CN105760883A - 基于红外热像的带式输送机关键部件自动识别方法 - Google Patents
基于红外热像的带式输送机关键部件自动识别方法 Download PDFInfo
- Publication number
- CN105760883A CN105760883A CN201610086062.8A CN201610086062A CN105760883A CN 105760883 A CN105760883 A CN 105760883A CN 201610086062 A CN201610086062 A CN 201610086062A CN 105760883 A CN105760883 A CN 105760883A
- Authority
- CN
- China
- Prior art keywords
- ribbon conveyer
- critical component
- infrared
- belt conveyer
- infrared image
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于红外热像的带式输送机关键部件自动识别方法,对采集的带式输送机红外图像采用双边滤波和分段线性变换算法进行预处理;采用改进的区域生长法进行图像分割;提取Zernike矩作为带式输送机关键部件目标分类的形状特征向量,提取熵和对比度作为带式输送机关键部件目标分类的纹理特征向量;设计基于BP神经网络的分类器,利用提取的形状特征和纹理特征完成对带式输送机关键部件红外图像的分类与识别。本发明融合红外热成像技术、计算机技术、图像处理及识别技术,能够自动识别出带式输送机红外监测图像中的关键部件,为煤矿井下带式输送机的故障预警提供必要的技术支持,对于保障带式输送机安全运行有着重要的意义。
Description
技术领域
本发明属于矿用设备运行状态监测领域,尤其涉及一种基于红外热像的带式输送机关键部件自动识别方法。
背景技术
带式输送机的安全运行是关系到煤矿安全生产的重大问题,因此带式输送机运行状态监测非常必要。由于带式输送机关键的诸多故障都以温度异常表现出来,因此利用红外热成像技术,可以在不取样、不解体、不停电的状况下对带式输送机进行热故障的诊断分析,快速、便捷的对带式输送机电机、托辊、滚筒等关键部件的热故障进行判断,但只有在红外热图像上识别出带式输送机电机、托辊、滚筒,才有可能对其依据相应的诊断规则进行具体诊断。因此,实现带式输送机关键部件的识别是实现带式输送机故障诊断与预警的前提。
目前,采用红外图像技术识别带式输送机关键部件,国内尚属先例,仅有一些带式输送机红外图像的初步研究,并且很多是在实验室环境下进行的,并没有考虑视角和背景等因素,因此研究实际监测系统中带式输送机红外图像的自动识别方法具有非常重要的实用价值。
利用形状特征Zernike矩可以在目标发生平移、旋转、尺度变化时取得较好的识别效果。形状特征Zernike矩对于获取的目标轮廓为完整封闭轮廓有效,但如果拍摄角度获取的部件有部分遮挡,仅利用形状特征对关键部件进行识别就存在很大的不准确性,与可见光图像相比,红外图像提供的纹理信息较少,但随着红外成像技术的逐步成熟,采集的红外图像精度得到了较大的提高,为红外图像的纹理特征分析提供了可能。因此本发明结合形状特征和纹理特征识别红外监测图像中带式输送机关键部件。
发明内容
针对背景技术中提到的现有带式输送机红外图像处理方法大都是在实验室环境下研究的,很难满足现场工程实际需要的问题,本发明的目的是提供了一种基于红外热像的带式输送机关键部件的自动识别方法,能够自动识别出带式输送机红外监测图像中的关键部件电机、托辊、滚筒,为煤矿井下带式输送机的故障预警提供必要的技术支持。
本发明的技术方案是:一种基于红外热像的带式输送机关键部件的自动识别方法,其特征在于,所述方法具体包括以下步骤:
步骤1:首先对带式输送机红外图像进行预处理;
步骤2:采用改进的区域生长算法,对预处理后的带式输送机关键部件的红外图像进行图像分割,为后续关键部件的特征提取做准备工作;
步骤3:在对带式输送机关键部件红外图像分割的基础上,提取带式输送机关键部件目标分类的形状特征向量和纹理特征向量;
步骤4:设计基于BP神经网络的分类器,利用步骤3提取的形状特征和纹理特征完成带式输送机关键部件红外图像的识别。
其中所述预处理的过程为:
对采集的带式输送机红外图像采用双边滤波算法进行去噪,消除红外图像中的条纹噪声;
对去噪后的带式输送机红外图像进行分段线性变换,增强关键部件和背景的对比度。
其中所述采用改进的区域生长算法对带式输送机红外图像进行图像分割的过程为:
步骤(1)提取带式输送机红外图像中温度最高点,作为种子像素;
步骤(2)计算获取已生长区域像素均值及标准方差,作为衡量灰度一致性的特征量;
步骤(3)采用一维最大类间方差法获得最佳分割阈值,将生长点灰度均值小于最佳分割阈值作为生长规则的约束条件;
步骤(4)若当前像素点的8邻域灰度均值与种子像素接近,且小于最佳分割阈值,则当前像素点视为通过了一致性测试,将其并入到生长区域,并更新,反复执行步骤(2)~步骤(4),直到无法生长为止,完成带式输送机关键部件的图像分割。
其中所述提取带式输送机关键部件目标分类的特征向量的过程为:
提取在对带式输送机关键部件红外图像分割的基础上,提取Zernike矩作为带式输送机关键部件目标分类的形状特征向量;
提取熵和对比度作为带式输送机关键部件目标分类的纹理特征向量;
其中所述设计基于BP神经网络的分类器,利用提取的形状特征和纹理特征完成带式输送机关键部件红外图像的识别的过程为:
步骤(1)BP神经网络初始化。包括最大迭代次数、期望最小误差、学习速率以及BP神经网络各层权值和阈值。
步骤(2)用特征训练样本对神经网络进行训练。输入训练样本向量和期望输出向量;计算样本输出向量和网络误差;计算每层误差变化,以及各个权值的修正量、阈值的修正量,从而获得修正后的权值和阈值;重复步骤(2),直到输出误差小于期望误差或达到最大迭代次数。
步骤(3)使用训练好的BP神经网络对带式输送机关键部件进行分类。
本发明的有益效果是,能准确识别出红外监测图像中的带式输送机关键部件,为带式输送机关键部件的故障诊断和预警提供必要的技术支持,具有显著的经济效益和较高的工程应用价值。
附图说明
图1是本发明自动识别方法的流程图。
图2是本发明图像分割的流程图。
具体实施方式
下面结合附图,对优选实施例作详细说明,应该强调的是下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。
带式输送机关键部件是指电机、托辊和滚筒。
如图1所示,一种基于红外热像的带式输送机关键部件自动识别方法,包括以下步骤:
步骤(1)对采集的带式输送机红外图像进行去噪,采用适用于带式输送机红外图像的预处理算法双边滤波,可以有效的消除带式输送机红外图像中的条纹噪声;
步骤(2)对去噪后的带式输送机红外图像进行分段线性变换,增强关键部件和背景的对比度;
步骤(3)提取带式输送机红外图像中温度最高点,作为种子像素;
步骤(4)计算获取已生长区域像素均值及标准方差,作为衡量灰度一致性的特征量;
步骤(5)采用一维最大类间方差法获得最佳分割阈值,将生长点灰度均值小于最佳分割阈值作为生长规则的约束条件;
步骤(6)若当前像素点的8邻域灰度均值与种子像素接近,且小于最佳分割阈值,则当前像素点视为通过了一致性测试,将其并入到生长区域,并更新,反复执行步骤(4)~步骤(6),直到无法生长为止,完成带式输送机关键部件的图像分割;
步骤(7)在对带式输送机关键部件红外图像分割的基础上,提取Zernike矩作为带式输送机关键部件目标分类的形状特征向量;提取熵和对比度作为带式输送机目标分类的纹理特征向量;
步骤(8)BP神经网络初始化:包括最大迭代次数、期望最小误差、学习速率以及BP神经网络各层权值和阈值;
步骤(9)用关键部件的形状特征和纹理特征向量构成的特征训练样本对BP神经网络进行训练,输入训练样本向量和期望输出向量;计算样本输出向量和网络误差;计算每层误差变化,以及各个权值的修正量、阈值的修正量,从而获得修正后的权值和阈值;重复步骤(9),直到输出误差小于期望误差或达到最大迭代次数,
步骤(10)使用训练好的网络对带式输送机的关键部件进行分类。
本方法能够自动识别出带式输送机红外监测图像中的关键部件电机、托辊、滚筒,为煤矿井下带式输送机的故障预警提供必要的技术支持,对于保障带式输送机安全运行有着重要的意义。
以上所述仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种基于红外热像的带式输送机关键部件自动识别方法,其特征在于包括以下步骤:
步骤1:对带式输送机关键部件的红外图像进行预处理;
步骤2:采用改进的区域生长算法,对预处理后的带式输送机关键部件的红外图像进行图像分割,为后续带式输送机关键部件的特征提取做准备工作;
步骤3:在对带式输送机带式输送机的红外图像分割的基础上,提取带式输送机关键部件的目标分类特征;
步骤4:设计基于BP神经网络的分类器,利用步骤3提取的目标分类特征完成带式输送机关键部件的分类识别。
2.根据权利要求1所述的一种基于红外热像的带式输送机关键部件自动识别方法,其特征在于,步骤1带式输送机红外图像进行预处理的过程为:
步骤(1)对采集的带式输送机红外图像进行去噪,采用适用于带式输送机红外图像的预处理算法双边滤波,可以有效的消除带式输送机红外图像中的条纹噪声;
步骤(2)对去噪后的带式输送机红外图像进行分段线性变换,增强关键部件和背景的对比度。
3.根据权利要求1所述的一种基于红外热像的带式输送机关键部件自动识别方法,其特征在于,步骤2图像分割的过程为:
步骤(1)提取带式输送机红外图像中温度最高点,作为种子像素;
步骤(2)计算获取已生长区域像素均值及标准方差,作为衡量灰度一致性的特征量;
步骤(3)采用一维最大类间方差法获得最佳分割阈值,将生长点灰度均值小于最佳分割阈值作为生长规则的约束条件;
步骤(4)若当前像素点的8邻域灰度均值与种子像素接近,且小于最佳分割阈值,则当前像素点视为通过了一致性测试,将其并入到生长区域,并更新,反复执行步骤(2)~步骤(4),直到无法生长为止,完成带式输送机关键部件的图像分割。
4.根据权利要求1所述的一种基于红外热像的带式输送机关键部件自动识别方法,其特征在于,步骤3带式输送机关键部件目标分类特征的过程为:
在对带式输送机关键部件红外图像分割的基础上,提取Zernike矩作为带式输送机关键部件目标分类的形状特征向量;
提取熵和对比度作为带式输送机目标分类的纹理特征向量。
5.根据权利要求1所述的一种基于红外热像的带式输送机关键部件自动识别方法,其特征在于步骤4识别过程为:
步骤(1)BP神经网络初始化:包括最大迭代次数、期望最小误差、学习速率以及BP神经网络各层权值和阈值;
步骤(2)用关键部件的形状特征和纹理特征向量构成的特征训练样本对BP神经网络进行训练,输入训练样本向量和期望输出向量;计算样本输出向量和网络误差;计算每层误差变化,以及各个权值的修正量、阈值的修正量,从而获得修正后的权值和阈值;重复步骤(2),直到输出误差小于期望误差或达到最大迭代次数,
步骤(3)使用训练好的网络对带式输送机的关键部件进行分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086062.8A CN105760883A (zh) | 2016-02-15 | 2016-02-15 | 基于红外热像的带式输送机关键部件自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086062.8A CN105760883A (zh) | 2016-02-15 | 2016-02-15 | 基于红外热像的带式输送机关键部件自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105760883A true CN105760883A (zh) | 2016-07-13 |
Family
ID=56330776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610086062.8A Pending CN105760883A (zh) | 2016-02-15 | 2016-02-15 | 基于红外热像的带式输送机关键部件自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105760883A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248215A (zh) * | 2016-07-27 | 2016-12-21 | 广西电网有限责任公司电力科学研究院 | 一种电力变压器关键部件运行温度的实时测算系统 |
CN106355210A (zh) * | 2016-09-14 | 2017-01-25 | 华北电力大学(保定) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 |
CN107169491A (zh) * | 2017-05-19 | 2017-09-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种齿环模具编号检测方法 |
CN107516069A (zh) * | 2017-07-27 | 2017-12-26 | 中国船舶重工集团公司第七二四研究所 | 基于几何重构和多尺度分析的目标识别方法 |
CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
CN108053024A (zh) * | 2017-11-17 | 2018-05-18 | 江西理工大学 | 钥匙牙花识别方法 |
CN108898077A (zh) * | 2018-06-15 | 2018-11-27 | 杭州天铂红外光电技术有限公司 | 电力设备红外热图的识别方法和电力设备红外识别系统 |
WO2019106179A2 (fr) | 2017-12-01 | 2019-06-06 | Universite De Reims Champagne Ardenne | Procede de caracterisation d'echantillons utilisant des reseaux de neurones |
CN109886980A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
CN112241574A (zh) * | 2020-10-28 | 2021-01-19 | 太原理工大学 | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 |
CN114091520A (zh) * | 2021-12-02 | 2022-02-25 | 中煤科工开采研究院有限公司 | 一种井工煤矿中工作设备识别与检测的方法与装置 |
CN116739994A (zh) * | 2023-05-18 | 2023-09-12 | 山东新宝龙工业科技有限公司 | 一种带预警功能的数字化输送带图形数据监控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
CN103674286A (zh) * | 2013-11-20 | 2014-03-26 | 国网上海市电力公司 | 一种基于红外图像的站内通信设备故障诊断方法 |
US20140210992A1 (en) * | 2013-01-31 | 2014-07-31 | United Technologies Corporation | Infrared thermography with laser |
-
2016
- 2016-02-15 CN CN201610086062.8A patent/CN105760883A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101756696A (zh) * | 2009-12-31 | 2010-06-30 | 中国人民解放军空军总医院 | 多光子皮肤镜图像自动分析系统及其应用于恶性黑素瘤的诊断方法 |
US20140210992A1 (en) * | 2013-01-31 | 2014-07-31 | United Technologies Corporation | Infrared thermography with laser |
CN103674286A (zh) * | 2013-11-20 | 2014-03-26 | 国网上海市电力公司 | 一种基于红外图像的站内通信设备故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
张国英 沙芸: "《矿业视频图像目标识别与分割》", 31 May 2010, 北京石油工业出版社 * |
张明: "基于红外图像的变电设备分类及在故障诊断中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106248215A (zh) * | 2016-07-27 | 2016-12-21 | 广西电网有限责任公司电力科学研究院 | 一种电力变压器关键部件运行温度的实时测算系统 |
CN106355210B (zh) * | 2016-09-14 | 2019-03-19 | 华北电力大学(保定) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 |
CN106355210A (zh) * | 2016-09-14 | 2017-01-25 | 华北电力大学(保定) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 |
CN107169491A (zh) * | 2017-05-19 | 2017-09-15 | 佛山市南海区广工大数控装备协同创新研究院 | 一种齿环模具编号检测方法 |
CN107516069A (zh) * | 2017-07-27 | 2017-12-26 | 中国船舶重工集团公司第七二四研究所 | 基于几何重构和多尺度分析的目标识别方法 |
CN107784661B (zh) * | 2017-09-08 | 2021-10-08 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
CN107784661A (zh) * | 2017-09-08 | 2018-03-09 | 上海电力学院 | 基于区域生长法的变电站设备红外图像分类识别方法 |
CN108053024A (zh) * | 2017-11-17 | 2018-05-18 | 江西理工大学 | 钥匙牙花识别方法 |
WO2019106179A2 (fr) | 2017-12-01 | 2019-06-06 | Universite De Reims Champagne Ardenne | Procede de caracterisation d'echantillons utilisant des reseaux de neurones |
US11828652B2 (en) | 2017-12-01 | 2023-11-28 | Universite De Reims Champagne Ardenne | Method for characterising samples using neural networks |
CN108898077A (zh) * | 2018-06-15 | 2018-11-27 | 杭州天铂红外光电技术有限公司 | 电力设备红外热图的识别方法和电力设备红外识别系统 |
CN108898077B (zh) * | 2018-06-15 | 2021-09-10 | 杭州天铂红外光电技术有限公司 | 电力设备红外热图的识别方法和电力设备红外识别系统 |
CN109886980A (zh) * | 2019-03-04 | 2019-06-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
CN112241574A (zh) * | 2020-10-28 | 2021-01-19 | 太原理工大学 | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 |
CN112241574B (zh) * | 2020-10-28 | 2022-08-30 | 太原理工大学 | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 |
CN114091520A (zh) * | 2021-12-02 | 2022-02-25 | 中煤科工开采研究院有限公司 | 一种井工煤矿中工作设备识别与检测的方法与装置 |
CN114091520B (zh) * | 2021-12-02 | 2022-04-05 | 中煤科工开采研究院有限公司 | 一种井工煤矿中工作设备识别与检测的方法与装置 |
CN116739994A (zh) * | 2023-05-18 | 2023-09-12 | 山东新宝龙工业科技有限公司 | 一种带预警功能的数字化输送带图形数据监控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105760883A (zh) | 基于红外热像的带式输送机关键部件自动识别方法 | |
CN110555819B (zh) | 基于红外和可见光图像融合的设备监测方法、装置及设备 | |
CN112233133B (zh) | 基于otsu和区域生长法的电厂高温管道缺陷检测与分割方法 | |
CN109993736B (zh) | 一种基于改进加权otsu算法的电气设备热成像分割查异方法 | |
CN110930357B (zh) | 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统 | |
CN108389216A (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
Prabhakaran et al. | Deep Learning-Based Model for Defect Detection and Localization on Photovoltaic Panels. | |
CN110378866B (zh) | 一种基于无人机巡检的渠道衬砌破损图像识别方法 | |
CN107705256B (zh) | 一种基于接触网语义的前向车载视频图像增强方法 | |
Altabey et al. | Research in image processing for pipeline crack detection applications | |
Jiao et al. | A steerable pyramid autoencoder based framework for anomaly frame detection of water pipeline CCTV inspection | |
Daogang et al. | Anomaly identification of critical power plant facilities based on YOLOX-CBAM | |
CN117485842A (zh) | 门式斗轮机轮斗横梁姿态实时监测方法及其系统 | |
CN117392565A (zh) | 一种无人机电力巡检缺陷自动识别方法 | |
CN107392127A (zh) | 基于切比雪夫多项式描述子的复杂背景下输电线路提取方法 | |
CN105021630A (zh) | 输送带表面破损自动检测方法 | |
Verma et al. | Segmentation of tomatoes in open field images with shape and temporal constraints | |
Faiza et al. | Detecting floods using an object based change detection approach | |
CN116204781A (zh) | 旋转机械故障迁移诊断方法及系统 | |
CN113034465B (zh) | 一种基于红外图像的电力设备热故障监测方法、装置及介质 | |
Ye et al. | Research on detection method of tower corrosion based on hough transform | |
CN113723210A (zh) | 一种应用于智慧园区给水管泄露边缘设备检测方法和系统 | |
Jibrin et al. | Development of hybrid automatic segmentation technique of a single leaf from overlapping leaves image | |
WANG et al. | Visual Tracking Inspection Method of Transmission Line based on Infrared Thermal Imaging. | |
CN117392130B (zh) | 基于红外图像的在线故障诊断系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160713 |