CN110411380A - 基于小波包纹理分析的非接触式表面粗糙度测量方法 - Google Patents
基于小波包纹理分析的非接触式表面粗糙度测量方法 Download PDFInfo
- Publication number
- CN110411380A CN110411380A CN201910707757.7A CN201910707757A CN110411380A CN 110411380 A CN110411380 A CN 110411380A CN 201910707757 A CN201910707757 A CN 201910707757A CN 110411380 A CN110411380 A CN 110411380A
- Authority
- CN
- China
- Prior art keywords
- surface roughness
- entropy
- speckle image
- node
- wavelet
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
- G01B11/303—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces using photoelectric detection means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明属于表面粗糙度检测技术领域,具体涉及一种基于小波包纹理分析的非接触式表面粗糙度测量方法,包括以下步骤:(1)获取表面粗糙度激光散斑图像;(2)对获取的激光散斑图像进行小波包分析;(3)计算经步骤(2)处理后的激光散斑图像的纹理特征值,并确定该纹理特征值与表面粗糙度的相关性,建立其与被测样品的表面粗糙度模型;(4)实际测量时,将所获取的待测物体表面激光散斑图像带入表面粗糙度模型中,计算出实际的表面粗糙度值;利用本发明的方法测量时,测量的设备简单,对于环境要求低,能够克服触针式测量仪的缺点,为表面粗糙度在线、实时、快速、自动化测量提供了一种全新的途径。
Description
技术领域
本发明属于表面粗糙度检测技术领域,具体涉及一种基于小波包纹理分析的非接触式表面粗糙度测量方法。
背景技术
表面粗糙度是机械加工中描述表面微观形貌最常用的参数,直接影响到机器和仪表的使用性能和寿命。并且随着技术与科学研究的发展对表面粗糙度测量技术要求也越来越高。这是由于一方面计算机运算能力、控制技术的提高及对测量仪器的市场需求;另一方面尖端技术、国防工业及精密工程等对工件表面质量要求的提高。
目前市场上已有的表面粗糙度测量仪器主要分为接触式和非接触式两大类,其所代表的仪器分别为接触式触针轮廓仪和非接触式光学电镜显微仪器。其中,接触式触针轮廓仪所存在的不足是:触针易划伤被测表面、难以准确地使触针的走向与表面微观加工纹理方向垂直,易导致误差较大,精度低,测量速度慢,对外界环境要求高;非接触式光学电镜显微仪器测量的不足是:需在真空下测量,被测表面导电,测量速度慢且复杂。都无法实现表面粗糙度的在线、非接触测量。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于小波包纹理分析的非接触式表面粗糙度测量方法。
为了实现上述目的,本发明采用以下技术方案予以实现:
一种基于小波包纹理分析的非接触式表面粗糙度测量方法,其特征在于,包括以下步骤:
(1)获取表面粗糙度激光散斑图像;
(2)对步骤(1)中获取的激光散斑图像进行小波包分析,该小波包分析采用的算法步骤为:
S1:选择具有正交性、紧支撑性、以及对称性和光滑性好的sym系列小波基函数:
S2:在步骤S1确定的sym系列小波基函数的基础上对激光散斑图像进行一层分解,选择小波基函数;香农熵是对信息量进行度量的物理量,信息的不确定性直接决定了信息的大小,信息量越大,香农熵就越小,同时,表面粗糙度信息包含在激光散斑图的中高频子图。
使用sym系列小波基函数对激光散斑图像进行一层分解,选择小波基函数分解得到高频细节香农熵值之和占总香农熵值的比例最小的sym小波基函数作为最优小波基函数;
其中,香农熵的计算公式为:
其中,p(i,j)表示散斑图像在(i,j)位置的灰度值,
M表示激光散斑图像所对应灰度图矩阵的行数,
N表示激光散斑图像所对应灰度图矩阵的列数;
S3:在步骤S2确定小波基函数的基础上,对激光散斑图进行小波包建模分析,寻找最优小波支;
分别计算并比较每个节点分解后的三个高频子节点的香农熵值,找出熵值最小的一支与其父节点的熵值进行比较,若熵值最小的子结点的熵值大于父节点的熵值,则去除子结点,保留父节点,该父节点则为最优支;若熵值最小子结点的熵值小于父节点的熵值,则将该子节点继续分解,直到找出熵值最小的一支,则该支为最优小波支;
其具体的步骤如下:
S3.1:用步骤S2确定的小波基函数对所述的激光散斑图像进行第一层分解;
S3.2:提取高频节点的小波包系数并计算香农熵,比较三个高频节点的香农熵值,找出香农熵值最小的一个节点(i,j),其香农熵值为Ei,j;
S3.3:继续对节点(i,j)进行小波包分解,得到4个子节点,分别为(i+1,4*j)、(i+1,4*j+1)、(i+1,4*j+2)、(i+1,4*j+3);提取该三个高频子节点的节点系数并分别计算香农熵值,比较并找出三个高频子节点中香农熵值最小的点(i+1,k),定义其熵值为Ei+1,k;
S3.4:比较Ei,j与Ei+1,k的值:
若Ei,j<Ei+1,k,则保留(i,j)点,去除其子节点,节点(i,j)为最优支;
若Ei,j>Ei+1,k,则将(i+1,k)继续分解,并重复步骤S3.3直至找出香农熵值最小的节点(i+n,m);
S3.5:将香农熵值最小的节点所在的层数作为分解层数;
S3.6:由各小波支熵值最小节点所组成的小波支为最优小波支;
(3)提取经步骤(2)处理后激光散斑图像最优支节点的纹理特征值,选择与表面粗糙度具有单调相关性的纹理特征值,并通过归一比较寻找与表面粗糙度单调相关性最好的纹理特征值,该纹理特征值能较好的特征化表面粗糙度信息;
与表面粗糙度单调相关性最好的特征值为方差V,方差V的计算公式为:
其中,
其中,p(i,j)表示散斑图像在(i,j)位置的灰度值;
σ表示散斑图像灰度值的均值;
M表示激光散斑图像所对应灰度图矩阵的行数;
N表示激光散斑图像所对应灰度图矩阵的列数;
(4)根据步骤(3)确定能特征化表面粗糙度的纹理特征值方差V,建立其与被测样品的表面粗糙度模型;
(5)采集待测物体表面激光散斑图像,计算纹理特征值方差V,代入步骤(4)中建立的表面粗糙度模型,计算出实际的表面粗糙度值。
作为优选的,步骤(1)中,激光散斑图像的获取方法为:在待测物体表面的法线方向设置一台黑白CCD,利用半导体激光器对待测物体表面进行照射,激光器照射方向与待测物体表面法线之间的夹角需尽可能小,以减少表面粗糙度计算时表面微结构方向的影响,为安装方便,激光器照射方向与待测物体表面法线之间的夹角为10°。半导体激光器照射出的光斑直径为4~6mm。
与现有技术相比,本发明具有以下技术效果:
本发明提供了一种利用单幅激光散斑图像实现激光散斑表面粗糙度非接触式、快速测量的新方法,利用该方法测量时,测量的设备简单,对于环境要求低,能够克服触针式测量仪的缺点,为表面粗糙度在线、实时、自动化测量提供了一种全新的途径。
本发明提供的测量方法,通过建立激光散斑图像小波包纹理特征与表面粗糙度之间的数学模型,既能测量光滑表面,又能测量无法产生干涉条纹的粗糙表面,并且扩大了测量量程。
本发明的其他特征和优点将在随后的具体实施方式中予以详细说明。
附图说明
图1为本发明提供的基于小波包纹理分析的非接触式表面粗糙度测量方法的流程图;
图2为本发明中获取激光散斑图像的系统结构示意图;
图3为本发明中小波包分析算法流程图;
图4为平磨金属实验样本纹理特征值方差与表面粗糙度归一化关系图;
图5为最优支小波包分解树图。
图中标号说明:1-半导体激光器,2-待测物体,3-CCD,4-图像采集卡,5-计算机。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体附图及实施例,进一步阐明本发明。
结合图1所示本发明方法的流程图,本发明采用小波包纹理分析技术提取激光散斑图像中能表征表面粗糙度的特征值,以采集到的待测物体表面的激光散斑图作为研究对象,从小波包纹理分析角度,研究激光散斑图像小波包纹理特征的提取方法,探求其随表面粗糙度的变化规律,揭示最优散斑纹理特征值与表面粗糙度参量Ra间的内在联系;建立简单、有效的散斑纹理特征值与表面粗糙度间的理论模型,实现用小波包散斑纹理特征值来表征表面粗糙度参量Ra。在实际测量中,采用单幅激光散斑图像可以实现激光散斑表面粗糙度在线、快速测量;该方法的测量设备简单、对环境要求低,能够克服触针式测量仪的缺点,为表面粗糙度在线、实时、快速、自动化测量提供了有价值的参考。
以下通过具体的实施例对本发明做出进一步详细的说明。
以平磨金属实验样本的表面粗糙度表面作为研究对象,采用本发明提供的方法对其表面粗糙度进行测量,具体的方法步骤为:
(1)在平磨金属表面的法线方向放置一台无镜头黑白CCD,利用半导体激光器对平磨金属表面进行照射,其照射方向与平磨金属表面法线之间的夹角应尽可能小,以减少表面粗糙度计算时表面微结构方向的影响,具体的,为安装方便,激光器照射方向与待测物体表面法线之间的夹角为10°;半导体激光器照射出的光斑需均匀,直径为5mm;通过CCD获取得到平磨金属表面的客观激光散斑图像;
具体的,结合图2所示,其中,1为半导体激光器,具体可采用35mW,波长为660nm的半导体激光器;2为待测物体,即所述的平磨金属;3为CCD;4为图像采集卡;5为计算机。
(2)对步骤(1)中获取的激光散斑图像进行小波包分析建模,结合图3所示为本发明中小波包算法流程图;
所述的小波包分析所采用的算法步骤为:
S1:选择具有正交性、紧支撑性、以及对称性和光滑性好的小波基函数,此处选择sym小波基函数;
S2:在步骤S1确定的sym系列小波基的基础上对激光散斑图像进行一层分解,选择小波基函数。香农熵是对信息量进行度量的物理量,信息的不确定性直接决定了信息的大小,信息量越大,香农熵就越小,同时,表面粗糙度信息包含在激光散斑图的中高频子图。故对sym系列小波基进行一层分解,选择高频细节香农熵值之和占总香农熵值的比例最小的sym小波作为最优小波基函数,经计算选择sym4小波基函数;
其中,香农熵的计算公式为:
其中,p(i,j)表示散斑图像在(i,j)位置的灰度值;
M表示激光散斑图像所对应灰度图矩阵的行数;
N表示激光散斑图像所对应灰度图矩阵的列数;
S3:在步骤S2确定小波基函数的基础上,对激光散斑图进行小波包建模分析,寻找最优小波支。分别计算并比较每个节点分解后的三个高频子节点的香农熵值,找出熵值最小的一支与其父节点的熵值进行比较,若熵值最小的子结点的熵值大于父节点的熵值,则去除子结点,保留父节点,该父节点则为最优支;若熵值最小子结点的熵值小于父节点的熵值,则将该子节点继续分解,直到找出熵值最小的一支,则该支为最优小波支。其具体的步骤如下:
S3.1:用步骤S2确定的小波基函数对所述的激光散斑图像进行第一层分解;
S3.2:提取高频节点的小波包系数并计算香农熵,比较三个高频节点的香农熵值,找出香农熵值最小的一个节点(i,j),其香农熵值为Ei,j;
S3.3:继续对节点(i,j)进行小波包分解,得到4个子节点,分别为(i+1,4*j)、(i+1,4*j+1)、(i+1,4*j+2)、(i+1,4*j+3);提取该三个高频子节点的节点系数并分别计算香农熵值,比较并找出三个高频子节点中香农熵值最小的点(i+1,k),定义其熵值为Ei+1,k;
S3.4:比较Ei,j与Ei+1,k的值:
若Ei,j<Ei+1,k,则保留(i,j)点,去除其子节点,节点(i,j)为最优支;
若Ei,j>Ei+1,k,则将(i+1,k)继续分解,并重复步骤S3.3直至找出香农熵值最小的节点(i+n,m);
S3.5:将香农熵值最小的节点所在的层数作为分解层数;
S3.6:由各小波支熵值最小节点所组成的小波支为最优小波支;具体的,通过计算节点(1,1)、节点(2,5)、节点(3,21)、节点(4,85)、节点(5,341)、节点(6,1365)分别是各自层数符合条件的高频部分熵值最小点,且节点E6,1365是各节点中熵值最小,故最佳分解层数是6层,节点是(6,1365)所在的小波支为最优小波支。
(3)提取经步骤(2)处理后激光散斑图像最优支节点的纹理特征值,选择与表面粗糙度具有单调相关性的纹理特征值,并通过归一比较寻找与表面粗糙度单调相关性最好的纹理特征值,该特征值能较好的特征化表面粗糙度信息;
所述与表面粗糙度单调相关性最好的纹理特征值为方差V,方差V与表面粗糙度Ra的关系图如图4所示。
方差V的计算公式为:
其中,
其中,p(i,j)表示散斑图像在(i,j)位置的灰度值;
其中,σ表示散斑图像灰度值的均值,
M表示激光散斑图像所对应灰度图矩阵的行数;
N表示激光散斑图像所对应灰度图矩阵的列数;
(4)根据步骤(3)确定能特征化表面粗糙度的纹理特征值方差V,建立其与被测样品的表面粗糙度Ra间的数学模型,该数学模型为:
Ra=0.1781V2-0.5450V+0.4775
(5)采集待测物体表面激光散斑图像,计算纹理特征值方差V,代入步骤(4)中建立的表面粗糙度模型,计算出实际的表面粗糙度值。
以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种基于小波包纹理分析的非接触式表面粗糙度测量方法,其特征在于,包括以下步骤:
(1)获取表面粗糙度激光散斑图像;
(2)对步骤(1)中获取的激光散斑图像进行小波包分析,该小波包分析采用的算法步骤为:
S1:选择具有正交性、紧支撑性、以及对称性和光滑性好的sym系列小波基函数:
S2:在步骤S1确定的sym系列小波基函数的基础上对激光散斑图像进行一层分解,选择小波基函数;
使用sym系列小波基函数对激光散斑图像进行一层分解,选择小波基函数分解得到高频细节香农熵值之和占总香农熵值的比例最小的sym小波基函数作为最优小波基函数;
其中,香农熵的计算公式为:
其中,p(i,j)表示散斑图像在(i,j)位置的灰度值,
M表示激光散斑图像所对应灰度图矩阵的行数,
N表示激光散斑图像所对应灰度图矩阵的列数;
S3:在步骤S2确定小波基函数的基础上,对激光散斑图进行小波包建模分析,寻找最优小波支;
分别计算并比较每个节点分解后的三个高频子节点的香农熵值,找出熵值最小的一支与其父节点的熵值进行比较,若熵值最小的子结点的熵值大于父节点的熵值,则去除子结点,保留父节点,该父节点则为最优支;若熵值最小子结点的熵值小于父节点的熵值,则将该子节点继续分解,直到找出熵值最小的一支,则该支为最优小波支;
其具体的步骤如下:
S3.1:用步骤S2确定的小波基函数对所述的激光散斑图像进行第一层分解;
S3.2:提取高频节点的小波包系数并计算香农熵,比较三个高频节点的香农熵值,找出香农熵值最小的一个节点(i,j),其香农熵值为Ei,j;
S3.3:继续对节点(i,j)进行小波包分解,得到4个子节点,分别为(i+1,4*j)、(i+1,4*j+1)、(i+1,4*j+2)、(i+1,4*j+3);提取该三个高频子节点的节点系数并分别计算香农熵值,比较并找出三个高频子节点中香农熵值最小的点(i+1,k),定义其熵值为Ei+1,k;
S3.4:比较Ei,j与Ei+1,k的值:
若Ei,j<Ei+1,k,则保留(i,j)点,去除其子节点,节点(i,j)为最优支;
若Ei,j>Ei+1,k,则将(i+1,k)继续分解,并重复步骤S3.3直至找出香农熵值最小的节点(i+n,m);
S3.5:将香农熵值最小的节点所在的层数作为分解层数;
S3.6:由各小波支熵值最小节点所组成的小波支为最优小波支;
(3)提取经步骤(2)处理后激光散斑图像最优支节点的纹理特征值,选择与表面粗糙度具有单调相关性的纹理特征值,并通过归一比较寻找与表面粗糙度单调相关性最好的纹理特征值,该纹理特征值能较好的特征化表面粗糙度信息;
与表面粗糙度单调相关性最好的特征值为方差V,方差V的计算公式为:
其中,
其中,p(i,j)表示散斑图像在(i,j)位置的灰度值;
σ表示散斑图像灰度值的均值;
M表示激光散斑图像所对应灰度图矩阵的行数;
N表示激光散斑图像所对应灰度图矩阵的列数;
(4)根据步骤(3)确定能特征化表面粗糙度的纹理特征值方差V,建立其与被测样品的表面粗糙度模型;
(5)采集待测物体表面激光散斑图像,计算纹理特征值方差V,代入步骤(4)中建立的表面粗糙度模型,计算出实际的表面粗糙度值。
2.根据权利要求1所述的基于小波包纹理分析的非接触式表面粗糙度测量方法,其特征在于,步骤(1)中,激光散斑图像的获取方法为:在待测物体表面的法线方向设置一台黑白CCD,利用半导体激光器对待测物体表面进行照射,激光器照射方向与待测物体表面法线之间的夹角为10°,半导体激光器照射出的光斑直径为4~6mm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707757.7A CN110411380B (zh) | 2019-08-01 | 2019-08-01 | 基于小波包纹理分析的非接触式表面粗糙度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910707757.7A CN110411380B (zh) | 2019-08-01 | 2019-08-01 | 基于小波包纹理分析的非接触式表面粗糙度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110411380A true CN110411380A (zh) | 2019-11-05 |
CN110411380B CN110411380B (zh) | 2021-01-22 |
Family
ID=68365192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910707757.7A Active CN110411380B (zh) | 2019-08-01 | 2019-08-01 | 基于小波包纹理分析的非接触式表面粗糙度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110411380B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4488308B2 (ja) * | 2004-12-08 | 2010-06-23 | 株式会社大林組 | 構造物表面のひび割れ検出方法 |
CN102506753A (zh) * | 2011-11-04 | 2012-06-20 | 西安电子科技大学 | 基于十四点球面小波变换的不规则零件形状差异检测方法 |
CN106002490A (zh) * | 2016-05-12 | 2016-10-12 | 西北工业大学 | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 |
CN107122333A (zh) * | 2017-03-09 | 2017-09-01 | 北京理工大学 | 一种降低测量数据不确定度的数据处理方法 |
-
2019
- 2019-08-01 CN CN201910707757.7A patent/CN110411380B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4488308B2 (ja) * | 2004-12-08 | 2010-06-23 | 株式会社大林組 | 構造物表面のひび割れ検出方法 |
CN102506753A (zh) * | 2011-11-04 | 2012-06-20 | 西安电子科技大学 | 基于十四点球面小波变换的不规则零件形状差异检测方法 |
CN106002490A (zh) * | 2016-05-12 | 2016-10-12 | 西北工业大学 | 基于刀位轨迹和冗余剔除的铣削工件粗糙度监测方法 |
CN107122333A (zh) * | 2017-03-09 | 2017-09-01 | 北京理工大学 | 一种降低测量数据不确定度的数据处理方法 |
Non-Patent Citations (1)
Title |
---|
杨蕾等: "基于小波变换的散斑纹理表面粗糙度信息提取", 《电子测量与仪器学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034482A (zh) * | 2021-04-07 | 2021-06-25 | 山东大学 | 基于机器视觉和机器学习的表面粗糙度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110411380B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023134792A2 (zh) | 一种led灯芯缺陷检测方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
CN111299815B (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
CN103077512B (zh) | 基于主成分析的数字图像的特征提取与匹配方法 | |
CN106600600A (zh) | 基于特征匹配的晶圆缺陷检测方法 | |
CN103793712A (zh) | 一种基于边缘几何特征的图像识别方法及系统 | |
CN108428231A (zh) | 一种基于随机森林的多参数零件表面粗糙度学习方法 | |
CN107832801B (zh) | 一种细胞图像分类用模型构建方法 | |
CN104376334B (zh) | 一种多尺度特征融合的行人比对方法 | |
CN104268598A (zh) | 一种基于二维扫描激光的人腿检测方法 | |
US20210358160A1 (en) | Method and system for determining plant leaf surface roughness | |
CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、系统和电子设备 | |
Jiang | A review of the comparative studies on traditional and intelligent face recognition methods | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
CN108205645A (zh) | 一种异源图像匹配系统的基准图质量评价方法 | |
CN106529548A (zh) | 亚像素级的多尺度Harris角点检测算法 | |
CN109359604A (zh) | 面向巡检机器人的阴影干扰下仪表识别方法 | |
CN116149041A (zh) | 一种基于深度学习的裂像自动对焦方法 | |
CN105956581B (zh) | 一种快速的人脸特征点初始化方法 | |
CN110411380A (zh) | 基于小波包纹理分析的非接触式表面粗糙度测量方法 | |
CN114332172A (zh) | 一种基于协方差矩阵改进的激光点云配准方法 | |
CN114419140A (zh) | 一种轨道激光测量装置光斑中心的定位算法 | |
CN109583307A (zh) | 一种基于局部特征与词包模型的羊绒羊毛纤维识别方法 | |
CN112950562A (zh) | 一种基于线结构光的扣件检测算法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |