CN109146876A - 一种基于高分遥感影像的矿山环境变化检测方法 - Google Patents
一种基于高分遥感影像的矿山环境变化检测方法 Download PDFInfo
- Publication number
- CN109146876A CN109146876A CN201811074595.XA CN201811074595A CN109146876A CN 109146876 A CN109146876 A CN 109146876A CN 201811074595 A CN201811074595 A CN 201811074595A CN 109146876 A CN109146876 A CN 109146876A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- image
- mine environment
- cva
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高分遥感影像的矿山环境变化检测方法,包括如下步骤:S1、确定矿山环境检测目标,并采集对应的多时相遥感影像;S2、对多时相遥感影像变化检测数据进行预处理;S3、对预处理后的多时相遥感影像进行mean shift图像分割,并根据矿山的特点进行特征提取,构建对象级的多源特征集;S4、将构建的多源特征集作为输入影像,使用CVA模型自动选择训练样本;S5、输入训练样本,对ELM模型进行训练,得到变化检测图,实现矿山环境变化检测。本发明解决了现有技术存在的人工地面调查方式导致监测盲区、效率低、检测精度低以及检测结果受影响较大的问题。
Description
技术领域
本发明属于矿山检测技术领域,具体涉及一种基于高分遥感影像的矿山环境变化检测方法。
背景技术
矿山选址多位于道路崎岖的山区,加上矿山规模往往较大、结构复杂,依靠人工地面调查的方式效率低,且受人力、物力、财力的限制容易形成监测盲区。遥感技术是一门对地观测综合性技术,具有大面积同步观测、获取信息速度快、周期短、综合性强的特点,它弥补了传统矿山监测技术手段的缺陷,能够全面、客观、有效、准确和动态地反映出矿山及周边区域的情况,且不受环境、人工等因素的影响。特别是随着我国航空航天技术的不断发展,遥感影像的空间分辨率得到大幅提高,优于1m的高空间分辨率遥感影像为遥感技术在矿山监测方面的应用提供了数据支撑。
目前国产高分卫星影像在矿山监测方面的应用仍然以专业技术人员目视解译为主,主要包括两个方面:一是通过建立矿山遥感解译标志,提取矿山的空间信息,监测矿山的开发现状;二是通过对比多期遥感影像,通过人机交互的方式实施矿山环境的动态监测。随着矿山监测技术的智能化、定量化要求不断提高,传统的以目视解译为主的遥感技术已经不满足矿山监测的需求,更加高效和定量化的遥感技术亟待融入到矿山监测的技术体系中。
遥感影像变化监测方法可以分为非监督变化监测方法和监督变化检测方法。非监督变化检测方法虽然不需要提供先验知识,自动化程度相对较高,但是检测结果受影像的成像环境及变化阈值影响较大。而监督变化检测方法则能够在一定程度上降低大气、传感器及周围环境对变化检测结果的影响,且不需要设置变化阈值。两种类型的变化检测方法都有自身的优势与缺点。
综上所述,现有技术存在以下问题:
(1)依靠人工地面调查的方式对矿山环境检测的效率低,且受人力、物力、财力的限制容易形成监测盲区;
(2)目前国产高分卫星影像在矿山监测方面的应用仍然以专业技术人员目视解译为主,传统的以目视解译为主的遥感技术,存在效率低、检测精度低的问题,已经不满足矿山监测的需求;
(3)现有技术的遥感影像变化监测方法存在不足,其检测结果受影像的成像环境及变化阈值影响较大。
发明内容
针对现有技术中的上述不足,本发明提供的一种效率高、检测精度高的基于高分遥感影像的矿山环境变化检测方法,解决了现有技术存在的人工地面调查方式导致监测盲区、效率低、检测精度低以及检测结果受影响较大的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于高分遥感影像的矿山环境变化检测方法,包括如下步骤:
S1:确定矿山环境检测目标,并采集对应的多时相遥感影像;
S2:对多时相遥感影像变化检测数据进行预处理;
S3:根据mean shift算法,对预处理后的多时相遥感影像进行图像分割,并根据矿山的特点对分割后图像进行特征提取,构建对象级的多源特征集;
S4:根据变化向量分析法CVA,构建CVA模型,并将构建的多源特征集作为输入影像,使用CVA模型自动选择训练样本;
S5:根据极限学习机ELM,构建ELM模型,并输入训练样本,对ELM模型进行训练,得到变化检测图,实现矿山环境变化检测。
进一步地,步骤S1中,矿山环境主要包括采场、尾矿库和排土场;
对于采场、排土场及周边区域的动态监测,采场和排土场的扩张、周边区域植被的变化以及建筑的增加为重点检测目标;
对于尾矿库及周边区域的动态监测,库区的扩张、干滩和坝体的变化、库区周边山体植被的变化、下游的建筑和重要设施的变化为主要检测目标。
进一步地,步骤S2中,预处理包括大气校正、正射校正、融合、几何配准以及相对辐射校正。
进一步地,步骤S3中,根据矿山环境检测目标,提取的特征包括归一化水体指数、归一化植被指数以及亮度特征同原始光谱数据,共同作为数据源,并根据所有数据源,构建对象级的多源特征集。
进一步地,步骤S4中,基于CVA的训练样本自动选择方法,包括如下步骤:
S4-1:根据输入影像,使用CVA模型获取CVA差值影像,并进行降序排序;
S4-2:根据排序后的CVA差值影像,选择对象为变化类别的样本与对象为未变化类别的样本;
S4-3:将选择的样本作为训练样本。
本方案的有益效果为:
(1)本发明将非监督变化监测方法和监督变化检测方法二者融合,取长补短,提高了变化检测方法的自动化程度,而且增加算法的鲁棒性;
(2)本发明根据矿山监测的目标,构建多源特征集,并提出一种自动化程度比较高的面向对象的变化检测方法CVA-ELM用于矿山环境的动态监测,提高了检测效率,并且避免了人工地面调查的方式存在的监测盲区;
(3)本发明在变化向量分析法CVA的基础上自动选择训练样本,然后利用极限学习机EKM提取变化信息,提高了方法的检测精度,避免了提供先验知识。
附图说明
图1为基于高分遥感影像的矿山环境变化检测方法流程图;
图2为基于CVA的训练样本自动选择方法流程图;
图3为实验区域的影像图;
图4为实验区域参考变化图;
图5为实验区域特征影像图;
图6为不同参数选择的训练样本的误检像元数折线图;
图7为各种方法的变化检测结果图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种基于高分遥感影像的矿山环境变化检测方法,如图1所示,包括如下步骤:
S1:确定矿山环境检测目标,并采集对应的多时相遥感影像;
S2:对多时相遥感影像变化检测数据进行预处理;
S3:根据mean shift算法,对预处理后的多时相遥感影像进行图像分割,并根据矿山的特点对分割后图像进行特征提取,构建对象级的多源特征集;
S4:根据变化向量分析法CVA,构建CVA模型,并将构建的多源特征集作为输入影像,使用CVA模型自动选择训练样本;
基于CVA的训练样本自动选择方法,如图2所示,包括如下步骤:
S4-1:根据输入影像,使用CVA模型获取CVA差值影像,并进行降序排序;
S4-2:根据排序后的CVA差值影像,选择前α×N的对象为变化类别的样本,后α×N的对象为未变化类别的样本,其中N为差值影像中对象的个数,α为相应的阈值,并且a∈(0,0.5);
S4-3:将选择的样本作为训练样本;
S5:根据极限学习机ELM,构建ELM模型,并输入训练样本,对ELM模型进行训练,得到变化检测图,实现矿山环境变化检测。
本实施例中,步骤S1中,矿山环境主要包括采场、尾矿库和排土场;
对于采场、排土场及周边区域的动态监测,采场和排土场的扩张、周边区域植被的变化以及建筑的增加为重点检测目标;
对于尾矿库及周边区域的动态监测,库区的扩张、干滩和坝体的变化、库区周边山体植被的变化、下游的建筑和重要设施的变化为主要检测目标。
本实施例中,步骤S2中,预处理包括大气校正、正射校正、融合、几何配准以及相对辐射校正。
本实施例中,步骤S3中,根据矿山环境检测目标,提取的特征包括归一化水体指数、归一化植被指数以及亮度特征同原始光谱数据,共同作为数据源,并根据所有数据源,构建对象级的多源特征集。
本发明实施例中,为了验证基于高分遥感影像的矿山环境变化检测方法CVA-ELM变化检测方法的优越性,并分析比较各种变化检测方法在矿山监测方面的适用性,选择矿山周边的小部分区域作为实验区域,用于评价各种方法的检测精度。基于像素的差值法(diff_pixel)、面向对象的差值法(diff_OB)、变化向量分析法(CVA)、面向对象的变化向量分析法(CVA_OB)、面向对象的支持向量机(SVM_OB)共五种方法被选择作为CVA-ELM的对比算法。
S1:高分遥感影像的影像图如图3所示,选择图3(a)2015年2月24日和3(b)2016年2月14日两景高分二号遥感影像,影像的大小为400×400像素,全色和多光谱融合后的影像空间分辨率为1m,影像覆盖范围为某矿山周边的160000m2区域,此区域的真实参考变化图,如图4所示,用于对各种变化检测方法进行定量化的精度评价,其中图4(a)白色为变化区域,黑色为未变化区域,图4(b)为参考变化图与2015年遥感影像图的叠加图,黑色为变化区域;
S2:对原始遥感影像进行校正,包括大气校正、正射校正、融合、几何配准以及相对辐射校正,然后在实验区域的影像上均匀地选择30个同名点,配准误差均控制在0.5个像素之内。其中,相对辐射校正以2015年2月24日遥感影像作为基准,采用线性回归分析法进行校正;
S3:面向对象的变化检测方法以分割对象作为处理单位,为了得到相同的对象,采用Mean Shift分割方法对两个时相的影像进行复合分割,得到的影像处理的分割对象。根据矿山的特点及监测目标,利用遥感影像提取特征构建多源特征集,特征集的构建直接影响变化检测的结果。各个特征影像如图5所示,在本实验中提取如图5(a)和图5(b)所示的归一化植被指数(NDVI)、如图5(c)和图5(d)所示的归一化水体指数(NDWI)以及如图5(e)和图5(f)所示的亮度特征与原始的光谱特征共同构建多源特征集;
S4:进行训练样本的自动选取,为了控制训练样本的数量在一个合理的范围,参数α的范围被设定为[0.05,0.15]。由于支持向量机的检测性能好,鲁棒性强,因此被用于选择最佳参数。如图6所示,显示了不同参数选取的训练样本利用SVM进行变化检测被错误检测的像元数量,当参数α被设定为0.12时,被错误检测的像元数量最少;
S5:根据极限学习机ELM,构建ELM模型,并输入训练样本,对ELM模型进行训练,得到检测结果,即如图7(f)所示的变化检测图,实现矿山环境变化检测。
实验结果分析:
表1为各种变化检测方法的精度评价,包括总体精度、Kappa系数、虚检率和漏检率。由于极限学习机的输入权重矩阵和隐含层偏差是随机获取的,所以ELM-OB的各项精度为十次运算结果的平均值。从表中可以看出,两种面向对象的自动变化检测方法(SVM-OB和ELM-OB)的检测精度均高于其它方法,二者之中基于ELM的变化检测方法(ELM-OB)的精度更高,且其运算时间远远低于基于SVM的变化检测方法。面向对象的方法与基于像素的方法相比较,面向对象的变化向量分析法(CVA-OB)的总体精度和Kappa系数均低于基于像素的变化向量分析法(CVA),而面向对象的差值法(diff-OB)的总体精度和Kappa系数均高于基于像素的差值法。主要因为非监督变化检测方法需要设置变化阈值,CVA-OB与CVA均使用EM算法自动获取变化阈值,EM算法更适用于基于像素的图像处理方法,而diff-OB和diff-pixel为人工获取变化阈值,不同的方法变化阈值也不同,针对面向对象的变化阈值的自动获取算法的缺少,也限制了面向对象的非监督变化检测方法的发展和应用。
表1各种变化检测方法的精度
图7为实验区域不同变化检测方法的检测结果,与图4的参考变化图相比,从视觉上看,如图7(f)所示的基于ELM的面向对象的自动变化检测方法与参考变化图最接近,这验证了基于ELM的面向对象的自动变化检测方法的良好检测性能和在矿山安全监测的适用性。如图7(a)所示的变化向量分析法的检测结果与如图7(b)所示的面向对象的变化向量分析法的检测结果相比,面向对象的变化向量分析法椒盐噪声减少了很多,但是漏检的像元也比较多。同样,如图7(c)所示的基于像素的差值法和如图7(d)所示的面向对象的差值法的检测结果相比,面向对象的差值法检测结果中虚检的像元数目较少,体现了面向对象的图像处理方法的优势。
本发明提供的一种效率高、检测精度高的基于高分遥感影像的矿山环境变化检测方法,解决了现有技术存在的人工地面调查方式导致监测盲区、效率低、检测精度低以及检测结果受影响较大的问题。
Claims (5)
1.一种基于高分遥感影像的矿山环境变化检测方法,其特征在于,包括如下步骤:
S1:确定矿山环境检测目标,并采集对应的多时相遥感影像;
S2:对多时相遥感影像变化检测数据进行预处理;
S3:根据mean shift算法,对预处理后的多时相遥感影像进行图像分割,并根据矿山的特点对分割后图像进行特征提取,构建对象级的多源特征集;
S4:根据变化向量分析法CVA,构建CVA模型,并将构建的多源特征集作为输入影像,使用CVA模型自动选择训练样本;
S5:根据极限学习机ELM,构建ELM模型,并输入训练样本,对ELM模型进行训练,得到变化检测图,实现矿山环境变化检测。
2.根据权利要求1所述的基于高分遥感影像的矿山环境变化检测方法,其特征在于,所述步骤S1中,矿山环境主要包括采场、尾矿库和排土场;
对于采场、排土场及周边区域的动态监测,采场和排土场的扩张、周边区域植被的变化以及建筑的增加为重点检测目标;
对于尾矿库及周边区域的动态监测,库区的扩张、干滩和坝体的变化、库区周边山体植被的变化、下游的建筑和重要设施的变化为主要检测目标。
3.根据权利要求1所述的基于高分遥感影像的矿山环境变化检测方法,其特征在于,所述步骤S2中,预处理包括大气校正、正射校正、融合、几何配准以及相对辐射校正。
4.根据权利要求1所述的基于高分遥感影像的矿山环境变化检测方法,其特征在于,所述步骤S3中,根据矿山环境检测目标,提取的特征包括归一化水体指数、归一化植被指数以及亮度特征同原始光谱数据,共同作为数据源,并根据所有数据源,构建对象级的多源特征集。
5.根据权利要求1所述的基于高分遥感影像的矿山环境变化检测方法,其特征在于,所述步骤S4中,基于CVA的训练样本自动选择方法,包括如下步骤:
S4-1:根据输入影像,使用CVA模型获取CVA差值影像,并进行降序排序;
S4-2:根据排序后的CVA差值影像,选择对象为变化类别的样本与对象为未变化类别的样本;
S4-3:将选择的样本作为训练样本进行输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811074595.XA CN109146876A (zh) | 2018-09-14 | 2018-09-14 | 一种基于高分遥感影像的矿山环境变化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811074595.XA CN109146876A (zh) | 2018-09-14 | 2018-09-14 | 一种基于高分遥感影像的矿山环境变化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146876A true CN109146876A (zh) | 2019-01-04 |
Family
ID=64825496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811074595.XA Pending CN109146876A (zh) | 2018-09-14 | 2018-09-14 | 一种基于高分遥感影像的矿山环境变化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146876A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348483A (zh) * | 2019-06-06 | 2019-10-18 | 重庆工商大学融智学院 | 基于空间信息与统计学习的空间信息变化检测与分类方法 |
CN110427441A (zh) * | 2019-06-05 | 2019-11-08 | 中国铁路设计集团有限公司 | 一种基于空天地一体化技术的铁路外部环境隐患检测和管理方法 |
CN111259771A (zh) * | 2020-01-13 | 2020-06-09 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
WO2022214039A1 (zh) * | 2021-04-07 | 2022-10-13 | 中国农业大学 | 一种农业种植结构的遥感识别方法 |
CN116189010A (zh) * | 2023-04-26 | 2023-05-30 | 北京建工环境修复股份有限公司 | 一种基于卫星图谱的矿山生态识别预警方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050255458A1 (en) * | 2002-08-14 | 2005-11-17 | Hanan Polansky | Drug discovery assays based on the biology of chronic disease |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN106228197A (zh) * | 2016-08-15 | 2016-12-14 | 南京信息工程大学 | 一种基于自适应极限学习机的卫星图像云量识别方法 |
CN107248172A (zh) * | 2016-09-27 | 2017-10-13 | 中国交通通信信息中心 | 一种基于cva和样本选择的遥感影像变化检测方法 |
-
2018
- 2018-09-14 CN CN201811074595.XA patent/CN109146876A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050255458A1 (en) * | 2002-08-14 | 2005-11-17 | Hanan Polansky | Drug discovery assays based on the biology of chronic disease |
CN101937079A (zh) * | 2010-06-29 | 2011-01-05 | 中国农业大学 | 基于区域相似度的遥感影像变化检测方法 |
CN106228197A (zh) * | 2016-08-15 | 2016-12-14 | 南京信息工程大学 | 一种基于自适应极限学习机的卫星图像云量识别方法 |
CN107248172A (zh) * | 2016-09-27 | 2017-10-13 | 中国交通通信信息中心 | 一种基于cva和样本选择的遥感影像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
靳晓: "基于多分类器集成的高分辨率遥感影像变化检测", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427441A (zh) * | 2019-06-05 | 2019-11-08 | 中国铁路设计集团有限公司 | 一种基于空天地一体化技术的铁路外部环境隐患检测和管理方法 |
CN110427441B (zh) * | 2019-06-05 | 2023-01-03 | 中国铁路设计集团有限公司 | 一种基于空天地一体化技术的铁路外部环境隐患检测和管理方法 |
CN110348483A (zh) * | 2019-06-06 | 2019-10-18 | 重庆工商大学融智学院 | 基于空间信息与统计学习的空间信息变化检测与分类方法 |
CN110348483B (zh) * | 2019-06-06 | 2021-09-21 | 重庆工商大学融智学院 | 基于空间信息与统计学习的空间信息变化检测与分类方法 |
CN111259771A (zh) * | 2020-01-13 | 2020-06-09 | 成都理工大学 | 基于图像特征分解的高空间分辨率遥感图像找矿方法 |
WO2022214039A1 (zh) * | 2021-04-07 | 2022-10-13 | 中国农业大学 | 一种农业种植结构的遥感识别方法 |
CN116189010A (zh) * | 2023-04-26 | 2023-05-30 | 北京建工环境修复股份有限公司 | 一种基于卫星图谱的矿山生态识别预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146876A (zh) | 一种基于高分遥感影像的矿山环境变化检测方法 | |
CN105956557B (zh) | 一种面向对象的时序遥感影像云覆盖区域自动检测方法 | |
Du et al. | Fusion of difference images for change detection over urban areas | |
Huang et al. | Morphological building/shadow index for building extraction from high-resolution imagery over urban areas | |
Urbach et al. | Automatic detection of sub-km craters in high resolution planetary images | |
CN110390267A (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
CN103279951B (zh) | 一种面向对象的遥感影像建筑物及其阴影提取的方法 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
Dang et al. | A fruit size detecting and grading system based on image processing | |
Chen et al. | Building detection in an urban area using lidar data and QuickBird imagery | |
CN103345631B (zh) | 图像特征提取、训练、检测方法及模块、装置、系统 | |
CN107016403B (zh) | 一种基于夜间灯光数据提取城市建成区阈值的方法 | |
CN102855487A (zh) | 高分辨率遥感图像新增建设用地变化图斑自动提取的方法 | |
CN101510374A (zh) | 一种基于历史数据及遥感数据的土地利用图自动更新方法 | |
CN104899897A (zh) | 一种基于历史数据挖掘的高分遥感影像土地覆盖变化检测方法 | |
CN107330875A (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN108053408A (zh) | 一种基于遥感卫星影像的高自动化土地利用更新方法 | |
CN109523516A (zh) | 一种基于双重约束条件的对象级土地覆盖变化检测方法 | |
CN108921025A (zh) | 一种协同变化检测的对象级分类样本自动选择方法 | |
CN106650622A (zh) | 基于混合lbf形状回归模型的挖掘机工作状态识别方法 | |
Chen et al. | Automatic building extraction via adaptive iterative segmentation with LiDAR data and high spatial resolution imagery fusion | |
Attarzadeh et al. | Object-based rule sets and its transferability for building extraction from high resolution satellite imagery | |
CN116433940A (zh) | 基于孪生镜像网络的遥感影像变化检测方法 | |
Gong et al. | Rock detection via superpixel graph cuts | |
Ji et al. | Object-based mapping of plastic greenhouses with scattered distribution in complex land cover using Landsat 8 OLI images: a case study in Xuzhou, China |
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: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |