CN107957410A - 一种基于荧光光谱的稻种发芽率无损检测方法 - Google Patents

一种基于荧光光谱的稻种发芽率无损检测方法 Download PDF

Info

Publication number
CN107957410A
CN107957410A CN201610907616.6A CN201610907616A CN107957410A CN 107957410 A CN107957410 A CN 107957410A CN 201610907616 A CN201610907616 A CN 201610907616A CN 107957410 A CN107957410 A CN 107957410A
Authority
CN
China
Prior art keywords
seed rice
mrow
germination percentage
sample
msub
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
Application number
CN201610907616.6A
Other languages
English (en)
Inventor
卢伟
杨洋
王家鹏
王新宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN201610907616.6A priority Critical patent/CN107957410A/zh
Publication of CN107957410A publication Critical patent/CN107957410A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00Sampling; Preparing specimens for investigation
    • G01N1/28Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/63Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
    • G01N21/64Fluorescence; Phosphorescence
    • G01N21/6486Measuring fluorescence of biological material, e.g. DNA, RNA, cells

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本发明涉及一种稻种发芽率无损检测方法,特别是涉及一种基于荧光光谱法的稻种发芽率检测方法,属于稻种无损检测领域,通过荧光分光光度计扫描建模所需的不同发芽率的稻种样品浸泡液,获取荧光光谱,进而采用小波去噪和主成分分析(PCA)对荧光光谱进行特征波段提取,用荧光光谱特征波段建立基于深度神经网络(DNN)的单输入单输出稻种发芽率预测模型,将待测稻种浸泡液荧光光谱特征波段输入训练好的稻种发芽率预测模型,得到发芽率。

Description

一种基于荧光光谱的稻种发芽率无损检测方法
技术领域
本发明涉及一种稻种发芽率无损检测方法,特别是涉及一种基于荧光光谱法的稻种发芽率检测方法,属于稻种无损检测领域。
背景技术
我国是水稻生产大国,种植面积居世界第一。水稻种子的质量直接影响水稻产量,因此,加强稻种质量的检验对确保水稻产量具有重要意义。其中,发芽率是水稻种子检测的重要指标之一。传统的稻种发芽率检测如四唑(2,3,5-Triphenyl tetrazolium chloride,TTC)染色法(氯化三苯基四氮唑染色法),浸种时间长且TTC溶液易受光、温度等环境因素干扰,存在效率低、精度差、有损等问题;为降低人为检测误差并提高检测效率,采用机器视觉方法结合四唑法对染色后的水稻种子进行图像采集和识别,但图像处理速度慢且专业化要求高;近红外光谱法检测灵敏度差,且需采取不同的预处理方法才能获取不同稻种样品特异的吸收峰。热红外、偏振光及光声光谱等方法检测效果较好,但特征光谱较宽,有用信息较为分散,基于此技术进行产品化开发时光学部分较为复杂。
荧光光谱法通过检测特定波长激发光下物质产生的荧光强度对物质含量进行定性或定量的分析,因其扫描速度快、精度高且使用方便,已广泛应用于无损检测中,如采用新荧光扫描法对大败毒胶囊中小檗碱含量进行测定,检测精度约为紫外扫描法的8倍;应用日立F-4600型荧光分光光度计对貉体内砷含量进行测定,测量误差小于0.5μg;通过建立最佳激发波长的选择方法对八子补肾胶囊中蛇床子素含量进行测定,检测灵敏度较原波长的提高4倍;采用荧光分光光度计在547nm的激发波长下对水样品中罗丹明B的含量进行测定,在免去提取过程中有机溶剂使用的同时提高了检测效率;基于荧光共振能力转移(FRET)系统对乳制品中三聚氰胺(MB)含量进行测定,可准确得到荧光强度与MB间的相关系数为0.01亩摩尔/升。因此亟需研究一种高精度、高效率、无损检测稻种发芽率新方法。
发明内容
为克服现有技术的缺陷,本发明提出一种基于荧光光谱的稻种发芽率无损检测方法,具有高精度、高效率等优势。
为实现上述目的,本发明采用以下技术方案:
本发明所述的一种基于荧光光谱的稻种发芽率无损检测方法:
步骤1:将建模所需的不同发芽率稻种样品置入装有蒸馏水的试管中浸泡;
步骤2:取出试管中的浸泡液置于荧光分光光度计的样品池中,扫描浸泡液得到波长范围为360~650nm的荧光光谱;
步骤3:利用小波去噪对步骤2中得到的荧光光谱进行平滑处理;
步骤4:利用主成分分析(PCA)提取步骤3平滑处理后的荧光光谱中的特征波段;
步骤5:对建模所需的不同发芽率的稻种样品按照步骤1至步骤4进行操作,得到特征波段荧光光强Pi(为第i个样品的特征波段荧光光强,i=1,2…n,n为建模样本数量);对建模用的不同发芽率的稻种样品按照GB/T 3543.4表1规定的条件(20℃)和时间(5d)进行发芽试验,得到不同稻种样品的发芽率Gi(为第i个样品的发芽率,i=1,2…n,n为建模样本数量);
步骤6:基于深度神经网络(DNN)建立以步骤5中建模所需的不同发芽率的稻种样品特征波段荧光强度Pi为输入、稻种发芽率Gi为输出的稻种发芽率预测模型;
步骤7:对待测稻种按照步骤1至步骤4进行处理,将步骤4中提取的待测稻种特征波段荧光光谱输入到步骤6中建立的稻种发芽率预测模型,得到发芽率。
本发明所述的步骤3中小波去噪的步骤为:
步骤①:先对含噪光谱f(k)进行小波分解,采用‘sym8’小波基构造小波,分解层数为9,实现该步骤的Matlab代码为:
xd=wden(x,′sqtwolog′,′s′,′sln′,9,′sym8′)
其中x为原始信号,sqtwolog为阈值信号处理,s为软阈值,sln为根据第一层小波分解的噪声水平估计进行调整的参数,“9”代表分解为9层,sym8代表采用‘sym8’小波基构造小波;
步骤②:对小波分解得到的噪声部分进行sqtwolog阈值处理。获取域值的Matlab代码如下:
[thr,sorh,keepapp]=ddencmp(′den′,′wv′,nx)
其中x为信号向量,wv表示使用小波分解,den表示去噪声;返回参数thr为阈值,sorh决定硬阈值或软阈值,keepapp为判断是否对近似分量进行阈值处理的参数。
步骤③:根据小波分解的第9层低频系数和各层高频系数对步骤①用于分解含噪光谱的小波进行重构,利用重构得到的小波对f(k)进行去噪处理。
本发明步骤4中所述的PCA提取特征波段的过程为:
步骤(1):将步骤3得到的荧光光谱设为数据矩阵A,计算矩阵A的协方差矩阵B,B=(Aij)p×p,其中,
步骤(2):求出B的特征值λi及相应的正交变化单位特征向量ai,B的前m个较大的特征值λ1≥λ2≥…λm>0,为前m个主成分的方差,λi对应的单位特征向量ai就是主成分Fi的关于数据矩阵B的系数,则数据矩阵B的第i个主成分Fi
Fi=ai·B
步骤(3):通过方差(信息)累计贡献率G(m)进行主成分提取,G(m)的计算公式为:
当累计贡献率达到95%时,则提取对应的前m个主成分,否则继续执行步骤(3)。
本发明步骤6中所述的稻种发芽率预测模型,其特征为,基于深度神经网络(DNN)的单输入单输出的稻种发芽率预测模型,DNN建模包括以下步骤:
步骤a:将步骤4所得到特征波段的荧光光谱作为样本数据C,对所述的样本数据C进行归一化,使样本数据范围在[0,1]之间,具体代码如下
for i=1:m
C(i,:)=C(i,:)/norm(C(i,:));
步骤b:定义深度神经网络为三层结构,其中第一层与第三层均是由一个输入单元,一个隐含单元和一个输出单元组成的径向基函数RBF神经网络,第二层是由一个隐含单元和一个可视单元组成的受限玻尔兹曼机RBM神经网络;
步骤c:通过学习样本数据C的特征,训练基于深度神经网络的单输入单输出的稻种发芽率预测模型:
i.随机选取包含稻种老化时间,稻种浸泡时间两个特征的样本数据C的2/3数据作为第一个实验对象,选取样本数据C其余1/3数据作为第二个实验对象,根据权利要求1中步骤4提取两个实验对象训练样本的老化时间和浸泡时间对发芽率贡献的特征,即实验对象训练样本的低级特征;
ii.将实验对象训练样本的低级特征作为深度神经网络中第一层输入单元的输入特征,通过径向基函数RBF神经网络对低级特征进行训练,得到第一个RBF神经网络中隐含单元的输出,作为深度神经网络的第一层输出,即实验对象的高级特征,完成深度神经网络的第一层训练;
iii.通过受限玻尔兹曼机RBM神经网络对实验对象的高级特征进行训练,得到第二个RBM神经网络中隐含单元的输出,作为深度神经网络的第二层输出,即实验对象的更高级特征,完成深度神经网络的第二层训练;
iv.通过径向基函数RBF神经网络对实验对象的更高级特征进行训练,得到第三个RBF神经网络输出单元的输出,作为深度神经网络的第三层输出,即实验对象训练样本的纹理分类特征,完成深度神经网络第三层的训练;
v.若Rc≤0.9,返回步骤i;否则结束DNN模型训练,得到训练好的基于荧光光谱的稻种发芽率预测模型。
附图说明
图1是一种基于荧光光谱的稻种发芽率无损检测方法流程图
具体实施方式
下面结合附图及具体实施例对本发明作进一步说明。
实施例1
如图1所示,一种基于荧光光谱的稻种发芽率无损检测方法,其按照以下步实施:
步骤1:将建模所需的不同发芽率稻种样品置入装有蒸馏水的试管中浸泡;
步骤2:取出试管中的浸泡液置于荧光分光光度计的样品池中,扫描浸泡液得到波长范围为360~650nm的荧光光谱;
步骤3:利用小波去噪对步骤2中得到的荧光光谱进行平滑处理;
步骤4:利用主成分分析(PCA)提取步骤3平滑处理后的荧光光谱中的特征波段;
步骤5:对建模所需的不同发芽率的稻种样品按照步骤1至步骤4进行操作,得到特征波段荧光光强Pi(为第i个样品的特征波段荧光光强,i=1,2…n,n为建模样本数量);对建模用的不同发芽率的稻种样品按照GB/T 3543.4表1规定的条件(20℃)和时间(5d)进行发芽试验,得到不同稻种样品的发芽率Gi(为第i个样品的发芽率,i=1,2…n,n为建模样本数量);
步骤6:基于深度神经网络(DNN)建立以步骤5中建模所需的不同发芽率的稻种样品特征波段荧光强度Pi为输入、稻种发芽率Gi为输出的稻种发芽率预测模型;
步骤7:对待测稻种按照步骤1至步骤4进行处理,将步骤4中提取的待测稻种特征波段荧光光谱输入到步骤6中建立的稻种发芽率预测模型,得到发芽率。

Claims (3)

1.一种基于荧光光谱的稻种发芽率无损检测方法,其特征为:
步骤1:将建模所需的不同发芽率稻种样品置入装有蒸馏水的试管中浸泡;
步骤2:取出试管中的浸泡液置于荧光分光光度计的样品池中,扫描浸泡液得到波长范围为360~650nm的荧光光谱;
步骤3:利用小波去噪对步骤2中得到的荧光光谱进行平滑处理;
步骤4:利用主成分分析(PCA)提取步骤3平滑处理后的荧光光谱中的特征波段;
步骤5:对建模所需的不同发芽率的稻种样品按照步骤1至步骤4进行操作,得到特征波段荧光光强Pi(为第i个样品的特征波段荧光光强,i=1,2…n,n为建模样本数量);对建模用的不同发芽率的稻种样品按照GB/T 3543.4表1规定的条件(20℃)和时间(5d)进行发芽试验,得到不同稻种样品的发芽率Gi(为第i个样品的发芽率,i=1,2…n,n为建模样本数量);
步骤6:基于深度神经网络(DNN)建立以步骤5中建模所需的不同发芽率的稻种样品特征波段荧光强度Pi为输入、稻种发芽率Gi为输出的稻种发芽率预测模型;
步骤7:对待测稻种按照步骤1至步骤4进行处理,将步骤4中提取的待测稻种特征波段荧光光谱输入到步骤6中建立的稻种发芽率预测模型,得到发芽率。
2.根据权利要求书1所述的基于荧光光谱的稻种发芽率无损检测方法,其中的小波去噪按照以下步骤计算:
步骤①:先对含噪光谱f(k)进行小波分解,采用‘sym8’小波基构造小波,分解层数为9,实现该步骤的Matlab代码为:
xd=wden(x,′sqtwolog′,′s′,′sln′,9,′sym8′)
其中x为原始信号,sqtwolog为阈值信号处理,s为软阈值,sln为根据第一层小波分解的噪声水平估计进行调整的参数,“9”代表分解为9层,sym8代表采用‘sym8’小波基构造小波;
步骤②:对小波分解得到的噪声部分进行sqtwolog阈值处理。获取域值的Matlab代码如下:
[thr,sorh,keepapp]=ddencmp(′den′,′wv′,nx)
其中x为信号向量,wv表示使用小波分解,den表示去噪声;返回参数thr为阈值,sorh决定硬阈值或软阈值,keepapp为判断是否对近似分量进行阈值处理的参数。
步骤③:根据小波分解的第9层低频系数和各层高频系数对步骤①用于分解含噪光谱的小波进行重构,利用重构得到的小波对f(k)进行去噪处理;
根据权利要求1所述的基于荧光光谱的稻种发芽率无损检测方法中的PCA提取特征波段,按照以下步骤计算:
步骤(1):将步骤3得到的荧光光谱设为数据矩阵A,计算矩阵A的协方差矩阵B,B=(Aij)p×p,其中,
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>A</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mrow> <mi>n</mi> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mi>i</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>.....</mn> <mi>p</mi> </mrow> </mtd> </mtr> </mtable> </mfenced>
步骤(2):求出B的特征值λi及相应的正交变化单位特征向量ai,B的前m个较大的特征值λ1≥λ2≥…λm>0,为前m个主成分的方差,λi对应的单位特征向量ai就是主成分Fi的关于数据矩阵B的系数,则数据矩阵B的第i个主成分Fi
Fi=ai·B
步骤(3):通过方差(信息)累计贡献率G(m)进行主成分提取,G(m)的计算公式为:
<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>i</mi> </msub> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>k</mi> </msub> </mrow>
当累计贡献率达到95%时,则提取对应的前m个主成分,否则继续执行步骤(3)。
3.根据权利要求1所述的稻种发芽率预测模型,其特征为,基于深度神经网络(DNN)的单输入单输出的稻种发芽率预测模型,DNN建模按照以下步骤进行:
步骤a:将权利要求1中步骤4所得特征波段的荧光光谱作为样本数据C,对所述的样本数据C进行归一化,使样本数据范围在[0,1]之间,具体代码如下:
for i=1:m
C(i,:)=C(i,:)/norm(C(i,:));
步骤b:定义深度神经网络为三层结构,其中第一层和第三层均是由一个输入单元、一个隐含单元及一个输出单元组成的径向基函数RBF神经网络,第二层是由一个隐含单元和一个可视单元组成的受限玻尔兹曼机RBM神经网络;
步骤c:通过学习样本数据C的特征,训练基于深度神经网络的单输入单输出的稻种发芽率预测模型:
i.随机选取包含稻种老化时间,稻种浸泡时间两个特征的样本数据C的2/3数据作为第一个实验对象,选取样本数据C其余1/3数据作为第二个实验对象,根据权利要求1中步骤4提取两个实验对象训练样本的老化时间和浸泡时间对发芽率贡献的特征,即实验对象训练样本的低级特征;
ii.将实验对象训练样本的低级特征作为深度神经网络中第一层输入单元的输入特征,通过径向基函数RBF神经网络对低级特征进行训练,得到第一个RBF神经网络中隐含单元的输出,作为深度神经网络的第一层输出,即实验对象的高级特征,完成深度神经网络的第一层训练;
iii.通过受限玻尔兹曼机RBM神经网络对实验对象的高级特征进行训练,得到第二个RBM神经网络中隐含单元的输出,作为深度神经网络的第二层输出,即实验对象的更高级特征,完成深度神经网络的第二层训练;
iv.通过径向基函数RBF神经网络对实验对象的更高级特征进行训练,得到第三个RBF神经网络输出单元的输出,作为深度神经网络的第三层输出,即实验对象训练样本的纹理分类特征,完成深度神经网络第三层的训练;
v.若Rc≤0.9,返回步骤i;否则结束DNN模型训练,得到训练好的基于荧光光谱的稻种发芽率预测模型。
CN201610907616.6A 2016-10-17 2016-10-17 一种基于荧光光谱的稻种发芽率无损检测方法 Pending CN107957410A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610907616.6A CN107957410A (zh) 2016-10-17 2016-10-17 一种基于荧光光谱的稻种发芽率无损检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610907616.6A CN107957410A (zh) 2016-10-17 2016-10-17 一种基于荧光光谱的稻种发芽率无损检测方法

Publications (1)

Publication Number Publication Date
CN107957410A true CN107957410A (zh) 2018-04-24

Family

ID=61954402

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610907616.6A Pending CN107957410A (zh) 2016-10-17 2016-10-17 一种基于荧光光谱的稻种发芽率无损检测方法

Country Status (1)

Country Link
CN (1) CN107957410A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537468A (zh) * 2020-06-02 2020-08-14 江南大学 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111537468A (zh) * 2020-06-02 2020-08-14 江南大学 柠檬酸生产中的小麦淀粉乳总糖的nir检测方法

Similar Documents

Publication Publication Date Title
CN109493287A (zh) 一种基于深度学习的定量光谱数据分析处理方法
CN108875913B (zh) 一种基于卷积神经网络的松茸快速无损检测系统及方法
CN104677875B (zh) 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法
CN103134767B (zh) 一种红外光谱校正鉴定白酒品质的方法
CN110717368A (zh) 一种纺织品定性分类方法
CN104008551B (zh) 一种基于可见光图像的柑橘黄龙病检测方法
CN108710974A (zh) 一种基于深度置信网络的水体氨氮预测方法及装置
He et al. Spectral features of soil organic matter
CN114136900B (zh) 一种结合紫外可见光吸收光谱技术的水质检测方法
CN110068543A (zh) 一种基于迁移学习的太赫兹光谱识别方法
CN104568824A (zh) 基于可见/近红外光谱的虾类新鲜度等级检测方法及装置
CN108519339A (zh) 一种基于WT-LSSVR的叶片镉含量Vis-NIR光谱特征建模方法
CN106383088A (zh) 一种基于多光谱成像技术的种子纯度快速无损检测方法
CN105334186A (zh) 一种近红外光谱分析方法
CN115905881A (zh) 黄珍珠分类的方法以及装置、电子设备、存储介质
Zhu et al. Pixel-level rapid detection of aflatoxin B1 based on 1D-modified temporal convolutional network and hyperspectral imaging
CN103134770A (zh) 消除水分对近红外光谱检测土壤全氮含量影响的方法
CN112232343B (zh) 一种粮食霉变粒识别神经网络和识别方法
CN107957410A (zh) 一种基于荧光光谱的稻种发芽率无损检测方法
Zhang et al. Slight crack identification of cottonseed using air-coupled ultrasound with sound to image encoding
CN114878543A (zh) 一种痕量物质的拉曼光谱探测识别方法及系统
Cai et al. Deep metric learning framework combined with Gramian angular difference field image generation for Raman spectra classification based on a handheld Raman spectrometer
Zhu et al. A UV–Vis spectroscopic detection method for cobalt ions in zinc sulfate solution based on discrete wavelet transform and extreme gradient boosting
CN115728278B (zh) 枸杞子储存年份鉴别方法、终端设备及存储介质
CN117219182A (zh) 基于原位光谱和机器学习模型的有机碳组分快速预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180424

WD01 Invention patent application deemed withdrawn after publication