CN111260617A - 一种基于深度学习的太阳能电池板缺陷检测方法 - Google Patents
一种基于深度学习的太阳能电池板缺陷检测方法 Download PDFInfo
- Publication number
- CN111260617A CN111260617A CN202010034120.9A CN202010034120A CN111260617A CN 111260617 A CN111260617 A CN 111260617A CN 202010034120 A CN202010034120 A CN 202010034120A CN 111260617 A CN111260617 A CN 111260617A
- Authority
- CN
- China
- Prior art keywords
- image
- deep learning
- detection method
- defect detection
- channel
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 230000002950 deficient Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000926 separation method Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims abstract description 3
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 229910021421 monocrystalline silicon Inorganic materials 0.000 claims description 3
- 229910021420 polycrystalline silicon Inorganic materials 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003034 coal gas Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 239000002910 solid waste Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- 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
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于深度学习的太阳能电池板缺陷检测方法，所述方法至少包括以下步骤：S101，获取近红外相机采集的彩色图像；S102，对所述彩色图像进行RGB颜色空间分离，获取一通道图像；S103，采用高斯滤波对所述分离的所述彩色图像的通道图像其进行预处理；S104，对步骤S103中处理后的图像进行ROI区域划分，分离前景区域图像，以减少对图像处理所产生的影响；S105，对图像进行分割，分离背景中的缺陷特征区域；S106，根据太阳能电池板的缺陷的特征提取太阳能电池板有缺陷的区域；S107，使用训练好的缺陷数据集进行预测，来对提取的缺陷进行分类。
Description
技术领域
本发明专利涉及太阳能电池板表面的缺陷检测领域，具体涉及一种基于深度学习的太阳能电池板缺陷检测方法。
背景技术
太阳能作为一种清洁能源，是将太阳的光能转换成为其他形式的热能、电能，能源转换过程中不产生其他有害的气体或固体废料，是一种环保、安全、无污染的新型能源。目前，以煤，石油，天然气为代表的传统能源已日渐枯竭，所以大力发展新型能源产业是当今世界发展的必然趋势。随着全球光伏电池产业的迅猛发展，国内的太阳能电池产业规模也在不断扩大，有效的检测太阳能电池板的缺陷对光电转换效率起到了至关重要的作用，对于如何能够及时有效的在工业生产中检测出太阳能电池表面的缺陷，提升组件的使用效率和产品质量，以成为太阳能电池产业发展的一个关键所在。太阳能电池板表面断栅的缺陷会对产品质量造成一定影响，如果未能及时检出，会导致太阳能电池板的使用安全问题。
目前太阳能电池板表面的缺陷检测主要通过给电池片通正向偏置电压，使其发光，然后触发相机捕获图像，通过人工目检方式进行缺陷检测。由于检测人员主观判断标准不一，容易发生误检、漏检等问题，同时人工检测效率较低，不能满足生产线的快速检测要求。
发明内容
针对现有技术中的缺陷，本申请实施例提供了一种基于深度学习的太阳能电池板缺陷检测方法。所述技术方案如下：
S101，采用图像采集设备获取被测样品的彩色图像；
S102，对所述彩色图像进行RGB颜色空间分离，获取一通道图像；
S103，采用高斯滤波对所述分离的所述彩色图像的通道图像其进行预处理：
S104，对步骤S103中处理后的图像进行ROI区域划分，分离前景区域图像，以减少对图像处理所产生的影响；
S105，对图像进行分割，分离背景中的缺陷特征区域；
S106，根据太阳能电池板的缺陷的特征提取太阳能电池板有缺陷的区域；
S107，使用训练好的缺陷数据集进行预测，来对提取的缺陷进行分类。
可选地，所述步骤S105之后，还包括：增强图像的对比度，凸显图像的表面特征，增加图像缺陷特征的锐化程度。
可选地，前期准备有缺陷的训练样本，对卷积神经网络进行训练。
可选地，所述通道图像为R通道、G通道以及B通道中任一通道图像。
可选地，所述通道图像为R通道、G通道以及B通道中任意几种通道图像的叠加。
可选地，所检测的太阳能电池板的类型为单晶硅和多晶硅，栅线的类型为二至五。
可选地，所述被测样品的尺寸为：156mm*156mm，6.75mm*156.75mm.160mm*160mm。
可选地，太阳能电池板中细栅线方向有条状的黑线、色线条或区域大小不均、灰色不计入断栅。
可选地，检测操作在暗室中进行。
可选地，所述图像采集设备为分辨率不低于120w的彩色相机。
本申请实施例提供的技术方案带来的有益效果至少包括：
本发明提供的基于深度学习的太阳能电池板缺陷检测分类装置，通过机器视觉，根据捕获太阳能电池板表面有缺陷的图像，提取太阳能电池板表面的缺陷特征，使用预先训练好的缺陷样本来对提取的表面缺陷进行分类。实现自动化设备检测和缺陷分类，提高检测质量的同时，也有效提高了检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于深度学习的太阳能电池板缺陷检测方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1给出了一种基于深度学习的太阳能电池板缺陷检测分类装置的软件流程处理示意图。本发明提供的检测方法包括以下步骤：
首先获取近红外相机采集的彩色图像。
对获取的图像进行RGB颜色空间分离，并对提取的R通道图像进行处理。
对处理后的图像，进行ROI区域划分，把前景区域从背景中分离出来，减少干扰部分对图像处理所产生的影响。
对ROI区域划分后的图像，需要增强图像的对比度，来凸显图像的表面特征，使其比原始图像的缺陷特征更加锐化。
对增强后的图像，需要对图像进行图像分割，把缺陷的特征区域从背景中分离出来。
对分割后的图像，根据太阳能电池板的缺陷的特征，来提取太阳能电池板有缺陷的区域。
对提取的有缺陷区域样本图片，使用训练好的缺陷数据集进行预测，来对提取的缺陷进行分类。
在一个可能的实现方式中，前期需要准备大量有缺陷的样本，例如断栅，隐裂等缺陷需要准备足够的样本，使用卷积神经网络进行训练。
在一个可能的实现方式中，所涉及的颜色空间分离，提取的R通道图像对太阳能电池板表面缺陷效果最好，对如隐裂，断栅等缺陷的特征明显。
具体的，基于深度学习的太阳能电池板缺陷检测分类装置。所检测的太阳能电池板的类型为单晶和多晶硅，栅线的类型为二至五，也可以根据客户的要求来实际定制。
在一个可能的实现方式中，样品的尺寸可以为156mm*156mm，156.75mm*156.75mm，160mm*160mm三种类型。
在一个可能的实现方式中，太阳能电池板细栅线方向有条状的黑线，色线条或区域大小不均，并且灰色不计入断栅。
待检测的太阳能电池板是在暗室中，通正向偏置电压，使其发光，然后使用低噪声高速高效近红外相机进行捕获图像，相机的分辨率为140w彩色相机。在密闭的环境中进行检测可以减少外界不必要的因素对太阳能电池板的检测。
本发明提供的基于深度学习的太阳能电池板缺陷检测分类装置，通过机器视觉，根据捕获太阳能电池板表面有缺陷的图像，提取太阳能电池板表面的缺陷特征，使用预先训练好的缺陷样本来对提取的表面缺陷进行分类。实现自动化设备检测和缺陷分类，提高检测质量的同时，也有效提高了检测效率。
本文中应用了具体个例对发明构思进行了详细阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离该发明构思的前提下，所做的任何显而易见的修改、等同替换或其他改进，均应包含在本发明的保护范围之内。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性地，本申请的真正范围和精神由上述的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
应当理解的是，在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述方法至少包括以下步骤：
S101，采用图像采集设备获取被测样品的彩色图像；
S102，对所述彩色图像进行RGB颜色空间分离，获取一通道图像；
S103，采用高斯滤波对所述分离的所述彩色图像的通道图像其进行预处理；
S104，对步骤S103中处理后的图像进行ROI区域划分，分离前景区域图像，以减少对图像处理所产生的影响；
S105，对图像进行分割，分离背景中的缺陷特征区域；
S106，根据太阳能电池板的缺陷的特征提取太阳能电池板有缺陷的区域；
S107，使用训练好的缺陷数据集进行预测，来对提取的缺陷进行分类。
2.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述步骤S105之后，还包括：增强图像的对比度，凸显图像的表面特征，增加图像缺陷特征的锐化程度。
3.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，前期准备有缺陷的训练样本，对卷积神经网络进行训练。
4.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述通道图像为R通道、G通道以及B通道中任一通道图像。
5.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述通道图像为R通道、G通道以及B通道中任意几种通道图像的叠加。
6.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所检测的太阳能电池板的类型为单晶硅和多晶硅，栅线的类型为二至五。
7.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述被测样品的尺寸为：
156mm*156mm，6.75mm*156.75mm，160mm*160mm。
8.根据权利要求1所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，太阳能电池板中细栅线方向有条状的黑线、色线条或区域大小不均、灰色不计入断栅。
9.根据权利要求1至7中任一所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，检测操作在暗室中进行。
10.根据权利要求9所述的基于深度学习的太阳能电池板缺陷检测方法，其特征在于，所述图像采集设备为分辨率不低于120w的彩色相机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010034120.9A CN111260617A (zh) | 2020-01-11 | 2020-01-11 | 一种基于深度学习的太阳能电池板缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010034120.9A CN111260617A (zh) | 2020-01-11 | 2020-01-11 | 一种基于深度学习的太阳能电池板缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111260617A true CN111260617A (zh) | 2020-06-09 |
Family
ID=70946948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010034120.9A Pending CN111260617A (zh) | 2020-01-11 | 2020-01-11 | 一种基于深度学习的太阳能电池板缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111260617A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709933A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种令纸缺陷分割分类的检测方法 |
| CN112326671A (zh) * | 2020-11-05 | 2021-02-05 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的金属板材表面缺陷检测方法 |
| CN113362303A (zh) * | 2021-06-03 | 2021-09-07 | 长沙理工大学 | 一种基于双流cnn模型的太阳能网版缺陷检测办法 |
| WO2024031936A1 (zh) * | 2022-08-11 | 2024-02-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种透明导电薄膜质量检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578409A (zh) * | 2017-09-16 | 2018-01-12 | 河北工业大学 | 一种太阳能电池片外观断栅缺陷检测的方法 |
| CN108230303A (zh) * | 2017-12-21 | 2018-06-29 | 河北工业大学 | 一种多晶硅太阳能电池片外观划痕缺陷检测的方法 |
| CN109086827A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
-
2020
- 2020-01-11 CN CN202010034120.9A patent/CN111260617A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578409A (zh) * | 2017-09-16 | 2018-01-12 | 河北工业大学 | 一种太阳能电池片外观断栅缺陷检测的方法 |
| CN108230303A (zh) * | 2017-12-21 | 2018-06-29 | 河北工业大学 | 一种多晶硅太阳能电池片外观划痕缺陷检测的方法 |
| CN109086827A (zh) * | 2018-08-10 | 2018-12-25 | 北京百度网讯科技有限公司 | 用于检测单晶硅太阳能电池缺陷的方法和装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709933A (zh) * | 2020-06-17 | 2020-09-25 | 广州麦仑信息科技有限公司 | 一种令纸缺陷分割分类的检测方法 |
| CN111709933B (zh) * | 2020-06-17 | 2022-04-29 | 广州麦仑信息科技有限公司 | 一种令纸缺陷分割分类的检测方法 |
| CN112326671A (zh) * | 2020-11-05 | 2021-02-05 | 菲特（天津）检测技术有限公司 | 一种基于机器视觉的金属板材表面缺陷检测方法 |
| CN113362303A (zh) * | 2021-06-03 | 2021-09-07 | 长沙理工大学 | 一种基于双流cnn模型的太阳能网版缺陷检测办法 |
| WO2024031936A1 (zh) * | 2022-08-11 | 2024-02-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种透明导电薄膜质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260617A (zh) | 一种基于深度学习的太阳能电池板缺陷检测方法 | |
| WO2021248554A1 (zh) | 高速高精度锂离子电池极片的毛刺检测方法及检测系统 | |
| CN107727662B (zh) | 一种基于区域生长算法的电池片el黑斑缺陷检测方法 | |
| CN108492291B (zh) | 一种基于cnn分割的太阳能光伏硅片瑕疵检测系统及方法 | |
| CN112991264B (zh) | 一种单晶硅光伏电池裂纹缺陷的检测方法 | |
| CN111275679A (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
| CN104792794A (zh) | 基于机器视觉的光学薄膜表面缺陷检测方法 | |
| CN103258206A (zh) | 一种硅太阳能电池表面缺陷检测和识别方法 | |
| Al-Mashhadani et al. | Deep learning methods for solar fault detection and classification: a review | |
| CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
| CN106780464A (zh) | 一种基于改进阈值分割的织物疵点检测方法 | |
| CN110021012B (zh) | 基于机器视觉技术的手机镜头视窗玻璃缺陷检测方法 | |
| CN115908415B (zh) | 基于边缘的缺陷检测方法、装置、设备及存储介质 | |
| CN113487563B (zh) | 一种基于el图像的光伏组件隐裂自适应检测方法 | |
| WO2023168984A1 (zh) | 一种基于面阵相机的阴极铜质量检测方法及系统 | |
| CN111047564A (zh) | 一种应用于光伏电站现场的el缺陷检测方法 | |
| CN109378279A (zh) | 晶圆检测方法及晶圆检测系统 | |
| CN113834816A (zh) | 基于机器视觉的光伏电池缺陷在线检测方法及系统 | |
| CN113781458A (zh) | 一种基于人工智能的识别方法 | |
| Chindarkkar et al. | Deep learning based detection of cracks in electroluminescence images of fielded PV modules | |
| Pathak et al. | Evaluation of effect of pre-processing techniques in solar panel fault detection | |
| Rodriguez et al. | Segmentation and error detection of PV modules | |
| CN105787955A (zh) | 一种带钢缺陷的稀疏分割方法及其分割装置 | |
| CN107563990B (zh) | 一种光伏电池片崩边及钝型和v型缺口的检测方法 | |
| CN110766675B (zh) | 太阳能电池板缺陷检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |