM及其压电驱动系统固有的扫描迟滞,蔓延以及温漂。
在上述的这些问题中,扫描迟滞可以通过沿同一个方向扫描来减小。而在大段扫描之后等待几分钟,蔓延甚至都可以完全消除。唯一难以消除的就是温漂,并且它随着时间的推移会逐渐增大。通常一个熟练的操作员需要花上数小时来推动粒子构造一个图像。为了成功高效地完成操作任务,温漂补偿是第一步。
针对扫描探针显微镜工作过程中的温漂问题,前人提出过一些解决方法。但其中的大部分都假设温漂是一个恒定值,但实际情况下,由于环境的不确定,温漂的速率也在不停地改变。此外,前人的一些方法在计算温漂时考虑的是整幅图像,而在实际操作过程中,样品表面形貌可能会因为人为的操作发生部分改变,由此可能得出错误的温漂量。
发明内容
为了克服现有的方法不能在温漂速率不断改变及样品表面形貌部分改变的情况下有效计算出温漂值的不足,本发明提出一种估计并补偿扫描探针显微镜中温漂的方法,使得在上述情况下能得出精确的x及y方向的温漂值。
本发明解决其技术问题所采用的技术方案是:一种估计并补偿扫描探针显微镜中温漂的方法,包括以下步骤:
(1)用扫描探针显微镜在固定的采样间隔下获得样品表面高度图像,每次获得一幅图像后,将其各像素点的高度与相邻像素点的高度相减,得到样品表面梯度图像,以消除z向漂移带来的影响。
(2)将样品表面梯度图像划分为若干块,使用相位相关法分别计算各图像块x及y方向漂移量,将漂移向量表示成坐标形式后使用DBSCAN密度聚类方法剔除噪声数据后计算样品整体漂移量。
(3)用神经网络方法根据前几次的漂移量及当前近场温度数据预测计算下一时刻的漂移量,并根据实际测量计算得到的漂移量数据改进神经网络参数。
(4)将步骤3预测得到的下一时刻的漂移量用于扫描探针的自动控制。
(5)重复步骤1-4,不断改进改进神经网络参数,得到更准确的预测值,从而可以更好地估计并补偿扫描探针显微镜温漂。
进一步地,所述步骤1具体为:相邻采样时刻所获取的样品表面高度图像的关系可以写为hk+1(x,y)=hk(x+Δxk,y+Δyk)+Δzk,其中,hk(x,y)为采样k时刻所获取的样品表面高度图像在(x,y)点的高度值,Δxk、Δyk、Δzk代表采样k时刻到采样k+1时刻样品在x,y,z三个方向各自的漂移,。现引入梯度gk(x,y)=hk(x,y)-hk(x-1,y),使得gk+1(x,y)=hk(x+Δxk,y+Δyk)+Δzk-(hk(x+Δxk-1,y+Δyk)+Δzk)=gk(x+Δxk,y+Δyk),gk(x,y)为采样k时刻获取的样品表面高度图像在(x,y)点的梯度,表面梯度图像的获取消除了Δzk带来的影响,便于我们专注于计算水平方向的温漂。
进一步地,所述步骤2具体为:将图像划分为N×N个图像块,其中N可取6、8或其他值,但不能取得太大,否则会使漂移量计算结果噪声过大。将图像与一个二维余弦权值窗口相乘,以突出图像中心点的比重,再将其变换到频域,用相位相关法计算出漂移量Δxk与Δyk。再将各图像块的漂移向量表示成坐标形式,采用DBSCAN密度聚类算法分类。此算法需操作人员先根据经验设定一个密度阈值,再将已在二维坐标系上表示为坐标形式的漂移向量用此算法将聚集较为密集的坐标点提取出来,其它作为噪声点舍弃。最后将剔除噪声数据后的漂移向量x、y坐标分别平均后的的值作为样品整体漂移向量。
进一步地,所述步骤3具体为:设计一个双层神经网络,其中输入、隐藏、输出层的节点数分别为N1,N2和1。其中N1及N2可根据需要自行选取,其值越大则模型越准确但也会导致计算量的增大。N1个输入中不仅有之前的温漂数据还有当前近场温度值。其中近场温度数据通过样本附近的一个温度传感器得到,它用来减小样品温度变化对温漂速率的影响。
进一步地,所述步骤4具体为:将神经网络预测的下一时刻漂移量作为前馈信号输入给扫描探针显微镜控制器,控制器根据此漂移量做一个补偿,控制探针提前达到漂移后的位置,从而达到抑制温漂的目的。
本发明的有益效果是,本发明的方法可以有效估计并补偿在没有严格温湿度控制的环境下,扫描探针显微镜随时间的推移所产生的温漂问题。此方法可以根据扫描所得图像计算温漂并将历史数据用来预测下一时刻温漂,控制器据此做出补偿从而达到抑制温漂的目的。此方法可用来实现纳米操作的实时控制器,进一步减小了扫描探针显微镜工作过程中的人为干预,为实现自动纳米制造及生产做出了贡献。
附图说明
图1为本发明所提出漂移补偿方法的整体框图;
图2为本发明基于块的相位相关法流程图;
图3为本发明所使用两层神经网络预测器结构;
图4为本发明实施例中使用噪声剔除法前的块移动向量图;
图5为本发明实施例中使用噪声剔除法后的块移动向量图;
图6为本发明实施例中聚类算法结果图。
具体实施方式
本发明扫描探针显微镜温漂的估计并补偿方法,包括以下步骤:
步骤1,用扫描探针显微镜在固定的采样间隔下获得样品表面高度图像,每次获得一幅图像后,将其各像素点的高度与相邻像素点的高度相减,得到样品表面梯度图像,以消除z向漂移带来的影响。
具体来说,相邻采样时刻所获取的样品表面高度图像的关系可以写为hk+1(x,y)=hk(x+Δxk,y+Δyk)+Δzk,其中,hk(x,y)为采样k时刻所获取的样品表面高度图像在(x,y)点的高度值,Δxk、Δyk、Δzk代表采样k时刻到采样k+1时刻样品在x,y,z三个方向各自的漂移,。现引入梯度gk(x,y)=hk(x,y)-hk(x-1,y),使得gk+1(x,y)=hk(x+Δxk,y+Δyk)+Δzk-(hk(x+Δxk-1,y+Δyk)+Δzk)=gk(x+Δxk,y+Δyk),gk(x,y)为采样k时刻获取的样品表面高度图像在(x,y)点的梯度,表面梯度图像的获取消除了Δzk带来的影响,便于我们专注于计算水平方向的温漂。
步骤2,将样品表面梯度图像划分为若干块,使用相位相关法分别计算各图像块x及y方向漂移量,将漂移向量表示成坐标形式后使用DBSCAN密度聚类方法剔除噪声数据后计算样品整体漂移量。
将图像划分为N×N个图像块,其中N可取6、8或其他值,但不能取得太大,否则会使漂移量计算结果噪声过大。将图像与一个二维余弦权值窗口相乘,以突出图像中心点的比重,再将其变换到频域,用相位相关法计算出漂移量Δxk与Δyk。再将各图像块的漂移向量表示成坐标形式,采用DBSCAN密度聚类算法分类。此算法需操作人员先根据经验设定一个密度阈值,再将已在二维坐标系上表示为坐标形式的漂移向量用此算法将聚集较为密集的坐标点提取出来,其它作为噪声点舍弃。最后将剔除噪声数据后的漂移向量x、y坐标分别平均后的的值作为样品整体漂移向量。
步骤3,用神经网络方法根据前几次的漂移量及当前近场温度数据预测计算下一时刻的漂移量,并根据实际测量计算得到的漂移量数据改进神经网络参数。
设计一个双层神经网络,其中输入、隐藏、输出层的节点数分别为N1,N2和1。其中N1及N2为自然数,可根据需要自行选取,其值越大则模型越准确但也会导致计算量的增大。N1个输入中不仅有之前的温漂数据还有当前近场温度值。其中近场温度数据通过样本附近的一个温度传感器得到,它用来减小样品温度变化对温漂速率的影响。
步骤4,将步骤3预测得到的下一时刻的漂移量用于扫描探针的自动控制。
将神经网络预测的下一时刻漂移量作为前馈信号输入给扫描探针显微镜控制器,控制器根据此漂移量做一个补偿,控制探针提前达到漂移后的位置,从而达到抑制温漂的目的。
步骤5,重复步骤1-4,不断改进改进神经网络参数,得到更准确的预测值,从而可以更好地估计并补偿扫描探针显微镜温漂。
为使对本发明内容有进一步了解,下文中配合相关实施例及附图作详细说明:
本发明实施例的所用方法按照图1中所示四个步骤循环进行。
在相位相关法环节中,按照图2中流程进行:计算获取梯度图像;将整幅图像分割为小图像块;将各图像块添加上权重窗口;使用相位相关法计算各图像块的运动向量;消除噪声影响;计算整幅图像的整体漂移。
在神经网络预测环节中所用神经网络如图3所示,这是一个双层NN结构,其中输入、隐藏、输出层的节点数分别为N1,N2和1。输入不仅有之前的温漂数据还有当前近场温度值。图中V和W分别为隐藏层与输出层的权值。
当采用本发明所提出的温漂估计并补偿方法时,当扫描第N幅图像时,首先利用图3中神经网络根据前N-1幅图像各自的整体漂移量及当前近场温度值预测第N幅图像可能的漂移量,在补偿后扫描得出此幅图像后,再利用图2所示相位相关法计算其实际漂移量,并重新训练神经网络以改善网络的权值,最后利用训练后的网络预测第N+1幅图像的漂移量,并补偿后扫描。如此循环上述步骤。
图4与图5为上述利用相位相关法计算实际漂移量过程中噪声剔除前后的对比图。其中图4为噪声剔除前的各块移动向量图,图5为噪声剔除后的各块移动向量图。噪声剔除的方法为:先将划分的各图像块漂移向量表示成坐标形式,然后用密度聚类DBSCAN算法将聚集较为密集的坐标点提取出来,其它点作为噪声舍弃,再将这些聚类点坐标取平均值作为样品整体漂移,坐标表示如图6所示,图中十字点为选取出的聚类点,三角形点作为噪声数据舍弃。
将补偿前的扫描图像序列与补偿方法后的扫描图像序列比较,可以看出补偿后的图像中温漂被大大地抑制。由此可见,本发明所提出温漂估计并补偿方法可以较好解决扫描探针显微镜中的温漂问题。
Claims (5)
1.一种扫描探针显微镜温漂的估计并补偿方法,其特征在于,包括以下步骤:
(1)用扫描探针显微镜在固定的采样间隔下获得样品表面高度图像,每次获得一幅图像后,将其各像素点的高度与相邻像素点的高度相减,得到样品表面梯度图像,以消除z向漂移带来的影响。
(2)将样品表面梯度图像划分为若干块,使用相位相关法分别计算各图像块x及y方向漂移量,将漂移向量表示成坐标形式后使用DBSCAN密度聚类方法剔除噪声数据后计算样品整体漂移量。
(3)用神经网络方法根据前几次的漂移量及当前近场温度数据预测计算下一采样时刻的漂移量,并根据实际测量计算得到的漂移量数据改进神经网络参数。
(4)将步骤3预测得到的下一采样时刻的漂移量用于扫描探针的自动控制。
(5)重复步骤1-4,不断改进神经网络参数,得到更准确的预测值,从而可以更好地估计并补偿扫描探针显微镜温漂。
2.根据权利要求1所述扫描探针显微镜温漂的估计并补偿方法,其特征在于,所述步骤1具体为:相邻采样时刻所获取的样品表面高度图像的关系可以写为hk+1(x,y)=hk(x+Δxk,y+Δyk)+Δzk,其中,hk(x,y)为采样k时刻所获取的样品表面高度图像在(x,y)点的高度值,Δxk、Δyk、Δzk代表采样k时刻到采样k+1时刻样品在x,y,z三个方向各自的漂移,。现引入梯度gk(x,y)=hk(x,y)-hk(x-1,y),使得gk+1(x,y)=hk(x+Δxk,y+Δyk)+Δzk-(hk(x+Δxk-1,y+Δyk)+Δzk)=gk(x+Δxk,y+Δyk),gk(x,y)为采样k时刻获取的样品表面高度图像在(x,y)点的梯度,表面梯度图像的获取消除了Δzk带来的影响,便于我们专注于计算水平方向的温漂。
3.根据权利要求1所述扫描探针显微镜温漂的估计并补偿方法,其特征在于,所述步骤2具体为:将图像划分为N×N个图像块,其中N可取6、8或其他值,但不能取得太大,否则会使漂移量计算结果噪声过大。将图像与一个二维余弦权值窗口相乘,以突出图像中心点的比重,再将其变换到频域,用相位相关法计算出漂移量Δxk与Δyk。再将各图像块的漂移向量表示成坐标形式,采用DBSCAN密度聚类算法分类。最后将剔除噪声数据后的漂移向量x、y坐标分别平均后的的值作为样品整体漂移向量。
4.根据权利要求1所述扫描探针显微镜温漂的估计并补偿方法,其特征在于,所述步骤3具体为:设计一个双层神经网络,其中输入、隐藏、输出层的节点数分别为N1,N2和1,其中,N1和N2为自然数,N1个输入中不仅有之前的温漂数据还有当前近场温度值;所述近场温度数据通过样本附近的一个温度传感器得到,它用来减小样品温度变化对温漂速率的影响。
5.根据权利要求1所述扫描探针显微镜温漂的估计并补偿方法,其特征在于,所述步骤4具体为:将神经网络预测的下一时刻漂移量作为前馈信号输入给扫描探针显微镜控制器,控制器根据此漂移量做一个补偿,控制探针提前达到漂移后的位置,从而达到抑制温漂的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210564315XA CN103063880A (zh) | 2012-12-21 | 2012-12-21 | 一种估计并补偿扫描探针显微镜中温漂的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210564315XA CN103063880A (zh) | 2012-12-21 | 2012-12-21 | 一种估计并补偿扫描探针显微镜中温漂的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103063880A true CN103063880A (zh) | 2013-04-24 |
Family
ID=48106590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210564315XA Pending CN103063880A (zh) | 2012-12-21 | 2012-12-21 | 一种估计并补偿扫描探针显微镜中温漂的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103063880A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728468A (zh) * | 2013-12-30 | 2014-04-16 | 浙江大学 | 一种抑制扫描探针显微镜扫描大图时温漂影响的方法 |
CN106855389A (zh) * | 2015-12-18 | 2017-06-16 | 北京航空航天大学 | 基于视觉传感的afm系统机械漂移补偿方法 |
CN107784648A (zh) * | 2017-10-18 | 2018-03-09 | 广东正业科技股份有限公司 | 一种视觉定位装置的位置补偿系统与方法 |
CN108732385A (zh) * | 2018-04-10 | 2018-11-02 | 厦门大学 | 扫描探针显微成像系统的漂移校正装置及自动校正方法 |
CN110187074A (zh) * | 2019-06-12 | 2019-08-30 | 哈尔滨工业大学 | 一种越野滑雪赛道雪质预测方法 |
CN110705700A (zh) * | 2019-10-21 | 2020-01-17 | 重庆科技学院 | 一种土壤温度传感器的漂移预测方法 |
CN110749550A (zh) * | 2019-10-09 | 2020-02-04 | 河海大学 | 一种基于深度学习的天文光谱仪像质补偿方法及系统 |
CN110817627A (zh) * | 2019-12-10 | 2020-02-21 | 猫岐智能科技(上海)有限公司 | 基于加速度传感器的设备属性计算方法 |
US20220215289A1 (en) * | 2021-01-06 | 2022-07-07 | Hewlett Packard Enterprise Development Lp | Managing data drift and outliers for machine learning models trained for image classification |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566048A (zh) * | 2012-01-17 | 2012-07-11 | 浙江大学 | 一种基于象散的样品轴向漂移补偿方法和装置 |
CN102609917A (zh) * | 2012-02-13 | 2012-07-25 | 江苏博智软件科技有限公司 | 一种基于聚类算法的图像边缘拟合b样条生成方法 |
-
2012
- 2012-12-21 CN CN201210564315XA patent/CN103063880A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566048A (zh) * | 2012-01-17 | 2012-07-11 | 浙江大学 | 一种基于象散的样品轴向漂移补偿方法和装置 |
CN102609917A (zh) * | 2012-02-13 | 2012-07-25 | 江苏博智软件科技有限公司 | 一种基于聚类算法的图像边缘拟合b样条生成方法 |
Non-Patent Citations (2)
Title |
---|
Q. YANG等: "Block Phase Correlation-based Automatic Drift Compensation for Atomic Force Microscopes", 《PROCEEDINGS OF 2005 5TH IEEE CONFERENCE ON NANOTECHNOLOGY》, 31 July 2005 (2005-07-31) * |
QINMIN YANG等: "Automatic Drift Compensation Using Phase Correlation Method for Nanomanipulation", 《IEEE TRANSACTIONS ON NANOTECHNOLOGY》, vol. 7, no. 2, 31 March 2008 (2008-03-31) * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728468B (zh) * | 2013-12-30 | 2015-10-21 | 浙江大学 | 一种抑制扫描探针显微镜扫描大图时温漂影响的方法 |
CN103728468A (zh) * | 2013-12-30 | 2014-04-16 | 浙江大学 | 一种抑制扫描探针显微镜扫描大图时温漂影响的方法 |
CN106855389A (zh) * | 2015-12-18 | 2017-06-16 | 北京航空航天大学 | 基于视觉传感的afm系统机械漂移补偿方法 |
CN106855389B (zh) * | 2015-12-18 | 2019-07-12 | 北京航空航天大学 | 基于视觉传感的afm系统机械漂移补偿方法 |
CN107784648B (zh) * | 2017-10-18 | 2021-08-24 | 广东正业科技股份有限公司 | 一种视觉定位装置的位置补偿系统与方法 |
CN107784648A (zh) * | 2017-10-18 | 2018-03-09 | 广东正业科技股份有限公司 | 一种视觉定位装置的位置补偿系统与方法 |
CN108732385A (zh) * | 2018-04-10 | 2018-11-02 | 厦门大学 | 扫描探针显微成像系统的漂移校正装置及自动校正方法 |
CN110187074A (zh) * | 2019-06-12 | 2019-08-30 | 哈尔滨工业大学 | 一种越野滑雪赛道雪质预测方法 |
CN110749550A (zh) * | 2019-10-09 | 2020-02-04 | 河海大学 | 一种基于深度学习的天文光谱仪像质补偿方法及系统 |
CN110705700A (zh) * | 2019-10-21 | 2020-01-17 | 重庆科技学院 | 一种土壤温度传感器的漂移预测方法 |
CN110817627A (zh) * | 2019-12-10 | 2020-02-21 | 猫岐智能科技(上海)有限公司 | 基于加速度传感器的设备属性计算方法 |
CN110817627B (zh) * | 2019-12-10 | 2021-09-24 | 猫岐智能科技(上海)有限公司 | 基于加速度传感器的设备属性计算方法 |
US20220215289A1 (en) * | 2021-01-06 | 2022-07-07 | Hewlett Packard Enterprise Development Lp | Managing data drift and outliers for machine learning models trained for image classification |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103063880A (zh) | 一种估计并补偿扫描探针显微镜中温漂的方法 | |
CN109949375B (zh) | 一种基于深度图感兴趣区域的移动机器人目标跟踪方法 | |
CN105509755B (zh) | 一种基于高斯分布的移动机器人同步定位与地图构建方法 | |
CN106372749B (zh) | 基于云变分析的超短期光伏功率预测方法 | |
CN104574442B (zh) | 自适应粒子群优化粒子滤波运动目标跟踪方法 | |
CN108550116B (zh) | 低信噪比下的硅单晶生长图像的自适应随机共振去噪方法 | |
CN107301657B (zh) | 一种考虑目标运动信息的视频目标跟踪方法 | |
CN106251704A (zh) | 船舶轨迹预测方法 | |
CN110070565A (zh) | 一种基于图像叠加的船舶轨迹预测方法 | |
CN111159063A (zh) | 一种面向多层Sketch网络测量的缓存分配方法 | |
CN104504935B (zh) | 航海交通管制方法 | |
CN105427348A (zh) | 一种基于蝙蝠算法的视频目标跟踪方法 | |
CN105405152A (zh) | 基于结构化支持向量机的自适应尺度目标跟踪方法 | |
Shi et al. | Active heave compensation prediction research for deep sea homework crane based on KPSO-SVR | |
CN104091352A (zh) | 基于结构相似度的视觉跟踪方法 | |
Wu et al. | A method for sonar image segmentation based on combination of MRF and region growing | |
Liu et al. | T‐ESVO: Improved Event‐Based Stereo Visual Odometry via Adaptive Time‐Surface and Truncated Signed Distance Function | |
CN115035363B (zh) | 一种深度神经网络模型的在线训练方法 | |
CN112200831B (zh) | 一种基于动态模板的密集连接孪生神经网络目标跟踪方法 | |
CN115336433B (zh) | 一种新型电子稳像运动估计方法 | |
CN102831622A (zh) | 一种基于Mean shift的目标跟踪方法 | |
CN107145818A (zh) | 内河航道水面船舶图像检测识别方法 | |
Sun et al. | Scan range adaptive hysteresis/creep hybrid compensator for AFM based nanomanipulations | |
Wang et al. | An adaptive kernel bandwidth mean-shift target tracking algorithm | |
CN110427982A (zh) | 一种基于图像处理的自动布线机路线校正方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |