CN109408649A - 基于纹理特征与机器学习的渣片智能化分析方法及系统 - Google Patents
基于纹理特征与机器学习的渣片智能化分析方法及系统 Download PDFInfo
- Publication number
- CN109408649A CN109408649A CN201811132000.1A CN201811132000A CN109408649A CN 109408649 A CN109408649 A CN 109408649A CN 201811132000 A CN201811132000 A CN 201811132000A CN 109408649 A CN109408649 A CN 109408649A
- Authority
- CN
- China
- Prior art keywords
- slag
- picture
- machine learning
- country rock
- textural characteristics
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
Abstract
本发明提出了一种基于纹理特征与机器学习的渣片智能化分析方法及系统,方法的步骤为:通过渣片拍摄装置获取渣片图像,根据时间记录渣片图像的渣片所在位置的围岩信息;对渣片图像进行初始化;对整幅渣片图像进行纹理特征提取,组成特征向量作为模型输入矩阵;取与渣片图像对应的围岩信息进行离散化和数值化建立矩阵作为模型目标矩阵;将模型输入矩阵和模型目标矩阵输入机器学习模型进行训练输出成熟训练模型;获取新的渣片图像的特征向量,输入成熟训练模型,预测围岩信息。本发明有效避免了图像分割对特征参数提取准确率不稳定和计算量大的问题,用于根据获取的渣片图像对围岩信息进行实时判断,辅助主司机或智能掘进系统进行掘进控制。
Description
技术领域
本发明涉及隧道掘进装备施工的技术领域,尤其涉及一种基于纹理特征与机器学习的渣片智能化分析方法及系统,用于对TBM开挖掌子面处的围岩信息进行判定。
背景技术
硬岩隧道掘进机(以下简称硬岩TBM)是一种专门应用于开挖岩石隧道与地下通道工程的大型高科技施工装备。渣片是刀盘切削岩石直接作用的产物,因此包含了大量的岩体信息。专利申请CN201621061653.1提出了一种渣片拍摄装置,但是未介绍如何对获取的渣片进行信息提取。专利申请CN201710222227.4提出了基于分水岭算法的图像分割方法获取渣片的特征参数,但是无法避免图像分割,由于光照、渣片遮挡等情况,图像分割出的特征参数存在准确率不稳定和计算量大的问题,同时渣片的特征参数与围岩信息的特征信息未涉及。专利申请CN201710222228.9和CN201710225533.3提出的渣片特征使用了块度分布、渣片质量流、体积流,同专利申请CN201710222227.4类似,存在渣片图像分割问题。
发明内容
针对现有技术不能根据渣片图像预测掌子面处的岩体信息的技术问题,本发明提出一种基于纹理特征与机器学习的渣片智能化分析方法及系统,根据获取的渣片图像对TBM开挖掌子面处的围岩信息进行实时判断,辅助主司机或智能掘进系统进行掘进控制。
为了达到上述目的,本发明的技术方案是这样实现的:一种基于纹理特征与机器学习的渣片智能化分析方法,其步骤如下:
步骤一:通过渣片拍摄装置获取渣片图像,将获取的渣片图像放入渣片数据库;同时,根据时间记录渣片图像的渣片所在位置的围岩信息;
步骤二:对渣片图像进行初始化;
步骤三:对整幅渣片图像进行纹理特征提取,组成特征向量作为模型输入矩阵;
步骤四:取与渣片图像对应的围岩信息,进行离散化和数值化,建立矩阵作为模型目标矩阵;
步骤五:取模型输入矩阵和模型目标矩阵的70%为训练组、30%为测试组,输入机器学习模型进行训练,满足设置的精度要求后输出成熟训练模型;
步骤六:当获取新的渣片图像后,通过步骤二和三后获得特征向量,输入步骤五得到的成熟训练模型,即可对渣片所在围岩的围岩信息进行预测。
所述渣片图像的初始化包括灰度化和自适应直方图均衡化,自适应直方图均衡化的阈值为根据渣片照片的成像质量选取的。
所述步骤三中纹理特征提取的方法包含但不限于基于灰度直方图纹理特征的描述子、基于共生矩阵的纹理特征描述子和二维不变矩特征。
所述基于灰度直方图纹理特征的描述子提取的特征包括平局灰度、平均对比度、平滑度、三阶矩、一致性和熵;所述基于共生矩阵的纹理特征描述子提取的特征包括最大概率、相关、对比度、能量、同质和熵。
所述输入机器学习模型为采用进化算法优化的机器学习模型,机器学习模型包含但不限于神经网络、支持向量机或深度学习;所述进化算法包含但不限于遗传算法、粒子群算法或退火算法;所述成熟训练模型封装在TBM上位机或远程控制端。
所述围岩信息由现场工程师根据掌子面周围围岩的信息进行记录,包含但不限于围岩岩性、围岩等级、围岩强度等级、围岩破碎程度等级、含水量等级。
所述步骤四中围岩信息进行离散化和数值化的方法如下表所示:
一种基于纹理特征与机器学习的渣片智能化分析系统,包括渣片采集装置、数据处理模块和渣片信息分析模块,渣片采集装置通过数据传输模块与数据处理模块相连接,数据处理模块与渣片信息分析模块相连接;数据处理模块和渣片信息分析模块均设置在TBM上位机或远程控制端。
所述渣片信息分析模块是采用进化算法优化的机器学习模型对渣片数据库中的渣片图像进行纹理特征提取得到的输入矩阵和对围岩数据库中的渣片图像对应的围岩信息进行离散化、数值化后得到的目标矩阵进行训练,满足设置的精度要求而输出的成熟训练模型。
所述数据处理模块包括图像初始化单元和特征提取单元,渣片采集装置与图像初始化单元相连接,图像数初始化单元与特征提取单元相连接,特征提取单元与渣片信息分析模块相连接。
本发明的有益效果:不再对渣片图像进行分割,而是从整张渣片图片读取其纹理特征信息,有效避免了图像分割方法对特征参数提取准确率不稳定问题和计算量大的问题,同时通过机器学习的方法建立渣片纹理特征与岩体信息的关系模型,训练成熟后可作为独立功能模块嵌入到上位机或远程控制端,用于实时根据渣片信息判断出前方岩体信息,辅助主司机或智能掘进系统进行掘进控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程图。
图2为本发明渣片图像特征向量构造流程。
图3为本发明的原理图。
具体实施方式
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付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。
实施例1,如图1所示,一种基于纹理特征与机器学习的渣片智能化分析方法,其步骤如下:
步骤一:通过渣片拍摄装置获取渣片图像,将获取的渣片图像放入渣片数据库;同时,根据时间记录渣片图像的渣片所在位置的围岩信息。
渣片拍摄装置可参见专利申请CN201621061653公开的一种记录与分析TBM渣片的装置。围岩信息由现场工程师根据掌子面周围围岩的信息进行记录,包含但不限于围岩岩性、围岩等级、围岩强度等级、围岩破碎程度等级、含水量等级。围岩信息通过人工记录,建立有时间标记的工程样本的围岩数据库,通过标记的时间可以提取与渣片图像相对应的围岩信息。
步骤二:对渣片图像进行初始化。
所述渣片图像的初始化包括灰度化和自适应直方图均衡化,灰度化是将图像由RGB转化为单指标图,便于图像分割,是一种默认的较成熟算法。自适应直方图均衡化是为了改善图像拍摄过程中光照不均的影响。自适应直方图均衡化的阈值为根据渣片照片的成像质量经多次尝试进行最优选取的,自适应直方图均衡化的函数是默认的,但是设置的阈值可根据现场情况进行调整,受光照均匀程度、安装高度的影响。且对所有的渣片图像初始化过程的阈值均采用统一阈值。经初始化后,渣片图像的清晰度要满足后续处理使用。
步骤三:对整幅渣片图像进行纹理特征提取,组成特征向量作为模型输入矩阵。
如图2所示,所述步骤三中纹理特征提取的方法包含但不限于基于灰度直方图纹理特征的描述子、基于共生矩阵的纹理特征描述子和二维不变矩特征。纹理特征提取得到模型输入矩阵的特征向量。特征向量是对一张渣片图像利用基于灰度直方图纹理特征的描述子、基于共生矩阵的纹理特征描述子或二维不变矩特征的方法进行处理得到的纹理特征,多张渣片图像产生的多个特征向量就组成了特征向量矩阵。
所述基于灰度直方图纹理特征的描述子提取的特征包括平局灰度、平均对比度、平滑度、三阶矩、一致性和熵;所述基于共生矩阵的纹理特征描述子提取的特征包括最大概率、相关、对比度、能量、同质和熵,熵与基于灰度直方图纹理特征的描述子中的那个熵是相同的,具体求解方法均有固定的函数,在图像领域是成熟的方法;两个熵算法类似,但是针对的计算对象不同。
步骤四:取与渣片图像对应的围岩信息,进行离散化和数值化,建立矩阵作为模型目标矩阵。
所述步骤四中围岩信息进行离散化和数值化的方法表1所示。
表1 围岩信息处理规则
离散化是根据现场施工经验与现有的技术手册,将围岩岩性、等级、强度等级、破碎等级、含水量分别进行不同等级的筛分,数值化是将不同程度用数字表示,便于后续的算法应用。
步骤五:取模型输入矩阵和模型目标矩阵的70%为训练组、30%为测试组,输入机器学习模型进行训练,满足设置的精度要求后输出成熟训练模型。
所述输入机器学习模型为采用进化算法优化的机器学习模型,机器学习模型包含但不限于神经网络、支持向量机或深度学习;所述进化算法包含但不限于遗传算法、粒子群算法或退火算法。
使用进化算法将预测值和实际值的相对判别误差作为目标函数,对机器学习模型的参数sigma和gamma进行全局寻优,避免陷入局部最小值;训练组和测试组的比例默认为70%和30%。
步骤六:当获取新的渣片图像后,通过步骤二和三处理后获得特征向量,输入步骤五得到的成熟训练模型,即可对渣片所在围岩的围岩信息进行预测。
特征向量是对实时渣片图像进行灰度化和自适应直方图均衡化处理后,通过基于灰度直方图纹理特征的描述子、基于共生矩阵的纹理特征描述子或二维不变矩特征的方法提取的渣片图像的纹理特征。成熟训练模型中渣片图像和围岩信息是相关联的,因此根据机器学习模型可以根据实时采集的渣片图像预测其相对的围岩信息。成熟训练模型封装在TBM上位机或远程控制端,可以根据实时渣片图像获取掌子面的围岩信息。
本发明首先通过渣片现场拍摄装置获取渣片图片样本,人工记录围岩信息,建立有标记的工程样本数据库;求取基于纹理的图像特征作为每张样本图片的特征输入矩阵,渣片信息作为特征目标矩阵,输入机器学习模型进行训练获得成熟的渣片分析模型,可封装为独立功能模块,嵌入到TBM上位机或远程控制端,用于根据获取的渣片图像对围岩信息进行实时判断,辅助主司机或智能掘进系统进行掘进控制。
实施例2,如图3所示,一种基于纹理特征与机器学习的渣片智能化分析系统,包括渣片采集装置、数据处理模块和渣片信息分析模块,渣片采集装置通过数据传输模块与数据处理模块相连接,数据处理模块与渣片信息分析模块相连接;数据处理模块和渣片信息分析模块均设置在TBM上位机或远程控制端。数据处理模块和渣片信息分析模块均设置在TBM上位机上,或者数据处理模块和渣片信息分析模块均设置在远程控制端,TBM上位机通过无线网络与远程控制端相连接,从而实现预测围岩信息的传送。
如图1所示,所述渣片信息分析模块是采用进化算法优化的机器学习模型对渣片数据库中的渣片图像进行纹理特征提取得到的输入矩阵和对围岩数据库中的渣片图像对应的围岩信息进行离散化、数值化后得到的目标矩阵进行训练,满足设置的精度要求而输出的成熟训练模型。
所述数据处理模块包括图像初始化单元和特征提取单元,渣片采集装置与图像初始化单元相连接,图像数初始化单元与特征提取单元相连接,特征提取单元与渣片信息分析模块相连接。图像初始化单元对渣片图像进行灰度化和自适应直方图均衡化的初始化处理,特征提取单元利用纹理特征提取方法提取初始化处理后的渣片图像的特征向量,特征向量转化为特征输入矩阵输入渣片信息分析模块,通过机器学习得到渣片图像对应的掌子面的围岩信息。
其他方法和结构与实施例1相同。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于纹理特征与机器学习的渣片智能化分析方法,其特征在于,其步骤如下:
步骤一:通过渣片拍摄装置获取渣片图像,将获取的渣片图像放入渣片数据库;同时,根据时间记录渣片图像的渣片所在位置的围岩信息;
步骤二:对渣片图像进行初始化;
步骤三:对整幅渣片图像进行纹理特征提取,组成特征向量作为模型输入矩阵;
步骤四:取与渣片图像对应的围岩信息,进行离散化和数值化,建立矩阵作为模型目标矩阵;
步骤五:取模型输入矩阵和模型目标矩阵的70%为训练组、30%为测试组,输入机器学习模型进行训练,满足设置的精度要求后输出成熟训练模型;
步骤六:当获取新的渣片图像后,通过步骤二的初始化和步骤三的纹理特征提取获得特征向量,输入步骤五得到的成熟训练模型,即可对渣片所在围岩的围岩信息进行预测。
2.根据权利要求1所述的基于纹理特征与机器学习的渣片智能化分析方法,其特征在于,所述渣片图像的初始化包括灰度化和自适应直方图均衡化,自适应直方图均衡化的阈值为根据渣片照片的成像质量选取的。
3.根据权利要求1所述的基于纹理特征与机器学习的渣片智能化分析方法,其特征在于,所述步骤三中纹理特征提取的方法包含但不限于基于灰度直方图纹理特征的描述子、基于共生矩阵的纹理特征描述子和二维不变矩特征。
4.根据权利要求3所述的基于纹理特征与机器学习的渣片智能化分析方法,其特征在于,所述基于灰度直方图纹理特征的描述子提取的特征包括平局灰度、平均对比度、平滑度、三阶矩、一致性和熵;所述基于共生矩阵的纹理特征描述子提取的特征包括最大概率、相关、对比度、能量、同质和熵。
5.根据权利要求1所述的基于纹理特征与机器学习的渣片智能化分析方法,其特征在于,所述输入机器学习模型为采用进化算法优化的机器学习模型,机器学习模型包含但不限于神经网络、支持向量机或深度学习;所述进化算法包含但不限于遗传算法、粒子群算法或退火算法;所述成熟训练模型封装在TBM上位机或远程控制端。
6.根据权利要求1所述的基于纹理特征与机器学习的渣片智能化分析方法,其特征在于,所述围岩信息由现场工程师根据掌子面周围围岩的信息进行记录,包含但不限于围岩岩性、围岩等级、围岩强度等级、围岩破碎程度等级、含水量等级。
7.根据权利要求6所述的基于纹理特征与机器学习的渣片智能化分析方法,其特征在于,所述步骤四中围岩信息进行离散化和数值化的方法如下表所示:
。
8.一种基于纹理特征与机器学习的渣片智能化分析系统,其特征在于,包括渣片采集装置、数据处理模块和渣片信息分析模块,渣片采集装置通过数据传输模块与数据处理模块相连接,数据处理模块与渣片信息分析模块相连接;数据处理模块和渣片信息分析模块均设置在TBM上位机或远程控制端。
9.根据权利要求8所述的基于纹理特征与机器学习的渣片智能化分析系统,其特征在于,所述渣片信息分析模块是采用进化算法优化的机器学习模型对渣片数据库中的渣片图像进行纹理特征提取得到的输入矩阵和对围岩数据库中的渣片图像对应的围岩信息进行离散化、数值化后得到的目标矩阵进行训练,满足设置的精度要求而输出的成熟训练模型。
10.根据权利要求8或9所述的基于纹理特征与机器学习的渣片智能化分析系统,其特征在于,所述数据处理模块包括图像初始化单元和特征提取单元,渣片采集装置与图像初始化单元相连接,图像数初始化单元与特征提取单元相连接,特征提取单元与渣片信息分析模块相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811132000.1A CN109408649A (zh) | 2018-09-27 | 2018-09-27 | 基于纹理特征与机器学习的渣片智能化分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811132000.1A CN109408649A (zh) | 2018-09-27 | 2018-09-27 | 基于纹理特征与机器学习的渣片智能化分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109408649A true CN109408649A (zh) | 2019-03-01 |
Family
ID=65465345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811132000.1A Pending CN109408649A (zh) | 2018-09-27 | 2018-09-27 | 基于纹理特征与机器学习的渣片智能化分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109408649A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933577A (zh) * | 2019-03-08 | 2019-06-25 | 山东大学 | 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及系统 |
CN110378916A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种基于多任务深度学习的tbm图像出渣分割方法 |
CN110989366A (zh) * | 2020-03-04 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
CN112750528A (zh) * | 2019-10-30 | 2021-05-04 | 中国医药大学附设医院 | 预测肿瘤的特性参数的计算机辅助预测系统、方法及计算机程序产品 |
CN113569943A (zh) * | 2021-07-26 | 2021-10-29 | 中铁工程装备集团有限公司 | 一种基于深度神经网络的渣片大块预警方法、系统及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070133866A1 (en) * | 2005-12-08 | 2007-06-14 | Electronics And Telecommunications Research Institute | Method and apparatus for classifying geological materials using image processing techniques |
CN206016814U (zh) * | 2016-09-18 | 2017-03-15 | 中铁工程装备集团有限公司 | 一种记录与分析tbm渣片的装置 |
CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
-
2018
- 2018-09-27 CN CN201811132000.1A patent/CN109408649A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070133866A1 (en) * | 2005-12-08 | 2007-06-14 | Electronics And Telecommunications Research Institute | Method and apparatus for classifying geological materials using image processing techniques |
CN206016814U (zh) * | 2016-09-18 | 2017-03-15 | 中铁工程装备集团有限公司 | 一种记录与分析tbm渣片的装置 |
CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
Non-Patent Citations (2)
Title |
---|
林青青 等: "《基于视觉特征的图像聚类算法研究》", 《电脑知识与技术》 * |
王东强 等: "《基于傅里叶变换的岩屑纹理特征提取及岩性识别方法研究》", 《石油实验地质》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933577A (zh) * | 2019-03-08 | 2019-06-25 | 山东大学 | 基于tbm岩-机参数动态交互机制的隧洞可掘进预测方法及系统 |
CN110378916A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种基于多任务深度学习的tbm图像出渣分割方法 |
CN112750528A (zh) * | 2019-10-30 | 2021-05-04 | 中国医药大学附设医院 | 预测肿瘤的特性参数的计算机辅助预测系统、方法及计算机程序产品 |
CN110989366A (zh) * | 2020-03-04 | 2020-04-10 | 中国铁建重工集团股份有限公司 | 掘进机的控制方法、掘进机与计算机可读存储介质 |
CN113569943A (zh) * | 2021-07-26 | 2021-10-29 | 中铁工程装备集团有限公司 | 一种基于深度神经网络的渣片大块预警方法、系统及装置 |
CN113569943B (zh) * | 2021-07-26 | 2023-10-24 | 中铁工程装备集团有限公司 | 一种基于深度神经网络的渣片大块预警方法、系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109408649A (zh) | 基于纹理特征与机器学习的渣片智能化分析方法及系统 | |
CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN110287849A (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
CN108805070A (zh) | 一种基于嵌入式终端的深度学习行人检测方法 | |
CN110188635A (zh) | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 | |
CN109299716A (zh) | 神经网络的训练方法、图像分割方法、装置、设备及介质 | |
CN110570352B (zh) | 图像标注方法、装置、系统及细胞标注方法 | |
CN109300530A (zh) | 病理图片的识别方法及装置 | |
CN105654141A (zh) | 基于Isomap和SVM算法的俯视群养猪个体识别方法 | |
CN109711426A (zh) | 一种基于gan和迁移学习的病理图片分类装置及方法 | |
CN106709453A (zh) | 一种基于深度学习的体育视频关键姿态提取方法 | |
CN107945181A (zh) | 用于乳腺癌淋巴转移病理图像的处理方法和装置 | |
CN107194937A (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN111507183B (zh) | 一种基于多尺度密度图融合空洞卷积的人群计数方法 | |
CN104680193B (zh) | 基于快速相似性网络融合算法的在线目标分类方法与系统 | |
CN109800785A (zh) | 一种基于自表达相关的数据分类方法和装置 | |
CN108898092A (zh) | 基于全卷积神经网络的多光谱遥感影像路网提取方法 | |
CN115187783A (zh) | 基于联邦学习的多任务混合监督医疗图像分割方法及系统 | |
CN110263835A (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
CN109190498A (zh) | 一种基于人脸识别的案件智能化串并的方法 | |
CN113592896A (zh) | 基于图像处理的鱼类投喂方法、系统、设备及存储介质 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN114037699B (zh) | 一种病理图像分类方法、设备、系统及存储介质 | |
CN108090507A (zh) | 一种基于集成方法的医疗影像纹理特征处理方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |
|
RJ01 | Rejection of invention patent application after publication |