CN110297041A - 一种基于fcn与gru的3d编织复合材料缺陷检测方法 - Google Patents

一种基于fcn与gru的3d编织复合材料缺陷检测方法 Download PDF

Info

Publication number
CN110297041A
CN110297041A CN201910584117.1A CN201910584117A CN110297041A CN 110297041 A CN110297041 A CN 110297041A CN 201910584117 A CN201910584117 A CN 201910584117A CN 110297041 A CN110297041 A CN 110297041A
Authority
CN
China
Prior art keywords
gru
fcn
woven composite
signal
network
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
CN201910584117.1A
Other languages
English (en)
Inventor
肖志涛
郭永敏
耿磊
吴骏
张芳
王雯
刘彦北
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.)
Tianjin Polytechnic University
Original Assignee
Tianjin Polytechnic University
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 Tianjin Polytechnic University filed Critical Tianjin Polytechnic University
Priority to CN201910584117.1A priority Critical patent/CN110297041A/zh
Publication of CN110297041A publication Critical patent/CN110297041A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G01N29/06—Visualisation of the interior, e.g. acoustic microscopy
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/26—Scanned objects
    • G01N2291/269—Various geometry objects
    • G01N2291/2698—Other discrete objects, e.g. bricks

Abstract

本发明涉及一种基于FCN与GRU的3D编织复合材料缺陷检测方法，该方法包括：1)利用超声相控阵设备搭建用于采集3D编织复合材料的超声信号扫描系统；2)采集3D编织复合材料的超声信号，利用采集到的超声A信号构建数据集；3)使用改进好的FCN+GRU网络对数据集进行训练；4)采集待检测3D编织复合材料的超声A信号，用训练好的网络模型检测3D编织复合材料是否存在缺陷。与传统图像检测方案相比，本发明方法避免了复杂的A扫图像处理，能够直接对超声信号的序列数据进行检测。

Description

一种基于FCN与GRU的3D编织复合材料缺陷检测方法
技术领域
本发明涉及一种基于FCN与GRU的3D编织复合材料缺陷检测方法，该检测能够对超声信 号进行准确提取，利用其特征检测是否是缺陷，属于人工智能领域，可应用于信号识别分类 与语音识别领域。
背景技术
研究表明，三维(3D)编织复合材料内部缺陷导致其强度下降、承载力降低，在实际应 用中带来了安全隐患，因此研究3D编织复合材料的内部缺陷检测方法具有重要的意义。基 于深度学习的检测方法以其非接触性、实时性等优点，成为缺陷检测的一个重要方法。
基于深度学习的缺陷检测系统应用中，采集到的A扫信号特征是缺陷检测的重要指标。 由于搭建的采集系统是超声系统，因此，选择适合提取超声信号特征的网络是缺陷检测的关 键问题。
传统缺陷检测的方法有很多种，但由于以往采用的都是基于图像的信息判断缺陷类型， 耗时、检测效率低实时性差。而加入GRU(门控循环单元)模块的FCN(全卷积网络)对超 声信号特征有更好的提取能力、作为时间序列分类的一种，全卷积神经网络可以实现高效可 视化，能产生特征的层次化结构，并且可以接受任何尺寸的输入。
发明内容
本发明的目的是克服现有技术的上述不足，自主设计构建了超声采集系统获得测试和训 练图像，利用FCN+GRU网络检测3D编织复合材料内部缺陷。
提出一种有较好的提取超声特征、识别准确率高的缺陷检测网络，并应用特定的深度学 习网络(FCN+GRU)完成对3D编织复合材料内部缺陷的检测，最终使用该网络识别采集到 的3D编织复合材料的A扫信号作为输入进行概率计算，完成缺陷检测。
为此，本发明采用如下的技术方案：
1.采用超声相控阵设备(Olympus Omniscan MX2)、楔块(SNW1-OL-WP5)、编码器和耦合剂，搭建用于采集3D编织复合材料(厚14mm)超声A扫信号的信号采集系统， 用所搭建的系统采集超声A信号样本，其中3D编织复合材料试件由碳纤维 (T700-12K)和环氧树脂(LT-5080-OS)制备，大小为215×140×7mm；
2.利用1中搭建的采集系统获得信号输入，以训练集测试集验证集为6∶2∶2的比例构建 数据集，并以此作为模型输入；
3.设置损失函数理想值，通过将GRU模块与FCN模块相结合形成FCN+GRU网络， 将2中得到的A扫信号数据集输入FCN+GRU网络中进行深度学习网络训练，训练 中通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；
4.使用3中训练出的网络模型完成超声A信号的检测，输出3D编织复合材料的超声A 信号检测结果。
与现有技术相比，本发明的有益效果是：
准确性高。本发明基于FCN+GRU的检测方法，通过结合特定设计的全卷积神经网络和 GRU模块检测计算，使得该检测方法准确率达99％以上，相比其他的检测方法，有较为明显 的提高；
适用范围广。该方法对超声设备采集到的信号检测率得到保障，在测试过程中将该类型 的检测准确率提高到99.72％；
通过将采集到的A扫信号序列作为数据集，降低了计算量、减少了运行时间。
附图说明
图1为本发明的流程图。
图2(a)为超声A信号采集系统示意图。
图2(b)为3D编织复合材料试件。
图3为FCN+GRU网络结构。
图4为GRU的原理图。
具体实施方式
为了能进一步说明本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如 下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
本发明的流程如图1所示，首先，采用超声设备扫描3D编织复合材料并提取A信号，选出脱粘缺陷(1500)和无缺陷(2100)的超声A信号，将这些信号按照训练集测试集验证 集为6∶2∶2的数据量构建数据集；然后将这些数据集同时输入到GRU模块和FCN模块中，将 FCN卷积层、池化层基本结构构造和GRU模块连接起来，通过对超声信号卷积、权值共享 对神经网络结构进行优化以获得全新的特定的神经网络，使其能够更好的提取其特征，并应 用该网络训练出高准确率缺陷检测模型；最终，输出该模型对3D编织复合材料超声A信号 的检测结果。下面结合附图，对本发明技术方案的具体实施过程加以说明。
1.构建超声A信号采集系统
对通常的超声A扫图进行检测识别准确率较低且耗时。本方法直接将采集到的超声A扫 信号序列数据输入到网络检测。图2(a)为基于超声相控阵设备的3D编织复合材料A扫信号 采集系统，图2(b)为3D编织复合材料试件。
2.构建A扫信号样本集
此数据集使用本方法的超声相控阵采集系统采集并选取了2100个无缺陷超声A信号和 1500个脱粘缺陷超声A信号。按照训练集测试集验证集6∶2∶2的比例分配。训练集2160个， 测试集720个，验证集720个，包含360个无缺陷的和360个有缺陷的信号。信号的采样长度为320。
3.基于FCN+GRU的缺陷检测
本发明中使用的模型包括两部分：FCN模块和GRU模块。FCN模块包含6个时域卷积层作为主要特征提取器。在模型中两个GRU层用于增强FCN的性能，将这些超声信号同时 输入到FCN和GRU模块中。图3是本方法所研究的FCN+GRU网络结构。
3.1 FCN的卷积层
FCN直接以一维序列为输入，包括卷积层、全局平均池化层。核心思想是通过卷积、权 值共享和池化对神经网络结构进行优化，减少网络中神经元个数以及权值。下面以FCN基本 的网络结构的顺序，首先对FCN卷积层的组成进行说明。
卷积层是全卷积神经的核心结构。采用权值共享的方式，减少权值的数量，使得网络易 于优化。不同的一维卷积核通过“滑动窗口”的方式提取输入信号不同位置的特征。通过网 络的训练，一维卷积核可提取出某些有意义的特征。卷积层之后有一个标准化BN层和ReLU 激活层，对本方法而言，卷积运算是由六个尺寸分别为{128，512，256，128，128，128}滤波器， 卷积核的尺寸分别为{8，5，5，3，3，3}的卷积块构成。基本的卷积块是
s＝BN(y)
h＝ReLU(s)
其中，是卷积运算。
常用的非线性激活函数有Sigmoid函数和Tanh函数，但是为了克服容易出现梯度消失的 问题，在FCN模块中采用修正线性单元ReLU(Rectified linear unit)，GRU模块中的激活函数 为Tanh函数，ReLU激活函数的定义为：
ReLU(x)＝max(0，x)
Tanh函数的定义为
3.2全卷积神经网络的全局平均池化
在卷积层后的全局平均池化替代了全连接层，主要是将最后一层的特征图进行整张图的 一个均值池化，形成一个特征点组成最后的特征向量，进而送入到softmax的分类中计算。
3.3 GRU模型
GRU是LSTM网络的一种效果很好的变体，GRU模型中只有更新门和重置门。
更新门中，在时间步t，更新门zt是由以下公式计算：
zt＝σ(W(z)xt+U(z)ht-1)
其中，xt为第t个时间的输入向量，即输入序列X的第t个分量，ht-1保存的是前一个时间 步t-1的信息。
重置门主要决定了有多少过去的信息需要遗忘，在重置门的使用中，新的记忆内容将使 用重置门储存过去相关的信息，计算为：
其中，⊙是重置门rt与ht-1的Hadamard乘积，这个乘积将确定所保留与遗忘的以前信息。 由以上函数可知，GRU会保留相关的信息并传递到下一个单元不会随时间而清除以前的信 息。GRU的原理图如图4。本方法中加入了两个GRU层，在训练时采取dropout的策略，以 一定的概率p＝0.5输入到全局池化层。最后通过一个连接层连接FCN输出的特征和GRU模 块的输出。
3.4确定网络结构和参数
对本方法而言，设置的网络参数如表1所示。将构建的训练数据集按相应迭代学习次数， 推荐次数300次，训练FCN+GRU，最终生成可使得识别率呈缓慢变化，分类性区域稳定的 网络模型。在验证数据下3D编织复合材料的检测准确率为99.72％。
表1 FCN+GRU网络结构参数

Claims (6)

1.一种基于FCN与GRU的3D编织复合材料缺陷检测方法，所述方法包括下列步骤：
步骤1：采用超声相控阵设备搭建用于采集待测试件的超声信号扫描系统；
步骤2：利用步骤1中搭建的采集系统获得A扫信号，构建A扫信号数据集；
步骤3：设置损失函数理想值，通过将FCN模块与GRU模块相结合形成FCN+GRU网络，将步骤2中得到的A扫信号数据集输入FCN+GRU网络中进行深度学习网络训练，训练中通过计算网络损失函数来调整网络参数，得到最优的网络训练模型；
步骤4：采集待检测3D编织复合材料的超声A信号，利用步骤3中训练好的网络模型检测3D编织复合材料是否存在缺陷。
2.如权利要求1所述的方法，其特征在于，步骤1中，搭建的超声信号扫描系统由超声相控阵设备、探头、楔块、编码器成。
3.如权利要求1所述的方法，其特征在于，步骤2中，构建的A扫信号数据集由序列格式的数据组成。
4.如权利要求1所述的方法，其特征在于，步骤2中，将构建的数据集按照6∶2∶2的数据量比例分为训练数据、测试数据和验证数据。
5.如权利要求1所述的方法，其特征在于，步骤3中，通过加入GRU模块的FCN网络训练模型进行检测来提高缺陷检测的准确率，将样本数据同时输入到GRU模块和FCN模块中，FCN模块是由6个卷积层和1个平均池化层组成，GRU模块由2个用来增强FCN的性能的GRU层和1个平均池化层组成。
6.如权利要求1所述的方法，其特征在于，步骤4中，利用加GRU模块的全卷积深度模型检测3D编织复合材料中的缺陷，将检测结果输出为有缺陷1、无缺陷0两种类型。
CN201910584117.1A 2019-07-01 2019-07-01 一种基于fcn与gru的3d编织复合材料缺陷检测方法 Pending CN110297041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910584117.1A CN110297041A (zh) 2019-07-01 2019-07-01 一种基于fcn与gru的3d编织复合材料缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910584117.1A CN110297041A (zh) 2019-07-01 2019-07-01 一种基于fcn与gru的3d编织复合材料缺陷检测方法

Publications (1)

Publication Number Publication Date
CN110297041A true CN110297041A (zh) 2019-10-01

Family

ID=68029675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910584117.1A Pending CN110297041A (zh) 2019-07-01 2019-07-01 一种基于fcn与gru的3d编织复合材料缺陷检测方法

Country Status (1)

Country Link
CN (1) CN110297041A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044617A (zh) * 2019-11-28 2020-04-21 东南大学 一种基于深度学习与声发射技术的拉索损伤识别方法
CN111110228A (zh) * 2020-01-17 2020-05-08 武汉中旗生物医疗电子有限公司 一种心电信号r波的检测方法及装置
CN111257422A (zh) * 2020-02-28 2020-06-09 北京新联铁集团股份有限公司 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法
CN111272870A (zh) * 2019-12-31 2020-06-12 中国航空制造技术研究院 一种用于编织复合材料超声检测的编织系数的确定方法
CN115375952A (zh) * 2022-10-18 2022-11-22 沃图水泵(上海)有限公司江苏分公司 一种芯片胶层缺陷分类方法
EP4180197A4 (en) * 2020-07-08 2023-12-27 Teijin Limited MOLDED ARTICLE REGION INSPECTION PROGRAM, MOLDED ARTICLE REGION INSPECTION METHOD, AND MOLDED ARTICLE REGION INSPECTION DEVICE

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002013056A (ja) * 2000-06-28 2002-01-18 Mitsui Chemicals Inc 伸縮性不織布複合体
CN102109498A (zh) * 2009-12-28 2011-06-29 天津工业大学 一种对三维编制复合材料的无损检测系统及检测分析方法
CN102564290A (zh) * 2010-12-27 2012-07-11 天津工业大学 一种基于碳纳米管三维编织复合材料的健康监测方法
CN106649984A (zh) * 2016-11-09 2017-05-10 魏东 基于可控微结构的编织复合材料物性参数设计方法
CN107451997A (zh) * 2017-07-31 2017-12-08 南昌航空大学 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法
CN108072698A (zh) * 2016-11-15 2018-05-25 中国科学院沈阳计算技术研究所有限公司 一种水浸超声探伤系统及方法
CN109272497A (zh) * 2018-09-05 2019-01-25 深圳灵图慧视科技有限公司 产品表面缺陷检测方法、装置和计算机设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002013056A (ja) * 2000-06-28 2002-01-18 Mitsui Chemicals Inc 伸縮性不織布複合体
CN102109498A (zh) * 2009-12-28 2011-06-29 天津工业大学 一种对三维编制复合材料的无损检测系统及检测分析方法
CN102564290A (zh) * 2010-12-27 2012-07-11 天津工业大学 一种基于碳纳米管三维编织复合材料的健康监测方法
CN106649984A (zh) * 2016-11-09 2017-05-10 魏东 基于可控微结构的编织复合材料物性参数设计方法
CN108072698A (zh) * 2016-11-15 2018-05-25 中国科学院沈阳计算技术研究所有限公司 一种水浸超声探伤系统及方法
CN107451997A (zh) * 2017-07-31 2017-12-08 南昌航空大学 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法
CN109272497A (zh) * 2018-09-05 2019-01-25 深圳灵图慧视科技有限公司 产品表面缺陷检测方法、装置和计算机设备

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
F. KARIM ET AL.: "Insights Into LSTM Fully Convolutional Networks for Time Series Classification", 《DIGITAL OBJECT IDENTIFIER》 *
HE XIAO-LI ET AL.: "Defects Ｒecognition of 3D Braided Composite Based on Dual-Tree Complex Wavelet Packet Transform", 《JOURNAL OF DONGHUA UNIVERSITY》 *
LI X ET AL.: "Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning", 《SCIEN CE AND TECHNOLOGY》 *
NELLY ELSAYED ET AL.: "Deep Gated Recurrent and Convolutional Network Hybrid Model for Univariate Time Series Classification", 《IEEE》 *
NELLY ELSAYED ET AL.: "Sensor Sequential Data-Stream Classification Using Deep Gated Hybrid Architecture", 《2019 IEEE GREEN TECHNOLOGIES CONFERENCE》 *
ZHITAO XIAO ET AL.: "Traffic Sign Detection Based on Histograms of Oriented Gradients and Boolean Convolutional Neural Networks", 《2017 INTERNATIONAL CONFERENCE ON MACHINE VISION AND INFORMATION TECHNOLOGY》 *
万振凯, 王占刚: "基于神经网络的复合材料缺陷超声波检测研究", 《纺织学报》 *
万振凯，贾敏瑞: "基于磁通图像的平板三维编织复合材料试件内部缺陷检测", 《纺织学报》 *
王国军等: "超声评价碳环氧三维编织复合材料的实验分析", 《玻璃钢/ 复合材料》 *
赵亮亮等: "三维编织复合材料预制件表面参数测量方法", 《电脑知识与技术》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044617A (zh) * 2019-11-28 2020-04-21 东南大学 一种基于深度学习与声发射技术的拉索损伤识别方法
CN111044617B (zh) * 2019-11-28 2022-08-02 东南大学 一种基于深度学习与声发射技术的拉索损伤识别方法
CN111272870A (zh) * 2019-12-31 2020-06-12 中国航空制造技术研究院 一种用于编织复合材料超声检测的编织系数的确定方法
CN111272870B (zh) * 2019-12-31 2023-03-14 中国航空制造技术研究院 一种用于编织复合材料超声检测的编织系数的确定方法
CN111110228A (zh) * 2020-01-17 2020-05-08 武汉中旗生物医疗电子有限公司 一种心电信号r波的检测方法及装置
CN111257422A (zh) * 2020-02-28 2020-06-09 北京新联铁集团股份有限公司 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法
CN111257422B (zh) * 2020-02-28 2023-09-08 北京新联铁集团股份有限公司 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法
EP4180197A4 (en) * 2020-07-08 2023-12-27 Teijin Limited MOLDED ARTICLE REGION INSPECTION PROGRAM, MOLDED ARTICLE REGION INSPECTION METHOD, AND MOLDED ARTICLE REGION INSPECTION DEVICE
CN115375952A (zh) * 2022-10-18 2022-11-22 沃图水泵(上海)有限公司江苏分公司 一种芯片胶层缺陷分类方法

Similar Documents

Publication Publication Date Title
CN110297041A (zh) 一种基于fcn与gru的3d编织复合材料缺陷检测方法
CN113436169B (zh) 一种基于半监督语义分割的工业设备表面裂纹检测方法及系统
CN109087274A (zh) 基于多维融合及语义分割的电子器件缺陷检测方法及装置
CN110188774B (zh) 一种基于深度学习的电涡流扫描图像分类识别方法
CN105654121A (zh) 一种基于深度学习的复杂提花织物缺陷检测方法
CN110045015A (zh) 一种基于深度学习的混凝土结构内部缺陷检测方法
CN114548278A (zh) 基于深度学习的在役隧道衬砌结构缺陷识别方法及系统
CN114359283A (zh) 基于Transformer的缺陷检测方法和电子设备
Gao et al. A novel deep convolutional neural network based on ResNet-18 and transfer learning for detection of wood knot defects
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
Li et al. Image quality assessment using deep convolutional networks
CN108052909A (zh) 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN116109621B (zh) 一种基于深度模板的缺陷检测方法和系统
Ziabari et al. Simurgh: A Framework for CAD-Driven Deep Learning Based X-Ray CT Reconstruction
CN117011759A (zh) 钻爆法隧道掌子面围岩多元地质信息解析方法及系统
CN116363075A (zh) 一种光伏组件热斑检测方法、系统和电子设备
CN107341798A (zh) 基于全局‑局部SPP Net的高分辨SAR图像变化检测方法
CN115375925A (zh) 一种基于相位信息和深度学习的水下声呐图像匹配算法
CN111898314B (zh) 湖泊水体参数检验方法、装置、电子设备及存储介质
CN114529519A (zh) 基于多尺度深度空洞残差网络的图像压缩感知重建方法及系统
CN112508862B (zh) 一种通过改进gan增强裂纹磁光图像的方法
CN114972153A (zh) 一种基于深度学习的桥梁振动位移视觉测量方法及系统
CN114821079A (zh) 一种基于变分自编码器的岩石裂缝信息识别方法及系统
CN114299421A (zh) 检测螺栓松动的方法、卷积神经网络、训练方法及系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191001