CN104792794A - 基于机器视觉的光学薄膜表面缺陷检测方法 - Google Patents
基于机器视觉的光学薄膜表面缺陷检测方法 Download PDFInfo
- Publication number
- CN104792794A CN104792794A CN201510214602.1A CN201510214602A CN104792794A CN 104792794 A CN104792794 A CN 104792794A CN 201510214602 A CN201510214602 A CN 201510214602A CN 104792794 A CN104792794 A CN 104792794A
- Authority
- CN
- China
- Prior art keywords
- image
- optical coatings
- coatings surface
- machine vision
- optical film
- 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
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于机器视觉的光学薄膜表面缺陷检测方法,提供一种基于机器视觉的光学薄膜表面缺陷检测方法,包括以下步骤,第一步,采集光学薄膜表面的图像,对该光学薄膜表面图像进行平滑处理。第二步,对平滑处理后的光学薄膜表面图像提取背景图像及二值化处理。第三步,根据不同缺陷的图像特征,识别出缺陷。本发明方法利用机器视觉检测技术和图像处理技术,实现了切膜机的自动缺陷检测,利用均值滤波来获取图像背景,有效地实现了光学薄膜的缺陷检测,并提高了产品原料的利用率。本发明基于机器视觉的光学薄膜表面缺陷检测方法,实现了对光学薄膜表面缺陷更准确、更高效的检测。
Description
技术领域
本发明属于光学薄膜测量领域,尤其涉及一种基于机器视觉的光学薄膜表面缺陷检测方法。
背景技术
机器视觉是用计算机来分析从摄像头获得的图像的一种方法,主要研究用计算机来模拟人的视觉功能,从客观事物的图像中提取信息,进行和处理并加以理解,最终用于实际测量和控制。机器视觉技术是20世纪70年代在遥感图像处理和医学图像处理技术成功应用的基础上逐渐兴起的,是图像处理的一个分支学科。目前机器视觉技术己经在许多行业得到了广泛的应用,其中医学成像、汽车导航、视觉测量、技术诊断等等方向发展最快。
随着社会与科技的进步,人们对产品质量要求越来越高。在光学薄膜的生产过程中,由于加工工艺、生产环境、操作人员等多方面的原因,导致光学薄膜的表面或内部出现气泡、皱折、刮伤、异物、涂料不均等缺陷,这些缺陷不但破坏了光学薄膜的表面质量,而且降低了产品的光学性能,限制了产品的使用范围。如果采用传统的人工检测方式,将不可避免地面临效率低、质量差、工人劳动强度大,检测可靠性取决于许多主观因素的问题。
另外,传统的背景差法,得到的背景图像时相对不变的,对于背景经常发生突变的情况,无法确立一个恒定不变的图像分割阈值;其次,对同时具有光亮区和黑暗区的目标,传统的背景减影法难以保证目标的完整分割。
发明内容
本发明针对现有技术中的问题,提供一种基于机器视觉的光学薄膜表面缺陷检测方法,本发明方法充分考虑当前切膜机无法直接对光学薄膜进行缺陷检测,利用机器视觉检测技术和图像处理技术,实现了切膜机的自动缺陷检测,利用均值滤波来获取图像背景,有效地实现了光学薄膜的缺陷检测,并提高了产品原料的利用率。
本发明解决其技术问题所采用的技术方案是:提供一种基于机器视觉的光学薄膜表面缺陷检测方法,包括以下步骤,1)采集光学薄膜表面的图像,对该光学薄膜表面图像进行平滑处理;2)对平滑处理后的光学薄膜表面图像提取背景图像及二值化处理;3)根据不同缺陷的图像特征,识别出缺陷。
按上述技术方案,所述步骤1)中,对光学薄膜表面的图像进行平滑处理,具体为借助卷积核与图像进行卷积。
按上述技术方案,卷积核与图像进行卷积,具体包括,光学薄膜表面图像的原始图像表示为f(x,y),x、y分别为像素点的横纵坐标,卷积核为G(i,j),核大小为m×n,m和n为奇数,则处理后的图像为:
其中,a=(m-1)/2,b=(n-1)/2,m取3到11之间的奇数,n取3到11之间的奇数。
由于薄膜中的划痕、污渍等缺陷往往比较小,若采取较大的卷积核,可能会导致部分缺陷的丢失,因此,实际中,m和n的取值尽可能的小。
按上述技术方案,所述步骤2)中,对平滑处理后的光学薄膜表面图像提取背景图像及二值化处理,具体包括,对平滑处理后的光学薄膜表面图像提取背景图像采用均值滤波的方式,以待处理的像素点为中心,选择均值区域,求该均值区域中所有像素点的均值,把该均值赋予该待处理的像素点。x、y分别为像素点的横、纵坐标,2×c+1和2×d+1分别是均值区域的横向和纵向大小,
设定thresh作为阈值,将g(x,y)与v(x,y)作差,得到光学薄膜表面缺陷的图像:
M(x,y)=g(x,y)-v(x,y) (3)
再对差分结果M(x,y)二值化,获取二值近似图像,
按上述技术方案,所述步骤3)中,缺陷的图像特征,包括面积、周长、长宽比、圆形度、形状指数与矩形度六个缺陷特征参数。包括用帧差法得到前景图,通过像素点计算前景的面积;通过进一步阈值筛选可以得到去除噪声的前景,以得到缺陷前景及其面积,然后提取缺陷的轮廓计算周长;使用前景的外接矩形得到长宽比;用轮廓与外接矩形来计算缺陷的矩形度以及圆形度和形状指数。
按上述技术方案,所述步骤1)中,采集光学薄膜表面的图像,具体为采用LED红光光源,透过光学薄膜进行打光,使整个幅面亮度均匀,针对透明的光学薄膜,使用工业数字摄相机及镜头采集图像,并用CCD进行扫描。
本发明产生的有益效果是:本发明方法充分考虑当前切膜机无法直接对光学薄膜进行缺陷检测,利用机器视觉检测技术和图像处理技术,实现了切膜机的自动缺陷检测,利用均值滤波来获取图像背景,有效地实现了光学薄膜的缺陷检测,并提高了产品原料的利用率。本发明基于机器视觉的光学薄膜表面缺陷检测方法,实现了对光学薄膜表面缺陷更准确、更高效的检测。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例光学薄膜表面缺陷检测方法的流程示意图;
图2是本发明实施例中均值滤波后的背景图像;
图3是本发明实施例中缺陷特征提取后的背景图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例中,提供一种基于机器视觉的光学薄膜表面缺陷检测方法,包括以下步骤,1)采集光学薄膜表面的图像,对该光学薄膜表面图像进行平滑处理;2)对平滑处理后的光学薄膜表面图像提取背景图像及二值化处理;3)根据不同缺陷的图像特征,识别出缺陷。
其中,所述步骤1)中,对光学薄膜表面的图像进行平滑处理,具体为借助卷积核与图像进行卷积。
进一步地,卷积核与图像进行卷积,具体包括,光学薄膜表面图像的原始图像表示为f(x,y),x、y分别为像素点的横纵坐标,卷积核为G(i,j),核大小为m×n,m和n为奇数,则处理后的图像为:
其中,a=(m-1)/2,b=(n-1)/2,m取3到11之间的奇数,n取3到11之间的奇数。
由于薄膜中的划痕、污渍等缺陷往往比较小,若采取较大的卷积核,可能会导致部分缺陷的丢失,因此,实际中,m和n的取值尽可能的小。
在本实施例方法中,进一步地,所述步骤2)中,对平滑处理后的光学薄膜表面图像提取背景图像及二值化处理,具体包括,对平滑处理后的光学薄膜表面图像提取背景图像采用均值滤波的方式,以待处理的像素点为中心,选择均值区域,求该均值区域中所有像素点的均值,把该均值赋予该待处理的像素点。x、y分别为像素点的横、纵坐标,2×c+1和2×d+1分别是均值区域的横向和纵向大小,
设定thresh作为阈值,将g(x,y)与v(x,y)作差,得到光学薄膜表面缺陷的图像:
M(x,y)=g(x,y)-v(x,y)
再对差分结果M(x,y)二值化,获取二值近似图像,
其中,所述步骤3)中,缺陷的图像特征,包括面积、周长、长宽比、圆形度、形状指数与矩形度六个缺陷特征参数。根据不同缺陷的图像特征,识别出缺陷,包括用帧差法得到前景图,通过像素点计算前景的面积;通过进一步阈值筛选可以得到去除噪声的前景,以得到缺陷前景及其面积,然后提取缺陷的轮廓计算周长;使用前景的外接矩形得到长宽比;用轮廓与外接矩形来计算缺陷的矩形度以及圆形度和形状指数。
进一步地,所述步骤1)中,采集光学薄膜表面的图像,具体为采用LED红光光源,透过光学薄膜进行打光,使整个幅面亮度均匀,针对透明的光学薄膜,使用工业数字摄相机及镜头采集图像,并用CCD进行扫描。
本发明的较佳实施例中,如图1所示,首先采集光学薄膜表面的图像,具体为采用LED红光光源,透过光学薄膜进行打光,使整个幅面亮度均匀,针对透明的光学薄膜,使用工业数字摄相机及镜头采集图像,并用CCD进行扫描,得到光学薄膜表面图像。对光学薄膜表面的图像进行平滑处理,具体为借助卷积核与图像进行卷积,过程为,光学薄膜表面图像的原始图像表示为f(x,y),x、y分别为像素点的横纵坐标,卷积核为G(i,j),核大小为m×n,m和n为奇数,则处理后的图像为:
其中,a=(m-1)/2,b=(n-1)/2,m取3到11之间的奇数,n取3到11之间的奇数。对平滑处理后的光学薄膜表面图像提取背景图像采用均值滤波的方式,图2是本发明实施例中均值滤波后的背景图像,以待处理的像素点为中心,选择均值区域,求该均值区域中所有像素点的均值,把该均值赋予该待处理的像素点。x、y分别为像素点的横、纵坐标,2×c+1和2×d+1分别是均值区域的横向和纵向大小,
设定thresh作为阈值,将g(x,y)与v(x,y)作差,得到光学薄膜表面缺陷的图像:
M(x,y)=g(x,y)-v(x,y)
再对差分结果M(x,y)二值化,获取二值近似图像,
其中,缺陷的图像特征,包括面积、周长、长宽比、圆形度、形状指数与矩形度六个缺陷特征参数。图3是本发明实施例中缺陷特征提取后的图像。根据不同缺陷的图像特征,识别出缺陷,包括用帧差法得到前景图,通过像素点计算前景的面积;通过进一步阈值筛选可以得到去除噪声的前景,以得到缺陷前景及其面积,然后提取缺陷的轮廓计算周长;使用前景的外接矩形得到长宽比;用轮廓与外接矩形来计算缺陷的矩形度以及圆形度和形状指数。识别出缺陷后,对其进行分类统计。分别采用人工检测和本发明的视觉检测方法,对数据统计分析。
所述的对光学薄膜表面图像采取均值滤波的方式来获取背景图像,包括:
B1、选择一个模板,该模板由待处理的当前像素点及其近邻的若干像素组成,求模板中所有像素的均值。
B2、用均值代替原图像中的各个像素值,即对待处理的当前像素点。
B3、把该均值赋予当前像素点,作为处理后图像在该点上的灰度值。
B4、选定好阈值,将背景图像进行二值化处理。
切膜机,是按照给定尺寸大小,对薄膜进行裁切的机器,广泛用于光学薄膜生产线上。采用传统的光学薄膜表面缺陷人工检测方式,不可避免地面临效率低、质量差、工人劳动强度大,检测可靠性取决于许多主观因素的问题。本发明基于机器视觉的光学薄膜表面缺陷检测方法,实现对光学薄膜表面缺陷更准确、更高效地检测。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于机器视觉的光学薄膜表面缺陷检测方法,其特征在于,包括以下步骤,1)采集光学薄膜表面的图像,对该光学薄膜表面图像进行平滑处理;2)对平滑处理后的光学薄膜表面图像提取背景图像及二值化处理;3)根据不同缺陷的图像特征,识别出缺陷。
2.根据权利要求1所述的基于机器视觉的光学薄膜表面缺陷检测方法,其特征在于,所述步骤1)中,对光学薄膜表面的图像进行平滑处理,具体为借助卷积核与图像进行卷积。
3.根据权利要求2所述的基于机器视觉的光学薄膜表面缺陷检测方法,其特征在于,卷积核与图像进行卷积,具体包括,光学薄膜表面图像的原始图像表示为f(x,y),x、y分别为像素点的横纵坐标,卷积核为G(i,j),核大小为m×n,m和n为奇数,则处理后的图像为:
其中,a=(m-1)/2,b=(n-1)/2,m取3到11之间的奇数,n取3到11之间的奇数。
4.根据权利要求3所述的基于机器视觉的光学薄膜表面缺陷检测方法,其特征在于,所述步骤2)中,对平滑处理后的光学薄膜表面图像提取背景图像及二值化处理,具体包括,对平滑处理后的光学薄膜表面图像提取背景图像采用均值滤波的方式,以待处理的像素点为中心,选择均值区域,求该均值区域中所有像素点的均值,x、y分别为像素点的横、纵坐标,2×c+1和2×d+1分别是均值区域的横向和纵向大小,
设定thresh作为阈值,将g(x,y)与v(x,y)作差,得到光学薄膜表面缺陷的图像:
M(x,y)=g(x,y)-v(x,y) (3)
再对差分结果M(x,y)二值化,获取二值近似图像,
5.根据权利要求1或2所述的基于机器视觉的光学薄膜表面缺陷检测方法,其特征在于,所述步骤3)中,缺陷的图像特征,包括面积、周长、长宽比、圆形度、形状指数与矩形度六个缺陷特征参数。
6.根据权利要求1或2所述的基于机器视觉的光学薄膜表面缺陷检测方法,其特征在于,所述步骤1)中,采集光学薄膜表面的图像,具体为采用LED红光光源,透过光学薄膜进行打光,使用工业数字摄相机及镜头采集图像,并用CCD进行扫描。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510214602.1A CN104792794A (zh) | 2015-04-28 | 2015-04-28 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510214602.1A CN104792794A (zh) | 2015-04-28 | 2015-04-28 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104792794A true CN104792794A (zh) | 2015-07-22 |
Family
ID=53557778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510214602.1A Pending CN104792794A (zh) | 2015-04-28 | 2015-04-28 | 基于机器视觉的光学薄膜表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104792794A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106770331A (zh) * | 2017-02-10 | 2017-05-31 | 南京航空航天大学 | 一种基于机器视觉的工件缺陷检测系统 |
CN107194886A (zh) * | 2017-05-03 | 2017-09-22 | 深圳大学 | 一种用于相机传感器的灰尘检测方法及装置 |
CN107248151A (zh) * | 2017-04-20 | 2017-10-13 | 深圳市智能机器人研究院 | 一种基于机器视觉的液晶片智能检测方法及系统 |
CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
CN109203184A (zh) * | 2017-07-05 | 2019-01-15 | 萨克米伊莫拉机械合作社合作公司 | 用于制造陶瓷产品的方法和设备 |
CN109406531A (zh) * | 2018-10-23 | 2019-03-01 | 凌云光技术集团有限责任公司 | 一种光伏玻璃镀膜缺陷检测系统 |
CN110263668A (zh) * | 2019-05-29 | 2019-09-20 | 深圳新视智科技术有限公司 | 检测数据的回放方法、系统、终端及可读介质 |
CN111422664A (zh) * | 2020-03-30 | 2020-07-17 | 深圳市腾盛精密装备股份有限公司 | 一种卷式压敏胶自动供料机构 |
CN111507955A (zh) * | 2019-06-19 | 2020-08-07 | 住华科技股份有限公司 | 光学膜的缺陷判断方法及缺陷判断系统 |
CN112070710A (zh) * | 2019-06-10 | 2020-12-11 | 北京平恒智能科技有限公司 | 工业品缺陷图像检测的方法 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN113310988A (zh) * | 2021-04-19 | 2021-08-27 | 上海汇扬智能科技有限公司 | 基于机器视觉的光学薄膜表面缺陷检测设备及检测方法 |
CN115063405A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 钢材表面缺陷检测的方法、系统、电子设备和存储介质 |
-
2015
- 2015-04-28 CN CN201510214602.1A patent/CN104792794A/zh active Pending
Non-Patent Citations (1)
Title |
---|
韦玉科,曾贵,范鹏: "基于计算机视觉的切膜机薄膜表面缺陷检测系统的设计", 《计算机测量与控制》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106770331A (zh) * | 2017-02-10 | 2017-05-31 | 南京航空航天大学 | 一种基于机器视觉的工件缺陷检测系统 |
CN106770331B (zh) * | 2017-02-10 | 2020-03-10 | 南京航空航天大学 | 一种基于机器视觉的工件缺陷检测系统 |
CN107248151A (zh) * | 2017-04-20 | 2017-10-13 | 深圳市智能机器人研究院 | 一种基于机器视觉的液晶片智能检测方法及系统 |
CN107248151B (zh) * | 2017-04-20 | 2020-12-22 | 深圳市智能机器人研究院 | 一种基于机器视觉的液晶片智能检测方法及系统 |
CN107194886B (zh) * | 2017-05-03 | 2020-11-10 | 深圳大学 | 一种用于相机传感器的灰尘检测方法及装置 |
CN107194886A (zh) * | 2017-05-03 | 2017-09-22 | 深圳大学 | 一种用于相机传感器的灰尘检测方法及装置 |
CN107478657A (zh) * | 2017-06-20 | 2017-12-15 | 广东工业大学 | 基于机器视觉的不锈钢表面缺陷检测方法 |
CN109203184A (zh) * | 2017-07-05 | 2019-01-15 | 萨克米伊莫拉机械合作社合作公司 | 用于制造陶瓷产品的方法和设备 |
CN109406531A (zh) * | 2018-10-23 | 2019-03-01 | 凌云光技术集团有限责任公司 | 一种光伏玻璃镀膜缺陷检测系统 |
CN110263668B (zh) * | 2019-05-29 | 2021-11-02 | 深圳新视智科技术有限公司 | 检测数据的回放方法、系统、终端及可读介质 |
CN110263668A (zh) * | 2019-05-29 | 2019-09-20 | 深圳新视智科技术有限公司 | 检测数据的回放方法、系统、终端及可读介质 |
CN112070710A (zh) * | 2019-06-10 | 2020-12-11 | 北京平恒智能科技有限公司 | 工业品缺陷图像检测的方法 |
CN111507955B (zh) * | 2019-06-19 | 2024-03-08 | 住华科技股份有限公司 | 光学膜的缺陷判断方法及缺陷判断系统 |
CN111507955A (zh) * | 2019-06-19 | 2020-08-07 | 住华科技股份有限公司 | 光学膜的缺陷判断方法及缺陷判断系统 |
TWI783154B (zh) * | 2019-06-19 | 2022-11-11 | 住華科技股份有限公司 | 光學膜之缺陷判斷方法、缺陷判斷系統及使用其之切割系統 |
CN111422664A (zh) * | 2020-03-30 | 2020-07-17 | 深圳市腾盛精密装备股份有限公司 | 一种卷式压敏胶自动供料机构 |
CN111422664B (zh) * | 2020-03-30 | 2021-01-08 | 深圳市腾盛精密装备股份有限公司 | 一种卷式压敏胶自动供料机构 |
CN113310988A (zh) * | 2021-04-19 | 2021-08-27 | 上海汇扬智能科技有限公司 | 基于机器视觉的光学薄膜表面缺陷检测设备及检测方法 |
CN113310988B (zh) * | 2021-04-19 | 2022-10-28 | 上海汇扬智能科技有限公司 | 基于机器视觉的光学薄膜表面缺陷检测设备及检测方法 |
CN113252695B (zh) * | 2021-06-16 | 2021-09-28 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN113252695A (zh) * | 2021-06-16 | 2021-08-13 | 上海启迪睿视智能科技有限公司 | 一种基于图像处理的塑封薄膜缺陷检测方法及检测装置 |
CN115063405A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 钢材表面缺陷检测的方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
CN105784713B (zh) | 基于机器视觉的密封圈表面缺陷检测方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN109507192B (zh) | 一种基于机器视觉的磁芯表面缺陷检测方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN109685766B (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
CN107255641A (zh) | 一种针对自聚焦透镜表面缺陷进行机器视觉检测的方法 | |
CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN103175844A (zh) | 一种金属零部件表面划痕缺陷检测方法 | |
CN105139386A (zh) | 一种快速自动检测电气接插件焊点不合格品的图像处理方法 | |
CN111080636B (zh) | 彩钢瓦表面缺陷的cnn语义分割自学习检测方法 | |
CN116309600B (zh) | 基于图像处理的环保纺织品质量检测方法 | |
CN116030060B (zh) | 一种塑料颗粒质量检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
CN110084787B (zh) | 一种基于机器视觉的合成革涂胶在线监测方法 | |
CN108830857B (zh) | 一种自适应的汉字碑帖图像二值化分割方法 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN111122590A (zh) | 一种陶瓷表面缺陷检测装置及检测方法 | |
CN109781737A (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN114037691A (zh) | 一种基于图像处理的碳纤维板裂纹检测方法 | |
CN110007493A (zh) | 液晶显示屏中碎亮点检测方法 | |
CN114723668A (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150722 |