CN107194882A - 一种钢丝绳芯输送带x光图像矫正与增强的方法 - Google Patents
一种钢丝绳芯输送带x光图像矫正与增强的方法 Download PDFInfo
- Publication number
- CN107194882A CN107194882A CN201710198962.6A CN201710198962A CN107194882A CN 107194882 A CN107194882 A CN 107194882A CN 201710198962 A CN201710198962 A CN 201710198962A CN 107194882 A CN107194882 A CN 107194882A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- conveying belt
- cable core
- steel cable
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 36
- 239000010959 steel Substances 0.000 title claims abstract description 36
- 238000012937 correction Methods 0.000 title claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 52
- 230000002708 enhancing effect Effects 0.000 claims abstract description 14
- 230000001678 irradiating effect Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 abstract description 31
- 230000000694 effects Effects 0.000 description 6
- 230000036461 convulsion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 235000019557 luminance Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G06T5/73—
-
- G06T5/92—
Abstract
本发明主要属于图像处理领域,具体涉及钢丝绳芯输送带x光图像矫正与增强的方法。该方法基于最大值滤波理论的矫正不均匀x光图像的方法:结合最大值滤波理论建立不均匀光照背景估计模型。利用该模型对受不均匀光照影响的图像进行灰度校正,得到校正后的图像;再利用拉伸图像对比度的方法增强校正后图像的对比度,从而去除原始图像的不均匀光照的影响。
Description
技术领域
本发明主要属于图像处理领域,具体涉及钢丝绳芯输送带x光图像矫正与增强的方法。
背景技术
钢丝绳芯输送带是当今现代化生产中主要传送设备之一,适用于煤矿、矿山、港口、电力、冶金、建材等行业的物料输送。在钢丝绳芯输送带运行过程中,钢丝绳接头常因受外力过大而发生抽动、伸长甚至断裂;内部的钢丝绳芯也可能会因橡胶皮破损而受水的侵蚀导致锈蚀、断裂等。一旦发生故障,将会造成巨大的经济损失和人员伤亡,严重影响安全生产,所以对设备进行实时监控非常必要。由于煤矿环境的特殊性,想了解输送带钢丝绳的断绳、锈蚀及接头抽动等运行情况,目前通常采用x光透视机对运行的输送带进行图像采集并实时分析,但是由于钢丝绳芯输送带接头处的橡胶的厚度不均匀,以及点光源到线阵探测器的各像素点的距离不相同,会导致采集到的钢丝绳芯输送带x光图像背景亮度不均匀,严重影响随后的图像分析与处理。因此对采集到的不均匀的x光图像进行矫正和增强也是输送带无损检测系统非常重要的一部分。
目前使用矫正和增强的方法有直方图均衡法,非线性同态滤波法,Gamma校正等。直方图均衡通过拉伸图像的灰度直方图来增加图像的全局对比度,这种方法简单易实现,但会影响图像某种信息的辨别能力,局限性很强;非线性同态滤波校正法通过对低频区减弱,对高频区增强来校正不均匀光照,该方法会使图像的边缘模糊,细节对比度变差;Gamma校正算法是对图像中每个像素均以一个固定的γ值校正,调整图像对比度,但是该方法容易校正过度,导致图像失真。
发明内容
基于上述问题,本发明提供了一种钢丝绳芯输送带x光图像矫正与增强的方法。该方法基于最大值滤波理论的矫正不均匀x光图像的方法:结合最大值滤波理论建立不均匀光照背景估计模型。利用该模型对受不均匀光照影响的图像进行灰度校正,得到校正后的图像;再利用拉伸图像对比度的方法增强校正后图像的对比度,从而去除原始图像的不均匀光照的影响。
本发明是通过以下技术方案实现的:
一种钢丝绳芯输送带x光图像矫正与增强的方法,所述方法利用最大值滤波处理采集图像得到照射分量图像,采集图像结合照射分量图像得到反射分量图像即矫正后图像。
进一步地,利用对比度拉伸方法对得到的反射分量图像进行处理,增强矫正后图像和背景的像素灰度值反差。
进一步地,利用最大值滤波处理采集图像得到照射分量图像具体为:
(1)将滤波模板在采集图像中漫游,并将模版中心与采集图像中的某个像素位置重合;
(2)读取滤波模板中各对应像素的灰度值,取这一列灰度值数据的最大值将其赋值给模板中心位置的像素;
(3)依据步骤(1)和(2)将所述滤波模板遍历整幅采集图像,得到经最大值滤波后的图像即照射分量图像。
进一步地,滤波模板为1×n的窗口,n取奇数,根据钢丝绳芯排列的紧密程度选择滤波模板的宽度n,钢丝绳芯排列越紧密,使用的模板宽度相对较小,相反,钢丝绳芯排列松散,使用模板宽度相对较大。
进一步地,所述利用对比度拉伸方法对得到的反射分量图像进行处理的公式为:
式中,V为对比度拉伸参数,取值范围为(-127,127),I1反射分量图像灰度值、Iout对比拉伸输出图像灰度值。
进一步地,采集图像结合照射分量图像得到发射分量图像即矫正后图像所用公式为:
I1(x,y)=I(x,y)/G(x,y);
其中,I(x,y)为采集图像;G(x,y)为照射分量图像;I1(x,y)为反射分量图像。
本发明的有益技术效果:本发明提出的针对钢丝绳芯输送带x光图像的校正和增强方法基本消除了x光图像不均匀光照的影响,很大程度的还原了图像的真实信息,并且建立了基于最大值滤波理论的不均匀光照背景估计模型,增强了图像的对比度,改善了图像的质量,为进一步对钢丝绳芯输送带x光图像进行分析处理奠定了基础,保障了输送带的安全运输。
附图说明
图1、采集图像1;
图2a、使用1×3线性滤波模版处理图1中采集图像得到的不均匀光照背景估计模型;
图2b、使用1×7线性滤波模版处理图1中采集图像得到的不均匀光照背景估计模型;
图2c、使用1×13线性滤波模版处理图1中采集图像得到的不均匀光照背景估计模型;
图2d、使用1×21线性滤波模版处理图1中采集图像得到的不均匀光照背景估计模型;
图3、利用对比度拉伸方法处理图2b得到的增强后图像;
图4a、采集图像2;
图4b、线性滤波模版处理图4a中采集图像得到的不均匀光照背景估计模型;
图4c、利用对比度拉伸方法处理图4b得到的增强后图像;
图5a、采集图像3;
图5b、线性滤波模版处理图5a中采集图像得到的不均匀光照背景估计模型;
图5c、利用对比度拉伸方法处理图5b得到的增强后图像;
图6a、采集图像4;
图6b、线性滤波模版处理图6a中采集图像得到的不均匀光照背景估计模型;
图6c、利用对比度拉伸方法处理图6b得到的增强后图像。
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描述。应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
实施例1
一般情况下,一副图像的灰度不仅仅是由于光照函数(照射分量)决定,而且还与反射函数(反射分量)有关,反射函数反映出图像的真实内容,图像I(x,y)可以表示为入射分量和反射分量每个像素的乘积,即
I(x,y)=I1(x,y)·G(x,y) (1)
式中,I(x,y)为采集图像;G(x,y)为照射分量,与光源性质有关,相当于频域中的低频信息;I1(x,y)为反射分量,即为物体的真实信息,与光照无关,可看作高频信息。
本发明的主要思想就是从图像I中去除照射分量G的影响,来获取物体的反射分量I1,即图像的真实信息。因此只要从图像中准确的提取出照射分量G就可以根据公式(2)有效的还原图像的真实信息。
I1(x,y)=I(x,y)/G(x,y) (2)
不均匀光照背景估计模型:
对于照射分量G的获取,可以通过建立不均匀光照背景估计模型来实现。背景模型的生成是校正不均匀光照的关键步骤,本发明提出了一种基于最大值滤波理论建立不均匀光照背景估计模型(即照明分量图像)的方法。
最大值滤波的基本原理是:取当前像素的一个邻域中的像素最大值代替当前像素的灰度值。可定义为:
g(x,y)=maxblur{f(x-i,y-j)}(i,j)∈W (3)
式中,g(x,y)为输出像素灰度值,f(x-i,y-j)为输入像素灰度值,W为滤波模板窗口。
最大值滤波的具体步骤是:
(1)、将滤波模板窗口W在图像中漫游,并将模版中心与图像中的某个像素位置重合;
(2)、读取滤波模板中各对应像素的灰度值,取这一列数据的最大值数据,将其赋值给模板中心位置的像素;
(3)依据步骤(1)和(2)将所述滤波模板遍历整幅采集图像,得到经最大值滤波后的图像即照射分量图像。
上述步骤中的滤波模板的窗口形状和尺寸对滤波器效果影响很大,不同类型的图像内容和不同应用要求往往选用不同的窗口形状和尺寸。
若使用经典的n×n的窗口作为滤波模板,在对钢丝绳芯输送带图像中的边缘部分进行滤波后,得到的背景模版在图像的横向边缘部分会出现一个滤波器模版大小的偏差,导致得到的背景估计模型不精确。并且使用该模版的时间复杂度为图像大小的n2倍,效率相对较低。
通过分析钢丝绳芯输送带的特征可以发现,钢丝绳芯输送带的真实图像(去除不均匀光照影响的图像)具有比较规律的竖状线性纹理特征。从纵向上分析,除了钢丝绳接头部分上下相邻像素之间的灰度值差距并不大;从横向上分析,钢丝绳芯输送带图像纹理特征规律,程竖线状明暗交替。
根据此纹理特征,本发明采用1×n(n取奇数)的窗口作为滤波模板,该横向线性滤波模版只是在一行中找最大值改变当前像素,所以能在有效的模糊竖状线性纹理的同时不会影响到图像的横向边缘,因此该线性滤波模板更适应钢丝绳芯输送带的图像特征,能够得到更加精确的背景估计模型。同时,时间复杂度也降为图像大小的n倍。相比于n×n滤波模板,该线性滤波模版更加精确且高效。
使用不同宽度(即n不同)的线性滤波模板得到的背景估计模型的精确度有很大差异,n过小,滤波效果不明显,得到的背景估计模型与原图像相似,从原图减除背景估计模型后会损失大量真实信息;n过大,会导致背景估计模型过于模糊不够精确,最终得到的真实图像会保留一部分噪声。因此n的取值非常重要,n是个经验值,需从小到大依次进行实验,从中选取最好的结果。图2a-图2d为使用不同大小的线性滤波模版对示例图片(图1)进行滤波后得到的不均匀光照背景估计模型。
由上图2a-图2d可看出,使用1×3的线性滤波模板处理得到的图像和滤波前图像差异较小,滤波效果不明显;使用1×7的线性滤波模板可以得到较好的改善但是竖状纹理还是过于清晰;使用1×13的线性滤波模板处理后得到的图像竖状纹理(图像的真实信息)足够模糊,噪声信息得到较理想的保留,是作为不均匀光照背景估计模型的理想选择;而使用1×21的线性滤波模板得到的背景估计模型过于模糊,损失了一部分的噪声信息。综上所述,选择图5中的c)作为示例图片(图2)的不均匀光照背景估计模型。
实际应用中需要根据输送带中钢丝绳芯排列的紧密程度选择线性滤波模板的宽度,钢丝绳排列越紧密,使用的模板宽度需要相对较小,相反,钢丝绳排列松散,使用模板宽度相对较大。
图像校正与增强:
经过上述步骤已经得到了不均匀光照背景模型G(x,y),已知未经处理的原始图像为I(x,y),则可以得到矫正后的图像I1(x,y)=I(x,y)/G(x,y)。
矫正后的图像目标和背景的像素灰度值反差变小了,为了消除这样的效果,采用对比度拉伸的方法来解决,计算公式为:
式中,V为对比度拉伸参数,取值范围为(-127,127)。V是一个经验值,没有定量的计算方法可以求,需经过多次尝试,本实施例取V=20。
对比度拉伸完成后,若得到的图像存在有像素点的灰度值大于255,则令该像素点灰度值为255;若存在像素点的灰度值小于0,则令该像素点灰度值为0。
经过对比度拉伸过后,增大了图像的对比度,使图像更加清晰,进一步改善了图像的质量。图3为校正增强后的图像,可以看出基本消除了不均匀光照的影响,还原了图像的真实信息。
实施例2
采用如实施例1最大值滤波方法处理采集图像2(如图4a)得到不均匀光照背景估计模型如图4b,进一步对比度拉伸处理得到增强图像如图4c。本实施例中n取值为15,对比度拉伸参数V取值为20。
实施例3
采用如实施例1最大值滤波方法处理采集图像3(如图5a)得到不均匀光照背景估计模型如图5b,进一步对比度拉伸处理得到增强图像如图5c。本实施例中n取值为15,对比度拉伸参数V取值为20。
实施例4
采用如实施例1最大值滤波方法处理采集图像4(如图6a)得到不均匀光照背景估计模型如图6b,进一步对比度拉伸处理得到增强图像如图6c。本实施例中n取值为15,对比度拉伸参数V取值为20。
Claims (6)
1.一种钢丝绳芯输送带x光图像矫正与增强的方法,其特征在于,所述方法利用最大值滤波处理采集图像得到照射分量图像,采集图像结合照射分量图像得到反射分量图像即矫正后图像。
2.如权利要求1所述一种钢丝绳芯输送带x光图像矫正与增强的方法,其特征在于,利用对比度拉伸方法对得到的反射分量图像进行处理,增强矫正后图像和背景的像素灰度值反差。
3.如权利要求1所述一种钢丝绳芯输送带x光图像矫正与增强的方法,其特征在于,利用最大值滤波处理采集图像得到照射分量图像具体为:
(1)将滤波模板在采集图像中漫游,并将模版中心与采集图像中的某个像素位置重合;
(2)读取滤波模板中各对应像素的灰度值,取这一列灰度值数据的最大值将其赋值给模板中心位置的像素;
(3)依据步骤(1)和(2)将所述滤波模板遍历整幅采集图像,得到经最大值滤波后的图像即照射分量图像。
4.如权利要求3所述一种钢丝绳芯输送带x光图像矫正与增强的方法,其特征在于,滤波模板为1×n的窗口,n取奇数,根据钢丝绳芯排列的紧密程度选择滤波模板的宽度n,钢丝绳芯排列越紧密,使用的模板宽度相对较小,相反,钢丝绳芯排列松散,使用模板宽度相对较大。
5.如权利要求2所述一种钢丝绳芯输送带x光图像矫正与增强的方法,其特征在于,所述利用对比度拉伸方法对得到的反射分量图像进行处理的公式为:
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>o</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mn>255</mn>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<mi>V</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>255</mn>
<mo>-</mo>
<mn>2</mn>
<mi>V</mi>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>V</mi>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mn>255</mn>
<mo>+</mo>
<mn>2</mn>
<mi>V</mi>
<mo>)</mo>
</mrow>
</mrow>
<mn>255</mn>
</mfrac>
<mo>-</mo>
<mi>V</mi>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>V</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
式中,V为对比度拉伸参数,取值范围为(-127,127),I1为反射分量图像灰度值、Iout为对比拉伸输出图像灰度值。
6.如权利要求1-5任一所述一种钢丝绳芯输送带x光图像矫正与增强的方法,其特征在于,采集图像结合照射分量图像得到发射分量图像即矫正后图像所用公式为:
I1(x,y)=I(x,y)/G(x,y);
其中,I(x,y)为采集图像;G(x,y)为照射分量图像;I1(x,y)为反射分量图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198962.6A CN107194882A (zh) | 2017-03-29 | 2017-03-29 | 一种钢丝绳芯输送带x光图像矫正与增强的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198962.6A CN107194882A (zh) | 2017-03-29 | 2017-03-29 | 一种钢丝绳芯输送带x光图像矫正与增强的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107194882A true CN107194882A (zh) | 2017-09-22 |
Family
ID=59870973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710198962.6A Pending CN107194882A (zh) | 2017-03-29 | 2017-03-29 | 一种钢丝绳芯输送带x光图像矫正与增强的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194882A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949292A (zh) * | 2019-03-20 | 2019-06-28 | 湖南镭目科技有限公司 | 一种带钢表面缺陷的检测方法及装置 |
CN111415365A (zh) * | 2019-01-04 | 2020-07-14 | 宁波舜宇光电信息有限公司 | 图像检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050073702A1 (en) * | 2003-10-02 | 2005-04-07 | Doron Shaked | Robust recursive envelope operators for fast retinex-type processing |
CN104021387A (zh) * | 2014-04-04 | 2014-09-03 | 南京工程学院 | 基于视觉建模的人脸图像光照处理方法 |
CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
-
2017
- 2017-03-29 CN CN201710198962.6A patent/CN107194882A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050073702A1 (en) * | 2003-10-02 | 2005-04-07 | Doron Shaked | Robust recursive envelope operators for fast retinex-type processing |
CN104021387A (zh) * | 2014-04-04 | 2014-09-03 | 南京工程学院 | 基于视觉建模的人脸图像光照处理方法 |
CN105654437A (zh) * | 2015-12-24 | 2016-06-08 | 广东迅通科技股份有限公司 | 一种对低照度图像的增强方法 |
Non-Patent Citations (2)
Title |
---|
张凌宁等: "基于Retinex的X光钢丝绳芯输送带图像校正和增强方法研究", 《矿山机械》 * |
赵荣椿等: "《数字图像处理》", 30 April 2016, 西北工业大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415365A (zh) * | 2019-01-04 | 2020-07-14 | 宁波舜宇光电信息有限公司 | 图像检测方法及装置 |
CN109949292A (zh) * | 2019-03-20 | 2019-06-28 | 湖南镭目科技有限公司 | 一种带钢表面缺陷的检测方法及装置 |
CN109949292B (zh) * | 2019-03-20 | 2023-11-14 | 湖南镭目科技有限公司 | 一种带钢表面缺陷的检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114937055B (zh) | 基于人工智能的图像自适应分割方法与系统 | |
US11688057B2 (en) | Method and system for quickly matching image features applied to mine machine vision | |
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN109785285B (zh) | 一种基于椭圆特征拟合的绝缘子破损检测方法 | |
CN1282942C (zh) | 用于外表检测的图像处理方法 | |
CN107490582B (zh) | 一种流水线工件检测系统 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
JP6811217B2 (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
CN108280838A (zh) | 一种基于边缘检测的夹片牙型缺陷检测方法 | |
CN115631116B (zh) | 基于双目视觉的飞行器电力巡检系统 | |
CN116630813B (zh) | 一种公路路面施工质量智能检测系统 | |
CN117351019B (zh) | 一种焊接缺陷检测方法 | |
CN106056608A (zh) | 一种图像点线缺陷检测方法及装置 | |
CN109961432A (zh) | 一种滤布破损的检测方法和系统 | |
CN111739012A (zh) | 基于转盘的摄像头模组白斑检测系统 | |
CN115131354A (zh) | 一种基于光学手段的实验室用塑料薄膜缺陷检测方法 | |
CN107194882A (zh) | 一种钢丝绳芯输送带x光图像矫正与增强的方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
JP2013117409A (ja) | ひび割れ検出方法 | |
CN106874882B (zh) | 路面病害边缘检测方法和装置 | |
CN116485832B (zh) | 用于废硅片回收的不均布流体杂质边缘精准检测方法 | |
CN109544513A (zh) | 一种钢管端面缺陷提取识别的方法 | |
CN108009480A (zh) | 一种基于特征识别的图像人体行为检测方法 | |
JP4994955B2 (ja) | 移動体識別装置、移動体識別プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170922 |
|
RJ01 | Rejection of invention patent application after publication |