CN110059679B - 一种基于近红外图像的饲料原料中污染物非目标检测方法 - Google Patents
一种基于近红外图像的饲料原料中污染物非目标检测方法 Download PDFInfo
- Publication number
- CN110059679B CN110059679B CN201910322546.1A CN201910322546A CN110059679B CN 110059679 B CN110059679 B CN 110059679B CN 201910322546 A CN201910322546 A CN 201910322546A CN 110059679 B CN110059679 B CN 110059679B
- Authority
- CN
- China
- Prior art keywords
- image
- abnormal
- pixel
- infrared image
- pollutants
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Multimedia (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于近红外图像的饲料原料中污染物非目标检测方法,其包括以下步骤:1)对待检测样品进行扫描,得到待检测样品的近红外图像;2)剔除待检测样品的近红外图像中的异常点;3)对获取的图像进行随机化处理;4)根据设定的移动窗口的边长像素点数对随机化处理后的图像进行边缘扩增;5)使用选定的移动窗口从图像的左上角到右下角逐个像素点进行分析,计算各像素点的全局马氏距离;6)对各像素点的全局马氏距离值进行统计分析,并计算阈值,筛选异常光谱;7)对异常光谱进行聚类,并以不同的颜色在原始图像中显示各类异常光谱的像素点的位置;8)对异常光谱进行分析。本发明可以广泛应用于食品分析领域。
Description
技术领域
本发明属于食品分析领域,特别是涉及一种基于近红外图像的饲料原料中污染物非目标检测方法。
背景技术
食品和饲料安全与人们的生活和身体健康息息相关,随着近几年食品和饲料安全问题频发,广大消费者对食品和饲料的安全越来越关注。三聚氰胺丑闻事件给社会带来恶劣的影响,也暴露出了常规食品和饲料安全检测方法的弊端:无法对未知掺假物进行有效预警。由于新型、未知的掺假物质不断出现,如果依赖常规目标性检测方法,掺假检测就会陷入一个死循环,掺假物质出现——针对性的检测方法——新的掺假物质出现——新的针对性检测方法,这样掺假检测就会一直处于被动应对的局面。反观三聚氰胺事件,造成如此恶劣后果的主要原因就是三聚氰胺不在日常检测范围之内,这凸显了常规方法的不足。因此,我们迫切需求一种新型的、可对可疑污染物进行快速预警的非目标检测方法来应对食品和饲料中不断变化的掺假物质,使人们远离不安全食品。
近几年来,基于近红外光谱的非目标检测方法在农产品领域得到了应用,并体现出了巨大的应用潜力。但目前已经报道的非目标检测方法都需要提前构建一个无污染的代表性样品的光谱库或建立一个统计分析模型,才能对样品进行判别分析。然而,构建光谱库或统计分析模型一方面给检测增加了难度,另一方面光谱库代表性不强和模型精度不够也会导致检测失败。
发明内容
针对上述问题,本发明的目的是提供一种基于近红外图像的饲料原料中污染物非目标检测方法,基于局部异常和近红外图像进行非目标检测分析,既不需要构建光谱库,也不需要判别分析模型,避免了光谱库代表性不强和模型精度不够导致检测失败的风险。
为实现上述目的,本发明采取以下技术方案:一种基于近红外图像的饲料原料中污染物非目标检测方法,其包括以下步骤:
1)使用近红外成像设备对待检测样品进行扫描,得到的待检测样品的近红外图像作为分析对象;
2)对步骤1)中获取的近红外图像中的异常点进行检测,并从剩余近红外图像光谱中随机选取预设条数的部分光谱,计算所述部分光谱的平均光谱对异常点光谱进行替代;其中,异常点是指由于仪器硬件导致的坏点;
3)对步骤2)中获取的图像进行随机化处理,使多像素目标物分为单像素目标物并均匀的分布在图像中;
4)根据设定的移动窗口的边长像素点数对随机化处理后的图像进行边缘扩增,增加的层数为(w-1)/2;其中,w代表的是选定移动窗口的边长像素点,需为奇数;
5)使用选定的移动窗口从图像的左上角到右下角逐个像素点进行分析,在每个窗口内提取包含99%的信息的前几个主成分得分,用来计算每个像素点的全局马氏距离GH;
6)对步骤5)得到的每个像素点的全局马氏距离GH值进行统计分析,并根据步骤4)中设定的移动窗口内像素点的数量、主成分数和置信度计算阈值GH阈值,用于筛选异常光谱;
7)把步骤6)中筛选出的异常光谱采用聚类的方法分成四类,并以不同的颜色在原始图像中显示各类光谱的像素点的位置;
8)对异常光谱进行分析,判断异常光谱的来源,找出污染物光谱。
进一步的,所述步骤1)中,所采用的近红外成像设备的空间分辨率小于40μm×40μm,光谱分辨率不大于6.3nm,光谱扫描范围为1100nm至2400nm,每个点的扫描次数不小于8,图像大小为200像素点×320像素点。
进一步的,所述步骤1)中,所采用的近红外成像设备的空间分辨率为30μm×30μm。
进一步的,所述步骤2)中,从剩余近红外图像中随机选取的部分光谱的数量为40条。
进一步的,所述步骤5)中,所述全局马氏距离GH的计算公式为:
其中,GH代表全局马氏距离;H代表马氏距离;S代表当前窗口内所有像素点的n×f得分矩阵,其中,n代表当前窗口内像素点个数,f代表选取的主成分数;V是矩阵S的协方差矩阵,M是当前窗口内中心像素点的1×f得分矩阵。
进一步的,所述步骤6)中,所述阈值GH阈值的计算公式为:
式中,Fα(f,n-f+1)是F分布在自由度为f和n-f+1,置信度为100*α%的临界点,即
P*H2=Fα(f,n-f+1),
式中,P*H2服从自由度为f和n-f+1的F分布,P=(n-f+1)/(n*f)。
进一步的,所述方法还包括以下步骤:
在对待检测样品扫描前,对待检测样品进行粉碎。
进一步的,对待检测样品进行粉碎时,筛孔的孔径为2.00mm。
本发明由于采取以上技术方案,其具有以下优点:本发明以样品近红外图像自身为研究对象,在不需要建立光谱库和有监督模式的判别分析模型的前提下,可以对饲料原料样品中的污染物成分进行筛查,其技术路线是一种“非目标”的检测方法,即在污染物信息未知的情况下,就可以筛选出除饲料原料外的可疑光谱。因此,本发明可以广泛应用于食品分析领域。
附图说明
图1是本发明基于近红外图像的饲料原料中污染物非目标检测方法流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示,提供的一种基于近红外图像的饲料原料中污染物非目标检测方法,其包括如下步骤:
1)使用近红外成像设备对待检测样品进行扫描,得到的待检测样品的近红外图像作为分析对象;
2)对步骤1)中获取的近红外图像中的异常点进行检测,并从剩余近红外图像中随机选取的预设条数的光谱的平均光谱对异常点光谱进行替代;其中,异常点是指由于仪器硬件导致的坏点,如果没有,则不需要此步骤;
3)对步骤2)中获取的图像进行随机化处理,使多像素目标物分为单像素目标物并均匀的分布在图像中;
4)根据设定的移动窗口的边长像素点数对图像进行边缘扩增,增加的层数为(w-1)/2;其中,w代表的是选定移动窗口的边长像素点,必须为奇数;
5)使用选定的移动窗口从图像的左上角到右下角逐个像素点进行分析,在每个窗口内提取包含99%的信息的前几个主成分得分,用来计算每个像素点的全局马氏距离GH;
全局马氏距离GH的计算公式为:
其中,GH代表全局马氏距离;H代表马氏距离;S代表当前窗口内所有像素点的n×f得分矩阵,其中,n代表当前窗口内像素点个数,f代表选取的主成分数;V是矩阵S的协方差矩阵,M是当前窗口内中心像素点的1×f得分矩阵。
6)对步骤5)得到的每个像素点的全局马氏距离GH值进行统计分析,并根据步骤4)中设定的移动窗口内像素点的数量、主成分数和置信度计算阈值GH阈值,用于筛选异常光谱。
阈值GH阈值的计算公式为:
式中,Fα(f,n-f+1)是F分布在自由度为f和n-f+1,置信度为100*α%的临界点,即
P*H2=Fα(f,n-f+1) (4)
式中,P*H2服从自由度为f和n-f+1的F分布,P=(n-f+1)/(n*f)。
7)把步骤6)中筛选出的异常光谱采用聚类的方法分成四类,并以不同的颜色在原始图像中显示各类光谱的像素点的位置;
8)对异常光谱进行进一步分析,判断光谱来源,找出污染物光谱。
优选的,上述步骤1)中,所使用的近红外成像设备的空间分辨率小于40μm×40μm,光谱分辨率不大于6.3nm,每个点的扫描次数不小于8。
优选的,上述步骤1)中,空间分辨率为30μm×30μm。
优选的,上述步骤1)中,光谱扫描范围为1100nm至2400nm,图像大小为200像素点×320像素点。
优选的,上述步骤2)中,从得到的近红外图像中随机选取的部分光谱数量为40条。
优选的,该方法还包括如下步骤:
在样品扫描前,对待检测样品进行粉碎,粉碎时,筛孔的孔径为2.00mm。
优选的,在实际操作中,为提高光谱的信噪比,去除无关信息和噪声,有时需要对光谱进行光谱预处理。
实施例1
1)随机选取一个豆粕样品,粉碎过2mm筛,用于掺假样品的配置;
2)三聚氰胺掺假样品配置,采用逐步稀释的方法配置三聚氰胺质量分数分别为0.01%、0.05%、0.10%、0.50%、1.00%、1.50%和2.00%的豆粕样品各200g;
3)采用线扫描高光谱图像系统BurgerMetrics SIA(Riga,Latvia)结合传送带进行样品扫描,首先将样品平铺于传送带上,然后设定传送带的运行速度为145μm/s,设定线扫描高光谱图像系统的空间分辨率为30μm,光谱扫描范围为1100-2400nm,采样间隔为6.3nm,每张图像大小为200*320*209。每个样品重复扫描三次,每次采集7张图像;
4)检测图像中由仪器检测器的坏点所导致的异常光谱,针对每一条异常光谱,使用随机从剩余像素点中选取40条光谱的平均光谱进行替代,生成新的图像;
5)将新生成的图像进行随机化处理(图像中的像素点进行随机排列),得到随机化图像,并记录像素点原始位置,便于后续图像还原;
6)分别使用5×5像素点、7×7像素点和9×9像素点的移动窗口,对随机化图像从左上到右下,逐个像素点进行分析,并根据公式(1)和(2)计算得到每个像素点的全局马氏距离GH值;
7)对步骤6)中的GH值进行统计分析,根据设定的窗口内像素点的数量、主成分数和置信度计算阈值GH阈值,筛选异常光谱;
8)把步骤7)中筛选出的异常值采用聚类的方法分成四类,并以不同的颜色在原始图像中显示各类光谱像素点的位置;
9)对异常光谱进行进一步分析,判断光谱来源,找出污染物光谱。
结果:
首先,对移动窗口大小进行优化,其中5×5像素点、7×7像素点和9×9像素点窗口的GH阈值分别为4.90、4.00和3.70,根据不同阈值筛选异常光谱的实际情况,确定5×5像素点窗口为最优;其次,对方法的重现性进行探究,通过对同一图像进行10次连续检测,相对分析偏差仅为3.64%,满足分析要求。
使用本发明提出的非目标检测方法,对不同掺假浓度的样品进行分析,筛选出的污染物像素点随掺假浓度的变化而变化,探究筛选出的污染物像素点与掺假浓度间的关系,发现两者间的线性决定系数为0.987,说明本研究提出的非目标分析方法可以在掺假物种类未知的情况下,对可疑污染物成分进行筛查,且在0.01%-2.00%掺假浓度内具有良好的定量分析性能,对保障食品和饲料安全具有良好的实际应用价值。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (8)
1.一种基于近红外图像的饲料原料中污染物非目标检测方法,其特征在于包括以下步骤:
1)使用近红外成像设备对待检测样品进行扫描,得到的待检测样品的近红外图像作为分析对象;
2)对步骤1)中获取的近红外图像中的异常点进行检测,并从剩余近红外图像光谱中随机选取预设条数的部分光谱,计算所述部分光谱的平均光谱对异常点光谱进行替代;其中,异常点是指由于仪器硬件导致的坏点;
3)对步骤2)中获取的图像进行随机化处理,使多像素目标物分为单像素目标物并均匀的分布在图像中;
4)根据设定的移动窗口的边长像素点数对随机化处理后的图像进行边缘扩增,增加的层数为(w-1)/2;其中,w代表的是选定移动窗口的边长像素点,需为奇数;
5)使用选定的移动窗口从图像的左上角到右下角逐个像素点进行分析,在每个窗口内提取包含99%的信息的前几个主成分得分,用来计算每个像素点的全局马氏距离GH;
6)对步骤5)得到的每个像素点的全局马氏距离GH值进行统计分析,并根据步骤4)中设定的移动窗口内像素点的数量、主成分数和置信度计算阈值GH阈值,用于筛选异常光谱;
7)把步骤6)中筛选出的异常光谱采用聚类的方法分成四类,并以不同的颜色在原始图像中显示各类光谱的像素点的位置;
8)对异常光谱进行分析,判断异常光谱的来源,找出污染物光谱。
2.如权利要求1所述的一种基于近红外图像的饲料原料中污染物非目标检测方法,其特征在于:所述步骤1)中,所采用的近红外成像设备的空间分辨率小于40μm×40μm,光谱分辨率不大于6.3nm,光谱扫描范围为1100nm至2400nm,每个点的扫描次数不小于8,图像大小为200像素点×320像素点。
3.如权利要求1所述的一种基于近红外图像的饲料原料中污染物非目标检测方法,其特征在于:所述步骤1)中,所采用的近红外成像设备的空间分辨率为30μm×30μm。
4.如权利要求1所述的一种基于近红外图像的饲料原料中污染物非目标检测方法,其特征在于:所述步骤2)中,从剩余近红外图像中随机选取的部分光谱的数量为40条。
7.如权利要求1所述的一种基于近红外图像的饲料原料中污染物非目标检测方法,其特征在于:所述方法还包括以下步骤:
在对待检测样品扫描前,对待检测样品进行粉碎。
8.如权利要求7所述的一种基于近红外图像的饲料原料中污染物非目标检测方法,其特征在于:对待检测样品进行粉碎时,筛孔的孔径为2.00mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322546.1A CN110059679B (zh) | 2019-04-22 | 2019-04-22 | 一种基于近红外图像的饲料原料中污染物非目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322546.1A CN110059679B (zh) | 2019-04-22 | 2019-04-22 | 一种基于近红外图像的饲料原料中污染物非目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110059679A CN110059679A (zh) | 2019-07-26 |
CN110059679B true CN110059679B (zh) | 2020-11-24 |
Family
ID=67320062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322546.1A Active CN110059679B (zh) | 2019-04-22 | 2019-04-22 | 一种基于近红外图像的饲料原料中污染物非目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110059679B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110447772A (zh) * | 2019-09-11 | 2019-11-15 | 广西鸿光农牧有限公司 | 一种蛋鸡产蛋期粉质配合饲料及其制备方法 |
CN116993527B (zh) * | 2023-09-26 | 2024-01-23 | 深圳市金新农科技股份有限公司 | 一种生猪饲料生产数据优化采集监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510273A (zh) * | 2015-11-25 | 2016-04-20 | 中国农业大学 | 一种基于微区光谱特征的豆粕保真鉴别方法 |
CN107478599A (zh) * | 2017-10-16 | 2017-12-15 | 北京航空航天大学 | 一种饲料原料中非法添加物三聚氰胺甲醛树脂的检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760133B (zh) * | 2014-01-24 | 2016-04-20 | 深圳市安鑫宝科技发展有限公司 | 检测农副产品异常成分的方法及装置 |
US20170258390A1 (en) * | 2016-02-12 | 2017-09-14 | Newton Howard | Early Detection Of Neurodegenerative Disease |
-
2019
- 2019-04-22 CN CN201910322546.1A patent/CN110059679B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510273A (zh) * | 2015-11-25 | 2016-04-20 | 中国农业大学 | 一种基于微区光谱特征的豆粕保真鉴别方法 |
CN107478599A (zh) * | 2017-10-16 | 2017-12-15 | 北京航空航天大学 | 一种饲料原料中非法添加物三聚氰胺甲醛树脂的检测方法 |
Non-Patent Citations (3)
Title |
---|
Study on the Characteristic Spectral Properties for Species Identification of Animal-Derived Feedstuff Using Fourier Transform Infrared Spectroscopy;Gao Fei et al.;《APPLIED SPECTROSCOPY》;20171130;第2446-2456页 * |
反刍动物源肉骨粉的近红外漫反射光谱判别分析;李琼飞 等;《光谱学与光谱分析》;20080331;第28卷(第3期);第572-577页 * |
应用傅利叶近红外光谱定性、定量检测鱼粉中掺杂三聚氰胺的研究;刘小莉;《中国优秀硕士学位论文全文数据库 农业科技辑》;20110415;第2011卷(第4期);第D050-32页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110059679A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ElMasry et al. | Early detection of apple bruises on different background colors using hyperspectral imaging | |
Lü et al. | Vis/NIR hyperspectral imaging for detection of hidden bruises on kiwifruits | |
Dehrouyeh et al. | Grading and quality inspection of defected eggs using machine vision | |
Leitner et al. | Real-time classification of polymers with NIR spectral imaging and blob analysis | |
US8068132B2 (en) | Method for identifying Guignardia citricarpa | |
CN110059679B (zh) | 一种基于近红外图像的饲料原料中污染物非目标检测方法 | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
Dutta et al. | Image processing based classification of grapes after pesticide exposure | |
Al-Marakeby et al. | Fast quality inspection of food products using computer vision | |
Alfatni et al. | Real-time oil palm FFB ripeness grading system based on ANN, KNN and SVM classifiers | |
Arboleda et al. | Green coffee beans feature extractor using image processing | |
Guo et al. | Detection of foreign materials on surface of ginned cotton by hyper-spectral imaging | |
CN115731493A (zh) | 基于视频图像识别的降水微物理特征参量提取与分析方法 | |
Kline et al. | Automated hardwood lumber grading utilizing a multiple sensor machine vision technology | |
Dang-Ngoc et al. | Citrus leaf disease detection and classification using hierarchical support vector machine | |
Nazulan et al. | Detection of sweetness level for fruits (watermelon) with machine learning | |
CN113177925A (zh) | 一种无损检测水果表面缺陷的方法 | |
Kauppinen et al. | Nonsegmenting defect detection and SOM-based classification for surface inspection using color vision | |
Gornushkin et al. | Linear correlation for identification of materials by laser induced breakdown spectroscopy: Improvement via spectral filtering and masking | |
CN111398138A (zh) | 一种干式血液细胞分析装置的光学检测系统及方法 | |
JP2009168743A (ja) | 検査方法および検査装置 | |
CN104914052B (zh) | 一种霉变花生的光谱成像检测方法 | |
Limsripraphan et al. | Algorithm for mango classification using image processing and naive bayes classifier | |
Saad et al. | Bio-inspired vision fusion for quality assessment of harumanis mangoes | |
Niskanen et al. | Experiments with SOM based inspection of wood |
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 |