CN110689051A - 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 - Google Patents
一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 Download PDFInfo
- Publication number
- CN110689051A CN110689051A CN201910839626.4A CN201910839626A CN110689051A CN 110689051 A CN110689051 A CN 110689051A CN 201910839626 A CN201910839626 A CN 201910839626A CN 110689051 A CN110689051 A CN 110689051A
- Authority
- CN
- China
- Prior art keywords
- gas pipeline
- corrosion
- model
- mode
- data set
- 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
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,包括如下步骤:(1)采集和分类图像;(2)建立燃气管道内腐蚀图像数据集;(3)基于迁移学习建立的燃气管道内腐蚀模式辨识模型;(4)模型微调再训练。采用无损探测设备对燃气管道的内腐蚀缺陷进行探测,获得燃气管道内腐蚀的原始图像资料,根据内腐蚀缺陷的空间分布特征,将燃气管道内腐蚀划分为五种模式;为数据集的每张图像添加内腐蚀模式标签,将数据集按比例划分为训练集和测试集,基于迁移学习方法,利用已在大规模图像数据集预训练的图像分类模型,建立燃气管道内腐蚀模式的智能辨识方法,克服对主观经验的依赖,降低对数据集规模的要求,节省模型学习的时间和算力成本。
Description
技术领域
本发明涉及燃气管道腐蚀模式识别技术领域,尤其涉及一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法。
背景技术
目前,对燃气管道内腐蚀的空间分布模式认识不清,辨识任务主要依赖专家经验,导致正确率低、时间成本高等缺点。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,解决了现有燃气管道内腐蚀模式辨识主要依靠专家经验,导致成本高、时效长、正确率低的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,包括如下步骤:
(1)采集和分类图像:采用内窥视频设备对燃气管道内腐蚀进行探测,获得燃气管道内部影像数据,根据管道内腐蚀缺陷的空间分布特点,提炼出五种燃气管道内腐蚀模式;
(2)建立燃气管道内腐蚀图像数据集:以五种燃气管道内腐蚀模式为标签建立原始数据集,将原始数据集划分为训练集和测试集,然后对训练集进行数据增强处理,避免模型出现过拟合问题;
(3)基于迁移学习建立的燃气管道内腐蚀模式辨识模型:选择预训练模型,将模型主体结构和参数权重直接应用到新数据集,提取燃气管道内腐蚀图像的特征,修改模型线性分类层并进行训练,输出燃气管道内腐蚀模式分类结果,选择合理的评价指标对模型性能进行评价,验证模型的适用性,根据损失值最大的图像和混淆矩阵,分析影响内腐蚀模式辨识的最敏感因素和最容易辨识错误的图像类别;
(4)模型微调再训练:解冻模型的主体结构,通过控制学习率对整个模型进行微调再训练,降低模型损失值,提升模型分类性能。
优选的,在步骤(1)采集和分类图像中,五种基本的燃气管道内腐蚀模式包括局部纵向带状腐蚀模式、局部团状腐蚀模式、均匀环向带状腐蚀模式、均匀点状腐蚀模式和综合腐蚀模式,采用内窥视频设备或无损探测设备采集到燃气管道内腐蚀原始图像。
优选的,在步骤(2)中,对训练集图像进行增强处理,根据预训练模型特点裁剪原始图像尺寸,然后以一定的概率对图像进行随机水平翻转,在一定角度之间旋转,以一定的倍数随机放大随机改变图像亮度和对比度,及随机对称扭曲操作。
优选的,在步骤(3)中,选择基于ImageNet大规模数据集的预训练图像分类模型,采用“冻结”模型主体结构和参数权重的卷积层、池化层提取燃气管道内腐蚀图像的特征,将最终输出的特征图输入线性分类层预测内腐蚀模式类型。
优选的,在步骤(3)中,优化设计所述线性分类层的结构,包括平均池化层、全连接层,并进行归一化和随机失活处理,避免模型出现过拟合问题。
(三)有益效果
本发明提供了一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,具备有以下有益效果:本发明采用无损探测设备对燃气管道的内腐蚀缺陷进行探测,获得燃气管道内腐蚀的原始图像资料,根据内腐蚀缺陷的空间分布特征,将燃气管道内腐蚀划分为局部纵向带状腐蚀模式、局部团状腐蚀模式、均匀点状腐蚀模式、均匀环向带状腐蚀模式和综合腐蚀模式五种模式;为数据集的每张图像添加内腐蚀模式标签,制作带标签图像数据集,按比例随机调整图片亮度和对比度,随机水平翻转、旋转、对称扭曲及放大图像,增强图像数据集,避免模型过拟合;将数据集按比例划分为训练集和测试集,选择已训练的经典卷积神经网络模型作为预训练模型,利用预训练模型的卷积层和池化层提取图像特征,将结果输入全连接层,通过模型输出燃气管道内腐蚀类型。本发明基于迁移学习方法,利用已训练图像分类模型对燃气管道内腐蚀模式进行智能辨识,可以克服对主观经验的依赖,降低对数据集规模的要求,节省模型学习的时间和算力成本,相关成果可为燃气管道安全运行能力评估提供基础依据。
附图说明
图1为本发明的工作流程图;
图2为局部纵向带状腐蚀模式图;
图3为局部团状腐蚀模式图;
图4为均匀环向带状腐蚀模式图;
图5为均匀点状腐蚀模式图;
图6为综合腐蚀模式图
图7燃气管道内腐蚀模式智能辨识模型。
具体实施方式
下面将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。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1、2、3、4、5、6、7现提出下述实施例:
如图1所示的一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,包括如下步骤:
(1)采集和分类图像:采用内窥视频设备对燃气管道内腐蚀进行探测,获得燃气管道内部影像数据,根据管道内腐蚀缺陷的空间分布特点,提炼出五种燃气管道内腐蚀模式,首先随机选择7段管道进行探测并对7段管道进行编号,编号1、2和3的管道外径为160mm,壁厚为5mm,编号4和5的管道外径为108mm,壁厚为4mm,编号6和7的管道外径为60mm,壁厚为3mm。采用管道内腐蚀检测系统进行探测,共获得121张管道内腐蚀图像,图像分辨率为720×576,根据内腐蚀缺陷空间分布特点,将管道内腐蚀划分为局部纵向带状腐蚀模式、局部团状腐蚀模式、均匀点状腐蚀模式、均匀环向带状腐蚀模式和综合腐蚀模式五种基本模式,每种模式图像数量分别为36、15、42、17和11。其中,如图2所示的局部纵向带状腐蚀模式中,内腐蚀缺陷在管道纵向连续分布形成相对均匀的腐蚀条带;如图3所示的局部团状腐蚀模式在管壁呈随机块状分布的属于局部团状模式;如图4所示的均匀点状腐蚀模式中的内腐蚀缺陷尺寸极小、近似点状,近似均匀的分布于管道环向和纵向;如图5所示的均匀环向带状腐蚀模式中,内腐蚀缺陷沿管道圆周形成近似完整条带,且内腐蚀条带在管道纵向间隔分布;如图6所示的综合腐蚀模式中内腐蚀缺陷的空间分布随机性强,一般可分解为上述至少两种内腐蚀模式的组合。
(2)建立燃气管道内腐蚀图像数据集。基于fastai框架构建燃气管道内腐蚀模式辨识模型,该框架具有高度封装性和易用性。数据预处理工作包括:将121张原始图像按照五种内腐蚀模式分类并重命名,命名规则为“typem_n”,其中,m代表模式编号,1、2、3、4和5分别代表局部纵向带状模式、局部团状模式、均匀环向带状模式、均匀点状模式和综合模式,n代表m模式中图像的顺序编号。导入内腐蚀图像数据集,根据图像名称为每张内腐蚀图像自动添加标签并按比例将数据集随机划分为训练集和验证集,标签“type1”、“type2”、“type3”、“type4”和“type5”分别对应上述五种内腐蚀模式。然后对训练集图像进行增强处理,在图片中心裁剪出224×224的图像,并以0.5的概率随机水平翻转,以0.75的概率在-10与10度之间旋转,以0.75的概率在1与1.1倍之间随机放大,以0.75的概率随机改变亮度和对比度,以0.75的概率进行随机对称扭曲。
(3)基于迁移学习建立的燃气管道内腐蚀模式辨识模型。将预处理的图像数据集输入7所示的预训练模型,具体流程包括:选择基于ImageNet数据集的ResNet-34模型作为预训练模型,采用“冻结”模型主体结构和参数权重的卷积层、池化层提取燃气管道内腐蚀缺陷的分布特征。图像经过第一个卷积层、池化层之后,输出尺寸由224×224降采样为56×56,在每一个卷积模块的第一个卷积层将图像尺寸降采样为上一层输入尺寸的一半,进入线性分类层之前的图像尺寸为7×7。本发明模型的线性分类层包括1个平均池化层、2个全连接层,并在每一个全连接层之前进行归一化和随机失活处理,减少模型的过拟合问题,最后输出5种内腐蚀模式预测结果。为加速训练过程,采用随机梯度下降方法训练线性分类层参数,每个随机训练集包含8张图像,经过全数据集2次完整训练后,模型的预测准确率为91.7%。
(4)模型微调再训练。为了进一步提升模型性能,降低模型预测的错误率,将模型主体结构参数“解冻”,采用周期性学习率方法进行模型再训练,模型最终的预测准确率达95.8%,较之前提升了4.1% 。
在本实施例中,本发明采用无损探测设备对燃气管道的内腐蚀缺陷进行探测,获得燃气管道内腐蚀的原始图像资料,根据内腐蚀缺陷的空间分布特征,将燃气管道内腐蚀划分为局部纵向带状腐蚀模式、局部团状腐蚀模式、均匀点状腐蚀模式、均匀环向带状腐蚀模式和综合腐蚀模式五种模式;为数据集的每张图像添加内腐蚀模式标签,制作带标签图像数据集,按比例随机调整图片亮度和对比度,随机水平翻转、旋转、对称扭曲及放大图像,增强图像数据集,避免模型过拟合;将数据集按比例划分为训练集和测试集,选择已训练的经典卷积神经网络模型作为预训练模型,利用预训练模型的卷积层和池化层提取图像特征,将结果输入全连接层,通过模型输出燃气管道内腐蚀类型。本发明基于迁移学习方法,利用已训练图像分类模型对燃气管道内腐蚀模式进行智能辨识,可以克服对主观经验的依赖,降低对数据集规模的要求,节省模型学习的时间和算力成本,相关成果可为燃气管道安全运行能力评估提供基础依据。
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。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (5)
1.一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,其特征在于:包括如下步骤:
(1)采集和分类图像:采用内窥视频设备对燃气管道内腐蚀进行探测,获得燃气管道内部影像数据,根据管道内腐蚀缺陷的空间分布特点,提炼出五种燃气管道内腐蚀模式;
(2)建立燃气管道内腐蚀图像数据集:以五种燃气管道内腐蚀模式为标签建立原始数据集,将原始数据集划分为训练集和测试集,然后对训练集进行数据增强处理,避免模型出现过拟合问题;
(3)基于迁移学习建立的燃气管道内腐蚀模式辨识模型:选择预训练模型,将模型主体结构和参数权重直接应用到新数据集,提取燃气管道内腐蚀图像的特征,修改模型线性分类层并进行训练,输出燃气管道内腐蚀模式分类结果,选择合理的评价指标对模型性能进行评价,验证模型的适用性,根据损失值最大的图像和混淆矩阵,分析影响内腐蚀模式辨识的最敏感因素和最容易辨识错误的图像类别;
(4)模型微调再训练:解冻模型的主体结构,通过控制学习率对整个模型进行微调再训练,降低模型损失值,提升模型分类性能。
2.根据权利要求1所述的一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,其特征在于:在步骤(1)采集和分类图像中,五种基本的燃气管道内腐蚀模式包括局部纵向带状腐蚀模式、局部团状腐蚀模式、均匀环向带状腐蚀模式、均匀点状腐蚀模式和综合腐蚀模式,采用内窥视频设备或无损探测设备采集到燃气管道内腐蚀原始图像。
3.根据权利要求1所述的一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,其特征在于:在步骤(2)中,对训练集图像进行增强处理,根据预训练模型特点裁剪原始图像尺寸,然后以一定的概率对图像进行随机水平翻转,在一定角度之间旋转,以一定的倍数随机放大随机改变图像亮度和对比度,及随机对称扭曲操作。
4.根据权利要求1所述的一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,其特征在于:在步骤(3)中,选择基于ImageNet大规模数据集的预训练图像分类模型,采用“冻结”模型主体结构和参数权重的卷积层、池化层提取燃气管道内腐蚀图像的特征,将最终输出的特征图输入线性分类层预测内腐蚀模式类型。
5.根据权利要求1所述的一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法,其特征在于:在步骤(3)中,优化设计所述线性分类层的结构,包括平均池化层、全连接层,并进行归一化和随机失活处理,避免模型出现过拟合问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839626.4A CN110689051A (zh) | 2019-09-06 | 2019-09-06 | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910839626.4A CN110689051A (zh) | 2019-09-06 | 2019-09-06 | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110689051A true CN110689051A (zh) | 2020-01-14 |
Family
ID=69107868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910839626.4A Pending CN110689051A (zh) | 2019-09-06 | 2019-09-06 | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110689051A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN111862093A (zh) * | 2020-08-06 | 2020-10-30 | 华中科技大学 | 一种基于图像识别的腐蚀等级信息处理方法及系统 |
CN112270385A (zh) * | 2020-11-27 | 2021-01-26 | 东北林业大学 | 基于卷积神经网络的竹片图像分类方法 |
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、系统及存储介质 |
CN113761211A (zh) * | 2020-06-01 | 2021-12-07 | 中国石油化工股份有限公司 | 基于知识图谱的管道内腐蚀预测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300605A1 (en) * | 2016-04-19 | 2017-10-19 | General Electric Company | Creating predictive damage models by transductive transfer learning |
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
-
2019
- 2019-09-06 CN CN201910839626.4A patent/CN110689051A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170300605A1 (en) * | 2016-04-19 | 2017-10-19 | General Electric Company | Creating predictive damage models by transductive transfer learning |
CN109034045A (zh) * | 2018-07-20 | 2018-12-18 | 中南大学 | 一种基于卷积神经网络的白细胞自动识别方法 |
CN109559298A (zh) * | 2018-11-14 | 2019-04-02 | 电子科技大学中山学院 | 一种基于深度学习的乳液泵缺陷检测的方法 |
CN109800824A (zh) * | 2019-02-25 | 2019-05-24 | 中国矿业大学(北京) | 一种基于计算机视觉与机器学习的管道缺陷识别方法 |
Non-Patent Citations (5)
Title |
---|
JIAN SUN ET AL.: "Joint distribution adaptation-based transfer learning for status classification of blast furnace gas pipeline network", 《2017 11TH ASIAN CONTROL CONFERENCE (ASCC)》 * |
周自强 等: "基于迁移学习卷积神经网络的电缆隧道锈蚀识别算法", 《中国电力》 * |
户莹: "基于深度学习的地下排水管道缺陷智能检测技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》 * |
罗俊丽 等: "基于卷积神经网络和迁移学习的色织物疵点检测", 《上海纺织科技》 * |
陈绪 等: "基于迁移学习的零件识别方法研究", 《制造业自动化》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113761211A (zh) * | 2020-06-01 | 2021-12-07 | 中国石油化工股份有限公司 | 基于知识图谱的管道内腐蚀预测方法及装置 |
CN111783945A (zh) * | 2020-06-22 | 2020-10-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN111783945B (zh) * | 2020-06-22 | 2022-08-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
CN111862093A (zh) * | 2020-08-06 | 2020-10-30 | 华中科技大学 | 一种基于图像识别的腐蚀等级信息处理方法及系统 |
CN112270385A (zh) * | 2020-11-27 | 2021-01-26 | 东北林业大学 | 基于卷积神经网络的竹片图像分类方法 |
CN112765389A (zh) * | 2021-02-04 | 2021-05-07 | 中国石油天然气集团有限公司 | 一种油气输送管道高后果区识别方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689051A (zh) | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 | |
Tian et al. | Smog prediction based on the deep belief-BP neural network model (DBN-BP) | |
Hou et al. | Deep features based on a DCNN model for classifying imbalanced weld flaw types | |
Li et al. | Automatic pixel‐level multiple damage detection of concrete structure using fully convolutional network | |
CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
Zalama et al. | Road crack detection using visual features extracted by Gabor filters | |
CN111914090B (zh) | 一种企业行业分类识别及其特征污染物识别的方法及装置 | |
CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
JP2019035626A (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
Chuang et al. | Leak detection in water distribution pipes based on CNN with mel frequency cepstral coefficients | |
CN110263934B (zh) | 一种人工智能数据标注方法和装置 | |
CN110826588A (zh) | 一种基于注意力机制的排水管道缺陷检测方法 | |
WO2021104125A1 (zh) | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 | |
CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
CN112508901B (zh) | 一种水下结构病害识别方法、系统、装置及存储介质 | |
CN111664365A (zh) | 基于改进vmd和1dcnn的油气管道泄漏检测方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
CN114462469B (zh) | 目标检测模型的训练方法、目标检测方法及相关装置 | |
CN110852318A (zh) | 一种排水管道缺陷精准定位方法及系统 | |
CN112765389A (zh) | 一种油气输送管道高后果区识别方法、系统及存储介质 | |
CN116051496A (zh) | 一种实时下水道缺陷检测方法 | |
Lee et al. | Accelerating multi-class defect detection of building façades using knowledge distillation of DCNN-based model | |
CN113963212A (zh) | 基于Inception-Resnet神经网络的管道病害图像分类方法及装置 |
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: 20200114 |
|
RJ01 | Rejection of invention patent application after publication |