CN109724940A - 利用近红外光谱仪检测酒糟成分含量的方法及系统 - Google Patents
利用近红外光谱仪检测酒糟成分含量的方法及系统 Download PDFInfo
- Publication number
- CN109724940A CN109724940A CN201910143011.8A CN201910143011A CN109724940A CN 109724940 A CN109724940 A CN 109724940A CN 201910143011 A CN201910143011 A CN 201910143011A CN 109724940 A CN109724940 A CN 109724940A
- Authority
- CN
- China
- Prior art keywords
- vinasse
- sample
- near infrared
- component content
- infrared spectrometer
- 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
Abstract
本发明涉及检测技术领域,现有的酒糟检测检测环境固定检测时间长的问题,提出一种利用近红外光谱仪检测酒糟成分含量的系统,包括客户端、样品制备工装、关联模型模块和近红外光谱仪,样品制备工装,用于制备酒糟样品;客户端,用于发送采集指令给近红外光谱仪,并显示酒糟光谱数据和酒糟的成分含量;近红外光谱仪,用于根据采集指令对酒糟样品进行光谱采集,并将采集到的酒糟光谱数据发送给客户端;关联模型模块,用于存储酒糟成分含量与近红外光谱数据的关联模型,并将采集的酒糟光谱数据输入至所述关联模型得到酒糟的成分含量,将所述酒糟的成分含量发送给客户端。本发明适用于酒糟成分的快速检测。
Description
技术领域
本发明涉及检测技术领域,特别涉及一种检测酒糟成分含量。
背景技术
酒糟是酿酒环节的必要产物,酒糟类物质主要是由谷物发酵而成,成分含有大量含氢基团,包含C-H、S-H、O-H和N-H等,在酒糟的发酵过程中,入窖和出窖酒糟中水分、淀粉、酸度和糖等物质成分的含量将直接影响酒品质量,是衡量酒糟是否适宜及酒糟发酵过程是否正常的主要依据,其中酸度受含氢基团特别是O-H和N-H的影响。
目前酿酒行业对酒糟中水分、淀粉、酸度和糖份等物质成分的含量检测主要使用到大型实验室仪器进行检测,这些方法虽然定量准确灵敏度高,但所需设备体积庞大,设备费用昂贵,样品制备时间长且样品制作方法严格,检测设备和样品制备需要专业人员操作,检测环境固定,且分析时间长,不适用于现场检测,不便于推广使用。
发明内容
本发明所要解决的技术问题是:克服现有的酒糟检测检测环境固定检测时间长的问题,提出一种利用近红外光谱仪检测酒糟成分含量的方法及系统。
本发明解决上述技术问题,采用的技术方案是:
利用近红外光谱仪检测酒糟成分含量的方法,包括:
A、制备酒糟样品;
B、校准近红外光谱仪;
C、采用近红外光谱仪对酒糟样品进行光谱采集;
D、将采集到的酒糟光谱数据输入到预置的酒糟成分含量与对应的近红外光谱数据之间的关联模型得到酒糟样品的成分含量;
E、显示酒糟样品的成分含量。
优选的,所述酒糟样品包括入窖酒糟样品和/或出窖酒糟样品,所述制备酒糟样品包括:当要制备入窖酒糟样品时,以酿酒厂的入窖酒糟为样品原料,将入窖酒糟平整放入样品制备工装中并向下压实使得入窖酒糟表面平整且厚度大于2厘米;当要制备出窖酒糟样品时,以酿酒厂的出窖酒糟为样品原料,将出窖酒糟平整放入样品制备工装中并向下压实使得出窖酒糟表面平整且厚度大于2厘米。
优选的,所述步骤B包括:采用近红外光谱仪对应的校准附件完成空腔校准和样片校准。
优选的,所述步骤C包括:
将近红外光谱仪平整放置在酒糟样品的表面,通过客户端控制近红外光谱仪对酒糟样品表面的多个点进行光谱采集。
优选的,所述步骤D中关联模型的建立步骤包括:
按照国际标准对酒糟训练样品进行检测得到对应的酒糟成分含量;
采用近红外光谱仪对酒糟训练样品进行光谱采集得到对应的近红外光谱数据;
对所述酒糟成分含量和近红外光谱数据采用最小二乘法拟合得到多项式的关联模型;或,根据所述酒糟成分含量和近红外光谱数据对神经网络模型进行训练和测试得到损失值最小的最优模型,将所述最优模型作为关联模型。
为解决上述技术问题,本发明还提供了一种利用近红外光谱仪检测酒糟成分含量的系统,包括客户端、样品制备工装、关联模型模块和近红外光谱仪,
样品制备工装,用于制备酒糟样品;
客户端,用于发送采集指令给近红外光谱仪,并显示酒糟光谱数据和酒糟的成分含量;
近红外光谱仪,用于根据采集指令对酒糟样品进行光谱采集,并将采集到的酒糟光谱数据发送给客户端;
关联模型模块,用于存储酒糟成分含量与近红外光谱数据的关联模型,并将采集的酒糟光谱数据输入至所述关联模型得到酒糟的成分含量,将所述酒糟的成分含量发送给客户端。
优选的,所述酒糟样品包括入窖酒糟样品和/或出窖酒糟样品,所述制备酒糟样品包括:当要制备入窖酒糟样品时,以酿酒厂的入窖酒糟为样品原料,将入窖酒糟平整放入样品制备工装中并向下压实使得入窖酒糟表面平整且厚度大于2厘米;当要制备出窖酒糟样品时,以酿酒厂的出窖酒糟为样品原料,将出窖酒糟平整放入样品制备工装中并向下压实使得出窖酒糟表面平整且厚度大于2厘米。
优选的,所述近红外光仪器包括校准附件,校准附件用于空腔校准和样片校准。
优选的,近红外光谱仪用于对酒糟样品表面的多个点进行光谱采集。
优选的,所述关联模型模块还包括模型建立单元,模型建立单元用于对采用国际标准对酒糟训练样品进行检测得到对应的酒糟成分含量和采用近红外光谱仪对酒糟训练样品进行光谱采集得到对应的近红外光谱数据通过最小二乘法拟合得到多项式的关联模型;或,根据所述酒糟成分含量和近红外光谱数据对神经网络模型进行训练和测试得到损失值最小的最优模型,将所述最优模型作为关联模型。
本发明的有益效果是:
由于近红外光谱与酒糟样品的有机分子中含氢基团振动的合频和各级倍频的吸收区一致,通过近红外光谱分析仪对酒糟样品进行光谱采集,可以得到酒糟样品中有机分子含氢基团的特征信息,通过调用已建成的酒糟成分含量与对应的近红外光谱数据之间的关联模型,可快速检测出酒糟样品中水分、淀粉、酸度和糖的含量,因此本发明具有如下效果:
1)检测成本低。本发明的检测方法不需要使用到大型的实验室检测仪器,大大降低了检测成本。
2)操作简单,便于现场检测。采用本发明的检测方法对酒糟样品进行检测,不需准备除样品以外的其他试剂和材料,可以直接进行检测。并且,由于酒糟样品制备和仪器检测操作简单,无需专业人员操作,便于现场检测,便于推广使用。
3)能有效的进行实时检测。应用本发明的检测方法进行检测时,样品光谱采集能在几秒中内完成,能有效的进行现场实时检测,同时检测仪器没有强电组件,能够切实保障检测人员生命安全。
附图说明
图1为本发明实施例的系统结构图;
图2为本发明实施例的客户端显示的光谱采集扫描图;
其中,1为样品制备工装,2为酒糟样品,3为近红外光谱仪,4为客户端,5为关联模型模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及如下实施例对本发明进行进一步详细说明。
如图1所示,利用近红外光谱仪检测酒糟成分含量的系统,包括客户端4、样品制备工装1、关联模型模块5和近红外光谱仪3,
样品制备工装1,用于制备酒糟样品2;
客户端4,用于发送采集指令给近红外光谱仪3,并显示酒糟光谱数据和酒糟的成分含量;如图2所示为客户端4显示的光谱采集扫描图。
近红外光谱仪3,用于根据采集指令对酒糟样品2进行光谱采集,并将采集到的酒糟光谱数据发送给客户端4;
关联模型模块5,用于存储酒糟成分含量与近红外光谱数据的关联模型,并将采集的酒糟光谱数据输入至所述关联模型得到酒糟的成分含量,将所述酒糟的成分含量发送给客户端4。
其中,上述客户端4和关联模型模块5可位于同一设备,例如可为移动终端或PC机等终端设备,也可将客户端4和关联模型模块5分开存放,例如客户端4位于移动终端或PC机等本地终端设备,关联模型模块5位于云端即云服务器,近红外光谱仪3可通过蓝牙或者USB通信方式与客户端4进行互联,近红外光谱仪3可为便携式近红外光谱仪3,近红外光谱仪3可采用漫反射测试方法对酒糟样品2进行光谱采集。
作为优选,酒糟样品2可包括入窖酒糟样品2和/或出窖酒糟样品2,制备酒糟样品2可包括:当要制备入窖酒糟样品时,以酿酒厂的入窖酒糟为样品原料,将入窖酒糟平整放入样品制备工装1中并向下压实使得入窖酒糟表面平整且厚度大于2厘米;当要制备出窖酒糟样品时,以酿酒厂的出窖酒糟为样品原料,将出窖酒糟平整放入样品制备工装1中并向下压实使得出窖酒糟表面平整且厚度大于2厘米。可利用样品制备工装1上盖的自重,向下压实酒糟样品2表面。
为了保证光谱数据的准确性,上述近红外光仪器可包括校准附件,校准附件可用于空腔校准和样片校准。
为了保证采集的光谱数据的多样性和完整性,,近红外光谱仪3可用于对酒糟样品2表面的多个点进行光谱采集。
作为进一步的选择,上述关联模型模块5还可包括模型建立单元,模型建立单元用于对采用国际标准对酒糟训练样品进行检测得到对应的酒糟成分含量和采用近红外光谱仪3对酒糟训练样品进行光谱采集得到对应的近红外光谱数据通过最小二乘法拟合得到多项式的关联模型;或,根据上述酒糟成分含量和近红外光谱数据对神经网络模型进行训练和测试得到损失值最小的最优模型,将上述最优模型作为关联模型。其中,关联模型的输入为近红外光谱数据,关联模型输出为酒糟成分含量,最小二乘法算法为现有算法,神经网络模型的训练和测试也为现有的流程,可根据需要选取不同的神经网络模型。
与上述系统相对应的利用近红外光谱仪检测酒糟成分含量的方法,包括:
A、制备酒糟样品2;
B、校准近红外光谱仪3;
C、采用近红外光谱仪3对酒糟样品2进行光谱采集;
D、将采集到的酒糟光谱数据输入到预置的酒糟成分含量与对应的近红外光谱数据之间的关联模型得到酒糟样品2的成分含量;
E、显示酒糟样品2的成分含量。
其中,酒糟样品2可包括入窖酒糟样品和/或出窖酒糟样品,制备酒糟样品2可包括:当要制备入窖酒糟样品时,以酿酒厂的入窖酒糟为样品原料,将入窖酒糟平整放入样品制备工装1中并向下压实使得入窖酒糟表面平整且厚度大于2厘米;当要制备出窖酒糟样品时,以酿酒厂的出窖酒糟为样品原料,将出窖酒糟平整放入样品制备工装1中并向下压实使得出窖酒糟表面平整且厚度大于2厘米。可利用样品制备工装1上盖的自重,向下压实酒糟样品2表面。
步骤B中校准近红外光谱仪3可采用近红外光谱仪自带的校准附件,按照近红外光谱仪3校准流程,完成近红外光谱仪3的空腔校准和样片校准。
为了保证采集的光谱数据的多样性和完整性,步骤C可包括:
将近红外光谱仪3平整放置在酒糟样品2的表面,通过客户端4控制近红外光谱仪3对酒糟样品2表面的多个点进行光谱采集。作为优选,可以是对酒糟样品2表面的3~6个点进行光谱采集。
上述步骤D中的关联模型可采用如下方法进行实现:
按照国际标准对酒糟训练样品进行检测得到对应的酒糟成分含量;
采用近红外光谱仪3对酒糟训练样品进行光谱采集得到对应的近红外光谱数据;
对所述酒糟成分含量和近红外光谱数据采用最小二乘法拟合得到多项式的关联模型;或,根据所述酒糟成分含量和近红外光谱数据对神经网络模型进行训练和测试得到损失值最小的最优模型,将所述最优模型作为关联模型。
其中,关联模型的输入为近红外光谱数据,关联模型输出为酒糟成分含量,最小二乘法算法为现有算法,神经网络模型的训练和测试也为现有的流程,可根据需要选取不同的神经网络模型。
Claims (10)
1.利用近红外光谱仪检测酒糟成分含量的方法,其特征在于,包括:
A、制备酒糟样品;
B、校准近红外光谱仪;
C、采用近红外光谱仪对酒糟样品进行光谱采集;
D、将采集到的酒糟光谱数据输入到预置的酒糟成分含量与对应的近红外光谱数据之间的关联模型得到酒糟样品的成分含量;
E、显示酒糟样品的成分含量。
2.如权利要求1所述的方法,其特征在于,所述酒糟样品包括入窖酒糟样品和/或出窖酒糟样品,所述制备酒糟样品包括:当要制备入窖酒糟样品时,以酿酒厂的入窖酒糟为样品原料,将入窖酒糟平整放入样品制备工装中并向下压实使得入窖酒糟表面平整且厚度大于2厘米;当要制备出窖酒糟样品时,以酿酒厂的出窖酒糟为样品原料,将出窖酒糟平整放入样品制备工装中并向下压实使得出窖酒糟表面平整且厚度大于2厘米。
3.如权利要求1所述的方法,其特征在于,所述步骤B包括:采用近红外光谱仪对应的校准附件完成空腔校准和样片校准。
4.如权利要求1所述的方法,其特征在于,所述步骤C包括:
将近红外光谱仪平整放置在酒糟样品的表面,通过客户端控制近红外光谱仪对酒糟样品表面的多个点进行光谱采集。
5.如权利要求1所述的方法,其特征在于,所述步骤D中关联模型的建立步骤包括:
按照国际标准对酒糟训练样品进行检测得到对应的酒糟成分含量;
采用近红外光谱仪对酒糟训练样品进行光谱采集得到对应的近红外光谱数据;
对所述酒糟成分含量和近红外光谱数据采用最小二乘法拟合得到多项式的关联模型;或,根据所述酒糟成分含量和近红外光谱数据对神经网络模型进行训练和测试得到损失值最小的最优模型,将所述最优模型作为关联模型。
6.利用近红外光谱仪检测酒糟成分含量的系统,其特征在于,包括客户端、样品制备工装、关联模型模块和近红外光谱仪,
样品制备工装,用于制备酒糟样品;
客户端,用于发送采集指令给近红外光谱仪,并显示酒糟光谱数据和酒糟的成分含量;
近红外光谱仪,用于根据采集指令对酒糟样品进行光谱采集,并将采集到的酒糟光谱数据发送给客户端;
关联模型模块,用于存储酒糟成分含量与近红外光谱数据的关联模型,并将采集的酒糟光谱数据输入至所述关联模型得到酒糟的成分含量,将所述酒糟的成分含量发送给客户端。
7.如权利要求6所述的系统,其特征在于,所述酒糟样品包括入窖酒糟样品和/或出窖酒糟样品,所述制备酒糟样品包括:当要制备入窖酒糟样品时,以酿酒厂的入窖酒糟为样品原料,将入窖酒糟平整放入样品制备工装中并向下压实使得入窖酒糟表面平整且厚度大于2厘米;当要制备出窖酒糟样品时,以酿酒厂的出窖酒糟为样品原料,将出窖酒糟平整放入样品制备工装中并向下压实使得出窖酒糟表面平整且厚度大于2厘米。
8.如权利要求6所述的系统,其特征在于,所述近红外光谱仪包括校准附件,校准附件用于空腔校准和样片校准。
9.如权利要求6所述的系统,其特征在于,近红外光谱仪用于对酒糟样品表面的多个点进行光谱采集。
10.如权利要求6所述的系统,其特征在于,所述关联模型模块还包括模型建立单元,模型建立单元用于对采用国际标准对酒糟训练样品进行检测得到对应的酒糟成分含量和采用近红外光谱仪对酒糟训练样品进行光谱采集得到对应的近红外光谱数据通过最小二乘法拟合得到多项式的关联模型;或,根据所述酒糟成分含量和近红外光谱数据对神经网络模型进行训练和测试得到损失值最小的最优模型,将所述最优模型作为关联模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143011.8A CN109724940A (zh) | 2019-02-26 | 2019-02-26 | 利用近红外光谱仪检测酒糟成分含量的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143011.8A CN109724940A (zh) | 2019-02-26 | 2019-02-26 | 利用近红外光谱仪检测酒糟成分含量的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109724940A true CN109724940A (zh) | 2019-05-07 |
Family
ID=66300141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910143011.8A Pending CN109724940A (zh) | 2019-02-26 | 2019-02-26 | 利用近红外光谱仪检测酒糟成分含量的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109724940A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110632021A (zh) * | 2019-10-17 | 2019-12-31 | 四川长虹电器股份有限公司 | 基于便携式近红外光谱仪的光谱检测方法及系统 |
CN110672546A (zh) * | 2019-10-11 | 2020-01-10 | 四川长虹电器股份有限公司 | 一种基于便携式近红外光谱仪的酒糟模型建模方法 |
CN110823829A (zh) * | 2019-11-21 | 2020-02-21 | 四川长虹电器股份有限公司 | 一种基于sg校准片的光谱数据补偿方法 |
CN112924413A (zh) * | 2021-01-27 | 2021-06-08 | 四川长虹电器股份有限公司 | 预测酒糟成分的方法 |
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042968A (zh) * | 2010-11-24 | 2011-05-04 | 南京财经大学 | 粮食品质近红外快速检测无线系统 |
CN106092959A (zh) * | 2016-06-30 | 2016-11-09 | 上海仪器仪表研究所 | 一种基于云平台的近红外食品质量监测系统 |
CN106501210A (zh) * | 2016-11-01 | 2017-03-15 | 合肥齐赢网络技术有限公司 | 一种基于近红外光谱的物质成分检测系统 |
CN107589092A (zh) * | 2017-08-18 | 2018-01-16 | 北京工商大学 | 基于移动网络终端的蓝牙便携式近红外光谱快检系统 |
CN108387550A (zh) * | 2018-02-10 | 2018-08-10 | 云南小宝科技有限公司 | 基于mems的便携式近红外光谱检测方法、装置和系统 |
CN108801975A (zh) * | 2018-08-03 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 |
-
2019
- 2019-02-26 CN CN201910143011.8A patent/CN109724940A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102042968A (zh) * | 2010-11-24 | 2011-05-04 | 南京财经大学 | 粮食品质近红外快速检测无线系统 |
CN106092959A (zh) * | 2016-06-30 | 2016-11-09 | 上海仪器仪表研究所 | 一种基于云平台的近红外食品质量监测系统 |
CN106501210A (zh) * | 2016-11-01 | 2017-03-15 | 合肥齐赢网络技术有限公司 | 一种基于近红外光谱的物质成分检测系统 |
CN107589092A (zh) * | 2017-08-18 | 2018-01-16 | 北京工商大学 | 基于移动网络终端的蓝牙便携式近红外光谱快检系统 |
CN108387550A (zh) * | 2018-02-10 | 2018-08-10 | 云南小宝科技有限公司 | 基于mems的便携式近红外光谱检测方法、装置和系统 |
CN108801975A (zh) * | 2018-08-03 | 2018-11-13 | 四川长虹电器股份有限公司 | 一种微型化近红外光谱仪检测酒糟成分的光谱预处理方法 |
Non-Patent Citations (2)
Title |
---|
周兴藩等: "酒糟主要成分含量的近红外反射光谱快速分析", 《农业机械学报》 * |
郑峰等: "近红外漫反射光谱采集结构中的样品厚度优化研究", 《全国第四界近红外光谱学术会议》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672546A (zh) * | 2019-10-11 | 2020-01-10 | 四川长虹电器股份有限公司 | 一种基于便携式近红外光谱仪的酒糟模型建模方法 |
CN110632021A (zh) * | 2019-10-17 | 2019-12-31 | 四川长虹电器股份有限公司 | 基于便携式近红外光谱仪的光谱检测方法及系统 |
CN110823829A (zh) * | 2019-11-21 | 2020-02-21 | 四川长虹电器股份有限公司 | 一种基于sg校准片的光谱数据补偿方法 |
CN112924413A (zh) * | 2021-01-27 | 2021-06-08 | 四川长虹电器股份有限公司 | 预测酒糟成分的方法 |
CN113724803A (zh) * | 2021-09-02 | 2021-11-30 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
CN113724803B (zh) * | 2021-09-02 | 2024-03-12 | 四川启睿克科技有限公司 | 一种有效提升酒糟样品预测准确率的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109724940A (zh) | 利用近红外光谱仪检测酒糟成分含量的方法及系统 | |
CN106092959B (zh) | 一种基于云平台的近红外食品质量监测系统 | |
CN101308086B (zh) | 基于近红外光谱技术的水果内部品质在线检测装置 | |
CN101769866B (zh) | 一种牛奶成分的检测装置和方法 | |
CN101210875A (zh) | 基于近红外光谱技术的无损测量土壤养分含量的方法 | |
CN103134767B (zh) | 一种红外光谱校正鉴定白酒品质的方法 | |
CN104749132A (zh) | 一种测定面粉中偶氮甲酰胺的含量的方法 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN101210876A (zh) | 基于可见/近红外多光谱成像的水稻养分信息测量方法 | |
CN110672546A (zh) | 一种基于便携式近红外光谱仪的酒糟模型建模方法 | |
CN102564962A (zh) | 果树营养成分检测系统及方法 | |
CN110542668A (zh) | 一种基于太赫兹成像技术定量分析叶片成分分布情况的方法 | |
CN100357725C (zh) | 近红外技术快速检测牛肉嫩度的方法和装置 | |
CN107192635B (zh) | 无损测量木材密度的方法和系统 | |
CN104849232A (zh) | 一种快速检测蜂王浆水分和蛋白质含量的方法 | |
CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
CN105092513B (zh) | 一种测定混合药物中的药物成分的含量的方法 | |
CN101059427A (zh) | 多光谱成像技术快速无损测量茶树含氮量的方法 | |
CN106092961A (zh) | 一种快速检测农产品中化学成分的方法 | |
CN108037081A (zh) | 一种酿酒葡萄成熟度监测方法和系统 | |
CN207610986U (zh) | 一种快速测量酒醅在窖池中发酵参数的装置 | |
CN111289459A (zh) | 混合物质组分浓度检测方法、装置、设备及存储介质 | |
CN106872396B (zh) | 一种不同近红外仪器测定葡萄糖度模型转换的方法 | |
CN101788481A (zh) | 一种吡啶类农药浓度检测装置及方法 | |
CN108627498A (zh) | 一种多光谱数据融合的面粉掺杂定量检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |
|
RJ01 | Rejection of invention patent application after publication |