CN110175614A - 一种印刷电路板过孔内壁质量的检测方法 - Google Patents

一种印刷电路板过孔内壁质量的检测方法 Download PDF

Info

Publication number
CN110175614A
CN110175614A CN201910326574.0A CN201910326574A CN110175614A CN 110175614 A CN110175614 A CN 110175614A CN 201910326574 A CN201910326574 A CN 201910326574A CN 110175614 A CN110175614 A CN 110175614A
Authority
CN
China
Prior art keywords
image
via hole
pcb
classifier
training
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
Application number
CN201910326574.0A
Other languages
English (en)
Inventor
刘恺
朱小强
常丽萍
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201910326574.0A priority Critical patent/CN110175614A/zh
Publication of CN110175614A publication Critical patent/CN110175614A/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • 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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30168—Image quality inspection
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Abstract

一种印刷电路板过孔内壁质量的检测方法，获取过孔完好的PCB和过孔有缺陷的PCB样板图像；将过孔依次从整个PCB中分割成单幅图像；依次提取过孔图像的图像特征；获取特征矩阵，构成Adaboost分类器的训练数据集；将得到的数据集输入Adaboost分类器训练获取分类模型；获取待检测PCB图像，用相同方法将待检测PCB的过孔图像分割出来，提取待检测PCB的过孔图像的特征，构成测试数据集；将测试数据集输入Adaboost分类器，得到分类结果，与训练模型对比可以知道过孔质量是否合格。本发明实现了对PCB过孔内壁质量的快速、有效的检测，尤其是针对孔化不完全的PCB过孔检测。

Description

一种印刷电路板过孔内壁质量的检测方法
技术领域
本发明涉及印刷电路板(Printed Circuit Board，PCB)质量检测方法领域，尤其是一种印刷电路板过孔内壁质量的检测方法。
背景技术
在现代电子产品和设备中，印刷电路板(Printed Circuit Board，PCB)占据着非常重要的地位，它是安装、集成各种电子元器件的载体，是微电子产品中不可或缺的基本部件，在各个领域都得到了广泛的应用。PCB生产中一个非常重要的环节便是缺陷检测，它是控制生产成本、保证其质量的最为主要的手段。随着电子产业的飞速发展，人们对产品质量、性能稳定的要求越来越高，因此PCB的检测方法成为急需研究的课题。
在PCB生产的现有检测技术中，通常使用飞针或专用模具来检测PCB的导通电气特性，用自动光学检测(Automatic Optic Inspection，AOI)设备检测元件贴放以及线条过孔的表面质量。但目前没有针对PCB过孔(via)内壁孔化质量(包括过孔内壁毛糙度、过孔内壁孔化完整度以及孔化厚度等方面)的快速有效的检测手段。然而随着电子技术的飞速发展，PCB过孔内壁质量也会直接影响到PCB产品的导通性、幅频相频特性等，从而影响PCB产品性能。因而PCB过孔内壁质量的缺陷检测是一项非常有意义的工作，是急需研究的课题。
现有国内外PCB生产企业主要依赖AOI设备对PCB过孔质量进行检测。但是，现有AOI设备在PCB过孔质量检测过程中存在着明显的缺点。由于AOI设备只能检测直射光线所能到达的地方，所以仅能检测过孔形状、直径、位置等信息。对于过孔内壁缺陷(比如过孔内壁有毛刺、过孔内壁镀铜不全，以及由此带来的孔化不完全、孔化厚度不合格等缺陷)无法做到快速且有效的检测，这些缺陷会直接影响PCB成品的质量。当前PCB生产过程中一般严格控制生产过程，以此保证PCB的孔化质量，而没有针对过孔内壁质量进行检测的有效方法。
发明内容
为了克服已有PCB检测方法无法对过孔内壁质量实现检测的不足，本发明提供一种有效实现对过孔内壁质量的检测、保障PCB过孔内壁质量的检测方法。
本发明解决其技术问题所采用的技术方案是：
一种印刷电路板过孔内壁质量的检测方法，所述检测方法包括如下步骤：
步骤101：获取过孔完好的PCB和过孔有缺陷的PCB样板图像；
步骤102：运用数字图像分割技术将过孔依次从整个PCB中分割成单幅图像，要求分割后的图像尽可能完整的包含过孔，以免丢失过孔图像的信息；
步骤103：依次提取过孔图像的图像特征；
步骤104：获取特征矩阵，特征矩阵由图像特征组成，构成Adaboost分类器的训练数据集；
步骤105：将得到的数据集输入Adaboost分类器训练获取分类模型；
步骤106：获取待检测PCB图像，用相同方法将待检测PCB的过孔图像分割出来，提取待检测PCB的过孔图像的特征，构成测试数据集；
步骤107：将测试数据集输入Adaboost分类器，得到分类结果，与训练模型对比可以知道过孔质量是否合格。
进一步，所述步骤107中，输出缺陷过孔的区域信息，所述缺陷过孔的区域信息主要包含该区域的坐标参数，检验人员根据提供的坐标参数在显示屏上将该区域的图像放大，进一步判断结果。
再进一步，所述步骤103中，提取图像特征包括以下三种：
1)HOG特征：方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种广泛应用于计算机视觉和图像处理领域，可以用来进行物体检测的特征描述，它的特征是通过计算和统计图像局部区域的梯度方向直方图来构成的，HOG特征结合SVM分类器已经被广泛应用于图像识别领域，在行人检测中更是获得了极大的成功；
2)LBP特征：LBP(Local Binary Pattern，局部二值模式)算子是用来描述图像局部纹理特征，它具有旋转不变性和灰度不变性等显著的优点，它于1994年提出，用于纹理特征提取，而且，提取的特征是图像的局部的纹理特征；
3)Haar-like特征：Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征，Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板，Haar特征值反映了图像的灰度变化情况。
在这里，我们提取LBP特征，因为它具有旋转不变性和灰度不变性等显著的优点，更符合实际PCB图像的处理需要。
更进一步，所述步骤103中，提取LBP特征向量的步骤如下：
(31)首先将检测窗口划分为n×n的小区域(cell)，n要求小于图像尺寸；
(32)对于每个cell中的一个像素，比较其相邻的8个像素的灰度值，若周围像素值大于中心像素值，则标记该像素点的位置为1，反之为0，这样，3x3邻域内的8个点经过比较会产生8位二进制数，这样就会得到该检测窗口中心像素点的LBP值；
(33)然后计算每个cell的直方图，并对该直方图进行归一化处理；
(34)最后连接每个cell的统计直方图得到一个特征向量，也就是整幅图像的LBP纹理特征向量，便可利用Adaboost分类器进行分类了。
步骤104中，Adaboost分类器的基本原理如下：
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，从而构成一个更强的最终分类器(强分类器)。其算法实际上是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来决定每个样本的权值。接着把修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用Adaboost分类器可以排除一些不必要的训练数据特征，并将重心放在关键的训练数据上面，是一种性能优异的分类器。
本发明的技术构思为：使用机器学习中的Adaboost算法实现PCB过孔质量的检测。Adaboost算法主要思想是利用一个分量分类器，从而可根据分类器训练后的输出结果自适应改变样本权重，把较大的权值赋给被错分样本。经过反复迭代，最后根据分类器结果加权投票给出最终的判决结果。Adaboost算法在训练过程中不需要做特征筛选，也很好的克服了传统算法存在的过拟合问题。
将Adaboost算法应用于PCB过孔质量的检测，同时结合LBP提取图像特征，搭建一个区别于现有PCB过孔质量检测系统，弥补现有检测技术的缺陷。
本发明的有益效果主要表现在：成功将数字图像处理技术与机器学习中的Adaboost算法引入到PCB过孔质量检测中。结合图像分割以及图像特征提取等数字图像处理技术，并运用机器学习中的Adaboost分类器对PCB过孔质量进行识别与分类，实现了对PCB过孔内壁质量的快速、有效的检测，尤其是针对孔化不完全的PCB过孔检测，弥补了现有检测设备的不足，解决了传统人工目测方法的可靠性低、效率低下等问题。本专利对保障PCB产品质量、提高产品性能稳定性、实现PCB生产企业利润的提高有着极其重要的意义，能够满足PCB产业快速发展的需求。
附图说明
图1是PCB过孔内壁质量的检测方法的流程图。
图2是提取LBP特征向量的过程图。
图3是Adaboost分类器的原理图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1～图3，一种印刷电路板过孔内壁质量的检测方法，所述检测方法包括如下步骤：
步骤101：获取过孔完好的PCB和过孔有缺陷的PCB样板图像；
步骤102：运用数字图像分割技术将过孔依次从整个PCB中分割成单幅图像，要求分割后的图像尽可能完整的包含过孔，以免丢失过孔图像的信息；
步骤103：依次提取过孔图像的图像特征；
步骤104：获取特征矩阵，特征矩阵由图像特征组成，构成Adaboost分类器的训练数据集；
步骤105：将得到的数据集输入Adaboost分类器训练获取分类模型；
步骤106：获取待检测PCB图像，用相同方法将待检测PCB的过孔图像分割出来，提取待检测PCB的过孔图像的特征，构成测试数据集；
步骤107：将测试数据集输入Adaboost分类器，得到分类结果，与训练模型对比可以知道过孔质量是否合格。
进一步，所述步骤107中，输出缺陷过孔的区域信息，所述缺陷过孔的区域信息主要包含该区域的坐标参数，检验人员根据提供的坐标参数在显示屏上将该区域的图像放大，进一步判断结果。
再进一步，所述步骤103中，提取图像特征包括以下三种：
1)HOG特征：方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种广泛应用于计算机视觉和图像处理领域，可以用来进行物体检测的特征描述，它的特征是通过计算和统计图像局部区域的梯度方向直方图来构成的，HOG特征结合SVM分类器已经被广泛应用于图像识别领域，在行人检测中更是获得了极大的成功；
2)LBP特征：LBP(Local Binary Pattern，局部二值模式)算子是用来描述图像局部纹理特征，它具有旋转不变性和灰度不变性等显著的优点，它于1994年提出，用于纹理特征提取，而且，提取的特征是图像的局部的纹理特征；
3)Haar-like特征：Haar-like特征最早是由Papageorgiou等应用于人脸表示，Viola和Jones在此基础上，使用3种类型4种形式的特征，Haar特征分为三类：边缘特征、线性特征、中心特征和对角线特征，组合成特征模板，Haar特征值反映了图像的灰度变化情况；
在这里，我们提取LBP特征，因为它具有旋转不变性和灰度不变性等显著的优点，更符合实际PCB图像的处理需要。
更进一步，所述步骤103中，提取LBP特征向量的步骤如下：
(31)首先将检测窗口划分为n×n的小区域(cell)，n要求小于图像尺寸；
(32)对于每个cell中的一个像素，比较其相邻的8个像素的灰度值，若周围像素值大于中心像素值，则标记该像素点的位置为1，反之为0，这样，3x3邻域内的8个点经过比较会产生8位二进制数，这样就会得到该检测窗口中心像素点的LBP值；
(33)然后计算每个cell的直方图，并对该直方图进行归一化处理；
(34)最后连接每个cell的统计直方图得到一个特征向量，也就是整幅图像的LBP纹理特征向量，便可利用Adaboost分类器进行分类了。
步骤104中，Adaboost分类器的基本原理如下：
Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，从而构成一个更强的最终分类器(强分类器)。其算法实际上是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来决定每个样本的权值。接着把修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用Adaboost分类器可以排除一些不必要的训练数据特征，并将重心放在关键的训练数据上面，是一种性能优异的分类器。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (4)

1.一种印刷电路板过孔内壁质量的检测方法，其特征在于，所述检测方法包括以下步骤：
步骤101：获取过孔完好的PCB和过孔有缺陷的PCB样板图像；
步骤102：运用数字图像分割技术将过孔依次从整个PCB中分割成单幅图像，要求分割后的图像尽可能完整的包含过孔，以免丢失过孔图像的信息；
步骤103：依次提取过孔图像的图像特征；
步骤104：获取特征矩阵，特征矩阵由图像特征组成，构成Adaboost分类器的训练数据集；
步骤105：将得到的数据集输入Adaboost分类器训练获取分类模型；
步骤106：获取待检测PCB图像，用相同方法将待检测PCB的过孔图像分割出来，提取待检测PCB的过孔图像的特征，构成测试数据集；
步骤107：将测试数据集输入Adaboost分类器，得到分类结果，与训练模型对比可以知道过孔质量是否合格。
2.如权利要求1所述的一种印刷电路板过孔内壁质量的检测方法，其特征在于：所述步骤103中，提取LBP图像特征。
3.如权利要求2所述的一种印刷电路板过孔内壁质量的检测方法，其特征在于：所述步骤103中，提取LBP特征向量的过程如下：
(31)首先将检测窗口划分为n×n的小区域(cell)，n要求小于图像尺寸；
(32)对于每个cell中的一个像素，比较其相邻的8个像素的灰度值，若周围像素值大于中心像素值，则标记该像素点的位置为1，反之为0，这样，3x3邻域内的8个点经过比较会产生8位二进制数，这样就会得到该检测窗口中心像素点的LBP值；
(33)然后计算每个cell的直方图，并对该直方图进行归一化处理；
(34)最后连接每个cell的统计直方图得到一个特征向量，也就是整幅图像的LBP纹理特征向量，便可利用Adaboost分类器进行分类了。
4.如权利要求1～3之一所述的一种印刷电路板过孔内壁质量的检测方法，其特征在于：所述步骤104中，Adaboost分类器的基本原理如下：Adaboost核心思想是针对同一个训练集训练不同的分类器，然后把这些弱分类器集合起来，从而构成一个更强的最终分类器；其通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来决定每个样本的权值；接着把修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。
CN201910326574.0A 2019-04-23 2019-04-23 一种印刷电路板过孔内壁质量的检测方法 Pending CN110175614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910326574.0A CN110175614A (zh) 2019-04-23 2019-04-23 一种印刷电路板过孔内壁质量的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910326574.0A CN110175614A (zh) 2019-04-23 2019-04-23 一种印刷电路板过孔内壁质量的检测方法

Publications (1)

Publication Number Publication Date
CN110175614A true CN110175614A (zh) 2019-08-27

Family

ID=67689870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910326574.0A Pending CN110175614A (zh) 2019-04-23 2019-04-23 一种印刷电路板过孔内壁质量的检测方法

Country Status (1)

Country Link
CN (1) CN110175614A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753660A (zh) * 2020-05-21 2020-10-09 江苏大学 一种基于太赫兹毫米波的人脸骨骼识别方法
CN113379006A (zh) * 2021-08-16 2021-09-10 北京国电通网络技术有限公司 图像识别方法、装置、电子设备和计算机可读介质
CN116481461A (zh) * 2022-11-24 2023-07-25 广州帕卡汽车零部件有限公司 一种汽车隔音隔热零配件成孔切口毛糙度检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392432A (zh) * 2014-11-03 2015-03-04 深圳市华星光电技术有限公司 基于方向梯度直方图的显示面板缺陷检测方法
CN104764712A (zh) * 2015-04-29 2015-07-08 浙江工业大学 一种pcb过孔内壁质量的检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392432A (zh) * 2014-11-03 2015-03-04 深圳市华星光电技术有限公司 基于方向梯度直方图的显示面板缺陷检测方法
CN104764712A (zh) * 2015-04-29 2015-07-08 浙江工业大学 一种pcb过孔内壁质量的检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MALGE P.S. 等: "PCB Defect Detection, Classification and Localization using Mathematical Morphology and Image Processing Tools", 《INTERNATIONAL JOURNAL OF COMPUTER APPLICATIONS》 *
PRACHI P. LONDE 等: "Automatic PCB Defects Detection and Classification using Matlab", 《INTERNATIONAL JOURNAL OF CURRENT ENGINEERING AND TECHNOLOGY》 *
季秀霞 等: "基于多特征的PCB缺陷识别算法研究", 《电子质量》 *
李晟阳: "基于机器视觉的印刷电路板缺陷检测方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑（月刊）》 *
杨力帆 等: "PCB孔质量检测技术的研究", 《电声技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111753660A (zh) * 2020-05-21 2020-10-09 江苏大学 一种基于太赫兹毫米波的人脸骨骼识别方法
CN113379006A (zh) * 2021-08-16 2021-09-10 北京国电通网络技术有限公司 图像识别方法、装置、电子设备和计算机可读介质
CN116481461A (zh) * 2022-11-24 2023-07-25 广州帕卡汽车零部件有限公司 一种汽车隔音隔热零配件成孔切口毛糙度检测方法
CN116481461B (zh) * 2022-11-24 2023-09-22 广州帕卡汽车零部件有限公司 一种汽车隔音隔热零配件成孔切口毛糙度检测方法

Similar Documents

Publication Publication Date Title
Hu et al. Detection of PCB surface defects with improved faster-RCNN and feature pyramid network
CN108765412B (zh) 一种带钢表面缺陷分类方法
CN109255344B (zh) 一种基于机器视觉的数显式仪表定位与读数识别方法
CN105574550A (zh) 一种车辆识别方法及装置
CN114926463B (zh) 一种适用于芯片电路板的生产质量检测方法
CN105389593A (zh) 基于surf特征的图像物体识别方法
CN106846316A (zh) 一种gis内部典型缺陷图像自动识别方法
CN103278511B (zh) 基于多尺度角点特征提取的晶片缺陷检测方法
CN106529532A (zh) 一种基于积分特征通道与灰度投影的车牌识别系统
CN101915769A (zh) 一种印刷电路板中带电阻元件的自动光学检测方法
CN110175614A (zh) 一种印刷电路板过孔内壁质量的检测方法
CN103679168A (zh) 文字区域检测方法及装置
Cheng et al. Hybrid ${K} $-Means Clustering and Support Vector Machine Method for via and Metal Line Detections in Delayered IC Images
CN103914680A (zh) 一种喷印字符图像识别与校验系统及方法
CN112907595B (zh) 一种表面缺陷检测方法及装置
CN109300102A (zh) 一种针对pcb的缺陷检测方法
CN109583375B (zh) 一种多特征融合的人脸图像光照识别方法及系统
CN107679453A (zh) 基于支持向量机的天气雷达电磁干扰回波识别方法
CN110334594A (zh) 一种基于批再规范化处理的yolo算法的目标检测方法
CN111522951A (zh) 一种基于图像识别的敏感数据识别与分类的技术方法
CN109858570A (zh) 图像分类方法及系统、计算机设备及介质
CN111242899A (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
CN111965197A (zh) 一种基于多特征融合的缺陷分类方法
CN105894037A (zh) 一种基于sift训练样本提取的遥感图像全监督分类方法
CN109684905A (zh) 基于图像辨识的架空导线的覆冰质量检测的方法

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: 20190827

RJ01 Rejection of invention patent application after publication