CN109086201A - 软件自动化测试方法及系统 - Google Patents

软件自动化测试方法及系统 Download PDF

Info

Publication number
CN109086201A
CN109086201A CN201810775767.XA CN201810775767A CN109086201A CN 109086201 A CN109086201 A CN 109086201A CN 201810775767 A CN201810775767 A CN 201810775767A CN 109086201 A CN109086201 A CN 109086201A
Authority
CN
China
Prior art keywords
test
neural networks
convolutional neural
result
software
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
CN201810775767.XA
Other languages
English (en)
Inventor
王建敏
孙东坡
吕灼恒
王家尧
原帅
南亚
李媛
郝文静
王雄斌
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.)
Dawning Information Industry Beijing Co Ltd
Original Assignee
Dawning Information Industry Beijing Co Ltd
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 Dawning Information Industry Beijing Co Ltd filed Critical Dawning Information Industry Beijing Co Ltd
Priority to CN201810775767.XA priority Critical patent/CN109086201A/zh
Publication of CN109086201A publication Critical patent/CN109086201A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供一种软件自动化测试方法及系统。所述方法包括：通过版本推送机制，发现软件新版本，自动更新测试环境；为测试工具准备测试所需要的测试数据和测试用例；启动自动化测试框架；通过根据测试用例的源码自动生成测试套件配置信息，执行测试用例，并对操作步骤和测试结果进行截图保存；使用双通道卷积神经网络模型将测试结果与预期结果进行比较，得出相似度结果；对所有的测试结果进行分析，对同类型的问题进行归类，生成测试报告。本发明能够基于深度学习实现软件的自动化测试，提高测试的效率以及测试结果的正确率。

Description

软件自动化测试方法及系统
技术领域
本发明涉及软件测试技术领域，尤其涉及一种软件自动化测试方法及系统。
背景技术
随着软件产品的应用范围越来越广、功能越来越复杂，软件质量的管理也越来越困难，虽然人们在进行软件开发的过程中使用了许多有效的分析、设计和实现方法，但仍然不能避免出现各种各样的错误。有些软件每周都会发布新版本，而且软件中不断出现新特性和功能变更，而现有的测试都是由人工进行的，从而导致测试人员的工作量越来越大，而且存在大量的重复性测试，测试效率低、错误率高。
发明内容
本发明提供的软件自动化测试方法及系统，能够基于深度学习实现软件的自动化测试，提高测试的效率以及测试结果的正确率。
第一方面，本发明提供一种软件自动化测试方法，包括：
通过版本推送机制，发现软件新版本，自动更新测试环境；
为测试工具准备测试所需要的测试数据和测试用例；
调用自动化测试框架；
通过根据测试用例的源码自动生成测试套件配置信息，执行测试用例，并对操作步骤和测试结果进行截图保存；
使用双通道卷积神经网络模型将测试结果与预期结果进行比较，得出相似度结果；
对所有的测试结果进行分析，对同类型的问题进行归类，生成测试报告。
可选地，所述双通道卷积神经网络模型由两个相对独立的卷积神经网络组成，每一个卷积神经网络由卷积层和池化层交替多次排列后构成，最后一层采用空间金字塔池化，池化层之后，两个通道分别连接一个全连接层，进行一次全连接映射，然后再将两个全连接层通过一个全连接层结合在一起，最后是Softmax分类器，将提取的特征进行分类，给出预测值。
可选地，所述使用双通道卷积神经网络模型对所述测试结果与预期结果进行比较包括：
将预期结果和实际结果作为输入数据；
通过卷积核的固定步长移动对输入数据进行局部特征提取；
通过池化操作使图像的局部特征逐步扩大范围，整合为全局特征；
通过全连接层把前边提取到的特征综合起来，进行重新拟合，其中，全连接层的每一个输出由前一层的每一个结点乘以一个权重系数再加上一个偏置值得到；
通过Softmax分类器计算出每个类别的概率值。
可选地，所述方法还包括：
通过配置文件修改测试类型，调用不同的测试框架。
可选地，所述方法还包括：
将所述测试报告通过邮件发送给相关人员。
第二方面，本发明提供一种软件自动化测试系统，包括：
发现单元，用于通过版本推送机制，发现软件新版本，自动更新测试环境；
输入单元，用于为测试工具准备测试所需要的测试数据和测试用例；
调用单元，用于调用自动化测试框架；
执行单元，用于通过根据测试用例的源码自动生成测试套件配置信息，执行测试用例，并对操作步骤和测试结果进行截图保存；
比较单元，用于使用双通道卷积神经网络模型将测试结果与预期结果进行比较，得出相似度结果；
分析单元，用于对所有的测试结果进行分析，对同类型的问题进行归类，生成测试报告。
可选地，所述双通道卷积神经网络模型由两个相对独立的卷积神经网络组成，每一个卷积神经网络由卷积层和池化层交替多次排列后构成，最后一层采用空间金字塔池化，池化层之后，两个通道分别连接一个全连接层，进行一次全连接映射，然后再将两个全连接层通过一个全连接层结合在一起，最后是Softmax分类器，将提取的特征进行分类，给出预测值。
可选地，用于将预期结果和实际结果作为输入数据；通过卷积核的固定步长移动对输入数据进行局部特征提取；通过池化操作使图像的局部特征逐步扩大范围，整合为全局特征；通过全连接层把前边提取到的特征综合起来，进行重新拟合，其中，全连接层的每一个输出由前一层的每一个结点乘以一个权重系数再加上一个偏置值得到；通过Softmax分类器计算出每个类别的概率值。
可选地，所述调用单元，用于通过配置文件修改测试类型，调用不同的测试框架。
可选地，所述系统还包括：
发送单元，用于将所述测试报告通过邮件发送给相关人员。
本发明实施例提供的软件自动化测试方法及系统，利用双通道卷积神经网络的深度学习，实现自动分类代替手工分类，能够提高软件测试的效率；基于双通道卷积神经网络的深度学习对软件测试过程中的图片和文本进行对比，能够提高测试结果判断的正确率；而且，能够自动更新测试软件，实现多类型测试，收集测试结果并对结果进行分类分析，高性能、低成本、开发维护和使用简单可靠。
附图说明
图1为本发明实施例提供的软件自动化测试方法的流程图；
图2为本发明实施例提供的双通道卷积神经网络模型的示意图；
图3为本发明实施例提供的双通道卷积神经网络模型的训练过程示意图；
图4为本发明实施例提供的自动化测试框架的示意图；
图5为本发明实施例提供的软件自动化测试系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种软件自动化测试方法，如图1所示，所述方法包括：
S11、通过版本推送机制，发现软件新版本，自动更新测试环境。
S12、为测试工具准备测试所需要的测试数据和测试用例。
S13、调用自动化测试框架。
S14、通过根据测试用例的源码自动生成测试套件配置信息，执行测试用例，并对操作步骤和测试结果进行截图保存。
S15、使用双通道卷积神经网络模型将测试结果与预期结果进行比较，得出相似度结果。
S16、对所有的测试结果进行分析，对同类型的问题进行归类，生成测试报告。
下面对本发明实施例软件自动化测试方法进行详细说明。
首先对基于深度学习的双通道图像相似度判别的实现进行介绍。
如图2所示，双通道卷积神经网络模型由两个相对独立的卷积神经网络组成，每一个卷积神经网络由卷积层和池化层交替多次排列后构成，最后一层采用空间金字塔池化，池化层之后，两个通道分别连接一个全连接层，进行一次全连接映射，然后再将两个全连接层通过一个全连接层结合在一起，后面是Softmax分类器，将提取的特征进行分类，给出预测值。
图2中各层的名称的解释如表1所示：
表1
层名称 描述
Conv1 基于修正线性激活的卷积
Pool1 最大值池化
Conv2 基于修正线性激活的卷积
SPP 空间金字塔池化
local3 基于修正线性激活的全连接层
local4 基于修正线性激活的全连接层
Softmax 进行线性变换输出值
在图2所示的双通道卷积神经网络模型中，预期结果和实际结果作为输入数据；卷积层通过卷积核的固定步长移动对输入进行局部特征提取；通过池化操作使图像的局部特征逐步扩大范围，整合为全局特征；全连接层把前边提取到的特征综合起来，进行重新拟合，减少特征信息的损失，全连接层的每一个输出都可以看成前一层的每一个结点乘以一个权重系数W，最后加上一个偏置值b得到；Softmax解决多分类问题，计算出每个类别的概率值。
如图3所示，在TensorFlow上训练上述双通道卷积神经网络模型的流程为：
S31、输入数据和模型。
S32、判断参数是否调整，如果调整，则执行步骤S38，否则执行步骤S32。
S33、调整训练周期。
S34、调整算法学习率。
S35、调整激活函数。
S36、调整权重方法。
S37、调整dropout。
S38、微调各项参数。
S39、模型训练完成，保存模型。
其次，对自动化测试框架进行介绍。
自动化测试工具集成Selenium、JMeter、TestNG的框架，实现功能、性能于一体的测试方法。测试工具包括数据模型、转换器、执行器、双通道卷积神经网络模型、结果收集器。
数据模型是包含来自于XML的对象模型，如动作、断言、元素、用例。
转换器用来将测试用例转换到一个能够被特定工具识别的测试用例工具。
执行器调用相关的工具执行测试用例。
结果收集器用来收集预期结果和实际结果。
采用双通道卷积神经网络模型确定测试用例是否通过，测试结果与预期结果进行分类、比较、分析。
如图4所示，自动化测试框架的运行过程如下：
1、通过版本推送机制，发现新版本，自动更新测试环境。
2、为测试工具准备web测试所需要的测试数据和测试用例。
3、启动自动化测试框架，通过配置文件修改测试类型，调用不同的测试框架。
4、通过根据测试用例的源码自动生成测试套件配置信息,执行测试用例，并对操作步骤和测试结果进行截图保存至图像库。
5、通过结果收集器使用深度学习模型对实际结果与预测结果进行比较包括文本和图片，给出相似度结果。
6、对所有的测试结果进行分析，对同类型的问题进行归类，帮助测试开发人员定位问题。
7、自动生成测试报告，并发邮件给相关人员。
本发明实施例提供的软件自动化测试方法，利用双通道卷积神经网络的深度学习，实现自动分类代替手工分类，能够提高软件测试的效率；基于双通道卷积神经网络的深度学习对软件测试过程中的图片和文本进行对比，能够提高测试结果判断的正确率；而且，能够自动更新测试软件，实现多类型测试，收集测试结果并对结果进行分类分析，高性能、低成本、开发维护和使用简单可靠。
本发明实施例还提供一种软件自动化测试系统，如图5所示，所述系统包括：
发现单元11，用于通过版本推送机制，发现软件新版本，自动更新测试环境；
输入单元12，用于为测试工具准备测试所需要的测试数据和测试用例；
调用单元13，用于调用自动化测试框架；
执行单元14，用于通过根据测试用例的源码自动生成测试套件配置信息，执行测试用例，并对操作步骤和测试结果进行截图保存；
比较单元15，用于使用双通道卷积神经网络模型将测试结果与预期结果进行比较，得出相似度结果；
分析单元16，用于对所有的测试结果进行分析，对同类型的问题进行归类，生成测试报告。
可选地，所述双通道卷积神经网络模型由两个相对独立的卷积神经网络组成，每一个卷积神经网络由卷积层和池化层交替多次排列后构成，最后一层采用空间金字塔池化，池化层之后，两个通道分别连接一个全连接层，进行一次全连接映射，然后再将两个全连接层通过一个全连接层结合在一起，最后是Softmax分类器，将提取的特征进行分类，给出预测值。
可选地，用于将预期结果和实际结果作为输入数据；通过卷积核的固定步长移动对输入数据进行局部特征提取；通过池化操作使图像的局部特征逐步扩大范围，整合为全局特征；通过全连接层把前边提取到的特征综合起来，进行重新拟合，其中，全连接层的每一个输出由前一层的每一个结点乘以一个权重系数再加上一个偏置值得到；通过Softmax分类器计算出每个类别的概率值。
可选地，所述调用单元13，用于通过配置文件修改测试类型，调用不同的测试框架。
进一步地，所述系统还包括：
发送单元，用于将所述测试报告通过邮件发送给相关人员。
本发明实施例提供的软件自动化测试系统，利用双通道卷积神经网络的深度学习，实现自动分类代替手工分类，能够提高软件测试的效率；基于双通道卷积神经网络的深度学习对软件测试过程中的图片和文本进行对比，能够提高测试结果判断的正确率；而且，能够自动更新测试软件，实现多类型测试，收集测试结果并对结果进行分类分析，高性能、低成本、开发维护和使用简单可靠。
本实施例的系统，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所述，仅为本发明的具体实施方式，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 (10)

1.一种软件自动化测试方法，其特征在于，包括：
通过版本推送机制，发现软件新版本，自动更新测试环境；
为测试工具准备测试所需要的测试数据和测试用例；
调用自动化测试框架；
通过根据测试用例的源码自动生成测试套件配置信息，执行测试用例，并对操作步骤和测试结果进行截图保存；
使用双通道卷积神经网络模型将测试结果与预期结果进行比较，得出相似度结果；
对所有的测试结果进行分析，对同类型的问题进行归类，生成测试报告。
2.根据权利要求1所述的方法，其特征在于，所述双通道卷积神经网络模型由两个相对独立的卷积神经网络组成，每一个卷积神经网络由卷积层和池化层交替多次排列后构成，最后一层采用空间金字塔池化，池化层之后，两个通道分别连接一个全连接层，进行一次全连接映射，然后再将两个全连接层通过一个全连接层结合在一起，最后是Softmax分类器，将提取的特征进行分类，给出预测值。
3.根据权利要求2所述的方法，其特征在于，所述使用双通道卷积神经网络模型对所述测试结果与预期结果进行比较包括：
将预期结果和实际结果作为输入数据；
通过卷积核的固定步长移动对输入数据进行局部特征提取；
通过池化操作使图像的局部特征逐步扩大范围，整合为全局特征；
通过全连接层把前边提取到的特征综合起来，进行重新拟合，其中，全连接层的每一个输出由前一层的每一个结点乘以一个权重系数再加上一个偏置值得到；
通过Softmax分类器计算出每个类别的概率值。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
通过配置文件修改测试类型，调用不同的测试框架。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
将所述测试报告通过邮件发送给相关人员。
6.一种软件自动化测试系统，其特征在于，包括：
发现单元，用于通过版本推送机制，发现软件新版本，自动更新测试环境；
输入单元，用于为测试工具准备测试所需要的测试数据和测试用例；
调用单元，用于调用自动化测试框架；
执行单元，用于通过根据测试用例的源码自动生成测试套件配置信息，执行测试用例，并对操作步骤和测试结果进行截图保存；
比较单元，用于使用双通道卷积神经网络模型将测试结果与预期结果进行比较，得出相似度结果；
分析单元，用于对所有的测试结果进行分析，对同类型的问题进行归类，生成测试报告。
7.根据权利要求6所述的系统，其特征在于，所述双通道卷积神经网络模型由两个相对独立的卷积神经网络组成，每一个卷积神经网络由卷积层和池化层交替多次排列后构成，最后一层采用空间金字塔池化，池化层之后，两个通道分别连接一个全连接层，进行一次全连接映射，然后再将两个全连接层通过一个全连接层结合在一起，最后是Softmax分类器，将提取的特征进行分类，给出预测值。
8.根据权利要求7所述的系统，其特征在于，所述比较单元，用于将预期结果和实际结果作为输入数据；通过卷积核的固定步长移动对输入数据进行局部特征提取；通过池化操作使图像的局部特征逐步扩大范围，整合为全局特征；通过全连接层把前边提取到的特征综合起来，进行重新拟合，其中，全连接层的每一个输出由前一层的每一个结点乘以一个权重系数再加上一个偏置值得到；通过Softmax分类器计算出每个类别的概率值。
9.根据权利要求6至8中任一项所述的系统，其特征在于，所述调用单元，用于通过配置文件修改测试类型，调用不同的测试框架。
10.根据权利要求6至8中任一项所述的系统，其特征在于，所述系统还包括：
发送单元，用于将所述测试报告通过邮件发送给相关人员。
CN201810775767.XA 2018-07-16 2018-07-16 软件自动化测试方法及系统 Pending CN109086201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810775767.XA CN109086201A (zh) 2018-07-16 2018-07-16 软件自动化测试方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810775767.XA CN109086201A (zh) 2018-07-16 2018-07-16 软件自动化测试方法及系统

Publications (1)

Publication Number Publication Date
CN109086201A true CN109086201A (zh) 2018-12-25

Family

ID=64837969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810775767.XA Pending CN109086201A (zh) 2018-07-16 2018-07-16 软件自动化测试方法及系统

Country Status (1)

Country Link
CN (1) CN109086201A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020151344A1 (zh) * 2019-01-22 2020-07-30 平安科技（深圳）有限公司 针对迭代子版本的软件开发测试方法及相关装置
CN117349189A (zh) * 2023-12-05 2024-01-05 四川才子软件信息网络有限公司 一种app新版本测试方法、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2280288A (en) * 1993-07-20 1995-01-25 Northern Telecom Ltd Code sequence detection.
CN104714884A (zh) * 2015-01-05 2015-06-17 中山大学 一种检查web应用和Android应用一致性的方法
CN104978270A (zh) * 2015-07-03 2015-10-14 上海触乐信息科技有限公司 一种自动化地软件测试方法和装置
CN105988924A (zh) * 2015-02-10 2016-10-05 中国船舶工业综合技术经济研究院 一种非侵入式嵌入式软件图形用户界面自动化测试方法
CN106886491A (zh) * 2017-01-17 2017-06-23 博彦科技股份有限公司 网页兼容性测试方法及装置
CN108197030A (zh) * 2018-01-15 2018-06-22 中国计量大学 基于深度学习的软件界面自动测试云平台装置及测试方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2280288A (en) * 1993-07-20 1995-01-25 Northern Telecom Ltd Code sequence detection.
CN104714884A (zh) * 2015-01-05 2015-06-17 中山大学 一种检查web应用和Android应用一致性的方法
CN105988924A (zh) * 2015-02-10 2016-10-05 中国船舶工业综合技术经济研究院 一种非侵入式嵌入式软件图形用户界面自动化测试方法
CN104978270A (zh) * 2015-07-03 2015-10-14 上海触乐信息科技有限公司 一种自动化地软件测试方法和装置
CN106886491A (zh) * 2017-01-17 2017-06-23 博彦科技股份有限公司 网页兼容性测试方法及装置
CN108197030A (zh) * 2018-01-15 2018-06-22 中国计量大学 基于深度学习的软件界面自动测试云平台装置及测试方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯家文等: "双通道卷积神经网络在静态手势识别中的应用", 《计算机工程与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020151344A1 (zh) * 2019-01-22 2020-07-30 平安科技（深圳）有限公司 针对迭代子版本的软件开发测试方法及相关装置
CN117349189A (zh) * 2023-12-05 2024-01-05 四川才子软件信息网络有限公司 一种app新版本测试方法、设备及介质
CN117349189B (zh) * 2023-12-05 2024-03-15 四川才子软件信息网络有限公司 一种app新版本测试方法、设备及介质

Similar Documents

Publication Publication Date Title
US10606862B2 (en) Method and apparatus for data processing in data modeling
Culp et al. ada: An r package for stochastic boosting
US9047559B2 (en) Computer-implemented systems and methods for testing large scale automatic forecast combinations
CN109409533B (zh) 一种机器学习模型的生成方法、装置、设备及存储介质
US20210019251A1 (en) Capability test method based on joint test support platform
CN106874190A (zh) 用户界面的测试方法及服务器
Strickler et al. Deriving products for variability test of feature models with a hyper-heuristic approach
CN105701016B (zh) 一种针对异常处理代码的测试方法
CN112597038B (zh) 软件缺陷预测方法及系统
Obsie et al. Prediction of student academic performance using neural network, linear regression and support vector regression: a case study
CN114490375B (zh) 应用程序的性能测试方法、装置、设备及存储介质
CN109711707B (zh) 一种船舶动力装置综合状态评估方法
CN109086201A (zh) 软件自动化测试方法及系统
CN111767962A (zh) 基于生成对抗式网络的一阶段目标检测方法、系统及装置
CN112527676A (zh) 模型自动化测试方法、装置及存储介质
CN110275820B (zh) 页面兼容性测试方法、系统及设备
CN110377741A (zh) 文本分类方法、智能终端及计算机可读存储介质
CN115983377A (zh) 基于图神经网络的自动学习方法、装置、计算设备及介质
CN109389972A (zh) 语义云功能的质量测试方法、装置、存储介质和设备
CN115062791A (zh) 一种人工智能的解释方法、装置、设备及存储介质
Kwon et al. Pre-trained model-based software defect prediction for edge-cloud systems
KR20090008044A (ko) 데이터 마이닝 방법
CN112199285A (zh) 一种测试案例优选方法、装置及电子设备
CN110895508B (zh) 生成遍历测试路径的方法及装置
CN114168216B (zh) 一种参数调优方法、设备及存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181225