CN111353402B - 一种油棕林遥感提取方法 - Google Patents
一种油棕林遥感提取方法 Download PDFInfo
- Publication number
- CN111353402B CN111353402B CN202010111492.7A CN202010111492A CN111353402B CN 111353402 B CN111353402 B CN 111353402B CN 202010111492 A CN202010111492 A CN 202010111492A CN 111353402 B CN111353402 B CN 111353402B
- Authority
- CN
- China
- Prior art keywords
- oil palm
- patch
- remote sensing
- area
- forest
- 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.)
- Active
Links
- 235000001950 Elaeis guineensis Nutrition 0.000 title claims abstract description 77
- 238000000605 extraction Methods 0.000 title claims abstract description 25
- 240000003133 Elaeis guineensis Species 0.000 title 1
- 241000512897 Elaeis Species 0.000 claims abstract description 76
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 7
- 244000025254 Cannabis sativa Species 0.000 abstract 1
- 230000002262 irrigation Effects 0.000 abstract 1
- 238000003973 irrigation Methods 0.000 abstract 1
- 235000019482 Palm oil Nutrition 0.000 description 4
- 239000002540 palm oil Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 235000019198 oils Nutrition 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 241000132092 Aster Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000014121 butter Nutrition 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000008157 edible vegetable oil Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 150000004671 saturated fatty acids Chemical class 0.000 description 1
- 241000894007 species Species 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种油棕林遥感提取方法,其特征在于,包括以下步骤:1)对遥感影像进行图像分割,计算分割后的每一斑块的植被归一化指数NDVI,提取遥感影像中的植被区;2)提取遥感影像中不同方向的直线段,依次计算每一斑块的线段垂直度;3)设定斑块的线段垂直度阈值,对于植被区内的斑块,将大于线段垂直度阈值的斑块设置为疑似油棕林区域;4)根据DEM高程数据,将疑似油棕林区域中不属于油棕林生长区域的斑块剔除,得到提取的油棕林区域。本发明的主要特点是将油棕林的光谱特征、地形特征以及道路线段垂直特征相结合,避免了油棕林与其它林地、灌草的混淆,以此实现油棕林的高精度提取。
Description
技术领域
本发明属于数字图像处理技术领域,特别涉及一种油棕林遥感提取方法。
背景技术
棕榈油是食用油类非常好的替代品,其中饱和脂肪酸含量比黄油更低,能够更加健康的满足人体需求。生产棕榈油的油棕,一般亩产棕油200千克左右,比花生产油量高五倍,是大豆产油量的近10倍,具有“世界油王”之称。但另一方面,油棕林的大肆扩张也带来了碳排放、生物多样性锐减等生态环境问题。开展油棕林的空间分布监测,对于油棕林的管理具有重要意义。然而,传统的实地调查存在费时、费力、观测尺度小等问题。与现场调查相比,遥感技术在油棕林监测方面具有省时、省力、观测范围广、信息获取快等优势,已成为现今油棕林监测和管理不可或缺的手段。因此,针对油棕林的高精度遥感提取是一件非常有意义的工作。
现有的油棕林遥感提取方法主要存在以下两个问题:(1)使用高空间分辨率的遥感影像进行提取,在大区域监测时,成本非常高,数据处理量大,并且由于重访周期短,数据也很难获取(Dong R,Li W,Fu H,et al.Oil palm plantation mapping from high-resolution remote sensing images using deep learning[J].International Journalof Remote Sensing,2020,41(5):2022-2046.);(2)已有的中分影像提取仅使用油棕的光谱信息,导致提取精度较低。因为油棕本身也是一种乔木林,在中分影像上,其光谱就与其它林地或灌草易混,加上油棕林不同品种、不同生长年龄、林下种植作物等都会极大的影响光谱特征,进一步降低提取精度(Cheng Y,Yu L,Xu Y,et al.Towards global oil palmplantation mapping using remote-sensing data[J].International Journal ofRemote Sensing,2018,39(18):5891-5906.)。
本发明在光谱特征的基础上,还使用引入油棕林生长的地形特征以及油棕林的规划垂直道路在影像中的垂直线段特征,实现油棕林在中分影像中大范围自动提取问题。
对中外文专利文献等进行检索,现有技术中没有采用这种多特征融合的油棕林遥感提取方法。
发明内容
针对上述问题,本发明提出了一种油棕林遥感提取方法,该方法利用油棕林的光谱特征、地形特征以及道路直线段垂直特征,实现油棕林的高精度自动提取。
本发明的具体技术方案是一种油棕林遥感提取方法,其特征在于,包括以下步骤:
1)对遥感影像进行图像分割,计算分割后的每一斑块的植被归一化指数NDVI,提取遥感影像中的植被区;
2)提取遥感影像中不同方向的直线段,依次计算每一斑块的线段垂直度;
3)设定斑块的线段垂直度阈值,对于植被区内的斑块,将大于线段垂直度阈值的斑块设置为疑似油棕林区域;
4)根据DEM高程数据,将疑似油棕林区域中不属于油棕林生长区域的斑块剔除,得到提取的油棕林区域。
更进一步地,所述的步骤1)中提取植被区的具体方法是,
1.1)对遥感影像进行图像分割,分割算法为eCognition软件中的Multiresolution算法;
1.2)按下式(I)计算每一斑块的植被归一化指数NDVI,
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值;
1.3)将NDVI>0的斑块设置为植被区。
更进一步地,所述的步骤2)中计算每一斑块的线段垂直度的具体方法是,
2.1)使用直线段滤波器,包括0度、45度、90度及135度,对遥感影像的全色波段进行滤波,得到四幅直线段强度图;
2.2)对四幅直线段强度图进行二值化,分别表示为L0,L45,L90,L135,其中,属于直线段的像素设置为1,其余为0;
2.3)按下式(II)计算步骤1.1中分割的每一斑块在四个方向的线段密度特征,
其中,Oi为当前计算第i个斑块,|Oi|表示对象Oi所包含的像素个数,p是属于Oi的一个像素,Lθ(p)表示角度为θ直线段强度图中、像素位置为p的的红波段均值,θ为0度、45度、90度及135度;
2.4)按下式(III)计算每个斑块的线段垂直度,
更进一步地,所述的步骤4)中根据DEM高程数据,将疑似油棕林区域中不属于油棕林生长区域的斑块剔除的具体方法是,
4.1)计算疑似油棕林区域每一斑块中的DEM高程数据的均值;
4.2)计算疑似油棕林区域每一斑块中的DEM高程数据95%分位点之内的均值和95%分位点之外的均值的高差,作为该斑块的地形起伏度;
4.3)将DEM高程数据的均值和地形起伏度都不大于200m的疑似油棕林区域中的斑块的集合,设为油棕林区域。
本发明的有益效果是:1)本发明的油棕林遥感提取方法利用油棕的光谱特征,通过植被归一化指数NDVI快速排除裸露的荒地、建筑和水体等区域;2)精准掌握油棕林为引进树种,多采用人工种植的特点,通过对油棕林的规划垂直道路影像特征的分辨,在植被区域中找到疑似油棕林的区域;3)采用DEM(Digital Elevation Model)数据以及从DEM中引出的地形特征,与油棕林一般生长在平缓地势区和200m以下低海拔区的特点,实现油棕林的高精度自动提取,避免与其它林地的混淆。
本发明不仅使用了光谱特征,还考虑地形特征以及道路线段垂直特征,在区分光谱上与油棕林相似的其它林地,具有显著性优势,在大区域高精度自动提取油棕林空间分布方面具有重大潜力。
附图说明
图1为本发明的油棕林遥感提取方法的流程图;
图2为本发明一个具体实施例采用的原始遥感影像;
图3为具体实施例中的分割结果;
图4为具体实施例中的直线段滤波结果;
图5为具体实施例中的垂直度;
图6是具体实施例中的最终油棕林提取结果。
具体实施方式
下面结合说明书附图对本发明的具体技术方案作进一步地描述。
在本实施例中,采用本发明的方法进行处理的遥感影像为美国Landsat8多光谱影像和全色影像,见附图2。多光谱影像空间分辨率为30米,全色影像空间分辨率为15米,图像尺寸为2274行×2274列,多光谱含有7个波段,分别是海岸波段(0.433-0.453μm),蓝波段(0.450-0.515μm),绿波段(0.525-0.600μm),红波段(0.630-0.680μm),近红外波段(0.845-0.885μm),短波红外1波段(1.560-1.660μm),短波红外2波段(2.100-2.300μm),辐射量化等级为16bit。使用的DEM为30米的ASTER GDEM数据。
如图1所示,本发明的油棕林遥感提取方法的具体步骤如下:
1)对分割后的遥感影像使用植被归一化指数NDVI特征进行阈值分割分类,提取植被区;
1.1)将遥感影像进行分割,本实施例采用eCognition软件中的Multiresolution算法,使得平均斑块大小超过最小油棕林面积,分割参数设置为尺度800,形状0.5,紧致度0.9。分割结果见附图3。
1.2)使用近红外波段和红波段,计算能够提取植被区的植被归一化指数NDVI,具体公式为,
其中,NIR为当前计算斑块的近红外波段均值,R为当前计算斑块的红波段均值。
1.3)将NDVI>0的分割对象设置为植被区,其余的设置为非植被区。
2)提取遥感影像中不同方向的直线段,依次计算步骤1.1分割的斑块的线段垂直度;
2.1)使用直线段滤波器,包括0度、45度、90度及135度,对原始遥感影像的全色波段进行滤波,得到四幅直线段强度图,见附图4;
2.2)对四幅直线段强度图进行二值化,分别表示为L0,L45,L90,L135,将属于直线段的像素设置为1,其余为0;
2.3)计算每个斑块在四个方向的线段密度特征,具体公式为,
其中,Oi为当前计算第i个斑块,|Oi|表示对象Oi所包含的像素个数,p是属于Oi的一个像素,Lθ(p)表示角度为θ直线段强度图中、像素位置为p的的红波段均值,θ为0度、45度、90度及135度。
2.4)计算每个斑块的线段垂直度,见附图5,具体公式为,
3)使用斑块的线段垂直度对植被区进行阈值分割分类,将具有较大线段垂直度的植被区设置为疑似油棕林区域,其余为非油棕林区域。其中,分割分类阈值是通过选择分布不少于2个油棕斑块和非油棕斑块的样本,利用OTSU二值化方法自动获取。本实施例的阈值是0.0003;
4)使用DEM数据和地形起伏度,将不符合油棕生长区域的斑块从疑似油棕林区域中剔除,获取最终油棕林区域。
4.1)计算植被区中的斑块的DEM高程数据均值;
4.2)计算植被区中的斑块的海拔95%分位点内的均值和95%分位点外的均值之间的差值,作为该斑块的地形起伏度;
4.3)将DEM均值和地形起伏度都不大于200m的斑块集合设置为最终油棕林,见附图6。
本发明的方法本发明的方法利用油棕的光谱特征、地形特征以及道路线段垂直特征,实现油棕林的高精度自动提取,避免与其它林地的混淆,在大区域高精度自动提取油棕林空间分布方面具有重大潜力。
显然,所描述的实施例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。
Claims (3)
1.一种油棕林遥感提取方法,其特征在于,包括以下步骤:
1)对遥感影像进行图像分割,计算分割后的每一斑块的植被归一化指数NDVI,提取遥感影像中的植被区;
2)提取遥感影像中不同方向的直线段,依次计算每一斑块的线段垂直度,
所述的计算每一斑块的线段垂直度的具体方法是,
2.1)使用直线段滤波器,包括0度、45度、90度及135度,对遥感影像的全色波段进行滤波,得到四幅直线段强度图,
2.2)对四幅直线段强度图进行二值化,分别表示为L0,L45,L90,L135,其中,属于直线段的像素设置为1,其余为0,
2.3)按下式(II)计算步骤1)中分割的每一斑块在四个方向的线段密度特征,
其中,Oi为当前计算第i个斑块,|Oi|表示对象Oi所包含的像素个数,p是属于Oi的一个像素,Lθ(p)表示角度为θ直线段强度图中、像素位置为p的的红波段均值,θ为0度、45度、90度及135度,
2.4)按下式(III)计算每个斑块的线段垂直度,
3)设定斑块的线段垂直度阈值,对于植被区内的斑块,将大于线段垂直度阈值的斑块设置为疑似油棕林区域;
4)根据DEM高程数据,将疑似油棕林区域中不属于油棕林生长区域的斑块剔除,得到提取的油棕林区域。
3.如权利要求1所述的一种油棕林遥感提取方法,其特征在于,所述的步骤4)中根据DEM高程数据,将疑似油棕林区域中不属于油棕林生长区域的斑块剔除的具体方法是,
4.1)计算疑似油棕林区域每一斑块中的DEM高程数据的均值;
4.2)计算疑似油棕林区域每一斑块中的DEM高程数据95%分位点之内的均值和95%分位点之外的均值的高差,作为该斑块的地形起伏度;
4.3)将DEM高程数据的均值和地形起伏度都不大于200m的疑似油棕林区域中的斑块的集合,设为油棕林区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111492.7A CN111353402B (zh) | 2020-02-24 | 2020-02-24 | 一种油棕林遥感提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010111492.7A CN111353402B (zh) | 2020-02-24 | 2020-02-24 | 一种油棕林遥感提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111353402A CN111353402A (zh) | 2020-06-30 |
CN111353402B true CN111353402B (zh) | 2021-03-30 |
Family
ID=71194105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010111492.7A Active CN111353402B (zh) | 2020-02-24 | 2020-02-24 | 一种油棕林遥感提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353402B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814715B (zh) * | 2020-07-16 | 2023-07-21 | 武汉大势智慧科技有限公司 | 一种地物分类方法及装置 |
CN113009485B (zh) * | 2021-03-10 | 2024-07-02 | 安徽皖南烟叶有限责任公司 | 一种基于改进植被指数的遥感烟田识别方法 |
CN113421273B (zh) * | 2021-06-30 | 2022-02-25 | 中国气象科学研究院 | 林草搭配信息遥感提取方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482929A (zh) * | 2009-03-09 | 2009-07-15 | 中国农业科学院农业资源与农业区划研究所 | 遥感影像的处理方法及系统 |
CN103364781A (zh) * | 2012-04-11 | 2013-10-23 | 南京财经大学 | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 |
CN103576132A (zh) * | 2012-07-20 | 2014-02-12 | 上海莱凯数码科技有限公司 | 一种遥感影像的处理方法及系统 |
CN104951800A (zh) * | 2015-06-15 | 2015-09-30 | 许昌学院 | 一种面向资源开采型地区的遥感影像融合方法 |
CN205487690U (zh) * | 2016-03-30 | 2016-08-17 | 常州东芝舒电变压器有限公司 | 圆筒式线圈用油隙撑条链结构 |
US10346995B1 (en) * | 2016-08-22 | 2019-07-09 | AI Incorporated | Remote distance estimation system and method |
CN110390267A (zh) * | 2019-06-25 | 2019-10-29 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6128109B2 (ja) * | 2014-12-12 | 2017-05-17 | カシオ計算機株式会社 | 撮影装置、撮影方向の制御方法及びプログラム |
-
2020
- 2020-02-24 CN CN202010111492.7A patent/CN111353402B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101482929A (zh) * | 2009-03-09 | 2009-07-15 | 中国农业科学院农业资源与农业区划研究所 | 遥感影像的处理方法及系统 |
CN103364781A (zh) * | 2012-04-11 | 2013-10-23 | 南京财经大学 | 基于遥感数据与地理信息系统的粮田地面参照点筛选方法 |
CN103576132A (zh) * | 2012-07-20 | 2014-02-12 | 上海莱凯数码科技有限公司 | 一种遥感影像的处理方法及系统 |
CN104951800A (zh) * | 2015-06-15 | 2015-09-30 | 许昌学院 | 一种面向资源开采型地区的遥感影像融合方法 |
CN205487690U (zh) * | 2016-03-30 | 2016-08-17 | 常州东芝舒电变压器有限公司 | 圆筒式线圈用油隙撑条链结构 |
US10346995B1 (en) * | 2016-08-22 | 2019-07-09 | AI Incorporated | Remote distance estimation system and method |
CN110390267A (zh) * | 2019-06-25 | 2019-10-29 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111353402A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353402B (zh) | 一种油棕林遥感提取方法 | |
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
US20230039554A1 (en) | Tree crown extraction method based on unmanned aerial vehicle multi-source remote sensing | |
CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN110598532B (zh) | 一种树木病虫害监控系统及方法 | |
CN112241661B (zh) | 一种结合机载LiDAR点云数据和航空影像的城市地物精细化分类方法 | |
CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN110889394A (zh) | 基于深度学习UNet网络的水稻倒伏识别方法 | |
CN111798433B (zh) | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 | |
Xu et al. | Classification method of cultivated land based on UAV visible light remote sensing | |
CN115641412B (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
CN113033279A (zh) | 一种基于多源遥感影像的作物精细分类方法及其系统 | |
CN110598619A (zh) | 一种利用无人机影像进行果树识别和计数的方法和系统 | |
CN111310681A (zh) | 一种融入地学知识的红树林分布遥感提取方法 | |
CN116309670B (zh) | 一种基于无人机的灌丛覆盖度测量方法 | |
CN113063375A (zh) | 一种直线型耕作田埂的无人机遥感提取方法 | |
CN116091938A (zh) | 一种针对单季稻种植面积的多源遥感监测方法 | |
CN115760885B (zh) | 基于消费级无人机影像的高郁闭度湿地森林参数提取方法 | |
CN115019190B (zh) | 基于航空遥感平台的地形破碎区复杂地类信息提取方法 | |
CN114782324A (zh) | 一种基于地块形态特征的农田作物行向遥感识别方法 | |
CN115035423A (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
CN113673339A (zh) | 基于无人机影像的立地秸秆提取方法和装置 | |
CN113177441A (zh) | 面向对象与物候知识相融合的遥感互花米草制图方法 | |
CN116563721B (zh) | 基于分层分类思想的烟田提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |