CN110024648A - 基于深度神经网络的川贝母精准种植方法 - Google Patents
基于深度神经网络的川贝母精准种植方法 Download PDFInfo
- Publication number
- CN110024648A CN110024648A CN201910289473.0A CN201910289473A CN110024648A CN 110024648 A CN110024648 A CN 110024648A CN 201910289473 A CN201910289473 A CN 201910289473A CN 110024648 A CN110024648 A CN 110024648A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- bulbus fritillariae
- fritillariae cirrhosae
- plantation
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/35—Bulbs; Alliums, e.g. onions or leeks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Botany (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明是基于深度神经网络的川贝母精准种植方法。本发明通过高光谱相机自动检测土壤养分和作物状态数据,得到高光谱图像,通过光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到环境信息;将检测到的川贝母生长数据进行整理,建立函数映射F,进而预测出下一时刻种植操作;建立川贝母种植操作与川贝母生长状态之间的深度神经网络模型,对所述深度神经网络模型进行端到端的学习训练;将新的环境与光谱图像输入所述深度神经网络模型中,所述深度神经网络模型预测出种植操作来代替人工经验。本发明的种植技术既能代替种植专家,又能规范种植过程,有利于种植技术的推广,实现规模化种植,种植效率会优于人工种植。
Description
技术领域
本发明涉及药材种植技术领域,是一种基于深度神经网络的川贝母精准种植方法。
背景技术
川贝母是一种名贵中药材,具有润肺止咳的功效,应用历史悠久,主要分布在我国四川西部、云南西北部、西藏东南部、甘肃、青海等地,海拔大约为3500-4500米的高寒地区。因其药用价值高,市场需求量大,加之生长环境所限,野生资源已日渐枯竭,已处于濒危状态,被列入国家三级保护植物名录。因此,对川贝母进行人工栽培、规范化种植,显得尤为重要与必要。
我国从20世纪60年代即开始在康定县进行川贝母人工栽培,目前在四川阿坝、理县、甘肃漳县、云南丽江等地均有栽培。川贝母种群自我更新缓慢,对环境要求苛刻,加之普通药农缺乏栽培经验,致使川贝母的人工栽培产量不高,推广难度大。现有的栽培技术仍以人工经验为主,缺少种植过程的量化分析与种植性能评价,属于传统种植技术。
随着科学技术尤其是信息技术的发展,精准农业技术正成为农业生产活动中的热点技术和重要发展方向。中药材种植是农业生产中一项重要内容,借助精准农业思想提升中药材种植水平是大势所趋。本发明提供一种川贝母的精准种植技术,既能提高川贝母生态种植的规范化水平和规模,又能破解野生中药材资源保护的困局。
为了探索土壤、环境与作物的关系,通常的做法是直接或间接测量出土壤中各要素的含量与环境信息,以及表示农作物长势状态的各种元素,再对这些变量模型化、求解过程复杂困难。同时,直接测量上述数据也是困难的,比如对土壤养分含量的测定最常用的方法是化学分析法,检测时间长,工作效率低,不能实现自动、连续测量。近年来,利用高光谱技术实现土壤养分快速测定正成为研究热点,可以通过分析土壤主要养分的特征光谱,预测养分含量。高光谱相机能够在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像,可同时获得目标图像信息与光谱信息。土壤养分以氮、磷、钾为主,已有研究表明,土壤中的氮磷钾含量水平分别与近红外中的特征光谱相关,利用该特征光谱可对土壤养分进行实时检测。另一方面,氮素是与作物光合作用、产量及品质关系最密切的营养元素,也是作物需求量和施用量最大的矿质元素。作物发育过程中,氮素营养水平的变化会引起叶片颜色、叶绿素水平、水分含量等作物形态结构变化,进而引起冠层光谱的变化,这是高光谱图像进行氮素估测的理论基础。本系统通过对贝母植株上层高光谱成像,分析与氮素相关的特征光谱,从而实现对作物长势的检测。
发明内容
本发明为解决现有存在的问题,提供了一种基于深度神经网络的川贝母精准种植方法,本发明提供了以下技术方案:
基于深度神经网络的川贝母精准种植方法,包括以下步骤:
步骤一:在大棚内种植川贝母,通过高光谱相机自动采集土壤养分或作物长势数据,得到高光谱图像集合,通过光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到环境向量集合;
步骤二:将检测到的川贝母生长数据进行整理,建立函数映射F,进而预测出下一时刻种植操作;
步骤三:利用深度神经网络的特征提取与非线性逼近能力学习函数映射F,建立川贝母种植操作与川贝母生长状态之间的深度神经网络模型,对所述深度神经网络模型进行端到端的学习训练;
步骤四:将新的环境与光谱图像输入所述深度神经网络模型中,所述深度神经网络模型预测出种植操作来代替人工经验。
优选地,所述步骤一具体为:
第一步:通过高光谱相机自动检测土壤养分或作物数据,得到高光谱图像,通过下式表示t时刻前的n天高光谱图像集合:
Xt={xt-n+1,xt-n+2,…,xt} (1)
其中,Xt为t时刻前的n天高光谱图像集合,xt为t时刻图像,t为时刻,这里指某一天,n为天数;
第二步:通过光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到环境向量,通过下式表示n天环境向量集合:
Et={et-n+1,et-n+2,…,et} (2)
其中,Et为n天环境向量集合,et为t时刻环境向量;
第三步:通过下式表示对应的n天的种植操作向量集合:
At={at-n+1,at-n+2,…,at} (3)
其中,At为n天的种植操作向量集合,at为t时刻种植操作向量。
优选地,所述高光谱图像大小为145*145像素,200个波段通道。
优选地,所述步骤二具体为:
根据高光谱相机自动检测土壤养分和作物长势数据,得到的高光谱图像;光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到的环境向量;以及对应的种植操作向量建立下式:
at+1=F(Xt,Et,At) (4)
其中,所述at+1即为下一时刻的种植操作。
优选地,所述步骤三具体为:
第一步:利用深度神经网络的特征提取与非线性逼近能力学习函数映射F,建立川贝母种植操作与川贝母生长状态之间的深度神经网络模型;
第二步:对所述深度神经网络模型进行训练,将高光谱图像和环境向量矢量化,并将矢量化后的高光谱图像和环境向量作为神经模型的输入,将川贝母种植操作作为深度神经网络模型的输出,进行端到端的学习训练。
优选地,在检测土壤数据时,对土壤区域进行分块处理,分析土壤每一块去的肥力随时间变化的演进过程,形成土壤肥力在空间和时间二维尺度上的状态演进曲面。
优选地,采用云台相机对大棚种植区进行定时轮回检测,通过云台精准可控制与区域标定,保证每次轮巡都是固定区域。
优选地,对温湿度传感器采集的数据进行二维插值,记录土壤在不同区域不同时间水分比变化轨迹。
本发明具有以下有益效果:
本发明智能化的川贝母种植技术既能代替种植专家,又能规范种植过程,有利于种植技术的推广,实现规模化种植。另外,由于实现了种植过程的数据化和自动化,种植效率会优于人工种植。
附图说明
图1是神经网络示意图。
图2是端到端精准种植模型图。
图3是端到端精准种植模型训练过程图。
图4是川贝母种植数据采集示意图。
具体实施方式
以下结合具体实施例,对本发明进行了详细说明。
具体实施例一:
本发明提供一种基于深度神经网络的川贝母精准种植方法,所述方法包括如下步骤:
步骤一:在大棚内根据种植专家的经验种植川贝母,通过高光谱相机自动采集土壤养分或作物长势数据,得到高光谱图像集合,通过光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到环境向量集合;
步骤二:将检测到的川贝母生长数据进行整理,建立函数映射F,进而预测出下一时刻种植操作;
步骤三:利用深度神经网络的特征提取与非线性逼近能力学习函数映射F,建立川贝母种植操作与川贝母生长状态之间的深度神经网络模型,对所述深度神经网络模型进行端到端的学习训练;
步骤四:将新的环境与光谱图像输入所述深度神经网络模型中,所述深度神经网络模型预测出种植操作来代替人工经验。
为实现川贝母种植过程的数据化、自动化、智能化,需要搭建自动化的采集设备,能对土壤、环境及作物状态实时监测,并形成完整有效的数据,进而通过机器学习方法,实现智能种植决策。实施过程如图1所示。
简单地说,土壤和环境共同决定了植物的生长状况。土壤包括土壤养分(主要是氮、磷、钾含量)、含水量、酸碱度、电导率等特性,采用光照传感器和温湿度传感器检测环境主要有光照强度、空气温湿度等因素。精准种植的关键是掌握农作物随土壤特性与环境变化的规律,并通过改变土壤特性或环境要素,使作物获得最佳生长状态。本发明利用高光谱相机实现土壤养分和作物长势的自动检测。
川贝母的种植过程是在一定环境条件下贝母种子或幼苗在土壤中的生长过程,体现了能量从土壤/环境向作物之间的传递,土壤、环境与作物之间的这种相互关系是非线性且随时间变化的。精准种植的关键即是找到这个非线性关系。为此,建立如下数学模型。设Xt={xt-n+1,xt-n+2,…,xt}表示t时刻前的n帧高光谱图像集合,xt为t时刻图像,t为时刻,这里指某一天,n为天数,若每天采样一帧图像,则表示前n天光谱图像,光谱图像由上述高光谱相机测得,Et={et-n+1,et-n+2,…,et}为相应的n天环境向量,et为环境矢量,环境向量由上述光传感器和温湿度传感器测得,At={at-n+1,at-n+2,…,at为对应的n天的种植操作向量,at为种植操作矢量,包括浇水、施肥,各向量值的大小体现浇水、施肥的多少,种植操作在人工种植阶段通过人工专家获得。问题的关键即是找到这样一个函数映射F:R145×145×200×n×Rn×Rn→Rn,进而预测出at+1=F(Xt,Et,At),即下一个时刻的种植操作。这里每一帧高光谱图像大小为145×145像素,200个波段通道,在贝母幼苗出来之前,以土壤的高光谱图像作为输入,利用深度神经网络强大的特征提取与非线性逼近能力来学习函数F。深度神经网络如图1所示。即为了获得种植决策,直接将环境信息、作物光谱图像(或者土壤光谱图像)作为输入,以人工种植经验(如施肥量、浇水量)作为输出,进行端到端的学习,建立种植操作与作物之间的深度神经网络模型。然后在此模型(深度神经网络模型)基础上,对新的环境与光谱图像输入,直接预测出种植操作。见图2。
具体实施例二:
川贝母的种植要求药材的道地性,选择单一品种(暗紫贝母或卷叶贝母,二者均是阿坝道地品种)进行种植试验,经统一育苗后,先后采用两种种植方法进行实验:
首先在大棚内实施人工种植,根据种植专家的经验进行种植,同时自动采集大棚环境与光谱数据,对种植模型进行训练。如图3,图4。训练过程如下:利用温湿度传感器和光照传感器采集环境数据,利用高光谱相机采集土壤和作物光谱图像,将环境数据与光谱图像矢量化,作为深度神经网络的输入,将专家种植操作作为神经网络的输出,进行端到端的学习训练。在数据采集时对土壤区域进行分块处理,即分析土壤每一块区的肥力随时间变化的演进过程,形成土壤肥力在空间与时间二维尺度上的状态演进曲面。为此,采用云台相机对种植区进行定时轮巡检测,通过云台精确控制与区域标定,保证每次轮巡都是固定区域。对多点温湿度传感器采集的数据进行二维插值,记录土壤在不同区域不同时间水分变化轨迹。
然后进行机器自动种植试验,采用大棚种植,根据种植模型给出种植策略,按照计算机给出的决策进行种植操作,检验自动种植效果。
两次种植试验中,与种植操作无关的部分尽量采取相同的选择,如种子选择、育种、除草等。可通过多次对比试验,改进种植模型。
以上所述仅是基于深度神经网络的川贝母精准种植方法的优选实施方式,基于深度神经网络的川贝母精准种植方法的保护范围并不仅局限于上述实施例,凡属于该思路下的技术方案均属于本发明的保护范围。应当指出,对于本领域的技术人员来说,在不脱离本发明原理前提下的若干改进和变化,这些改进和变化也应视为本发明的保护范围。
Claims (8)
1.一种基于深度神经网络的川贝母精准种植方法,其特征是:包括以下步骤:
步骤一:在大棚内种植川贝母,通过高光谱相机自动采集土壤养分或作物长势数据,得到高光谱图像,通过光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到环境向量;
步骤二:将检测到的川贝母生长数据进行整理,建立函数映射F,进而预测出下一时刻种植操作;
步骤三:利用深度神经网络的特征提取与非线性逼近能力学习函数映射F,建立川贝母种植操作与川贝母生长状态之间的深度神经网络模型,对所述深度神经网络模型进行端到端的学习训练;
步骤四:将新的环境与光谱图像输入所述深度神经网络模型中,所述深度神经网络模型预测出种植操作来代替人工经验。
2.根据权利要求1所述的一种基于深度神经网络的川贝母精准种植方法,其特征是:所述步骤一具体为:
第一步:通过高光谱相机自动采集土壤养分或作物数据,得到高光谱图像,通过下式表示t时刻前的n天高光谱图像集合:
Xt={xt-n+1,xt-n+2,...,xt} (1)
其中,Xt为t时刻前的n天高光谱图像集合,xt为t时刻图像,t为时刻,n为天数;
第二步:通过光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到环境向量,通过下式表示n天环境向量集合:
Et={et-n+1,et-n+2,...,et} (2)
其中,Et为n天环境向量集合,et为t时刻环境向量;
第三步:通过下式表示对应的n天的种植操作向量集合:
At={at-n+1,at-n+2,...,at} (3)
其中,At为n天的种植操作向量集合,at为t时刻种植操作向量。
3.根据权利要求1所述的一种基于深度神经网络的川贝母精准种植方法,其特征是:所述高光谱图像大小为145*145像素,200个波段通道。
4.根据权利要求1所述的一种基于深度神经网络的川贝母精准种植方法,其特征是:所述步骤二具体为:
根据高光谱相机自动采集土壤养分或作物数据,得到的高光谱图像集合,光照传感器采集光照强度和温湿度传感器检测采集空气温湿度,得到的环境向量集合以及对应的种植操作向量集合建立下式:
at+1=F(Xt,Et,At) (4)
其中,所述at+1即为下一时刻的种植操作。
5.根据权利要求1所述的一种基于深度神经网络的川贝母精准种植方法,其特征是:所述步骤三具体为:
第一步:利用深度神经网络的特征提取与非线性逼近能力学习函数映射F,建立川贝母种植操作与川贝母生长状态之间的深度神经网络模型;
第二步:对所述深度神经网络模型进行训练,将高光谱图像和环境向量矢量化,并将矢量化后的高光谱图像和环境向量作为神经模型的输入,将川贝母种植操作作为深度神经网络模型的输出,进行端到端的学习训练。
6.根据权利要求1所述的一种基于深度神经网络的川贝母精准种植方法,其特征是:在检测土壤数据时,对土壤区域进行分块处理,分析土壤每一块去的肥力随时间变化的演进过程,形成土壤肥力在空间和时间二维尺度上的状态演进曲面。
7.根据权利要求1所述的一种基于深度神经网络的川贝母精准种植方法,其特征是:采用云台相机对大棚种植区进行定时轮回检测,通过云台精准可控制与区域标定,保证每次轮巡都是固定区域。
8.根据权利要求1所述的一种基于深度神经网络的川贝母精准种植方法,其特征是:对温湿度传感器采集的数据进行二维插值,记录土壤在不同区域不同时间水分比变化轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289473.0A CN110024648A (zh) | 2019-04-11 | 2019-04-11 | 基于深度神经网络的川贝母精准种植方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910289473.0A CN110024648A (zh) | 2019-04-11 | 2019-04-11 | 基于深度神经网络的川贝母精准种植方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110024648A true CN110024648A (zh) | 2019-07-19 |
Family
ID=67237973
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910289473.0A Pending CN110024648A (zh) | 2019-04-11 | 2019-04-11 | 基于深度神经网络的川贝母精准种植方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110024648A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112470907A (zh) * | 2020-11-16 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种水培施肥机 |
WO2021056297A1 (zh) * | 2019-09-25 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 图像处理方法、设备、无人机、系统和存储介质 |
CN114564056A (zh) * | 2022-02-21 | 2022-05-31 | 蚌埠市鹏慈农业科技有限公司 | 一种种植大棚智能控制系统 |
CN115245122A (zh) * | 2021-12-21 | 2022-10-28 | 重庆三峡学院 | 一种适用于浙贝母种植的精准栽培系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609078A (zh) * | 2017-09-04 | 2018-01-19 | 北京农业信息技术研究中心 | 长势监测模型更新方法、传感器、服务器及系统 |
CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
-
2019
- 2019-04-11 CN CN201910289473.0A patent/CN110024648A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
CN108241905A (zh) * | 2016-12-23 | 2018-07-03 | 赫克斯冈技术中心 | 用于预测土壤和/或植物状况的方法 |
CN107609078A (zh) * | 2017-09-04 | 2018-01-19 | 北京农业信息技术研究中心 | 长势监测模型更新方法、传感器、服务器及系统 |
CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021056297A1 (zh) * | 2019-09-25 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 图像处理方法、设备、无人机、系统和存储介质 |
CN112470907A (zh) * | 2020-11-16 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种水培施肥机 |
CN115245122A (zh) * | 2021-12-21 | 2022-10-28 | 重庆三峡学院 | 一种适用于浙贝母种植的精准栽培系统 |
CN114564056A (zh) * | 2022-02-21 | 2022-05-31 | 蚌埠市鹏慈农业科技有限公司 | 一种种植大棚智能控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110024648A (zh) | 基于深度神经网络的川贝母精准种植方法 | |
Li et al. | Measuring plant growth characteristics using smartphone based image analysis technique in controlled environment agriculture | |
CN106406403B (zh) | 一种基于增强现实的农业管控系统 | |
Tewari et al. | Estimation of plant nitrogen content using digital image processing | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN110110595B (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
CN109191074A (zh) | 智慧果园种植管理系统 | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
CN108710766B (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
CN105260894A (zh) | 农业物联网农产品质量安全溯源的方法及其物联网系统 | |
Chang et al. | Quantifying muskmelon fruit attributes with A-TEP-based model and machine vision measurement | |
CN107132228A (zh) | 一种油菜全生长期信息的高通量表型研究系统 | |
Garg et al. | Towards a multimodal system for precision agriculture using IoT and machine learning | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Han et al. | Rice yield estimation using a CNN-based image-driven data assimilation framework | |
KR101810901B1 (ko) | 작물체의 생육 시뮬레이션 장치 | |
Song et al. | Recognition of sunflower growth period based on deep learning from UAV remote sensing images | |
Lin et al. | Data-driven modeling for crop growth in plant factories | |
Zhou et al. | Application progress of machine vision technology in the field of modern agricultural equipment | |
Feng et al. | A real-time monitoring and control system for crop | |
Mangla et al. | Statistical growth prediction analysis of rice crop with pixel-based mapping technique | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
Fu et al. | High-throughput phenotyping: The latest research tool for sustainable crop production under global climate change scenarios |
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: 20190719 |