CN110119790A - 基于计算机视觉的共享单车数量统计和密度估计的方法 - Google Patents
基于计算机视觉的共享单车数量统计和密度估计的方法 Download PDFInfo
- Publication number
- CN110119790A CN110119790A CN201910453984.1A CN201910453984A CN110119790A CN 110119790 A CN110119790 A CN 110119790A CN 201910453984 A CN201910453984 A CN 201910453984A CN 110119790 A CN110119790 A CN 110119790A
- Authority
- CN
- China
- Prior art keywords
- bicycle
- density
- density estimation
- shared bicycle
- cnn model
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0645—Rental transactions; Leasing transactions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07F—COIN-FREED OR LIKE APPARATUS
- G07F17/00—Coin-freed apparatus for hiring articles; Coin-freed facilities or services
- G07F17/0042—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects
- G07F17/0057—Coin-freed apparatus for hiring articles; Coin-freed facilities or services for hiring of objects for the hiring or rent of vehicles, e.g. cars, bicycles or wheelchairs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Molecular Biology (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于计算机视觉的共享单车数量统计和密度估计的方法,包括如下步骤:获取大量不同场景下含有共享单车的图片,标注并生成数据集;对数据集进一步处理,采用高斯函数将原始的单车分布图转化为对应的密度分布图;将数据集划分为训练数据集和测试数据集;构建多列CNN模型;将训练数据集作为CNN模型的输入,将对应输出的密度估计图与之前标注的密度分布图计算损失函数,反向传播训练模型。将训练好的CNN模型部署到视频分析系统中,分析视频监控设备采集的视频流数据,检测共享单车的数量和密度是否超标。本发明使用深度学习技术,能够完整地呈现现场情况和信息,且高度智能化,并能在视觉分析系统中长期稳定运行。
Description
技术领域
本发明涉及视频智能分析技术领域,具体涉及基于计算机视觉的共享单车数量统计和密度估计的方法。
背景技术
近年来,共享单车在全国各地蓬勃发展,有效地解决了城市出行中最后一公里的难题。然而,共享单车在使用过程中出现供需失衡的现象,导致部分区域车满为患,严重堵塞人行道、影响市容市貌。目前,各大共享单车公司虽然可以通过单车上所安装的GPS模块了解特定区域内单车的数量,但对于具体情况(如是否阻碍交通、摆放是否整齐)并不十分清楚,导致不能准确判断是否需要派运维人员前往清理,从而造成该清理的区域没有及时清理,不需要清理的地方人力浪费的现象。
随着道路监控系统的建设及深度学习的发展,通过计算机视觉技术对道路上共享单车的密度和数量进行分析已成为可能。当检测到某个监控区域下共享单车的数量或密度超过阈值时,系统便自动发送消息和截图给后台管理员,从而判断是否需要排运维人员前往清理,以此提高单车的管理效率。
发明内容
本发明提出基于计算机视觉的共享单车数量统计和密度估计的方法。卷积神经网络(Con volutional Neural Network,CNN)实现了端对端的训练,无需人工设计和提取特征,经过多层卷积之后得到高层的语义特征,在图像识别、检测等领域得到广泛应用。将实时视频流的一帧图像输入到构建的CNN中,直接输出图像中包含的单车数量和对应密度估计图,一旦检测到数量大于阈值或密度过大时,视频分析系统发出警报,并记录下现场画面和数量,以便管理人员及时处理。
为实现上述目的,本发明提供如下技术方案:
一种基于计算机视觉的共享单车数量统计和密度估计的方法,大致包括以下步骤:
步骤(1):获取大量不同场景下含有共享单车的图片,并对其中每一辆单车进行标注,生成数据集;
步骤(2):对数据集进一步处理,采用高斯函数将原始的单车分布图转化为对应的密度分布图;
步骤(3):将数据集划分为训练数据集和测试数据集;
步骤(4):构建多列CNN模型;
步骤(5):将训练数据集作为CNN模型的输入,将对应输出的密度估计图与之前标注的密度分布图计算损失函数,反向传播训练模型。训练过程中,使用测试集数据对模型进行测试,若满足精度要求,则训练完成;
步骤(6):将训练好的CNN模型部署到视频分析系统中,分析视频监控设备采集的视频流数据,检测共享单车的数量和密度是否超标。
与现有技术相比,本发明的有益效果为:
现有的依靠GPS模块确定共享单车数量的方法不能准确地了解实际情况,从而造成人力资源浪费、管理效率低下的结果。相比之下,本发明使用深度学习技术,能够完整地呈现现场情况和信息,且高度智能化,并能在视觉分析系统中长期稳定运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中提供的基于计算机视觉的共享单车数量统计和密度估计方法的整体流程图;
图2为本发明中提供的CNN模型构建的结构示意图;
图3为本发明中提供的针对单张图中共享单车数量和密度检测的流程图。
具体实施方式
下面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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,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。
如图1所示,本发明实施例中提供的基于计算机视觉的共享单车数量统计和密度估计方法的流程图。
本发明提供一种基于计算机视觉的共享单车数量统计和密度估计的方法的具体实施例,其主要包括如下步骤:
步骤(1):获取大量不同场景下含有共享单车的图片,获取图片的方式包括网络搜集下载和现场监控拍摄,图片格式为R、G、B三通道彩色图片。对图片进行标注,为方便标注,考虑到只检测单车的数量和密度分布而不检测单车的具体位置和大小,因此只对每一辆单车的鞍座中心点进行标注,形成一个数据集;
步骤(2):对数据集进一步处理,将原始的单车分布图转化为对应的密度分布图;
(2.1)、由于CNN模型为全卷积结构且涉及到两次最大池化(Max Pooling)操作,因此网络接受任意长宽的输入图像且输出图像的长宽分别为输入的1/4。首先将原图长宽缩小到1/4得到缩略图。
(2.2)、采用基于几何适应的高斯核函数对步骤(2.1)得到的缩略图进行处理,由下式表示:
其中,为高斯核函数,xi为第i辆单车鞍座中心点,N为单车总数,为第i辆单车鞍座中心点xi与其最近的m个单车鞍座中心点到该单车鞍座中心点的平均距离。
测试结果验证,取m=4、α=0.3时效果最好。
步骤(3):将处理完的数据集划分为训练数据集和测试数据集,其中测试集占20%。
步骤(4):构建CNN模型的结构;
(4.1)、CNN模型的网络结构图如图2所示。整体采用3列卷积网络并行架构,每一列卷积网络采用的卷积核大小不同,分别为3×3、5×5和7×7,因此每一列的感受野大小不同,以更好地自适应远、近不同场景下共享单车密集摆放的特征。
(4.2)、每一列卷积网络使用4次卷积操作和2次最大池化操作且对每一层的输出都使用归一化(Batch Normalization)操作和激活函数(ReLU),因此每一列最终输出的长宽为输入的1/4。
(4.3)、将3列的输出通过连接操作(Concatenate)融合在一起,再通过一个卷积核大小为1×1的卷积层得到最终的密度估计图。由于整个网络没有使用全连接层,因此模型的输入图像可以是任意大小的,避免长宽缩放比例不同而导致失真。但输入图像也不宜过大,如实际使用时采用1080P(1920×1080)视频流,先将图像缩小到832×448,再输入到模型中,从而降低运算量并取得较高的准确率。
步骤(5):训练步骤(4)构建的CNN模型;
(5.1)、将训练样本分批次输入到CNN模型中;
(5.2)、训练过程中,将模型输出的密度估计图与之前标注的密度分布图计算损失函数,采用随机梯度下降法不断更新模型参数,损失函数如下所示:
其中,θ为模型待优化的参数,N为每一批训练图片的数量,Xi为输入的图像,Fi为Xi对应标注的密度分布图,F(Xi,θ)为CNN模型输出的密度估计图。
(5.3)、采用积分求和的方法对输出的密度估计图计算共享单车的数量,求和公式如下:
其中,Y为输出的密度估计图,W、H分别为密度估计图的宽和高,将密度估计图上每个像素点的值求和即为该图中单车的数量。
(5.4)、经过大量迭代训练后,CNN模型输出的loss值收敛到较低;之后,每一轮迭代训练完成后,在测试集上对模型进行测试;若测试精度达到要求(总体数量正确率大于90%),则完成了整个训练过程,若测试精度没有达到要求,则回到步骤(5.1),继续训练;
步骤(6):将训练后的CNN模型部署在视觉分析系统中,分析视频流数据,实时检测共享单车的数量和密度,如图3所示。
(6.1)、通过RTSP协议获取实时视频流数据,解码后将YUV格式的帧序列转换为RGB格式,并缩放到832×448的分辨率大小。
(6.2)、将处理后的图像输入到CNN模型中,直接输出得到对应的密度估计图。
(6.3)、对密度估计图求和得到对应共享单车的数量。
(6.4)、判断共享单车的数量和密度是否大于阈值,若是,保存截图并发出告警;若否,继续检测。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.基于计算机视觉的共享单车数量统计和密度估计的方法,其特征在于,包括以下步骤:
步骤(1):获取大量不同场景下含有共享单车的图片,并对其中每一辆单车进行标注,生成数据集;
步骤(2):对数据集进一步处理,采用高斯函数将原始的单车分布图转化为对应的密度分布图;
步骤(3):将数据集划分为训练数据集和测试数据集;
步骤(4):构建多列CNN模型;
步骤(5):将训练数据集作为CNN模型的输入,将对应输出的密度估计图与之前标注的密度分布图计算损失函数,反向传播训练模型;训练过程中,使用测试集数据对模型进行测试,若满足精度要求,则训练完成;
步骤(6):将训练好的CNN模型部署到视频分析系统中,分析视频监控设备采集的视频流数据,检测共享单车的数量和密度是否超标。
2.根据权利要求1中所述的基于计算机视觉的共享单车数量统计和密度估计的方法,其特征在于,步骤(1)的具体流程如下:获取大量不同场景下含有共享单车的图片,获取图片的方式包括网络搜集下载和现场监控拍摄,图片格式为R、G、B三通道彩色图片;对图片进行标注,为方便标注,考虑到只检测单车的数量和密度分布而不检测单车的具体位置和大小,因此只对每一辆单车的鞍座中心点进行标注,形成一个数据集。
3.根据权利要求1中所述的基于计算机视觉的共享单车数量统计和密度估计的方法,其特征在于,步骤(2)的具体流程如下:
步骤(2.1)、由于CNN模型为全卷积结构且涉及到两次最大池化操作,因此网络接受任意长宽的输入图像且输出图像的长宽分别为输入的1/4;首先将原图长宽缩小到1/4得到缩略图;
步骤(2.2)、采用基于几何适应的高斯核函数对步骤(2.1)得到的缩略图进行处理,由下式表示:
其中,为高斯核函数,xi为第i辆单车鞍座中心点,N为单车总数,为第i辆单车鞍座中心点xi与其最近的m个单车鞍座中心点到该单车鞍座中心点的平均距离。
4.根据权利要求1中所述的基于计算机视觉的共享单车数量统计和密度估计的方法,其特征在于,步骤(4)中构建多列CNN模型的结构流程如下:
步骤(4.1)、CNN模型的网络结构图整体采用3列卷积网络并行架构,每一列卷积网络采用的卷积核大小不同,分别为3×3、5×5和7×7,因此每一列的感受野大小不同,以更好地自适应远、近不同场景下共享单车密集摆放的特征;
步骤(4.2)、每一列卷积网络使用4次卷积操作和2次最大池化操作且对每一层的输出都使用归一化操作和激活函数,因此每一列最终输出的长宽为输入的1/4;
步骤(4.3)、将3列的输出通过连接操作融合在一起,再通过一个卷积核大小为1×1的卷积层得到最终的密度估计图;由于整个网络没有使用全连接层,因此模型的输入图像是任意大小的,避免长宽缩放比例不同而导致失真;但输入图像也不宜过大,再输入到模型中,从而降低运算量并取得较高的准确率。
5.根据权利要求1中所述的基于计算机视觉的共享单车数量统计和密度估计的方法,其特征在于,步骤(5)中训练步骤(4)构建的CNN模型流程如下:
步骤(5.1)、将训练样本分批次输入到CNN模型中;
步骤(5.2)、训练过程中,将模型输出的密度估计图与之前标注的密度分布图计算损失函数,采用随机梯度下降法不断更新模型参数,损失函数如下所示:
其中,θ为模型待优化的参数,N为每一批训练图片的数量,Xi为输入的图像,Fi为Xi对应标注的密度分布图,F(Xi,θ)为CNN模型输出的密度估计图;
步骤(5.3)、采用积分求和的方法对输出的密度估计图计算共享单车的数量,求和公式如下:
其中,Y为输出的密度估计图,W、H分别为密度估计图的宽和高,将密度估计图上每个像素点的值求和即为该图中单车的数量;
步骤(5.4)、经过大量迭代训练后,CNN模型输出的loss值收敛到较低;之后,每一轮迭代训练完成后,在测试集上对模型进行测试;若测试精度达到要求(总体数量正确率大于90%),则完成了整个训练过程,若测试精度没有达到要求,则回到步骤(5.1),继续训练。
6.根据权利要求1中所述的基于计算机视觉的共享单车数量统计和密度估计的方法,其特征在于,步骤(6)的流程如下:
步骤(6.1)、通过RTSP协议获取实时视频流数据,解码后将YUV格式的帧序列转换为RGB格式,并缩放到832×448的分辨率大小;
步骤(6.2)、将处理后的图像输入到CNN模型中,直接输出得到对应的密度估计图;
步骤(6.3)、对密度估计图求和得到对应共享单车的数量;
步骤(6.4)、判断共享单车的数量和密度是否大于阈值,若是,保存截图并发出告警;若否,继续检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453984.1A CN110119790A (zh) | 2019-05-29 | 2019-05-29 | 基于计算机视觉的共享单车数量统计和密度估计的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910453984.1A CN110119790A (zh) | 2019-05-29 | 2019-05-29 | 基于计算机视觉的共享单车数量统计和密度估计的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110119790A true CN110119790A (zh) | 2019-08-13 |
Family
ID=67523426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910453984.1A Pending CN110119790A (zh) | 2019-05-29 | 2019-05-29 | 基于计算机视觉的共享单车数量统计和密度估计的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119790A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209892A (zh) * | 2020-01-19 | 2020-05-29 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的人群密度及数量估计方法 |
CN112185098A (zh) * | 2020-10-13 | 2021-01-05 | 特斯联科技集团有限公司 | 一种基于城市监控视频的共享单车监控方法及系统 |
CN112800930A (zh) * | 2021-01-25 | 2021-05-14 | 北京市商汤科技开发有限公司 | 非机动车计数方法、装置、设备及存储介质 |
CN113421067A (zh) * | 2021-07-16 | 2021-09-21 | 桂林电子科技大学 | 一种共享自行车品牌识别与数量管理方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN109102515A (zh) * | 2018-07-31 | 2018-12-28 | 浙江杭钢健康产业投资管理有限公司 | 一种基于多列深浅卷积神经网络的细胞计数方法 |
CN109214337A (zh) * | 2018-09-05 | 2019-01-15 | 苏州大学 | 一种人群统计方法、装置、设备及计算机可读存储介质 |
CN109492615A (zh) * | 2018-11-29 | 2019-03-19 | 中山大学 | 基于cnn低层语义特征密度图的人群密度估计方法 |
-
2019
- 2019-05-29 CN CN201910453984.1A patent/CN110119790A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650913A (zh) * | 2016-12-31 | 2017-05-10 | 中国科学技术大学 | 一种基于深度卷积神经网络的车流密度估计方法 |
CN109102515A (zh) * | 2018-07-31 | 2018-12-28 | 浙江杭钢健康产业投资管理有限公司 | 一种基于多列深浅卷积神经网络的细胞计数方法 |
CN109214337A (zh) * | 2018-09-05 | 2019-01-15 | 苏州大学 | 一种人群统计方法、装置、设备及计算机可读存储介质 |
CN109492615A (zh) * | 2018-11-29 | 2019-03-19 | 中山大学 | 基于cnn低层语义特征密度图的人群密度估计方法 |
Non-Patent Citations (1)
Title |
---|
朱庆棠: "《周围神经缺损修复材料的生物制造与临床评估》", 31 August 2018 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209892A (zh) * | 2020-01-19 | 2020-05-29 | 浙江中创天成科技有限公司 | 一种基于卷积神经网络的人群密度及数量估计方法 |
CN112185098A (zh) * | 2020-10-13 | 2021-01-05 | 特斯联科技集团有限公司 | 一种基于城市监控视频的共享单车监控方法及系统 |
CN112800930A (zh) * | 2021-01-25 | 2021-05-14 | 北京市商汤科技开发有限公司 | 非机动车计数方法、装置、设备及存储介质 |
CN113421067A (zh) * | 2021-07-16 | 2021-09-21 | 桂林电子科技大学 | 一种共享自行车品牌识别与数量管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119790A (zh) | 基于计算机视觉的共享单车数量统计和密度估计的方法 | |
CN107622113B (zh) | 水库安全智能化管理系统 | |
CN106652483B (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN110070530A (zh) | 一种基于深度神经网络的输电线路覆冰检测方法 | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN110533885A (zh) | 城市内涝监测预警系统及预警方法 | |
CN105679025B (zh) | 一种基于可变权重混合分布的城市干道行程时间估计方法 | |
CN112668375B (zh) | 景区内游客分布分析系统及方法 | |
CN105208325B (zh) | 基于图像定点抓拍及比对分析的国土资源监控预警方法 | |
CN108389421A (zh) | 基于图像再识别的停车场精确诱导系统及方法 | |
CN109190608A (zh) | 一种城市违章智能识别方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN114049477A (zh) | 一种过鱼鱼道系统、鱼类数量和种类的动态识别跟踪方法 | |
CN107230350A (zh) | 一种基于卡口与手机流量话单数据的城市交通量获取方法 | |
CN106570440A (zh) | 基于图像分析的人数统计方法和人数统计装置 | |
CN113450573A (zh) | 基于无人机图像识别的交通监测方法和交通监测系统 | |
CN114639064B (zh) | 一种水位识别方法及装置 | |
CN110287995B (zh) | 全天高架交通拥堵情况分级的多特征学习网络模型方法 | |
CN114565603A (zh) | 一种一体化洪涝灾害精准监测预警方法 | |
CN106408936B (zh) | 一种基于手机数据的高速公路异常事件实时检测方法 | |
CN113256978A (zh) | 一种城市拥堵地区的诊断方法、系统及储存介质 | |
CN116867149B (zh) | 一种基于物联网的节能型智慧路灯管理方法及系统 | |
CN109902344A (zh) | 中小跨径桥梁群结构性能预测装置及系统 | |
CN112016845A (zh) | 基于dnn与cim的区域经济效益评估方法与系统 |
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: 20190813 |
|
RJ01 | Rejection of invention patent application after publication |