CN109509174A - 一种自动识别真实缺陷孔洞的度量方法 - Google Patents
一种自动识别真实缺陷孔洞的度量方法 Download PDFInfo
- Publication number
- CN109509174A CN109509174A CN201811188378.3A CN201811188378A CN109509174A CN 109509174 A CN109509174 A CN 109509174A CN 201811188378 A CN201811188378 A CN 201811188378A CN 109509174 A CN109509174 A CN 109509174A
- Authority
- CN
- China
- Prior art keywords
- hole
- class
- profile
- entropy
- context
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种自动识别真实缺陷孔洞的度量方法,1)孔洞上下文的异常检测:对孔洞上下文进行不规则测量,通过孔洞周围区域的差异量化进行聚类环境的分析,得到每个类的形状索引进而求得类间的平均形状索引,即求得上下文的异常值;2)孔洞轮廓的异常检测:计算曲线轮廓的曲率和扭力两个几何特征的变化,得到轮廓差异值;3)根据步骤1)和步骤2)得到的上下文异常值和轮廓异常值,结合得到孔洞的熵值;4)将步骤3)得到的熵值与预先设定的阈值比较,若熵值大于预先设定的阈值,则为孔洞缺陷,否则为非孔洞缺陷;该方法使该模型上的真实缺陷孔洞与非缺陷孔洞分开,解决基于体方法与基于曲面定向方法中省时省力的智能需求。
Description
技术领域
本发明涉及3D视觉处理技术领域,具体是一种自动识别真实缺陷孔洞的度量方法。
背景技术
在计算机图形学领域,三维网格模型是一种常见的数据表达形式。三维重建过程需要通过目标物体的测量数据集估计物体的外部几何形态,由于三维模型的获取方法在技术精度与效率上存在一定的限制,如对目标物体进行三维重建生成时由于强反光、遮挡或弱纹理造成的信息干扰存在局部缺陷,现阶段也没有一个理想的传感器能完整的表达传输数据,生成的过程中受目标物体的拓扑特性、传感器结构、表面材料、光照环境等条件的影响,模型会带有一定程度上的噪声或数据的信息缺失,为了得到一个有效的数字模型,那些引起三维数据模型发生缺陷的外部条件要被纠正,这些问题对后续的几何模型处理分析带来了极大的障碍,如何正确地修复三维模型使其表达的更精确完整仍然是一个热点的问题。
三维模型上的异常缺陷可以分为三种类型:噪声、孔洞、冗余,而无论对于哪种类型的缺陷异常,其修复方法都涉及到很多的学科领域。尽管大量的三维模型后续处理分析方法被提出,但其中主要的问题仍然在于产生异常缺陷的来源是未知的,如噪声分布函数,模型表面复杂的细节信息缺失。对于经典的三维重建方法由于精度的限制,建模之后常常需要后处理步骤完成模型的表面拟合,主要原因是难以区分表面不连续性的性质,即无法区分表面不连续性是否真实的属于模型表面。曲面重建方法的一个优点就是能够填充孔洞区域或修复信息缺失的区域,目标物体表面材料对光的反射属性或某区域会对传感器发生遮挡都会导致信息的缺失。有些方法通过全局重建在拟合阶段采用隐士修正的方式进行缺失信息的填补,但是该方法存在两个缺点:一是不能够真正的区分孔洞是否是真实的缺陷孔洞,二是填充后的孔洞区域不能与周边区域自然地衔接过渡。
对于孔洞识别的过程,最简单有效的实现方式就是对曲面上一系列边界边进行检测,所谓边界边的定义就是三角网格模型中不与别的三角形共用同一边,搜索过程为先找到一条边界边,之后对相邻三角形中有共同顶点的边界边进行搜索以寻找下一个边界边,直到初始三角形被检索,形成一个闭环,则孔洞轮廓路径就被检索识别。再进行孔洞的填充,其修复方法主要分为两大类,一种是基于网格曲面的方法,尽管这种方法过程中包括很多可视化的结果,其缺点是时间复杂度高且取决于孔洞的大小;另一种是基于体素的方法,是通过体素的集合估计初始表面体积,体单位通过与表面的相对位置标记符号。孔洞修复方法是典型的曲面拟合的预处理步骤,为了精确的恢复三维模型的几何结构特征,两种方法的缺点都是模型表面的孔洞缺陷区域需要人机交互指出,费时费力,对不同拓扑特性的几何结构缺乏灵活的表现能力。针对以上描述,本发明旨在对三维模型的孔洞缺陷做特征描述的度量,假设条件是除了孔洞缺陷区域外,模型的其余区域结构都是无损光顺的,因此边界几何中用熵值来度量异常缺陷的孔洞属性。
发明内容
本发明的目的在于克服现有技术的不足,而提供一种自动识别三维网格模型真实缺陷孔洞的度量方法,该方法通过几何估计的异常测量方法使该模型上的真实缺陷孔洞与非缺陷孔洞分开,可以解决基于体方法与基于曲面定向方法中省时省力的智能需求。为了更精确的描述孔洞的异常,采用表面异常和轮廓的曲面异常这两个孔洞最重要的几何特征度量孔洞。
实现本发明目的的技术方案是:
一种自动识别真实缺陷孔洞的度量方法,包括如下步骤:
1)孔洞上下文的异常检测:对孔洞上下文进行不规则测量,通过孔洞周围区域的差异量化进行聚类环境的分析,得到每个类的形状索引进而求得类间的平均形状索引,即求得上下文的异常值;
2)孔洞轮廓的异常检测:计算曲线轮廓的曲率和扭力两个几何特征的变化,得到轮廓差异值;
3)根据步骤1)和步骤2)得到的上下文异常值和轮廓异常值,两者结合得到孔洞的全局异常值,即熵值;
4)将步骤3)得到的熵值与预先设定的阈值比较,若熵值大于预先设定的阈值,则为孔洞缺陷,否则为非孔洞缺陷;
经过上述步骤,完成了孔洞缺陷的度量。
步骤1)中,所述的孔洞上下文的异常检测,包括如下步骤:
1-1)计算模型表面每一点所在位置的先验曲率估计,通过计算每一点所在位置的先验曲率估计,近似于通过主成分分析(PCA)得到协方差矩阵:
其中pi是每个类i的点集,n是p的邻域大小,是每个类的质心,为矩阵的转置,mc为协方差矩阵;
1-2)计算表面的聚类,使每一个类的方差都不超过一个固定的阈值β;对于每增加一个顶点使是类Ci的径向邻域,且是类Ci的方差估计;
1-3)进行聚类分析后,描述表面每个类的局部形态,采用独立于表面大小的测量方式:形状索引(shape index)就是描述曲面上任意点在表面领域二级结构的一种方法,估计方法为:
其中k1≥k2为主曲率,s为每个类的形状索引,除了平坦区域是一个不确定的形状索引外,其余表面区域中s∈[-1,1];
1-4)在步骤1-3)的基础上为了描述一个完整的全局孔洞轮廓,计算得到类间的平均形状索引,即上下文异常值为:
其中si是类ci的形状索引,ci是k个类中的一个子集,点集的大小 N=p1+…+pk,pi表示每一类的点集数。
步骤2)中,孔洞轮廓的异常检测,是计算轮廓曲线的曲率和扭力两个几何特性的变化,具体参数的计算通过条件熵测量的方法得到,包括如下步骤:
2-1)对于矢量三维空间中组成异常曲线的所有点集P,轮廓的扭力定义为: B′(s)=τ(s)N(s),其中N(s)=r″(s)/||r″(s)||为法向量,其中s是沿着参数曲线r从一定点r(t0)到点r(t1)的弧线长,且为了估计扭力的大小,采用最小二乘法计算其估值;
2-2)通过最小二乘计算,得到点p0处的熵值由于孔洞特征的自然属性,不规则孔洞有多种组成的可能,所以关于描述孔洞的特征,不仅要计算孔洞的几何特征的概率估计,而且还要计算孔洞轮廓的高变率,高变率通过条件熵概率估计得到;
2-3)异常轮廓曲线的几何特征集合与点集中的每一点P有关,点Pi的l子集:是有序序列用来计算下一个估值,几何特征集合的熵值为:
其中ψi表示序列子集,
2-4)轮廓的曲率异常值采用最小二乘计算得到,切向量曲率异常熵值ST利用步骤2-3)中的方法把扭力值换成切线角度的变化得到,则轮廓的异常值:
步骤3)中,所述的全局异常值为:
其中为模型的平坦区域。
本发明提供的一种自动识别真实缺陷孔洞的度量方法,首先进行孔洞轮廓的上下文异常检测,用形状索引算子描述完整的全局孔洞轮廓,之后用最小二乘计算孔洞轮廓的扭力与曲率这两个几何特性的变化,得到轮廓的全局熵。本发明提供一种自动识别三维网格模型真实缺陷孔洞的度量方法是修复孔洞步骤的预处理步骤,解决了现有孔洞修复方法需要人机交互才能实时的识别缺陷孔洞位置的缺点,通过几何估计的异常测量方法使该模型上的真实缺陷孔洞与非缺陷孔洞分开,符合实际应用的需要。
附图说明
图1为本发明的方法流程图;
图2是本发明的真实缺陷孔洞的特点;
图3是本发明的非缺陷孔洞的特点;
图4是本发明的轮廓周边的点集分布;
图5是本发明的真实缺陷孔洞的法向分布;
图6是本发明的非缺陷孔洞的法向分布;
图7为真实缺陷孔洞与非缺陷孔洞的异常熵值对比图。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述,但不是对本发明的限定。
如图1所示,1)孔洞上下文的异常检测:对孔洞上下文进行不规则测量,通过孔洞周围区域的差异量化进行聚类环境的分析,得到每个类的形状索引进而求得类间的平均形状索引,即求得上下文的异常值;
2)孔洞轮廓的异常检测:计算曲线轮廓的曲率和扭力两个几何特征的变化,得到轮廓差异值;
3)根据步骤1)和步骤2)得到的上下文异常值和轮廓异常值,两者结合得到孔洞的全局异常值,即熵值;
4)将步骤3)得到的熵值与预先设定的阈值比较,若熵值大于预先设定的阈值,则为孔洞缺陷,否则为非孔洞缺陷;
经过上述步骤,完成了孔洞缺陷的度量。
如图2和图3所示为本发明中三维模型中真实缺陷孔洞与非缺陷孔洞的区别,
步骤1)中,所述的孔洞上下文的异常检测,包括如下步骤:
1-1)计算模型表面每一点所在位置的先验曲率估计,通过计算每一点所在位置的先验曲率估计,近似于通过主成分分析(PCA)得到协方差矩阵:
公式(1)中,pi是每个类i的点集,n是p的邻域大小,是每个类的质心,为矩阵的转置,mc为协方差矩阵;
1-2)计算表面的聚类,使每一个类的方差都不超过一个固定的阈值β;对于每增加一个顶点使是类Ci的径向邻域,且是类Ci的方差估计;
1-3)进行聚类分析后,描述表面每个类的局部形态,采用独立于表面大小的测量方式:形状索引(shape index)就是描述曲面上任意点在表面领域二级结构的一种方法,估计方法为:
公式(2)中k1≥k2是主曲率,s为每个类的形状索引,除了平坦区域是一个不确定的形状索引外,其余表面区域中s∈[-1,1];
1-4)在步骤1-3)的基础上为了描述一个完整的全局孔洞轮廓,计算得到类间的平均形状索引,由于形状索引是一个点方法,则每一个类i的质心形状索引为:
公式(3)中,si是类ci的形状索引,ci是k个类中的一个子集,点集的大小 N=p1+…+pk,pi表示每一类的点集数,如图4所示,反映了孔洞周边点集聚类分布的情况。
步骤2)中,孔洞轮廓的异常检测,是计算轮廓曲线的曲率和扭力两个几何特性的变化,具体参数的计算通过条件熵测量的方法得到,包括如下步骤:
2-1)对于矢量三维空间中组成异常曲线的所有点集P,轮廓的扭力定义为:
B′(s)=τ(s)N(s) (4)
公式(4)中N(s)=r″(s)/||r″(s)‖为法向量,其中s是沿着参数曲线r从一定点r(t0)到点r(t1)的弧线长,且为了估计扭力的大小,采用最小二乘法计算其估值;
2-2)通过最小二乘计算,得到点p0处的熵值为:
由于孔洞特征的自然属性,不规则孔洞有多种组成的可能,所以关于描述孔洞的特征,不仅要计算孔洞的几何特征的概率估计,而且还要计算孔洞轮廓的高变率,高变率通过条件熵概率估计得到;
2-3)异常轮廓曲线的几何特征集合与点集中的每一点P有关,点Pi的l子集:是有序序列用来计算下一个估值,几何特征集合的熵值为:
公式(6)中,
2-4)轮廓的曲率异常值采用最小二乘计算得到,切向量如图5和图6所示,真实缺陷孔洞轮廓与非缺陷孔洞轮廓上的法向分布情况,曲率异常熵值ST利用步骤2-3)中的方法把扭力值换成切线角度的变化得到,则则轮廓的异常值为:
步骤3)中,所述的全局异常值为:
其中为模型的平坦区域。
性能分析
采用上述技术方案,设计实验:包含10组真实的缺陷孔洞与10组非缺陷孔洞进行对比,参数r设置为标准差的10%,异常熵值根据公式(8)计算得到,异常值的测量方法对轮廓曲线的非正常变化非常敏感,图7中展示了两组对比实验的异常值估计,蓝色的标段表示非缺陷孔洞,红色的标段表示真实缺陷孔洞,可以明显的看出真实缺陷孔洞与非缺陷孔洞异常值曲线的变化,经计算得到使两者分离的值为3.1。这个方法是在三维模型结构中纠正异常错误的初始步骤,旨在填充异常缺陷孔洞的过程中提高自动鲁棒性。本发明计算一个缺陷孔洞的自动分类度量方法,解决了传统上修复缺陷孔洞需要用户交互的缺点。
Claims (4)
1.一种自动识别真实缺陷孔洞的度量方法,其特征在于,包括如下步骤:
1)孔洞上下文的异常检测:对孔洞上下文进行不规则测量,通过孔洞周围区域的差异量化进行聚类环境的分析,得到每个类的形状索引进而求得类间的平均形状索引,即求得上下文的异常值;
2)孔洞轮廓的异常检测:计算曲线轮廓的曲率和扭力两个几何特征的变化,得到轮廓差异值;
3)根据步骤1)和步骤2)得到的上下文异常值和轮廓异常值,两者结合得到孔洞的全局异常值,即熵值;
4)将步骤3)得到的熵值与预先设定的阈值比较,若熵值大于预先设定的阈值,则为孔洞缺陷,否则为非孔洞缺陷;
经过上述步骤,完成了孔洞缺陷的度量。
2.根据权利要求1所述的一种自动识别真实缺陷孔洞的度量方法,其特征在于,步骤1)中,所述的孔洞上下文的异常检测,包括如下步骤:
1-1)计算模型表面每一点所在位置的先验曲率估计,通过计算每一点所在位置的先验曲率估计,近似于通过主成分分析得到协方差矩阵:
其中pi是每个类i的点集,n是p的邻域大小,是每个类的质心,为矩阵的转置,mc为协方差矩阵;
1-2)计算表面的聚类,使每一个类的方差都不超过一个固定的阈值β;对于每增加一个顶点使 是类Ci的径向邻域,且是类Ci的方差估计;
1-3)进行聚类分析后,描述表面每个类的局部形态,采用独立于表面大小的测量方式:形状索引就是描述曲面上任意点在表面领域二级结构的一种方法,估计方法为:
其中k1≥k2为主曲率,s为每个类的形状索引,除了平坦区域是一个不确定的形状索引外,其余表面区域中s∈[-1,1];
1-4)在步骤1-3)的基础上为了描述一个完整的全局孔洞轮廓,计算得到类间的平均形状索引,即上下文异常值为:
其中si是类ci的形状索引,ci是k个类中的一个子集,点集的大小N=p1+…+pk,pi表示每一类的点集数。
3.根据权利要求1所述的一种自动识别真实缺陷孔洞的度量方法,其特征在于,步骤2)中,孔洞轮廓的异常检测,是计算轮廓曲线的曲率和扭力两个几何特性的变化,具体参数的计算通过条件熵测量的方法得到,包括如下步骤:
2-1)对于矢量三维空间中组成异常曲线的所有点集P,轮廓的扭力定义为:B′(s)=τ(s)N(s),其中N(s)=r″(s)/||r″(s)||为法向量,其中s是沿着参数曲线r从一定点r(t0)到点r(t1)的弧线长,且为了估计扭力的大小,采用最小二乘法计算其估值;
2-2)通过最小二乘计算,得到点p0处的熵值由于孔洞特征的自然属性,不规则孔洞有多种组成的可能,所以关于描述孔洞的特征,不仅要计算孔洞的几何特征的概率估计,而且还要计算孔洞轮廓的高变率,高变率通过条件熵概率估计得到;
2-3)异常轮廓曲线的几何特征集合与点集中的每一点P有关,点Pi的l子集:是有序序列用来计算下一个估值,几何特征集合的熵值为:
其中ψi表示序列子集,
2-4)轮廓的曲率异常值采用最小二乘计算得到,切向量曲率异常熵值ST利用步骤2-3)中的方法把扭力值换成切线角度的变化得到,则轮廓的异常值:
4.根据权利要求1所述的一种自动识别真实缺陷孔洞的度量方法,其特征在于,步骤3)中,所述的全局异常值为:
其中为模型的平坦区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188378.3A CN109509174A (zh) | 2018-10-12 | 2018-10-12 | 一种自动识别真实缺陷孔洞的度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811188378.3A CN109509174A (zh) | 2018-10-12 | 2018-10-12 | 一种自动识别真实缺陷孔洞的度量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109509174A true CN109509174A (zh) | 2019-03-22 |
Family
ID=65746502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811188378.3A Pending CN109509174A (zh) | 2018-10-12 | 2018-10-12 | 一种自动识别真实缺陷孔洞的度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109509174A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022880A (zh) * | 2022-01-07 | 2022-02-08 | 武汉大学 | 食管粘膜平坦程度量化方法、装置、终端及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780591A (zh) * | 2016-11-21 | 2017-05-31 | 北京师范大学 | 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法 |
CN107464286A (zh) * | 2017-06-30 | 2017-12-12 | 百度在线网络技术(北京)有限公司 | 三维城市模型中的孔洞修复方法及装置、设备及可读介质 |
CN107610061A (zh) * | 2017-08-30 | 2018-01-19 | 西安理工大学 | 一种基于二维投影的保边点云孔洞修补方法 |
-
2018
- 2018-10-12 CN CN201811188378.3A patent/CN109509174A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780591A (zh) * | 2016-11-21 | 2017-05-31 | 北京师范大学 | 一种基于颅面稠密对应点云的颅面形态分析及面貌复原方法 |
CN107464286A (zh) * | 2017-06-30 | 2017-12-12 | 百度在线网络技术(北京)有限公司 | 三维城市模型中的孔洞修复方法及装置、设备及可读介质 |
CN107610061A (zh) * | 2017-08-30 | 2018-01-19 | 西安理工大学 | 一种基于二维投影的保边点云孔洞修补方法 |
Non-Patent Citations (2)
Title |
---|
GERMAN SANCHEZ,AT EL.: ""A Metric for Automatic Hole Characterization"", 《RESEARCHGATE》 * |
何学铭: ""点云模型的孔洞修补技术研究"", 《知网》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022880A (zh) * | 2022-01-07 | 2022-02-08 | 武汉大学 | 食管粘膜平坦程度量化方法、装置、终端及存储介质 |
CN114022880B (zh) * | 2022-01-07 | 2022-04-19 | 武汉大学 | 食管粘膜平坦程度量化方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101672637B (zh) | 一种复杂曲面的数字化检测方法 | |
WO2021000720A1 (zh) | 一种基于点云边界构建小曲率零件机器人加工路径曲线的方法 | |
Ke et al. | Feature-based reverse modeling strategies | |
CN109887015A (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN108010116A (zh) | 点云特征点检测方法和点云特征提取方法 | |
CN106874628B (zh) | 一种航空发动机压气机叶片叶尖缺损的三维重建方法 | |
CN109118574A (zh) | 一种基于三维特征提取的快速逆向建模方法 | |
CN107749079A (zh) | 一种面向无人机扫描重建的点云质量评价和无人机轨迹规划方法 | |
CN106446343B (zh) | 一种径流叶轮直纹叶片参数化型线的自动提取方法 | |
CN103942837B (zh) | 基于序列线性规划的叶片点云模型截面曲线直接构造方法 | |
CN108593260A (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN107330142B (zh) | 一种基于stl模型的在机检测的测点法矢估算方法 | |
JP2014500484A (ja) | 連続b‐スプライン変形を利用してタイヤ表面の三次元画像を前処理する方法 | |
CN103745459A (zh) | 一种非结构化点云特征点检测方法及其提取方法 | |
WO2021128614A1 (zh) | 一种基于特征线的弧面凸轮廓面误差测量与评定方法 | |
CN108544181B (zh) | 一种整体叶盘损伤叶片的修复方法 | |
CN107862735A (zh) | 一种基于结构信息的rgbd三维场景重建方法 | |
Zheng et al. | A primitive-based 3D reconstruction method for remanufacturing | |
CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 | |
CN115578398A (zh) | 一种基于区域增长法的焊缝点云分割方法 | |
CN111710022A (zh) | 一种避免轮廓相交的快速成型切片处理方法 | |
CN201514207U (zh) | 一种复杂曲面的数字化检测系统 | |
CN110415362B (zh) | 重叠点云融合方法 | |
CN109509174A (zh) | 一种自动识别真实缺陷孔洞的度量方法 | |
CN104361578A (zh) | 一种多尺度精度控制下的层次化网格分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190322 |