CN108876744B - 一种基于区域分割的大尺度点云噪声去噪方法 - Google Patents
一种基于区域分割的大尺度点云噪声去噪方法 Download PDFInfo
- Publication number
- CN108876744B CN108876744B CN201810675426.5A CN201810675426A CN108876744B CN 108876744 B CN108876744 B CN 108876744B CN 201810675426 A CN201810675426 A CN 201810675426A CN 108876744 B CN108876744 B CN 108876744B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- principal component
- coordinate system
- region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000011218 segmentation Effects 0.000 title claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 description 6
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000005811 Viola adunca Nutrition 0.000 description 1
- 240000009038 Viola odorata Species 0.000 description 1
- 235000013487 Viola odorata Nutrition 0.000 description 1
- 235000002254 Viola papilionacea Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明是一种基于区域分割的大尺度点云噪声去噪方法属于计算机视觉和逆向工程领域,涉及一种基于区域分割的大尺度点云噪声去噪方法。该方法首先利用搭建的激光辅助双目视觉测量系统获取原始点云数据,再采用主成分分析法获得点云主成分方向向量和与其垂直的第二主成分方向向量,通过向量叉乘求取第三向量,形成新的笛卡尔坐标系。然后对点云进行坐标系变换,得到用于区域分割的点云;然后,沿第一主成分方向进行区域分割,分割的区间大小根据激光扫描的频率设定。最后分区域设定中值阈值,去除阈值之外的大尺度噪声。该方法具有测量速度快、鲁棒性好的特点,实现了大尺度噪声的快速去除,效率高,适应性强,实时性好。
Description
技术领域
本发明属于计算机视觉和逆向工程领域,涉及一种基于区域分割的大尺度点云噪声去噪方法。
背景技术
大型航空零件进行装配的过程中,在翼身对接处、蒙皮与蒙皮连接处等部位难免会出现间隙。由于塞尺检测和人工观测检测等传统的装配间隙测量方法存在测量效率低、精度差、人工影响大等缺点,在飞机制造领域大多采用逆向工程这一全新的数字化测量技术进行装配间隙的测量与分析。点云获取作为逆向工程的第一步,在激光扫描系统采集点云数据过程中,由于被测物本身和测量环境等原因造成的误差会产生脉冲噪声点。这些噪声一般可分为大尺度噪声和小尺度噪声两种,其中大尺度噪声可分为两类,第一类是偏离点云悬浮点云上方的稀疏点,第二类是距离点云主体较远,小而密集的点云;小尺度噪声是与主体点云混在一起的噪声点。这些不同种类的噪声会对逆向重建的结果产生很大的影响,因此研究虑及一种基于区域分割的大尺度点云噪声去噪方法对于确保逆向重建精度,实现零部件装配偏差的测量具有重要意义。目前,传统的大尺度噪声的去噪方法有最小包围盒法、统计滤波法、半径滤波法、椭球准则法和区域增长法等,这些方法大多要借助邻域算法,计算量过大,运算时间长,无法同时去除两种大尺度噪声。
华南理工大学邓文君等人发表了《面向机器人磨抛的激光点云获取及去噪算法》光学学报,2016年第8期,文中提出了一种局部邻域均值的去噪算法,利用激光扫描技术对机器人夹持工件的形状误差以及装夹误差进行测量和评估,该方法改进了均值滤波的局限性,可以有效地去除大尺度噪声中偏离点云主体悬浮在点云上方的稀疏点和小尺度噪声,但该方法容易受到大尺度噪声中距离点云主体较远且小而密集的点云的影响,难以进行有效滤波。南昌大学的吴禄慎等人发表了《基于特征信息分类的三维点数据去噪》,光学精密工程,2016年第6期,文中提出了一种基于特征信息分类的三维点云数据去噪方法,利用法向量和曲率估计法对特征信息分类,并对不同的特征区域分别进行均值滤波和双边滤波,该方法有效避免了双边滤波对特征信息较少的平坦区域产生过光顺现象,但无法对大尺度噪声进行去除。
发明内容
本发明为了解决传统大尺度噪声去噪方法存在一些局限性和效率低等问题,发明了一种基于区域分割的大尺度点云噪声去噪方法。其目的是针对传统大尺度去噪方法计算量大、运算时间长且仅对具有区域特征的点云进行去除的问题,通过对三维点云进行区域分割,然后分区域设置中值阈值进行中值滤波去噪,实现了大尺度噪声的快速去除,具有效率高、适应性强、实时性好的优势。
本发明采用的技术方案是一种基于区域分割的大尺度点云噪声去噪方法,其特征是,该方法首先利用搭建的激光辅助双目视觉测量系统获取原始点云数据,再采用主成分分析法获得点云主成分方向向量和与其垂直的第二主成分方向向量,通过向量叉乘求取第三向量,形成新的笛卡尔坐标系;然后对点云进行坐标系变换,得到用于区域分割的点云;然后,沿第一主成分方向进行区域分割,分割的区间大小根据激光扫描的频率设定;最后分区域设定中值阈值,去除阈值之外的大尺度噪声;方法的具体步骤如下:
第一步:基于激光辅助的双目视觉测量系统获取原始点云数据
首先,搭建基于激光辅助的双目视觉测量系统,将左、右相机c、d,激光发生器b、NI控制器e与图像工作站f连接,然后将被测对象a放置在左、右相机c、d的视场范围之内,基于张氏标定法利用标定板对左、右相机c、d进行标定,激光发生器b向被测对象a投射激光的同时左、右相机c、d捕捉被测对象表面的激光光条,并将采集到的激光光条图像存入图像工作站f,然后提取激光光条中心,获取光条中心的点云,对点云数据进行拼接获取被测件的原始三维点云数据;
第二步:基于主成分分析法转换坐标系
通过第一步获取的点云数据是建立在相机坐标系下,无法直接获取点云数据最大数据量的投影方向,因此需要采用主成分分析法求解最大数据量的投影方向:
1)特征向量的归一化处理
假设三维点云数据的矩阵为P=[X Y Z],其中,向量X=[x1 x2 … xn]T,Y=[y1 y2… yn]T,Z=[z1 z2 … zn]T,然后对向量X、Y、Z进行归一化处理,得到点云数据中心
2)数据去中心求取协方差矩阵
由点云的数据矩阵和数据中心,数据去中心化得P'=[X' Y' Z'],
数据P'的协方差矩阵C由公式(4)求得:
因矩阵C是一个实对称矩阵,将C对角化:
其中,λ是矩阵C的特征值,U是特征向量所组成的矩阵;
3)建立新的坐标系进行坐标变换
因此,建立一个新的u1u2u坐标系,将XYZ坐标系下的点云数据转换到u1u2u坐标系下,转换公式为:
其中,Q为u1u2u坐标系下点云的集合;
第三步:基于区域分割去除大尺度噪声
获取点云的过程中,由于被测零件边界外的光条与边界内的光条无法有效地区分,导致被测零件边界外存在部分噪声点,因此需要进行基于区域分割的去噪,具体过程如下:
1)沿第一主成分方向分割点云区域
经过坐标系变换的点云坐标集合为Q,沿着第一主成分u1方向分割点云区域,每个区域内数据点的u坐标集合为σ表示u1方向分割点云区域的长度,σ值的大小根据采集系统的激光扫描频率设定,为分割区域内u坐标的集合
其中,z″k(k=1,2…,l)表示区域内数据点的u坐标值,l表示区域内数据点的u坐标值的个数,j=1,2…,q表示分割区域的序号,x″j和x″j+σ为第j个分割区域边界u1坐标值;
2)分区域设置阈值去除噪声
在分割区域内对的元素进行排序,求取分割区域内元素的中值z″m,计算各元素与z″m的距离,记为dk=|z″k-z″m|,将dk按照从小到大的顺序排列,并设置阈值dm,将dk值大于阈值dm的z″k删除,并将剩下的元素集合对应的点云数据坐标记为Q',最终得到去除大尺度噪声后的点云数据;
本发明的有益效果是利用激光辅助双目视觉测量系统获取原始点云数据具有测量速度快、鲁棒性好等特点;再利用主成分分析法进行坐标系转换直接获取点云数据最大数据量投影方向,减少信息的丢失。最后,采用基于区域分割的大尺度噪声去噪方法,克服了传统大尺度噪声去除方法计算量大、运行时间长,且不能同时对不同种类大尺度噪声进行去噪的缺点,对点云进行区域分割后设置中值阈值,实现了大视场工业环境下高精度快速去除不同类型大尺度噪声的目标,该方法实现了大尺度噪声的快速去除,效率高,适应性强,实时性好。
附图说明
图1是激光辅助双目视觉采集系统,其中,a-被测工件,b-激光发生器,c-左相机,d-右相机,e-NI控制器,f-图像处理工作站。
图2是基于区域分割的大尺度点云噪声去噪方法流程图。
图3是基于区域分割的中值求解原理图。
具体实施方式
以下结合技术方法和附图详细叙述本发明的具体实施方式。
本实施例中,被测物体为机翼上壁板,将波长460nm蓝紫线激光投射到机翼上壁板上,采用配置广角镜头的相机拍摄光条图像。相机型号为view works VC-12MC-M/C 65相机,分辨率:4096×3072,图像传感器:CMOS,帧率:全画幅,最高64.3fps,重量:420g。广角镜头型号为EF 16-35mm f/2.8L II USM,参数如下所示,镜头焦距:f=16-35mm,APS焦距:25.5-52.5,光圈:F2.8,镜头尺寸:82×106。拍摄条件如下:图片像素为4096×3072,镜头焦距为25mm,物距为750mm,视场约为850mm×450mm。
图2是基于区域分割的大尺度点云噪声去噪方法流程图,去噪方法的具体步骤如下:
第一步:基于激光辅助的双目视觉系统采集原始点云数据
搭建激光辅助双目视觉测量系统,如图1所示。将左、右相机c、d,激光发生器b、NI控制器e与图像工作站f连接,然后将被测对象a放置在左、右相机c、d的视场范围之内,基于张氏标定法利用标定板对左、右相机c、d进行标定,激光发生器b向被测对象a投射激光的同时左、右相机c、d捕捉被测对象表面的激光光条,并将采集到的激光光条图像存入图像工作站f,然后提取激光光条中心,获取光条中心的点云,对点云数据进行拼接获取被测件的三维形貌。
第二步:基于主成分分析法转换坐标系
由第一步获取激光光条的原始点云,建立在左右相机c、d坐标系下,通过主成分分析法求解最大数据量的投影方向,具体过程如下:
1)特征向量的归一化处理
2)数据去中心求取协方差矩阵
由1)可知点云的数据矩阵和数据中心,由公式(2)和公式(3)进行数据去中心化可得P',由公式(4)可得数据P'的协方差矩阵C;因矩阵C是一个实对称矩阵,所以由公式(5)对矩阵C进行对角化得到对角化矩阵D;
3)建立新的坐标系进行坐标变换
将得到协方差矩阵的对角化矩阵D中的特征值按照从大到小排列,得到与其对应的前两个特征向量u1和u2,然后求解投影方向u;然后建立一个新的u1u2u坐标系,如图2所示,将XYZ坐标系下的点云转换到u1u2u坐标系下,转换关系如公式(6);
第三步:基于区域分割去除大尺度噪声
1)沿第一主成分方向分割点云区域
经过坐标系变换的点云坐标集合为Q,沿着第一主成分u1方向分割点云区域,每个区域内数据点的u坐标为集合,σ表示u1方向分割点云区域的长度,σ值的大小根据采集系统的激光扫描频率设定,公式(7)为分割区域内u坐标的集合
2)分区域设置阈值去除噪声
图3是基于区域分割的中值求解原理图,在分割区域内对的元素进行排序,求取分割区域内元素的中值z″m,计算各元素与z″m的距离,记为dk,将dk按照从小到大的顺序排列,并设置阈值dm,将dk值大于阈值dm的z″k删除,并将剩下的元素集合对应的点云数据坐标记为Q',最终得到去除大尺度噪声后的点云数据。
通过选取点云数据量为119025的壁板零件进行实验,去噪后点云数据量为118405,点云去噪率为0.52%,CPU运行时间为0.52s。实验证明,该方法可以有效地去除大尺度噪声点,具有去噪效率较高、运算时间较短的特点,可以满足现场试验的测量要求。
Claims (1)
1.一种基于区域分割的大尺度点云噪声去噪方法,其特征是,该方法首先利用搭建的激光辅助双目视觉测量系统获取原始点云数据,再采用主成分分析法获得点云主成分方向向量和与其垂直的第二主成分方向向量,通过向量叉乘求取第三向量,形成新的笛卡尔坐标系;然后对点云进行坐标系变换,得到用于区域分割的点云;沿第一主成分方向进行区域分割,分割的区间大小根据激光扫描的频率设定;最后分区域设定中值阈值,去除阈值之外的大尺度噪声;方法的具体步骤如下:
第一步:基于激光辅助的双目视觉采集原始点云数据首先,搭建基于激光辅助的双目视觉测量系统,将左、右相机(c、d)、激光发生器(b)、NI控制器(e)与图像工作站(f)连接,然后将被测对象(a)放置在左、右相机(c、d)的视场范围之内,基于张氏标定法利用标定板对左、右相机(c、d)进行标定,激光发生器(b)向被测对象(a)投射激光的同时左、右相机(c、d)捕捉被测对象表面的激光光条,并将采集到的激光光条图像存入图像工作站(f),然后提取激光光条中心,获取光条中心的点云,对点云数据进行拼接获取被测件的原始三维点云数据;
第二步:基于主成分分析法转换坐标系
通过第一步获取的点云数据是建立在相机坐标系下,无法直接获取点云数据最大数据量的投影方向,因此需要采用主成分分析法求解最大数据量的投影方向:
1)特征向量的归一化处理
2)数据去中心求取协方差矩阵
由点云的数据矩阵和数据中心,数据去中心化得P'=[X' Y' Z'],
数据P'的协方差矩阵C由公式(4)求得:
因矩阵C是一个实对称矩阵,将C对角化:
其中,λ是矩阵C的特征值,U是特征向量所组成的矩阵;
3)建立新的坐标系进行坐标变换
因此,建立一个新的u1u2u坐标系,将XYZ坐标系下的点云转换到u1u2u坐标系下,转换公式为:
其中,Q为u1u2u坐标系下点云的集合;
第三步:基于区域分割去除大尺度噪声
在获取点云的过程中,由于被测零件边界外的光条与边界内的光条无法有效地区分,导致被测零件边界外存在部分噪声点,因此需要进行基于区域分割的去噪,具体过程如下:
1)沿第一主成分u1方向分割点云区域
经过坐标系变换的点云坐标集合为Q,沿着第一主成分u1方向分割点云区域,每个区域内数据点的u坐标集合为其中j=1,2…,q,σ表示u1方向分割点云区域的长度,σ值的大小根据采集系统的激光扫描频率设定,为分割区域内u坐标的集合其中j=1,2…,q,即:
其中,z″k表示区域内数据点的u坐标值,其中k=1,2…,l;l表示区域内数据点的u坐标值的个数,j=1,2…,q表示分割区域的序号,x″j和x″j+σ为第j个分割区域边界u1坐标值;
2)分区域设置阈值去除噪声
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810675426.5A CN108876744B (zh) | 2018-06-27 | 2018-06-27 | 一种基于区域分割的大尺度点云噪声去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810675426.5A CN108876744B (zh) | 2018-06-27 | 2018-06-27 | 一种基于区域分割的大尺度点云噪声去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876744A CN108876744A (zh) | 2018-11-23 |
CN108876744B true CN108876744B (zh) | 2020-01-17 |
Family
ID=64295949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810675426.5A Active CN108876744B (zh) | 2018-06-27 | 2018-06-27 | 一种基于区域分割的大尺度点云噪声去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876744B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109142B (zh) * | 2019-04-04 | 2021-04-02 | 深圳市速腾聚创科技有限公司 | 点云滤波方法、装置、计算机设备和存储介质 |
CN110781937B (zh) * | 2019-10-16 | 2022-05-17 | 广州大学 | 一种基于全局视角的点云特征提取方法 |
CN110782416B (zh) * | 2019-11-05 | 2022-05-17 | 北京深测科技有限公司 | 三维点云数据的去噪方法 |
CN111724323B (zh) * | 2020-06-19 | 2024-01-26 | 武汉海达数云技术有限公司 | 激光雷达点云阳光噪点去除方法及装置 |
CN111798398B (zh) * | 2020-07-10 | 2023-09-22 | 盛景智能科技(嘉兴)有限公司 | 点云降噪方法、装置、电子设备和计算机可读存储介质 |
CN112102178A (zh) * | 2020-07-29 | 2020-12-18 | 深圳市菲森科技有限公司 | 一种点云保特征去噪方法、装置、电子设备及存储介质 |
CN112683191B (zh) * | 2020-11-30 | 2022-06-28 | 深圳市道通科技股份有限公司 | 基于线激光的胎纹沟槽深度测量方法、装置及计算设备 |
CN115509214B (zh) * | 2021-06-04 | 2024-03-15 | 同方威视技术股份有限公司 | 定位控制方法和装置、自主充电控制装置、方法及系统 |
CN114609591B (zh) * | 2022-03-18 | 2022-12-20 | 湖南星晟智控科技有限公司 | 一种基于激光点云数据的数据处理方法 |
CN115471832A (zh) * | 2022-07-29 | 2022-12-13 | 武汉大学 | 基于三维点云数据的输电线路杆塔塔型识别方法及设备 |
CN117047787B (zh) * | 2023-10-13 | 2023-12-29 | 中国长江电力股份有限公司 | 基于双目结构光视觉的水轮机顶盖在位机器人编程方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933786A (zh) * | 2017-03-07 | 2017-07-07 | 福建农林大学 | 一种三维激光点云数据快速体素化处理方法 |
CN107301648A (zh) * | 2017-06-09 | 2017-10-27 | 大连理工大学 | 基于重叠区域边界角度的冗余点云去除方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102136155B (zh) * | 2010-01-27 | 2012-10-03 | 首都师范大学 | 基于三维激光扫描数据的物体立面矢量化方法和系统 |
US10074160B2 (en) * | 2016-09-30 | 2018-09-11 | Disney Enterprises, Inc. | Point cloud noise and outlier removal for image-based 3D reconstruction |
CN108090923A (zh) * | 2016-11-22 | 2018-05-29 | 广州映博智能科技有限公司 | 基于三维激光扫描的空间点云数据配准方法 |
CN107687816B (zh) * | 2017-08-22 | 2019-05-14 | 大连理工大学 | 一种基于点云局部特征提取的装配间隙的测量方法 |
CN108010002B (zh) * | 2017-12-25 | 2021-06-01 | 浙江大学 | 一种基于自适应隐式移动最小二乘的结构化点云去噪方法 |
-
2018
- 2018-06-27 CN CN201810675426.5A patent/CN108876744B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933786A (zh) * | 2017-03-07 | 2017-07-07 | 福建农林大学 | 一种三维激光点云数据快速体素化处理方法 |
CN107301648A (zh) * | 2017-06-09 | 2017-10-27 | 大连理工大学 | 基于重叠区域边界角度的冗余点云去除方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108876744A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108876744B (zh) | 一种基于区域分割的大尺度点云噪声去噪方法 | |
CN109544456B (zh) | 基于二维图像和三维点云数据融合的全景环境感知方法 | |
CN109272524B (zh) | 一种基于阈值分割的小尺度点云噪声去噪方法 | |
WO2018028103A1 (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
Prescott et al. | Line-based correction of radial lens distortion | |
CN105716539B (zh) | 一种快速高精度的三维形面测量方法 | |
CN108986070B (zh) | 一种基于高速视频测量的岩石裂缝扩展实验监测方法 | |
CN107369159B (zh) | 基于多因素二维灰度直方图的阈值分割方法 | |
JP6305171B2 (ja) | シーン内の物体を検出する方法 | |
CN110189257B (zh) | 点云获取的方法、装置、系统及存储介质 | |
CN107767456A (zh) | 一种基于rgb‑d相机的物体三维重建方法 | |
CN109341668B (zh) | 基于折射投影模型和光束追踪法的多相机测量方法 | |
CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
CN114627177B (zh) | 一种基于图像分割的飞机蒙皮间隙与阶差测量方法 | |
CN110796728A (zh) | 一种基于扫描式激光雷达的非合作航天器三维重建方法 | |
CN108663026B (zh) | 一种振动测量方法 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
Wu et al. | A novel high precise laser 3D profile scanning method with flexible calibration | |
CN113324478A (zh) | 一种线结构光的中心提取方法及锻件三维测量方法 | |
CN115482195B (zh) | 一种基于三维点云的列车部件变形检测方法 | |
CN103308000A (zh) | 基于双目视觉的曲线物体测量方法 | |
CN112241964A (zh) | 一种用于线结构光非接触测量的光条中心提取方法 | |
CN113390357B (zh) | 一种基于双目多线结构光的铆钉齐平度测量方法 | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN113536959A (zh) | 一种基于立体视觉的动态障碍物检测方法 |
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 |