CN110040396B - 基于大数据、机器学习的智能垃圾桶自主决策系统与方法 - Google Patents

基于大数据、机器学习的智能垃圾桶自主决策系统与方法 Download PDF

Info

Publication number
CN110040396B
CN110040396B CN201910415004.9A CN201910415004A CN110040396B CN 110040396 B CN110040396 B CN 110040396B CN 201910415004 A CN201910415004 A CN 201910415004A CN 110040396 B CN110040396 B CN 110040396B
Authority
CN
China
Prior art keywords
garbage
intelligent garbage
big data
data
machine learning
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.)
Active
Application number
CN201910415004.9A
Other languages
English (en)
Other versions
CN110040396A (zh
Inventor
周海杰
宋爽
张洪加
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan Tree Print Network Technology Co ltd
Original Assignee
Hainan Tree Print Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hainan Tree Print Network Technology Co ltd filed Critical Hainan Tree Print Network Technology Co ltd
Priority to CN201910415004.9A priority Critical patent/CN110040396B/zh
Publication of CN110040396A publication Critical patent/CN110040396A/zh
Application granted granted Critical
Publication of CN110040396B publication Critical patent/CN110040396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F1/00—Refuse receptacles; Accessories therefor
    • B65F1/12—Refuse receptacles; Accessories therefor with devices facilitating emptying
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F1/00—Refuse receptacles; Accessories therefor
    • B65F1/14—Other constructional features; Accessories
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F1/00—Refuse receptacles; Accessories therefor
    • B65F1/14—Other constructional features; Accessories
    • B65F1/1468—Means for facilitating the transport of the receptacle, e.g. wheels, rolls
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F2210/00—Equipment of refuse receptacles
    • B65F2210/128—Data transmitting means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F2210/00—Equipment of refuse receptacles
    • B65F2210/144—Level detecting means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F2210/00—Equipment of refuse receptacles
    • B65F2210/165—Remote controls
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65F—GATHERING OR REMOVAL OF DOMESTIC OR LIKE REFUSE
    • B65F2210/00—Equipment of refuse receptacles
    • B65F2210/168—Sensing means

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Processing Of Solid Wastes (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Refuse Collection And Transfer (AREA)

Abstract

一种基于大数据、机器学习的智能垃圾桶自主决策系统与方法。初期通过历史数据训练模型，在大数据的基础上搜索大量的历史数据，通过对历史数据进行分析，提取特征指标参数；再利用机器学习构建通用分类器对不同场景的垃圾数量进行分类识别；后期则运用云计算平台对通过通信网、互联网以及物联网等信息技术实时的采集相关大数据，提取特征指标参数，在特征指标的基础上建立通用分类器，实现对实时采集的数据或场景进行实时分类识别，对识别出的产生垃圾场景；最终通用分类器发送指令迅速控制生态智能垃圾桶执行模块自主移动到相应位置。本发明能够可自行分析不同场景下产生垃圾的数量，继而自主运动到相应的场景处，节省人力、物力，资源利用率高。

Description

基于大数据、机器学习的智能垃圾桶自主决策系统与方法
技术领域
本发明涉及一种智能环卫技术领域，尤其是一种基于大数据、机器学习的园区生态智能垃圾桶自主决策系统与决策方法。
背景技术
政府环卫部门采用传统环卫模式，智能化、机械化及运营效率较低，保洁清运效果的需要大量监督人员，大幅增加人工成本及运营成本。同时还会造成的资源浪费较大以及资源利用率变低，例如：在旅游景点或园区的垃圾桶配置上，通常在一些人流量较小的地方也常常放置一些垃圾桶，此种情况下这种闲置资源会随着环境天气的变化而损坏；另外在人流量多的地方随着环境的变化垃圾的产生量也可能极少，当这种地方通常放置较多的垃圾桶，造成了资源的浪费；于此同时在某个地方偶尔因为举办活动产生大量的垃圾处，往往因为有较少的垃圾桶而造成景区地面一片狼藉的景象需要大量清洁人员清理，造成了人力上的浪费。此外，传统垃圾桶还需要环卫工人的定时维护和定时清理，额外增加了人力与财产的损失。
发明内容
为了克服现有技术的上述不足，本发明提供一种基于大数据、机器学习的智能垃圾桶自主决策系统与方法，生态垃圾桶可自行分析不同场景下产生垃圾的数量，继而自主运动到相应的场景处，可大量减少上述的人力、物力上的浪费损失，资源利用率高。
本发明解决其技术问题采用的技术方案是：
一种基于大数据、机器学习的智能垃圾桶自主决策系统，包括生态智能垃圾桶执行模块、机器学习模块、历史数据训练模型、云计算平台和大数据，历史数据训练模型以及经过云计算平台处理后的大数据都传输至机器学习模块，再输出给生态智能垃圾桶执行模块；初期，通过历史数据训练模型，在大数据的基础上搜索大量的历史数据，通过对历史数据进行分析，提取特征指标参数；再利用机器学习构建通用分类器对不同场景的垃圾数量进行分类识别；后期则运用云计算平台对通过通信网、互联网以及物联网等信息技术实时的采集相关大数据，提取特征指标参数，在特征指标的基础上建立通用分类器，实现对实时采集的数据或场景进行实时分类识别，对识别出的产生垃圾场景；最终通用分类器发送指令迅速控制生态智能垃圾桶执行模块自主移动到相应位置。
一种基于大数据、机器学习的智能垃圾桶自主决策方法，事先给生态智能垃圾桶设置一个初始位置，随着时间的推移，大数据对场景收集后，采用通用分类器对实时采集的场景所产生的垃圾数量进行分类，分类结束后，生态智能垃圾桶自行进行判断当前是否处在要去的位置。
相比现有技术，本发明的基于大数据、机器学习的智能垃圾桶自主决策系统与方法，可以根据场景产生垃圾的多少，自主调整自身所在位置，避免了资源的损坏以及资源利用率的问题；可根据自身安装的检测桶满的传感器决定自身是否需要返回垃圾场，倾倒垃圾，节省了人力清理带来的浪费；此种生态智能垃圾桶还更加的智能化以及拟人化，当判断出场景产生的垃圾较少同时天气比较恶劣时或者在闭馆的时间范围内后可自主返回垃圾厂进行休整，避免了天气因素带来的损坏问题。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明实施例决策系统的结构框图。
图2是本发明实施例决策方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
图1所示实施例的本发明基于大数据、机器学习的智能垃圾桶自主决策系统的基本原理是：初期，首先离线情况下通过互联网搜索查询或者调研的方式收集景区内产生垃圾的场景，分析历史数据，提取出与垃圾的产生相关性较大的特征参数(比如人流密度、天气因素)，基于机器学习算法构建通用分类器，判断(分类)出何种情况下会出现大量的垃圾；后期，实时在线将训练出来的精度较高的通用分类器进行应用，当通过分类器判断出某些地方会出现较多垃圾的时候，则会发出指令控制生态智能垃圾桶自主前往，特别提出的是：自主移动通过目前封闭园区已经可以实现的自动驾驶技术实现，此处主要阐述决策系统及决策方法，故对此技术不做过多描述。
其具体包括如下步骤：
(1)采集产生垃圾的历史场景，然后对这些历史场景所产生的垃圾数量进行量化分级，在量化分级时采用专家打分的方式得出；具体步骤为：对收集到的场景产生的垃圾量离线进行评分，其中数量多记为5分，数量中等记为3分，数量少记为1分，无记为0分；评分准则是：
数量多——场景内垃圾桶内垃圾溢出，且地上有散落的垃圾，或地上到处都是垃圾；
数量中——场景内垃圾桶内垃圾接近3/5位置，且地上偶有散落垃圾或地上散落想多多的垃圾；
数量少——场景内垃圾桶内垃圾近1/4位置，或地上存有垃圾；
数量无——场景内近乎无垃圾；
多名评分专家对同一场景进行打分，最后取其均值作为该场景的实际存在的垃圾数量等级，此处的分类等级主要是给分类器设置标签。
(2)通过统计学的方法对影响垃圾数量等级的参数进行显著性分析，提取出能反映每个场景垃圾数量级的特征指标；不同垃圾数量等级影响参数显著性检验：从收集的样本中，采用统计学分析的方法，对不同的参数是否会导致不同垃圾数量等级上是否存在着显著性差异；经过差异性检验后，确定特征指标为：天气(雾天、雨雪天、沙尘天以及风量大小等)、人流密度、节假日、温度、景区售票信息、季节、主要景点共计七个指标。
(3)将提取处的能反映垃圾数量级的特征参数引入特征空间，从收集的场景种抽取样本并计算每个样本的特征指标值，根据总体计算出的特征指标值以及每个样本对应的等级标签构建通用分类器(监督学习)。
通用分类器设计：将能描述垃圾数量等级的参数共计7个指标引入到特征空间，根据特征空间中特征点的分布等构造贝叶斯分类器，对不同场景产生的垃圾数量进行分类辨识。
(4)在实际应用过程中，事先给生态智能垃圾桶设置一个初始位置，随着时间的推移，大数据对场景收集后，采用通用分类器模型对实时采集的场景所产生的垃圾数量进行分类，分类结束后，生态智能垃圾桶会自行进行判断当前是否处在要去的位置；
更具体描述为：通过大数据技术收集场景，本发明中大数据主要指：通讯网中的手机信号密度、信号位置；互联网中的天气信息、娱乐资讯；物联网中的传感器采集的温湿度信息、人流量信息等；特别指出的是：手机信号密度主要反映人流量的大小，娱乐资讯主要反映今日是否存在演出信息。
在图2所示实施例中，本发明的决策方法，具体实施步骤是：
(1)生态智能垃圾桶在每天景区开馆之前会预先到达一个设定的初始位置，由于生态智能垃圾桶会每天根据景区闭馆自主返回垃圾场进行休整，故智能垃圾桶次日通常设置一个初始位置，在景区开馆之前自主移动到初始位置，在时间的推进过程中在根据场景的变化实时动态的根据分类结果自主调整自身位置，初始位置为每天产生垃圾相对多的位置。
(2)智能垃圾桶在运行的过程中会自行根据当前安装的检测桶内垃圾多少的传感器进行评估是否需要返回进行垃圾倾倒。通常情况下当智能垃圾桶已经填满时，会自主返回垃圾厂；另外，当闭园后智能垃圾桶会返回垃圾厂进行休整充电，特别提出的检测桶内垃圾是否被填满的传感器采用激光传感器。
(3)生态智能垃圾桶在大数据的基础上会通过构建的分类器分类出产生垃圾的场景后，并根据大数据对场景位置进行定位，其自身位置根据自身的gps定位系统进行定位，在运行过程中首先判断生态智能垃圾桶初始的位置是否是目的地，若判断出是目的地在停留在原处，等待垃圾箱满后或闭馆自主返回行垃圾倾倒；若经过判断后，自身所在位置不是目的地，则生态智能垃圾桶则依托自动驾驶平台进行自主到达目的地，等待闭馆或者垃圾箱满返回垃圾厂进行休整充电，特别提出的检测桶内垃圾是否被填满的传感器采用激光传感器。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质，对以上实施例所做出任何简单修改和同等变化，均落入本发明的保护范围之内。

Claims (6)

1.一种基于大数据、机器学习的智能垃圾桶自主决策系统，其特征是：包括生态智能垃圾桶执行模块、机器学习模块、历史数据训练模型、云计算平台和大数据，历史数据训练模型以及经过云计算平台处理后的大数据都传输至机器学习模块，再输出给生态智能垃圾桶执行模块；初期，通过历史数据训练模型，在大数据的基础上搜索大量的历史数据，通过对历史数据进行分析，提取特征指标参数；再利用机器学习构建通用分类器对不同场景的垃圾数量进行分类识别；后期则运用云计算平台对通过通信网、互联网以及物联网信息技术实时的采集相关大数据，提取特征指标参数，在特征指标的基础上建立通用分类器，实现对实时采集的数据或场景进行实时分类识别，对识别出的产生垃圾场景定位；最终通用分类器发送指令迅速控制生态智能垃圾桶执行模块自主移动到相应位置。
2.根据权利要求1所述的基于大数据、机器学习的智能垃圾桶自主决策系统，其特征是：通过机器学习算法对数据进行离线训练得到通用分类器；
所述的历史数据训练模型包括产生垃圾较多的历史场景数据，是在离线状态下，基于大数据获取；反映垃圾数量的特征参数，是采用通用分类器对数据分析处理提取获得；
所述的大数据用于通过互联网、通信网及物联网技术实时获取的数据及场景位置，以及；
通过所述的云计算平台对大数据进行数据分析，提取特征参数，并将特征参数带入前期的通用分类器实时在线得出垃圾量级分类结果；
所述的生态智能垃圾桶执行模块包括自动驾驶平台和GPS定位系统，基于历史数据训练模型和云计算平台的数据及场景位置及垃圾量级分类结果，生态智能垃圾桶依托自动驾驶平台进行自主到达目的地，生态智能垃圾桶自身位置根据自身的GPS定位系统进行定位。
3.根据权利要求2所述的基于大数据、机器学习的智能垃圾桶自主决策系统，其特征是：所述的通用分类器为贝叶斯分类器。
4.根据权利要求1或2或3所述的基于大数据、机器学习的智能垃圾桶自主决策系统，其特征是：所述的生态智能垃圾桶执行模块还包括激光传感器，用于检测桶内垃圾是否被填满。
5.根据权利要求1或2或3所述的基于大数据、机器学习的智能垃圾桶自主决策系统，其特征是：所述的生态智能垃圾桶执行模块还包括充电电源，等待闭馆或者垃圾箱满返回垃圾厂进行休整充电。
6.一种基于大数据、机器学习的智能垃圾桶自主决策方法，其特征是：事先给生态智能垃圾桶设置一个初始位置，随着时间的推移，大数据对场景收集后，采用通用分类器对实时采集的场景所产生的垃圾数量进行分类，分类结束后，生态智能垃圾桶自行进行判断当前是否处在要去的位置；
具体步骤包括：
(1)生态智能垃圾桶在每天景区开馆之前预先到达一个设定的初始位置，在景区开馆之前自主移动到初始位置，在时间的推进过程中在根据场景的变化实时动态的根据分类结果自主调整自身位置，初始位置为每天产生垃圾相对多的位置；
(2)生态智能垃圾桶在运行的过程中自行根据当前安装的检测桶内垃圾多少的传感器进行评估是否需要返回进行垃圾倾倒：当生态智能垃圾桶已经填满时，会自主返回垃圾厂；
(3)生态智能垃圾桶在大数据的基础上会通过构建的分类器分类出产生垃圾的场景后，并根据大数据对场景位置进行定位，其自身位置根据自身的GPS定位系统进行定位，在运行过程中首先判断生态智能垃圾桶初始的位置是否是目的地，若判断出是目的地则停留在原处，等待垃圾箱满后或闭馆自主返回进行垃圾倾倒；若经过判断后，自身所在位置不是目的地，则生态智能垃圾桶则依托自动驾驶平台进行自主到达目的地，等待闭馆或者垃圾箱满返回垃圾厂进行休整充电。
CN201910415004.9A 2019-05-17 2019-05-17 基于大数据、机器学习的智能垃圾桶自主决策系统与方法 Active CN110040396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910415004.9A CN110040396B (zh) 2019-05-17 2019-05-17 基于大数据、机器学习的智能垃圾桶自主决策系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910415004.9A CN110040396B (zh) 2019-05-17 2019-05-17 基于大数据、机器学习的智能垃圾桶自主决策系统与方法

Publications (2)

Publication Number Publication Date
CN110040396A CN110040396A (zh) 2019-07-23
CN110040396B true CN110040396B (zh) 2021-09-28

Family

ID=67282531

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910415004.9A Active CN110040396B (zh) 2019-05-17 2019-05-17 基于大数据、机器学习的智能垃圾桶自主决策系统与方法

Country Status (1)

Country Link
CN (1) CN110040396B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111056162B (zh) * 2019-11-04 2021-08-10 温州市杰浩再生资源回收有限公司 一种城市生活垃圾分类收集处理系统
CN110924340B (zh) * 2019-11-25 2021-03-05 武汉思睿博特自动化系统有限公司 一种用于智能捡垃圾的移动机器人系统与实现方法
CN111696254B (zh) * 2020-05-20 2023-07-07 广州市格利网络技术有限公司 一种物品的回收控制方法及装置
JP7351827B2 (ja) * 2020-12-17 2023-09-27 トヨタ自動車株式会社 ごみ収集システム
CN113093731A (zh) * 2021-03-12 2021-07-09 广东来个碗网络科技有限公司 智能回收箱的移动控制方法及装置
CN116553040B (zh) * 2023-07-10 2023-09-01 深圳市迈睿迈特环境科技有限公司 智能地埋式垃圾站的状态参数管理方法以及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN207061014U (zh) * 2017-08-22 2018-03-02 于程隆 一种智能垃圾桶机器人
CN107472752A (zh) * 2017-09-21 2017-12-15 左勤 一种生活垃圾分类收集及智能监督的方法和系统
CN109165582B (zh) * 2018-08-09 2021-09-24 河海大学 一种城市街道垃圾检测和清洁度评估方法
CN108945902A (zh) * 2018-09-06 2018-12-07 潍坊美好生活环保科技有限公司 可实现区域内全覆盖的无人垃圾收储车和垃圾收储方法
CN109160141A (zh) * 2018-10-09 2019-01-08 烟台市安特洛普网络科技有限公司 一种智能垃圾桶
CN109230081B (zh) * 2018-11-09 2021-04-13 江苏木盟智能科技有限公司 一种基于机器人的垃圾管理方法及系统

Also Published As

Publication number Publication date
CN110040396A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
CN110040396B (zh) 基于大数据、机器学习的智能垃圾桶自主决策系统与方法
CN106997669B (zh) 一种基于特征重要性的判断交通拥堵成因的方法
CN110288035B (zh) 一种智能垃圾桶在线自主学习方法及系统
CN107563566B (zh) 一种基于支持向量机的公交站间运行时间区间预测方法
CN113344262A (zh) 一种基于城市垃圾分类的智能清运系统及方法
CN108133611A (zh) 车辆行驶轨迹监测方法及系统
CN114355907B (zh) 一种基于云端的智能化垃圾识别和清扫方法、系统
CN107886188B (zh) 液化天然气公交尾气排放预测方法
Xu et al. Identifying travel mode from GPS trajectories through fuzzy pattern recognition
US11776409B2 (en) Methods, internet of things systems and storage mediums for street management in smart cities
CN112434854B (zh) 智慧环卫管理方法、装置、计算机设备及可读介质
CN112329618A (zh) 一种基于人工智能的光伏清洁机器人控制方法及系统
CN113704956A (zh) 一种基于数字孪生技术的城市道路在线微观仿真方法及系统
CN111931986A (zh) 一种垃圾清运车路线优化方法及城市垃圾清运生态系统
Jardosh et al. SEGRO: Key towards modern waste management
CN111582191B (zh) 基于人工智能视频分析的混凝土浇筑中浇筑量估计方法
Bouyahia et al. Real-time traffic data smoothing from GPS sparse measures using fuzzy switching linear models
CN115170982A (zh) 一种基于人工智能的水面垃圾自动识别系统
Ishtiak et al. A convolutional neural network approach for road anomalies detection in Bangladesh with image thresholding
Pollak et al. Optimized Operation Management With Predicted Filling Levels of the Litter Bins for a Fleet of Autonomous Urban Service Robots
Saravanan et al. IoT-Integrated Deep Learning Model and SmartBin System for Real-Time Solid Waste Management
Kumar et al. YOLO Based Model for Garbage Detection
Hiteshkumar et al. Cleanliness Automation: YOLOv3
Hazra et al. An Efficient IOT-Based Waste Management System: One Step Closer to Smart City Planning
Vinayagam et al. Multi Model Air Pollution Estimation for Environmental Planning Using Data Mining

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
GR01 Patent grant
GR01 Patent grant