CN107818292B - 一种基于背散射扫描电镜的矿物颗粒识别方法及系统 - Google Patents
一种基于背散射扫描电镜的矿物颗粒识别方法及系统 Download PDFInfo
- Publication number
- CN107818292B CN107818292B CN201610825722.XA CN201610825722A CN107818292B CN 107818292 B CN107818292 B CN 107818292B CN 201610825722 A CN201610825722 A CN 201610825722A CN 107818292 B CN107818292 B CN 107818292B
- Authority
- CN
- China
- Prior art keywords
- mineral
- mineral particles
- mineral particle
- electron microscope
- scanning electron
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/695—Preprocessing, e.g. image segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种基于背散射扫描电镜的矿物颗粒识别方法及系统。所述方法包括:将扫描电镜图像二值化处理;基于二值化后的图像计算欧氏距离,利用欧氏距离确定矿物颗粒的数目以及位置;根据所述矿物颗粒的数目以及位置还原所述矿物颗粒的形状以及尺寸从而识别矿物颗粒。相较于肉眼识别,根据本发明的方法的识别效果、识别效率及识别准确率都得到了有效提高。
Description
技术领域
本发明涉及地质开发领域,具体说涉及一种基于背散射扫描电镜的矿物颗粒识别方法及系统。
背景技术
目前扫描电镜在科研和工业等各个领域得到广泛应用,在石油地质行业中,可用于区分岩石骨架、孔隙等。
扫描电镜图像像素较高,通过肉眼可明显看到矿物颗粒图像。但是由于在同一扫描电镜图中包含多个矿物颗粒,因此通过肉眼识别单个矿物颗粒的难度及误差都很大。并且,通过肉眼进行单个矿物颗粒,其效率十分低下。
为了提高矿物颗粒的识别效率,降低识别误差,在现有技术中采用了计算机自动识别的方法。然而,现有技术中的计算机自动识别主要基于图像分割技术将粘连颗粒分割为单独颗粒,其很容易误将一体的矿物颗粒分割开,从而造成识别错误。
因此,为了进一步提高矿物颗粒的识别效率,降低矿物颗粒的识别错误率,需要一种新的基于背散射扫描电镜的矿物颗粒识别方法。
发明内容
本发明提供了一种基于背散射扫描电镜的矿物颗粒识别方法,所述方法包括:
将扫描电镜图像二值化处理;
基于二值化后的图像计算欧氏距离,利用欧氏距离确定矿物颗粒的数目以及位置;
根据所述矿物颗粒的数目以及位置还原所述矿物颗粒的形状以及尺寸从而识别矿物颗粒。
在一实施例中,根据二值化后的图像确定矿物颗粒的数目,其中,基于腐蚀膨胀算法确定矿物颗粒的数目。
在一实施例中,基于腐蚀膨胀算法确定矿物颗粒的数目,其中:
获取腐蚀膨胀次数-矿物颗粒数目变化曲线;
求取所述腐蚀膨胀次数-矿物颗粒数目变化曲线上的曲率最大值,所述曲率最大值对应的矿物颗粒数目值为所述矿物颗粒的数目。
在一实施例中,根据二值化后的图像确定矿物颗粒的位置,其中,通过欧式距离局部最大值确定所述矿物颗粒的位置。
本发明还提出了一种基于背散射扫描电镜的矿物颗粒识别系统,其特征在于,所述系统包括:
二值化模块,其配置为将扫描电镜图像二值化处理;
矿物颗粒属性计算模块,其配置为基于二值化后的图像计算欧氏距离,利用欧氏距离确定矿物颗粒的数目以及位置;
矿物颗粒还原模块,其配置为根据所述矿物颗粒的数目以及位置还原所述矿物颗粒的形状以及尺寸从而识别矿物颗粒。
在一实施例中,所述矿物颗粒属性计算模块包含矿物颗粒数目计算单元,所述矿物颗粒数目计算单元配置为基于腐蚀膨胀算法确定矿物颗粒的数目。
在一实施例中,所述矿物颗粒数目计算单元还配置为:
获取腐蚀膨胀次数-矿物颗粒数目变化曲线;
求取所述腐蚀膨胀次数-矿物颗粒数目变化曲线上的曲率最大值,所述曲率最大值对应的矿物颗粒数目值为所述矿物颗粒的数目。
在一实施例中,所述矿物颗粒属性计算模块还包含矿物颗粒位置计算单元,所述矿物颗粒位置计算单元配置为通过欧式距离局部最大值确定所述矿物颗粒的位置。
相较于肉眼识别,根据本发明的方法的识别效果、识别效率及识别准确率都得到了有效提高。
本发明的其它特征或优点将在随后的说明书中阐述。并且,本发明的部分特征或优点将通过说明书而变得显而易见,或者通过实施本发明而被了解。本发明的目的和部分优点可通过在说明书、权利要求书以及附图中所特别指出的步骤来实现或获得。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。在附图中:
图1是根据本发明一实施例的方法流程图;
图2是根据本发明一实施例的扫描电镜原图;
图3是根据本发明一实施例的二值化处理后图像;
图4是根据本发明一实施例的欧式距离计算结果图;
图5和图6分别是根据本发明一实施例的不同腐蚀膨胀次数的图像;
图7是根据本发明一实施例的部分方法流程图;
图8是根据本发明一实施例的系统结构简图;
图9是根据本发明一实施例的腐蚀膨胀次数-矿物颗粒数目变化曲线;
图10是根据本发明一实施例的矿物颗粒结构图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此本发明的实施人员可以充分理解本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程并依据上述实现过程具体实施本发明。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
目前扫描电镜在科研和工业等各个领域得到广泛应用,在石油地质行业中,可用于区分岩石骨架、孔隙等。
扫描电镜图像像素较高,通过肉眼可明显看到矿物颗粒图像。但是由于在同一扫描电镜图中包含多个矿物颗粒,因此通过肉眼识别单个矿物颗粒的难度及误差都很大。并且,通过肉眼进行单个矿物颗粒,其效率十分低下。
为了提高矿物颗粒的识别效率,降低识别误差,在现有技术中采用了计算机自动识别的方法。然而,现有技术中的计算机自动识别主要基于图像分割技术将粘连颗粒分割为单独颗粒,其很容易误将一体的矿物颗粒分割开,从而造成识别错误。
针对现有技术存在的问题,本发明提出了一种一种基于背散射扫描电镜的矿物颗粒识别方法。接下来结合附图详细描述本发明的实施例的方法的实施过程。附图的流程图中示出的步骤可以在包含诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了各步骤的逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示,首先将扫描电镜图像二值化处理(步骤S110)。
具体的,在一实施例中,就是将扫描电镜图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。当整个图像只存在黑色像素和白色像素时,理想状态下,黑色像素代表的即为矿物颗粒,白色像素代表的即为矿物颗粒间的空隙(分界)。如图2所示,图2为某储层的扫描电镜图像。对其进行二值化处理,处理后的图像如图3所示(图3中黑色部分为矿物岩石骨架,白色部分为空隙)。
接下来对二值化后的图像进行处理以确定矿物颗粒的数目和位置(步骤S120)。在本发明一实施例中,基于对二值化图像上的像素点计算欧式距离来确定矿物颗粒的数目和位置。
欧氏距离是指黑白图上黑色像素到最近的白色像素像素的距离。以一个白底黑圆的图像为例,像素点的欧式距离即是黑圆上每个像素点到距离其最近的圆周边缘的距离。通过几何分析可以得知,任意像素点A的欧式距离即为(圆半径-点A到圆心的距离)。也就是说在黑圆上,欧式距离最大的像素点位于圆心。
同样,针对二值化图像上的单一的矿物颗粒而言,由于其本身为黑色像素,周围的空隙为白色像素,那么代表该矿物颗粒的所有黑色像素的欧氏距离中最大的欧式距离对应的像素点就应该是位于矿物颗粒中心。
基于上述分析,在二值化图像上就可以通过计算欧氏距离确定一系列的区域,在该区域中,中心点的欧式距离最大,由中心点往外,欧式距离逐渐减小直到最小。
理想状态下,每个区域就对应一个矿物颗粒。将每个区域中中心点的欧式距离称为欧式距离局部最大值,通过统计欧式距离局部最大值的数量,就可以确定矿物颗粒的数目。并且,通过确定欧式距离局部最大值对应的像素点的位置,就可以确定矿物颗粒的位置,并进一步基于欧式距离的变化确定矿物颗粒的边界。
以图3所示图像为对象进行欧式距离计算,计算结果如图4所示。图4中,以不同的灰度指代不同的欧式距离值,灰度值越大,欧式距离值越大。由图4可以看出,深灰色的点大多位于图2中矿物颗粒的中心位置。
在实际应用环境中,由于扫描电镜图像上会存在一定的噪点干扰,或是电镜分辨率不匹配造成的矿物颗粒间边界模糊,因此二值化处理后的黑白图不能直接准确的表示矿物颗粒的状态。例如,黑白图上的某些白色像素的位置在实际中可能并不是矿物颗粒间的空隙,而是矿物颗粒在扫描电镜图像上的噪点。同样,黑白图上的某些黑色像素的位置在实际中可能并不是矿物颗粒,而是矿物颗粒间空隙位置在扫描电镜图像上的噪点。这样,直接基于二值化图像利用欧式距离局部最大值来确定矿物颗粒数目以及位置时就不不可避免的将噪点(或其他干扰)计算在内。
因此,在本发明一实施例中,为了避免噪点的干扰,需要对纳入统计的欧式距离进行限定(基于矿物颗粒的实际大小情况限定欧式距离的有效范围)。具体的,在本发明一实施例中不采用直接统计欧式距离局部最大值的方法确定矿物颗粒的数目,而是基于腐蚀膨胀算法确定矿物颗粒的数目。基于确定了的矿物颗粒的数目获取欧式距离限定。例如,在一实施例中,如图5以及图6所示,图5图6所示分别为不同腐蚀膨胀次数下的矿物颗粒数目体现图像。进一步的,图5对应的欧式距离大于2;图6对应的欧式距离大于11。
进一步的,基于腐蚀膨胀算法建立腐蚀膨胀次数-矿物颗粒数目变化曲线。在该曲线上,矿物颗粒数目随腐蚀膨胀次数变化。求取腐蚀膨胀次数-矿物颗粒数目变化曲线上的曲率最大值,该曲率最大值对应的颗粒数目为相对符合实际情况的矿物颗粒数目。
矿物颗粒数目确定后,就可以进一步确定有效的欧式距离(确定有效的欧式距离局部最大值),从而确定有效的矿物颗粒中心点。这样就能确定矿物颗粒的位置以及边界。
综合上述步骤可以得到如图7所示的矿物颗粒数目以及位置确定流程。首先利用腐蚀膨胀算法,构造腐蚀膨胀次数-矿物颗粒数目变化曲线(步骤S710);然后计算腐蚀膨胀次数-矿物颗粒数目变化曲线上的曲率最大值对应的矿物颗粒数目,从而确定二值化图像上的矿物颗粒数目(步骤S720);计算二值化图像上所有黑色像素点的欧式距离(步骤S730);基于确定了的矿物颗粒数目,根据欧式距离局部最大值确定矿物颗粒的位置(步骤S740)。
待矿物颗粒的数目以及位置被确定之后,就可以根据矿物颗粒的数目以及位置还原矿物颗粒的形状以及尺寸(如图1所示的步骤S130)。进而输出结构清晰的矿物颗粒图像从而识别矿物颗粒(如图1所示的步骤S140)。
综上,根据本发明的方法,不但可以明确扫描电镜图像中矿物颗粒的数目、位置,还可还原扫描电镜图像中的矿物颗粒形状及尺寸,得到结构清晰的矿物颗粒图像。采用本发明的方法进行扫描电镜图像的颗粒识别的效果优于肉眼观察的效果,颗粒识别效率及准确率高。
基于本发明的方法,本发明还提出了一种基于背散射扫描电镜的矿物颗粒识别系统。在本发明一实施例中,如图8所示,系统包括:
二值化模块810,其配置为将扫描电镜图像二值化处理;
矿物颗粒属性计算模块820,其配置为基于二值化后的图像计算欧氏距离,利用欧氏距离确定矿物颗粒的数目以及位置;
矿物颗粒还原模块830,其配置为根据矿物颗粒的数目以及位置还原矿物颗粒的形状以及尺寸从而识别矿物颗粒。
具体的,矿物颗粒属性计算模块820包含矿物颗粒数目计算单元821。矿物颗粒数目计算单元821配置为基于腐蚀膨胀算法确定矿物颗粒的数目,其中:
获取腐蚀膨胀次数-矿物颗粒数目变化曲线;
求取腐蚀膨胀次数-矿物颗粒数目变化曲线上的曲率最大值,曲率最大值对应的矿物颗粒数目值为矿物颗粒的数目。
矿物颗粒属性计算模块820还包含矿物颗粒位置计算单元821,矿物颗粒位置计算单元821配置为通过欧式距离局部最大值确定矿物颗粒的位置。
接下来基于一具体应用实施实例来详细描述本发明一实施例的实施效果。以图2所示的储层扫面电镜图像为对象。利用腐蚀膨胀算法计算矿物颗粒数目变化。可得到如图9所示的腐蚀膨胀次数-矿物颗粒数目变化曲线(横坐标为腐蚀膨胀次数,纵坐标为矿物颗粒数目)。求取腐蚀膨胀次数-矿物颗粒数目变化曲线上曲率最大值,图9中腐蚀膨胀次数5次时,曲线上曲率最大,对应的矿物颗粒数目为71。进一步的,基于矿物颗粒数目71,通过欧式距离局部最大值明确矿物颗粒位置。
根据最终确定的矿物颗粒数目及位置,还原矿物颗粒形状及尺寸,得到如图10所示的结构清晰的矿物颗粒图像。由图10可以看出,图10正确的还原了图2(扫描电镜图像)中的矿物颗粒结构。由此证明了本发明方法的正确性与有效性。
综上,本发明的方法基于二值化的扫描电镜图像,通过计算欧氏距离,结合腐蚀膨胀算法确定扫描电镜图像中矿物颗粒的数目及位置,再还原扫描电镜图像中的矿物颗粒形状及尺寸,得到结构清晰的矿物颗粒图像。相较于肉眼识别,根据本发明的方法的识别效果、识别效率及识别准确率都得到了有效提高。
虽然本发明所公开的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。本发明所述的方法还可有其他多种实施例。在不背离本发明实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变或变形,但这些相应的改变或变形都应属于本发明的权利要求的保护范围。
Claims (4)
1.一种基于背散射扫描电镜的矿物颗粒识别方法,其特征在于,所述方法包括:
将扫描电镜图像二值化处理;
基于二值化后的图像,利用腐蚀膨胀算法确定矿物颗粒的数目;
基于二值化后的图像计算欧氏距离,利用欧氏距离确定矿物颗粒的位置;
根据所确定的矿物颗粒的数目以及位置还原所述矿物颗粒的形状以及尺寸从而识别矿物颗粒,
其中,基于腐蚀膨胀算法确定矿物颗粒的数目包括:
获取腐蚀膨胀次数-矿物颗粒数目变化曲线;
求取所述腐蚀膨胀次数-矿物颗粒数目变化曲线上的曲率最大值,所述曲率最大值对应的矿物颗粒数目值为所述矿物颗粒的数目。
2.根据权利要求1所述的方法,其特征在于,根据二值化后的图像确定矿物颗粒的位置,其中,通过欧式距离局部最大值确定所述矿物颗粒的位置。
3.一种基于背散射扫描电镜的矿物颗粒识别系统,其特征在于,所述系统包括:
二值化模块,其配置为将扫描电镜图像二值化处理;
矿物颗粒属性计算模块,其配置为基于二值化后的图像,利用腐蚀膨胀算法确定矿物颗粒的数目,基于所述二值化后的图像计算欧氏距离,利用所述欧氏距离确定所述矿物颗粒的位置;
矿物颗粒还原模块,其配置为根据所确定的矿物颗粒的数目以及位置还原所述矿物颗粒的形状以及尺寸从而识别矿物颗粒,
其中,所述矿物颗粒数目计算单元进一步配置为:
获取腐蚀膨胀次数-矿物颗粒数目变化曲线;
求取所述腐蚀膨胀次数-矿物颗粒数目变化曲线上的曲率最大值,所述曲率最大值对应的矿物颗粒数目值为所述矿物颗粒的数目。
4.根据权利要求3所述的系统,其特征在于,所述矿物颗粒属性计算模块还包含矿物颗粒位置计算单元,所述矿物颗粒位置计算单元配置为通过欧式距离局部最大值确定所述矿物颗粒的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610825722.XA CN107818292B (zh) | 2016-09-14 | 2016-09-14 | 一种基于背散射扫描电镜的矿物颗粒识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610825722.XA CN107818292B (zh) | 2016-09-14 | 2016-09-14 | 一种基于背散射扫描电镜的矿物颗粒识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107818292A CN107818292A (zh) | 2018-03-20 |
CN107818292B true CN107818292B (zh) | 2021-04-09 |
Family
ID=61600993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610825722.XA Active CN107818292B (zh) | 2016-09-14 | 2016-09-14 | 一种基于背散射扫描电镜的矿物颗粒识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818292B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109270105B (zh) * | 2018-08-21 | 2020-10-27 | 中国科学院地质与地球物理研究所 | 快速识别并定位大视域中目标矿物颗粒的方法 |
CN110108738A (zh) * | 2019-05-07 | 2019-08-09 | 中国石油化工股份有限公司 | 表征粗糙面岩石样品中重矿物的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458816A (zh) * | 2008-12-19 | 2009-06-17 | 西安电子科技大学 | 数字视频目标跟踪中的目标匹配方法 |
CN103679807A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种带边界约束的散乱点云重构方法 |
CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
CN104966300A (zh) * | 2015-06-19 | 2015-10-07 | 浙江理工大学 | 轴承滚子图像检测系统及方法及图像检测装置 |
-
2016
- 2016-09-14 CN CN201610825722.XA patent/CN107818292B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458816A (zh) * | 2008-12-19 | 2009-06-17 | 西安电子科技大学 | 数字视频目标跟踪中的目标匹配方法 |
CN103679807A (zh) * | 2013-12-24 | 2014-03-26 | 焦点科技股份有限公司 | 一种带边界约束的散乱点云重构方法 |
CN104182759A (zh) * | 2014-08-20 | 2014-12-03 | 徐州坤泰电子科技有限公司 | 基于扫描电镜的颗粒物形态识别方法 |
CN104966300A (zh) * | 2015-06-19 | 2015-10-07 | 浙江理工大学 | 轴承滚子图像检测系统及方法及图像检测装置 |
Non-Patent Citations (2)
Title |
---|
掌纹感兴趣区域定位与选择方法综述;林森;《计算机工程与应用》;20111231;第21-24页 * |
蚕茧自动筛选计数系统关键技术的研究;张琦;《中国优秀硕士学位论文全文数据库信息科技辑》;20140915(第9期);第1-68页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107818292A (zh) | 2018-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107154040B (zh) | 一种隧道衬砌表面图像裂缝检测方法 | |
CN109272489B (zh) | 基于背景抑制与多尺度局部熵的红外弱小目标检测方法 | |
US10043090B2 (en) | Information processing device, information processing method, computer-readable recording medium, and inspection system | |
US20130136338A1 (en) | Methods and Apparatus for Correcting Disparity Maps using Statistical Analysis on Local Neighborhoods | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
US7848571B2 (en) | Computer-implemented method for efficient image segmentation using automated saddle-point detection | |
CN101976436B (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN109977944B (zh) | 一种数字水表读数的识别方法 | |
CN114235758A (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN110245600B (zh) | 自适应起始快速笔画宽度无人机道路检测方法 | |
CN107392095A (zh) | 一种基于掩码图像的红外弱小目标检测算法 | |
CN112669280B (zh) | 一种基于lsd算法的无人机倾斜航拍直角像控点目标检测方法 | |
CN107818292B (zh) | 一种基于背散射扫描电镜的矿物颗粒识别方法及系统 | |
CN106204617A (zh) | 基于残差图像直方图循环移位的自适应图像二值化方法 | |
CN101739667B (zh) | 基于非下采样轮廓波变换的遥感图像道路增强方法 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN116703754A (zh) | 用于检测建筑供水管道裂痕的图像增强方法 | |
CN103745236A (zh) | 纹理图像识别方法以及纹理图像识别装置 | |
CN116071272A (zh) | 一种图像校正方法、装置、电子设备及其存储介质 | |
CN107765257A (zh) | 一种基于反射强度辅助外部校准的激光探测与测量方法 | |
CN116433701A (zh) | 一种工件孔洞轮廓的提取方法、装置、设备及存储介质 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN113537026B (zh) | 建筑平面图中的图元检测方法、装置、设备及介质 | |
US10345440B1 (en) | Reduced-bias multi-resolution coherent change detection | |
CN108416358B (zh) | 一种空间目标特征提取方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |