CN104502309A - 采用近红外光谱特征波长识别几种废旧塑料种类的方法 - Google Patents
采用近红外光谱特征波长识别几种废旧塑料种类的方法 Download PDFInfo
- Publication number
- CN104502309A CN104502309A CN201410854322.2A CN201410854322A CN104502309A CN 104502309 A CN104502309 A CN 104502309A CN 201410854322 A CN201410854322 A CN 201410854322A CN 104502309 A CN104502309 A CN 104502309A
- Authority
- CN
- China
- Prior art keywords
- waste
- used plastics
- kinds
- spectrum
- characteristic wavelength
- 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
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Separation, Recovery Or Treatment Of Waste Materials Containing Plastics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及塑料物品辨识方法，为提供识别几种废旧塑料种类的方法,降低后续处理的计算量，节省了计算时间，样品可以不经预处理直接进行判别分析，便于在工业中操作和实施。为此，本发明采取的技术方案是，采用近红外光谱特征波长识别几种废旧塑料种类的方法，包括如下步骤：步骤1：用傅里叶近红外光谱仪采集几种废旧塑料标准样品的原始光谱；步骤2：将采集到的原始光谱进行K-M变换；步骤3：经K-M变换处理后的光谱数据进行主成分分析，提取出特征光谱；步骤4：进行Fisher判别处理，建立判别模型；步骤5：应用上述步骤4中建立的判别模型即判别式，对未知种类的塑料进行识别分类。本发明主要应用于塑料物品辨识。
Description
技术领域
本发明涉及塑料物品辨识方法，特别是涉及采用近红外光谱特征波长识别几种废旧塑料种类的方法
技术背景
目前，全球塑料产品的总产量超过100万吨。由此造成了一个全球性的环境问题即废旧塑料给环境所带来的污染。废旧塑料很难自然降解，同时对自然环境无亲和力，因此各国政府都在积极推动废旧塑料的回收利用。
现今，废旧塑料污染问题得以解决的途径大致有三种：回收再利用、填埋处理和发展可降解塑料。从环境保护的层面来讲，废旧塑料的回收再利用既能够消除环境污染，同时还能够获得宝贵的能源和资源，带来明显的环境和社会效益。同时，合理的技术还能够产生一定的经济效益，因而对废旧塑料进行回收再利用符合当前中国国情。
废旧混合塑料的回收处理方法主要有四种：熔融再生、燃烧热利用、热解转化以及改性回收化学品。但在其废旧塑料的回收处理过程中，也遇到了很多突出的问题，主要有以下几点：
(1)燃烧取热过程中会出现二次污染及对设备的腐蚀，并且伴随产生大量有害气体与黑烟。而我国目前关于燃烧取热的技术还不成熟，并需要大量的资金来支持焚烧设备。
(2)催化剂在催化裂解过程中的失效问题，由于废塑料导热性能较差，且混入的部分不可热解物质使在裂解生产燃料油时催化剂表面结焦失活，另外PVC热解过程产生的氯化氢同样会造成催化剂中毒。
(3)回收化学产品、简单再生前废旧塑料的分选问题。
废旧塑料的识别、分选是现阶段制约废旧塑料回收利用的瓶颈环节。如果不加辨别就把不同种类的塑料混在一起进行利用，就很容易导致产品性能下降、处理过程效率低，技术复杂性增加，甚至出现废品，产生二次污染。因此，对废旧塑料进行识别和分离是废旧塑料回收的首要任务。
本发明在废旧塑料回收领域引入近红外光谱技术，利用近红外光谱全面丰富的光谱信息对废旧塑料进行定性判别分析。
在刘红莎于2013年发表的硕士论文《基于近红外光谱的废混合塑料识别研究》中曾介绍了应用近红外光谱对6种废旧塑料进行识别分类的方法，其先对原始光谱采取S-G平滑和小波去噪预处理，但是该光谱处理过程较为繁琐，提取出的特征波长也较多，大大增加了整个过程的计算量，同时也增加了整个过程的计算时间，使其在实践应用中的操作过程变的复杂。
发明内容
为克服现有技术的不足，提供识别几种废旧塑料种类的方法,降低后续处理的计算量，节省了计算时间，样品可以不经预处理直接进行判别分析，便于在工业中操作和实施。为此，本发明采取的技术方案是，采用近红外光谱特征波长识别几种废旧塑料种类的方法，包括如下步骤：
步骤1：用傅里叶近红外光谱仪采集几种废旧塑料标准样品的原始光谱；
步骤2：将上述步骤1中采集到的废旧塑料标准样品的原始光谱进行K-M变换；
步骤3：将上述步骤2中经K-M变换处理后的光谱数据进行主成分分析，提取出特征光谱；
步骤4：将上述步骤3中经过主成分分析提取出的特征光谱进行Fisher判别处理，建立判别模型；
步骤5：应用上述步骤4中建立的判别模型即判别式，对未知种类的塑料进行识别分类。
步骤1中采集到的原始光谱的波长范围是1100-2500nm。
步骤4中可以用BP神经网络模型代替Fisher判别建立判别模型。
步骤4中可以用PNN神经网络模型代替Fisher判别建立判别模型。
识别的几种塑料包括PS、ABS、PP、PVC、PE、PET。
与已有技术相比，本发明的技术特点与效果：
本发明对作为标准样品集的86块废旧塑料样品经过K-M变换后的近红外光谱进行主成分分析，提取出的18个特征波长能代表原始光谱的绝大部分信息，降低了后续处理的计算量，节省了计算时间。采用的BP神经网络模型和PNN神经网络模型分析过程简单，方便在工业化操作中实施。
附图说明
图1本发明方法流程示意图。
具体实施方式
本发明公开了一种采用近红外光谱识别6种废旧塑料种类的方法，本发明采用傅里叶近红外光谱仪采集6种废旧塑料标准样品的原始光谱，通过对原始光谱做K-M变换和主成分分析提取出特征波长，再以特征波长对应的反射率建立判别模型，应用建立好的判别模型对未知样品进行判别分析。提取出能代表原始光谱的绝大部分信息的特征波长，降低了后续处理的计算量，节省了计算时间。同时，近红外光谱分析技术对样品的要求低，样品可以不经预处理直接进行判别分析，便于在工业中操作和实施。
为了解决现有技术中的不足，本发明通过对原始光谱的K-M变换和主成分分析提取出特征波长，再以特征波长为输入建立判别模型，应用建立好的判别模型对未知样品进行判别分析。采用本发明识别废旧塑料过程计算量较少，减少了光谱数据处理量和处理时间。
本发明的技术方案如下：
1.一种采用近红外光谱识别几种废旧塑料种类的方法，所述方法识别的几种塑料包括PS、ABS、PP、PVC、PE、PET，其特征在于所述识别方法包括以下步骤：
步骤1：用傅里叶近红外光谱仪采集6种废旧塑料标准样品的原始光谱；
步骤2：将上述步骤1中采集到的废旧塑料标准样品的原始光谱进行红外光谱K-M变换；
步骤3：将上述步骤2中经K-M变换处理后的光谱数据进行主成分分析，提取出特征光谱；
步骤4：将上述步骤3中经过主成分分析提取出的特征光谱进行Fisher判别处理，建立判别模型；
步骤5：应用上述步骤4中建立的模型对未知种类的塑料进行识别分类。
2.根据1中所属的近红外光谱识别6种废旧塑料种类的方法，其特征在于步骤1中采集到的原始光谱的波长范围是1100-2500nm。
3.根据1中所属的近红外光谱识别6种废旧塑料种类的方法，其特征在于步骤4中可以用BP神经网络模型代替Fisher判别建立判别模型。
4.根据1中所属的近红外光谱识别6种废旧塑料种类的方法，其特征在于步骤4中可以用PNN神经网络模型代替Fisher判别建立判别模型。
本发明所用废弃混合塑料原料的来源主要是废弃电器电子产品拆解后得到的废混合塑料以及社会回收的废混合塑料以及各种电线电缆。
本发明所述的废旧混合塑料原料主要来源于废弃电器电子产品拆解后得到的废混合塑料以及社会回收的废混合塑料以及各种电线电缆，包括PE、PP、PS、PVC、ABS和PET这6种塑料，其中PE、PP、PVC和PET主要来自各种废弃生活塑料制品，PS和ABS主要由TCL奥博(天津)环保发展有限公司提供，为国外进口废旧家电(电视机、冰箱、洗衣机和空调等)。采集到的101个废旧塑料样品中，选作标准样品集的塑料样品有86块，其中，PP塑料样品有15块，PE塑料样品有18块，PVC塑料样品有10块，ABS塑料样品有15块，PET塑料样品有11块，PS塑料样品有17块。用作预测集的未知塑料样品共有15块，其中PET塑料样品有10块，PE塑料样品有13块，PVC塑料样品有11块，PS塑料样品有15块，PP塑料样品有12块，ABS塑料样品有13块。
实施例1：
对废旧塑料表面进行清洗并用360#砂纸进行打磨，然后分别裁剪成2mm*2mm大小的小块，最后对其进行编号在室温20-25℃条件下用漫反射方式测定。
本发明采用美国Bio-rad公司生产的FT S6000型傅里叶红外光谱仪对样品的近红外光谱进行采集，光谱波长范围在1100-2500nm之间，并对采集到的标准样品的原始光谱进行K-M变换。
采用MATLAB对作为标准样品集的86块废旧塑料样品经过K-M变换后的近红外光谱进行主成分分析，得到主成分得分和载荷系数，前4个主成分的累计贡献率到达96.62％，能够代表原光谱绝大部分的特征信息，其中第一主成分的贡献率为75.68％，故以第一主成分的载荷系数为主，综合考虑前4个主成分的载荷系数来选取出18个特征波长，为1216.46、1394.44、1660.65、1699.85、1731.64、1752.72、1765.85、1789.00、1821.69、1906.08、2131.80、2147.70、2209.05、2254.14、2296.07、2320.75、2376.05、2478.27。
将提取出的86个标准样品集的塑料的18个特征波长数据导入IBM SPSS Statistics19软件，建立Fisher判别模型。建立的Fisher判别模型对初始分组案例中的96.5％进行了正确分类，对交叉验证分组案例中的89.5％进行了正确分类。再应用建立好的Fisher判别模型对74个未知样品进行识别分析，对未知样品的判别分类仅有3个判别错误。
实施例2：
参照实施例1的方法，将提取出的86个标准样品集的塑料的18个特征波长数据作为BP神经网络模型的输入，对BP神经网络模型进行训练，训练得出的BP神经网络模型输入层神经数为18，隐含层神经数为20，输出层神经数为6，目标误差0.01，隐含层的传递函数采用双正切S型传递函数tansig，输出层采用purelin函数，选用学习函数trainlm，训练次数为100。再用训练好的BP神经网络模型对未知样品集进行预测分类。BP神经网络模型对标准样品集的判别准确率达到98.84％，对于未知样品集的预测准确率为73.33％，基本能达到对废旧塑料分类的要求。
实施例3：
参照实施例1的方法，将提取出的86个标准样品集的塑料的18个特征波长数据作为PNN神经网络模型的输入，对PNN神经网络模型进行训练，训练得到的PNN神经网络模型的散布常数为0.1，中间层最大神经元个数为86。再用训练好的PNN网络模型对未知样品集进行预测分类。PNN网络训练模型对训练集的分类准确率达到了100％，对预测集的分类准确率为97.67％，达到了对废旧塑料分类的要求。
上述仅对本发明中的几种具体实施案例加以说明，但并不能作为本发明的保护范围，凡是依据本发明中的设计精神所作出的等效变化或修饰或等比例放大或缩小等，均应认为落入本发明的保护范围。
Claims (5)
1.一种采用近红外光谱特征波长识别几种废旧塑料种类的方法，其特征是，包括如下步骤：
步骤1：用傅里叶近红外光谱仪采集几种废旧塑料标准样品的原始光谱；
步骤2：将上述步骤1中采集到的废旧塑料标准样品的原始光谱进行K-M变换；
步骤3：将上述步骤2中经K-M变换处理后的光谱数据进行主成分分析，提取出特征光谱；
步骤4：将上述步骤3中经过主成分分析提取出的特征光谱进行Fisher判别处理，建立判别模型；
步骤5：应用上述步骤4中建立的判别模型即判别式，对未知种类的塑料进行识别分类。
2.如权利要求1所述的采用近红外光谱特征波长识别几种废旧塑料种类的方法，其特征是，步骤1中采集到的原始光谱的波长范围是1100-2500nm。
3.如权利要求1所述的采用近红外光谱特征波长识别几种废旧塑料种类的方法，其特征是，步骤4中可以用BP神经网络模型代替Fisher判别建立判别模型。
4.如权利要求1所述的采用近红外光谱特征波长识别几种废旧塑料种类的方法，其特征是，步骤4中可以用PNN神经网络模型代替Fisher判别建立判别模型。
5.如权利要求1所述的采用近红外光谱特征波长识别几种废旧塑料种类的方法，其特征是，识别的几种塑料包括PS、ABS、PP、PVC、PE、PET。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410854322.2A CN104502309A (zh) | 2014-12-31 | 2014-12-31 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410854322.2A CN104502309A (zh) | 2014-12-31 | 2014-12-31 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN104502309A true CN104502309A (zh) | 2015-04-08 |
Family
ID=52943727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410854322.2A Pending CN104502309A (zh) | 2014-12-31 | 2014-12-31 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104502309A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139022A (zh) * | 2015-07-21 | 2015-12-09 | 天津大学 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
| CN105738313A (zh) * | 2016-03-10 | 2016-07-06 | 齐齐哈尔大学 | 一种基于近红外光谱技术鉴别动物血液的方法及应用 |
| CN106018324A (zh) * | 2016-08-15 | 2016-10-12 | 中国计量大学 | 一种基于近红外光谱分析的塑料识别装置和方法 |
| CN106706555A (zh) * | 2016-11-21 | 2017-05-24 | 无锡迅杰光远科技有限公司 | 基于近红外光谱技术的奶粉测定方法及系统 |
| TWI622006B (zh) * | 2016-08-31 | 2018-04-21 | 楊琛 | 有價物交易系統及其交易方法 |
| CN107999399A (zh) * | 2017-12-27 | 2018-05-08 | 华侨大学 | 基于点阵高光谱检测的建筑垃圾在线分拣系统和方法 |
| CN110441254A (zh) * | 2019-08-07 | 2019-11-12 | 中国计量大学 | 一种用于识别塑料的近红外光频梳光谱仪 |
| CN110658174A (zh) * | 2019-08-27 | 2020-01-07 | 厦门谱识科仪有限公司 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
| CN110980036A (zh) * | 2020-01-06 | 2020-04-10 | 沙洲职业工学院 | 一种智能垃圾分类装置及其分类方法 |
| CN112098357A (zh) * | 2020-08-21 | 2020-12-18 | 南京农业大学 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
| EP3842787A1 (de) * | 2019-12-23 | 2021-06-30 | Sick Ag | Spektralsensor |
| CN113095388A (zh) * | 2021-04-01 | 2021-07-09 | 福建师范大学 | 基于双层分类算法的固废塑料材质识别方法 |
| CN114202645A (zh) * | 2021-06-29 | 2022-03-18 | 南开大学 | 一种塑料的近红外光谱分类识别精度验证方法 |
| CN114235740A (zh) * | 2021-11-12 | 2022-03-25 | 华南理工大学 | 一种基于XGBoost模型的废杂塑料光谱识别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002090299A (ja) * | 2000-09-11 | 2002-03-27 | Opt Giken Kk | 高分子材料のグレード識別方法 |
| CN102175637A (zh) * | 2010-12-30 | 2011-09-07 | 中国药品生物制品检定所 | 一种检测塑料的方法 |
| CN102230888A (zh) * | 2011-06-16 | 2011-11-02 | 浙江大学 | 一种检测塑化剂含量的方法 |
-
2014
- 2014-12-31 CN CN201410854322.2A patent/CN104502309A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002090299A (ja) * | 2000-09-11 | 2002-03-27 | Opt Giken Kk | 高分子材料のグレード識別方法 |
| CN102175637A (zh) * | 2010-12-30 | 2011-09-07 | 中国药品生物制品检定所 | 一种检测塑料的方法 |
| CN102230888A (zh) * | 2011-06-16 | 2011-11-02 | 浙江大学 | 一种检测塑化剂含量的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张毅民 等: "基于近红外的Fisher判别法鉴别废塑料", 《工程塑料应用》 * |
| 黄扬明 等: "废旧塑料的红外鉴别技术及其应用", 《塑料》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105139022A (zh) * | 2015-07-21 | 2015-12-09 | 天津大学 | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 |
| CN105738313A (zh) * | 2016-03-10 | 2016-07-06 | 齐齐哈尔大学 | 一种基于近红外光谱技术鉴别动物血液的方法及应用 |
| CN105738313B (zh) * | 2016-03-10 | 2019-04-02 | 齐齐哈尔大学 | 一种基于近红外光谱技术鉴别动物血液的方法及应用 |
| CN106018324A (zh) * | 2016-08-15 | 2016-10-12 | 中国计量大学 | 一种基于近红外光谱分析的塑料识别装置和方法 |
| TWI622006B (zh) * | 2016-08-31 | 2018-04-21 | 楊琛 | 有價物交易系統及其交易方法 |
| CN106706555A (zh) * | 2016-11-21 | 2017-05-24 | 无锡迅杰光远科技有限公司 | 基于近红外光谱技术的奶粉测定方法及系统 |
| CN107999399A (zh) * | 2017-12-27 | 2018-05-08 | 华侨大学 | 基于点阵高光谱检测的建筑垃圾在线分拣系统和方法 |
| CN110441254A (zh) * | 2019-08-07 | 2019-11-12 | 中国计量大学 | 一种用于识别塑料的近红外光频梳光谱仪 |
| CN110658174A (zh) * | 2019-08-27 | 2020-01-07 | 厦门谱识科仪有限公司 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
| CN110658174B (zh) * | 2019-08-27 | 2022-05-20 | 厦门谱识科仪有限公司 | 基于表面增强拉曼光谱检测的智能化识别方法及系统 |
| EP3842787A1 (de) * | 2019-12-23 | 2021-06-30 | Sick Ag | Spektralsensor |
| CN110980036A (zh) * | 2020-01-06 | 2020-04-10 | 沙洲职业工学院 | 一种智能垃圾分类装置及其分类方法 |
| CN112098357A (zh) * | 2020-08-21 | 2020-12-18 | 南京农业大学 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
| CN112098357B (zh) * | 2020-08-21 | 2021-12-10 | 南京农业大学 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
| CN113095388A (zh) * | 2021-04-01 | 2021-07-09 | 福建师范大学 | 基于双层分类算法的固废塑料材质识别方法 |
| CN113095388B (zh) * | 2021-04-01 | 2023-06-30 | 福建师范大学 | 基于双层分类算法的固废塑料材质识别方法 |
| CN114202645A (zh) * | 2021-06-29 | 2022-03-18 | 南开大学 | 一种塑料的近红外光谱分类识别精度验证方法 |
| CN114235740A (zh) * | 2021-11-12 | 2022-03-25 | 华南理工大学 | 一种基于XGBoost模型的废杂塑料光谱识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104502309A (zh) | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 | |
| de Santana et al. | Random forest as one-class classifier and infrared spectroscopy for food adulteration detection | |
| CN103198175B (zh) | 基于模糊聚类的变压器故障诊断方法 | |
| CN103412557A (zh) | 一种适于非线性过程在线监控的工业故障检测与诊断方法 | |
| CN111965121B (zh) | 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法 | |
| US20220101277A1 (en) | End to end platform to manage circular economy of waste materials | |
| Lei et al. | Geographic origin identification of coal using near-infrared spectroscopy combined with improved random forest method | |
| CN110980036A (zh) | 一种智能垃圾分类装置及其分类方法 | |
| CN105069291A (zh) | 一种基于emd和bp神经网络的电机轴承故障辨识方法 | |
| CN106426643A (zh) | 一种利用近红外光谱分析装置分选废旧家电破碎塑料的方法 | |
| CN105139022A (zh) | 一种通过近红外高光谱图像技术建立塑料识别模型的方法 | |
| CN102982383A (zh) | 一种基于支持向量机的能源供需预测方法 | |
| CN110210000A (zh) | 基于多元非线性回归的工业过程能效识别与诊断方法 | |
| CN117541095A (zh) | 一种农用地土壤环境质量类别划分的方法 | |
| Bao et al. | Feature selection method for nonintrusive load monitoring with balanced redundancy and relevancy | |
| CN113970532B (zh) | 基于近红外光谱的织物纤维成分检测系统和预测方法 | |
| Liu et al. | Incremental Support Vector Machine Combined with Ultraviolet‐Visible Spectroscopy for Rapid Discriminant Analysis of Red Wine | |
| CN114112983A (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
| CN114202645A (zh) | 一种塑料的近红外光谱分类识别精度验证方法 | |
| CN116884536B (zh) | 一种工业废渣砖生产配方自动优化方法及系统 | |
| CN114118222A (zh) | 一种磨煤机状态预警系统及故障识别诊断方法 | |
| CN113310943A (zh) | 一种基于机器学习的藕粉掺假鉴别方法 | |
| CN105069462A (zh) | 基于光谱特征细分和分类器级联的有机化学品定性判定方法 | |
| CN114235740A (zh) | 一种基于XGBoost模型的废杂塑料光谱识别方法 | |
| Farcomeni et al. | Non-parametric analysis of infrared spectra for recognition of glass and glass ceramic fragments in recycling plants |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150408 |