CN110543854A - 一种基于图像处理的岩土结构检测方法 - Google Patents
一种基于图像处理的岩土结构检测方法 Download PDFInfo
- Publication number
- CN110543854A CN110543854A CN201910836122.7A CN201910836122A CN110543854A CN 110543854 A CN110543854 A CN 110543854A CN 201910836122 A CN201910836122 A CN 201910836122A CN 110543854 A CN110543854 A CN 110543854A
- Authority
- CN
- China
- Prior art keywords
- rock
- soil
- image
- geotechnical
- image block
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像处理的岩土结构检测方法,包括步骤:实时获取视频帧岩土图像,将视频帧岩土图像分为n*n个图像块,计算视频帧岩土图像块微观纹理特征值组成数据集Yi k;像素k对应的时间序列的第i个时间点上的数据集Yi k是预测参数的线性组合,对参数βk进行求解分析,得到关于参数βk的图像,通过对参数βk的图像、参数误差数据的变化判断岩土结构变化。本发明提供一种基于图像处理的岩土结构检测方法,通过连续对多帧图像块微观纹理特征值(陡度、墒等参数)进行统计并进行维度转换,进而确定岩土结构变化,显著地提高了岩土结构的检测效率,且在准确率方面大大增强。
Description
技术领域
本发明涉及计算机视觉技术领域,具体地涉及一种基于图像处理的岩土结构检测方法。
背景技术
目前,自然界中的各种岩土体在形成过程中内部各组分在空间分布上存在差异,又经受各种内、外动力作用及人类工程活动的后期改造作用,使得它们在微观、细观乃至宏观尺度上的表现是明显不相同的,可呈现复杂的非线性特征;岩土材料的工程特性在很大程度上受到其内部微结构的系统状态及其整体行为的控制,复杂的物理力学性质是其微结构特性的集中体现。岩土检测能够对工程地质、岩土结构进行有效监测,通过监测数据确定该工程建设的可行性,有助于提前针对施工中可能出现的问题做好应急预警机制,规避风险,促进工程的顺利开展及工作效率的提高,因此,对岩土材料微结构的研究十分必要。
岩土微结构研究的发展水平与观测技术密切相关,要揭示岩土材料工程特性与微结构的内在联系,必须不断更新微结构的表征变化特点。目前,绝大多数方法都不能根据连续观测岩土材料在荷载作用下微结构的变化,无法得到颗粒和孔隙的实际变形和深度信息,因而难以在微结构真实演变的基础上建立土体3D模型进行有效分析;且现有的岩土结构变化都是基于图像的简单计算,没有进行多个特征联合分析的方式方法。
发明内容
为解决上述技术问题,本发明提供一种基于图像处理的岩土结构检测方法,通过连续对多帧图像块微观纹理特征值(陡度、墒等参数)进行统计并进行维度转换,进而确定岩土结构变化,显著地提高了岩土结构的检测效率,且在准确率方面大大增强。
本发明的技术方案是这样实现的:一种基于图像处理的岩土结构检测方法,包括步骤:实时获取视频帧岩土图像,将视频帧岩土图像分为n*n个图像块,计算岩土图像块微观纹理特征值组成数据集像素k对应的时间序列的第i个时间点上的数据集是预测参数的线性组合:
式中,m是预测参数的个数,n为采集的时间点的个数;xij是与岩土位置或采集岩土时间相关、但与具体岩土图像无关的已知参数,组成矩阵X;为岩土像素k在第i个时间点上的误差,误差相互独立且服从均值为0,标准方差为σk的正态分布数据矩阵表达式为:
Yk=Xβk+εk
其中,岩土数据Yk是数据集组成的列向量,βk是岩土预测参数组成的列向量,εk是误差项组成的列向量,对岩土数据Yk的分析即是对参数βk进行求解分析,得到关于参数βk的图像,采取最小二乘法对参数的预测值求解:βk=(XTX)-1XTYk;而参数误差数据为:其中是岩土数据Yk的方差,其值为:
其中,p是矩阵X的秩,x是残差;通过对参数βk的图像、参数误差数据的变化判断岩土结构变化。
优选地,所述陡度计算方式为:对每个视频帧岩土图像块进行灰度化处理,提取每个图像块中灰度值最低以及灰度值最高的像素点,分别为T1、T2;陡度为L=(T2-T1)/d;其中,d为图像块中灰度值最低与灰度值最高的像素点的间隔像素数。
优选地,所述计算岩土图像块中每个像素k的陡度之前还包括步骤先将视频帧从rgb颜色空间转换到lab颜色空间,再对视频帧进行超像素分割,将一个视频帧表示成一组超像素块。
优选地,所述对每个视频帧岩土图像块进行灰度化处理在预处理步骤包括采用最大值方法对岩土图像进行灰度化,将彩色图像中的三分量亮度的最大值作为灰度图的灰度值:
f(i,j)=max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的岩土灰度图像在(i,j)处的灰度值。
优选地,所述岩土图像块的微观纹理特征值包括:岩土图像块中每个像素k的陡度、R、G、B、H、S、V,其分别代表RGB图像的红色、绿色、蓝色,HSV图像的色调、饱和度、明度。
优选地,所述岩土图像块的微观纹理特征值还包括:岩土图像块直方图、岩土图像块均值、岩土图像块方差、岩土图像块偏度、岩土图像块峰度、岩土图像块能量、岩土图像块墒中的一个或多个;
岩土图像块直方图为:
M为象素总数,N(l)为灰度值为l的象素数,l=1,2,…L-1为图像的灰度级;
岩土图像块均值:
岩土图像块方差:
岩土图像块偏度:
岩土图像块峰度:
岩土图像块能量:
岩土图像块墒:
与现有技术相比,本发明的技术方案具有以下有益效果:解决了传统技术中绝大多数方法都不能根据连续观测岩土材料在荷载作用下微结构的变化,无法得到颗粒和孔隙的实际变形和深度信息,因而难以在微结构真实演变的基础上建立土体3D模型进行有效分析;且现有的岩土结构变化都是基于图像的简单计算,没有进行多个特征联合分析的方式方法;本发明通过连续对多帧图像块微观纹理特征值(陡度、墒等参数)进行统计并进行维度转换,进而确定岩土结构变化,显著地提高了岩土结构的检测效率,且在准确率方面大大增强。
附图说明
图1是本发明一种基于图像处理的岩土结构检测方法系统流程图。
具体实施方式
本领域技术人员理解,如背景技术所言,传统技术中绝大多数方法都不能根据连续观测岩土材料在荷载作用下微结构的变化,无法得到颗粒和孔隙的实际变形和深度信息,因而难以在微结构真实演变的基础上建立土体3D模型进行有效分析;且现有的岩土结构变化都是基于图像的简单计算,没有进行多个特征联合分析的方式方法;本发明通过连续对多帧图像块微观纹理特征值(陡度、墒等参数)进行统计并进行维度转换,进而确定岩土结构变化,显著地提高了岩土结构的检测效率,且在准确率方面大大增强。为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
实施例1:
岩土的微观物理结构受环境的影响很大,例如早晨、中午岩土的微观结构数据差异很大,而微观结构中某些特殊参量不受环境限制,例如陡度。
图1示出了本申请的一种基于图像处理的岩土结构检测方法系统流程图,在一些实施例中,例如岩土视频帧图像获取过程中,通常视频背景亮度随着天气、时间等因素受较大影响,因此会针对特定季节,特定时间段进行获取;或者采用特定曝光度亮度调节的图像,具体实施中,一种基于图像处理的岩土结构检测方法,包括步骤:实时获取视频帧岩土图像,将视频帧岩土图像分为n*n个图像块,计算岩土图像块微观纹理特征值组成数据集像素k对应的时间序列的第i个时间点上的数据集是预测参数的线性组合:
式中m是预测参数的个数,n为采集的时间点的个数;xij是与岩土位置或采集岩土时间相关、但与具体岩土图像无关的已知参数,组成矩阵X;为岩土像素k在第i个时间点上的误差,误差相互独立且服从均值为0,标准方差为σk的正态分布数据矩阵表达式为:
Yk=Xβk+εk
其中,岩土数据Yk是数据集组成的列向量,βk是岩土预测参数组成的列向量,εk是误差项组成的列向量,对岩土数据Yk的分析即是对参数βk进行求解分析,得到关于参数βk的图像,采取最小二乘法对参数的预测值求解:βk=(XTX)-1XTYk;而参数误差数据为:其中是岩土数据Yk的方差,其值为:
其中,p是矩阵X的秩,x是残差;通过对参数βk的图像、参数误差数据的变化判断岩土结构变化。
在一些实施例中,所述陡度计算方式为:对每个视频帧岩土图像块进行灰度化处理,提取每个图像块中灰度值最低以及灰度值最高的像素点,分别为T1、T2;陡度为L=(T2-T1)/d;其中,d为图像块中灰度值最低与灰度值最高的像素点的间隔像素数。
在一些实施例中,所述计算岩土图像块中每个像素k的陡度之前还包括步骤先将视频帧从rgb颜色空间转换到lab颜色空间,再对视频帧进行超像素分割,将一个视频帧表示成一组超像素块。
在一些实施例中,所述对每个视频帧岩土图像块进行灰度化处理在预处理步骤包括采用最大值方法对岩土图像进行灰度化,将彩色图像中的三分量亮度的最大值作为灰度图的灰度值:
f(i,j)=max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的岩土灰度图像在(i,j)处的灰度值。
在一些实施例中,所述对每个视频帧岩土图像块进行灰度化处理在预处理步骤之前还包括,所述对获取的岩土图像进行均值滤波;
实施例二:
在一些实施例中,考虑到视频帧的雨水等天气情况的影响,通过其它类型的微特征进行表示。
在具体实施过程中,对岩土结构的检测方法,在实时获取视频帧岩土图像前,对视频帧图像进行清晰度检测,选择清晰度较高的岩土视频帧序列作为分析对象,将视频帧岩土图像分为n*n个图像块,计算岩土图像块微观纹理特征值组成数据集像素k对应的时间序列的第i个时间点上的数据集是预测参数的线性组合:
式中,m是预测参数的个数,n为采集的时间点的个数;xij是与岩土位置或采集岩土时间相关、但与具体岩土图像无关的已知参数,组成矩阵X;为岩土像素k在第i个时间点上的误差,误差相互独立且服从均值为0,标准方差为σk的正态分布数据矩阵表达式为:
Yk=Xβk+εk
其中,岩土数据Yk是数据集组成的列向量,βk是岩土预测参数组成的列向量,εk是误差项组成的列向量,对岩土数据Yk的分析即是对参数βk进行求解分析,得到关于参数βk的图像,采取最小二乘法对参数的预测值求解:βk=(XTX)-1XTYk;而参数误差数据为:其中是岩土数据Yk的方差,其值为:
其中,p是矩阵X的秩,x是残差;通过对参数βk的图像、参数误差数据的变化判断岩土结构变化。
在一些实施例中,所述岩土图像块的微观纹理特征值包括:岩土图像块中每个像素k的陡度、R、G、B、H、S、V,其分别代表RGB图像的红色、绿色、蓝色,HSV图像的色调、饱和度、明度。
在一些实施例中,所述岩土图像块的微观纹理特征值还包括:岩土图像块直方图、岩土图像块均值、岩土图像块方差、岩土图像块偏度、岩土图像块峰度、岩土图像块能量、岩土图像块墒中的一个或多个;
岩土图像块直方图为:
M为象素总数,N(l)为灰度值为l的象素数,l=1,2,…L-1为图像的灰度级;
岩土图像块均值:
岩土图像块方差:
岩土图像块偏度:
岩土图像块峰度:
岩土图像块能量:
岩土图像块墒:
本发明的解决了传统技术中绝大多数方法都不能根据连续观测岩土材料在荷载作用下微结构的变化,无法得到颗粒和孔隙的实际变形和深度信息,因而难以在微结构真实演变的基础上建立土体3D模型进行有效分析;且现有的岩土结构变化都是基于图像的简单计算,没有进行多个特征联合分析的方式方法;本发明通过连续对多帧图像块微观纹理特征值(陡度、墒等参数)进行统计并进行维度转换,进而确定岩土结构变化,显著地提高了岩土结构的检测效率,且在准确率方面大大增强。
本领域技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品,因此本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (6)
1.一种基于图像处理的岩土结构检测方法,其特征在于,包括步骤:实时获取视频帧岩土图像,将视频帧岩土图像分为n*n个图像块,计算视频帧岩土图像块微观纹理特征值组成数据集Yi k;像素k对应的时间序列的第i个时间点上的数据集Yi k是预测参数的线性组合:
式中,m是预测参数的个数,n为采集的时间点的个数;xij是与岩土位置或采集岩土时间相关、但与具体岩土图像无关的已知参数,组成矩阵X;为岩土像素k在第i个时间点上的误差,误差相互独立且服从均值为0,标准方差为σk的正态分布数据矩阵表达式为:
Yk=Xβk+εk
其中,岩土数据Yk是数据集Yi k组成的列向量,βk是岩土预测参数组成的列向量,εk是误差项组成的列向量,对岩土数据Yk的分析即是对参数βk进行求解分析,得到关于参数βk的图像,采取最小二乘法对参数的预测值求解:βk=(XTX)-1XTYk;而参数误差数据为:其中是岩土数据Yk的方差,其值为:
其中,p是矩阵X的秩,x是残差;通过对参数βk的图像、参数误差数据的变化判断岩土结构变化,即βk为岩土图像的另一种表示参数误差越大,则岩土图像结构变异程度越大,即风化程度越高。
2.根据权利要求1所述的一种基于图像处理的岩土结构检测方法,其特征在于,所述计算视频帧岩土图像块微观纹理特征值包括陡度,所述陡度计算方式为:对每个视频帧岩土图像块进行灰度化处理,提取每个图像块中灰度值最低以及灰度值最高的像素点,分别为T1、T2;陡度为L=(T2-T1)/d;其中,d为图像块中灰度值最低与灰度值最高的像素点的间隔像素数。
3.根据权利要求1所述的一种基于图像处理的岩土结构检测方法,其特征在于,所述计算岩土图像块中每个像素k的陡度之前还包括步骤先将视频帧从rgb颜色空间转换到lab颜色空间,再对视频帧进行超像素分割,将一个视频帧表示成一组超像素块。
4.根据权利要求2所述的一种基于图像处理的岩土结构检测方法,其特征在于,所述对每个视频帧岩土图像块进行灰度化处理步骤包括采用最大值方法对岩土图像进行灰度化,将彩色图像中的三分量亮度的最大值作为灰度图的灰度值:
f(i,j)=max(R(i,j),G(i,j),B(i,j))
其中f(i,j)为转换后的岩土灰度图像在第i个时间点第j个特征参数的灰度值。
5.根据权利要求1所述的一种基于图像处理的岩土结构检测方法,其特征在于,所述岩土图像块的微观纹理特征值包括:岩土图像块中每个像素k的陡度、R、G、B、H、S、V。
6.根据权利要求1所述的一种基于图像处理的岩土结构检测方法,其特征在于,所述岩土图像块的微观纹理特征值还包括:岩土图像块直方图、岩土图像块均值、岩土图像块方差、岩土图像块偏度、岩土图像块峰度、岩土图像块能量、岩土图像块墒中的一个或多个;
岩土图像块直方图为:
M为象素总数,N(l)为灰度值为l的象素数,l=1,2,…L-1为图像的灰度级;
岩土图像块均值:
岩土图像块方差:
岩土图像块偏度:
岩土图像块峰度:
岩土图像块能量:
岩土图像块墒:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836122.7A CN110543854B (zh) | 2019-09-05 | 2019-09-05 | 一种基于图像处理的岩土结构检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836122.7A CN110543854B (zh) | 2019-09-05 | 2019-09-05 | 一种基于图像处理的岩土结构检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110543854A true CN110543854A (zh) | 2019-12-06 |
CN110543854B CN110543854B (zh) | 2020-05-26 |
Family
ID=68712616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836122.7A Active CN110543854B (zh) | 2019-09-05 | 2019-09-05 | 一种基于图像处理的岩土结构检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543854B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724380A (zh) * | 2020-06-24 | 2020-09-29 | 广东水电二局股份有限公司 | 一种基于elo算法的岩土结构质量评测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639434A (zh) * | 2009-08-27 | 2010-02-03 | 太原理工大学 | 基于显微图像分析固体材料孔隙结构的方法 |
CN103886613A (zh) * | 2014-04-10 | 2014-06-25 | 内蒙古科技大学 | 一种岩石结构面形貌各向异性评价方法 |
CN108241180A (zh) * | 2018-01-19 | 2018-07-03 | 五矿勘查开发有限公司 | 离子型稀土矿底板勘查方法 |
CN109342230A (zh) * | 2018-08-27 | 2019-02-15 | 青岛理工大学 | 基于渗透压力模拟的岩体抗剪强度测试装置及其方法 |
-
2019
- 2019-09-05 CN CN201910836122.7A patent/CN110543854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101639434A (zh) * | 2009-08-27 | 2010-02-03 | 太原理工大学 | 基于显微图像分析固体材料孔隙结构的方法 |
CN103886613A (zh) * | 2014-04-10 | 2014-06-25 | 内蒙古科技大学 | 一种岩石结构面形貌各向异性评价方法 |
CN108241180A (zh) * | 2018-01-19 | 2018-07-03 | 五矿勘查开发有限公司 | 离子型稀土矿底板勘查方法 |
CN109342230A (zh) * | 2018-08-27 | 2019-02-15 | 青岛理工大学 | 基于渗透压力模拟的岩体抗剪强度测试装置及其方法 |
Non-Patent Citations (5)
Title |
---|
KAIXIN_PIPI: "线性回归系数方差的计算", 《HTTPS://WWW.JIANSHU.COM/P/4E9438AF5E97》 * |
SHENG-HUA YIN 等: "Texture features analysis on micro-structure of paste backfill based on image analysis technology", 《JOURNAL OF CENTRAL SOUTH UNIVERSITY》 * |
张晓峒: "《计量经济学基础》", 31 January 2001, 南开大学出版社 * |
徐金明 等: "粉质黏土图像的纹理特征分析", 《岩土力学》 * |
翟文信 等: "粉质粘土图像纹理参数的多元线性回归分析及其工程应用", 《水文工程地质》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724380A (zh) * | 2020-06-24 | 2020-09-29 | 广东水电二局股份有限公司 | 一种基于elo算法的岩土结构质量评测方法 |
CN111724380B (zh) * | 2020-06-24 | 2021-03-12 | 广东水电二局股份有限公司 | 一种基于elo算法的岩土结构质量评测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110543854B (zh) | 2020-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111932457B (zh) | 遥感影像高时空融合处理算法及装置 | |
CN107680116A (zh) | 一种监测视频图像中运动目标的方法 | |
CN112396635B (zh) | 一种基于多设备的复杂环境下多目标检测方法 | |
CN112465752A (zh) | 一种基于改进的Faster R-CNN小目标检测方法 | |
CN115858940B (zh) | 一种基于大数据处理的钢结构焊接工艺质量管理推荐方法 | |
CN102881002A (zh) | 基于运动信息和矩阵填充的视频背景恢复方法 | |
CN115690693B (zh) | 一种建筑吊篮的智能监控系统及监控方法 | |
CN110543854B (zh) | 一种基于图像处理的岩土结构检测方法 | |
Saravanakumar et al. | Plant syndrome recognition by Gigapixel Image using convolutional neural network | |
CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
CN109389170B (zh) | 一种基于3d卷积神经网络的渐变型工况预警方法 | |
CN117173175B (zh) | 一种基于超像素的图像相似度检测方法 | |
CN116485885A (zh) | 基于深度学习去除视觉slam前端动态特征点的方法 | |
CN115272224A (zh) | 一种面向智慧城市建设的无监督路面损害检测方法 | |
CN113671599A (zh) | 一种基于全球气候模式的登陆气旋识别方法 | |
CN110610508B (zh) | 一种静态视频分析方法及系统 | |
CN104751461A (zh) | 一种基于直方图阈值及低秩表示的白细胞细胞核分割方法 | |
CN117292272A (zh) | 结合高分遥感影像和开源dem识别大范围耕作措施的方法 | |
CN111950519A (zh) | 基于检测与密度估计的双列卷积神经网络人群计数方法 | |
CN111899278A (zh) | 基于移动端的无人机图像快速目标跟踪方法 | |
CN111047654A (zh) | 一种基于色彩信息的高清高速视频背景建模方法 | |
CN116309213A (zh) | 一种基于生成对抗网络的高实时多源图像融合方法 | |
CN114863273A (zh) | 一种农作物季节早期多源遥感产量数据处理方法及预测方法 | |
CN112528943A (zh) | 基于熵调制slic的sar图像海洋目标检测方法 | |
CN109670514B (zh) | 数字岩心的孔隙与骨架识别方法和装置、设备、存储介质 |
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 |