CN111552732A - 高速路面病害大数据智能分析方法 - Google Patents

高速路面病害大数据智能分析方法 Download PDF

Info

Publication number
CN111552732A
CN111552732A CN202010342457.6A CN202010342457A CN111552732A CN 111552732 A CN111552732 A CN 111552732A CN 202010342457 A CN202010342457 A CN 202010342457A CN 111552732 A CN111552732 A CN 111552732A
Authority
CN
China
Prior art keywords
pavement
big data
disease
data
gray value
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
Application number
CN202010342457.6A
Other languages
English (en)
Inventor
胡健
陈杨
谢韦韦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Modern Engineering Detection Co ltd
Original Assignee
Jiangsu Modern Engineering Detection Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Modern Engineering Detection Co ltd filed Critical Jiangsu Modern Engineering Detection Co ltd
Priority to CN202010342457.6A priority Critical patent/CN111552732A/zh
Publication of CN111552732A publication Critical patent/CN111552732A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Abstract

本发明公开了一种高速路面病害大数据智能分析方法，根据行驶车辆的重量和对应的车辆数量对获取的高速路面大数据中的交通负载进行等级划分；然后，结合对应的天气预报信息中降雨量等级和温度数据对获取的路面病害进行天气数据的划分；其次，利用多次全局二值化和局部二值化处理，根据得到的多张局部二值化图的重叠率和灰度值，确定病害区域，根据所述病害区域中的灰度值，进行逐一的拉框划分，同时根据灰度值的范围和所述局部二值化图像，划分病害种类和程度；最后，结合被测高速路面的地理位置和所属等级建立路面病害数据库，并将制定的养护措施进行可视化显示，提高路面病害识别率，提高维护的有效性。

Description

高速路面病害大数据智能分析方法
技术领域
本发明涉及路面病害分析技术领域，尤其涉及一种高速路面病害大数据智能分析方法。
背景技术
随着国家经济的高速发展，公路网络日益完善。然而在高速发展的背后也存在着很多不协调的问题，目前新建项目在逐渐变少，我国正渐渐步入工程养护时代，很多早期的道路到达了使用年限，养护维修问题不断凸显。就2016年，全国公路养护里程411.68万km，占公路总里程的97.2％，我国庞大的公共交通系统网络，需要更加高效、实用的方式进行维护。
目前的路面病害的识别主要靠基层管理维护人员肉眼观察对病害进行识别，正确诊断病害需要人员有丰富的工作经验和理论知识储备，但目前很多的养护人员缺乏专业知识，对路面病害的判断往往存在错误或不够全面，错误识别病害程度，较低的路面病害识别率造成了很多无效维护，浪费资源。
发明内容
本发明的目的在于提供一种高速路面病害大数据智能分析方法，提高路面病害识别率，提高维护的有效性。
为实现上述目的，本发明提供了一种高速路面病害大数据智能分析方法，包括：
提取高速路面大数据中的交通负载数据，并进行等级的划分；
提取所述高速路面大数据中的天气数据，并进行等级的划分；
对获取的路面病害图像进行多次二值化处理，确定病害区域；
对所述病害区域进行拉框识别，划分路面病害种类和等级；
建立路面病害数据库，并将制定的养护措施进行可视化显示。
其中，所述提取高速路面大数据中的交通负载数据，并进行等级的划分，包括：
获取被测高速路段多个时间周期内的高速路面大数据，并提取所述高速路面大数据中的交通负载数据，根据行驶车辆的重量和对应的车辆数量对所述交通负载数据进行划分。
其中，提取所述高速路面大数据中的天气数据，并进行等级的划分，包括：
提取所述高速路面大数据中的天气数据，并结合对应的天气预报信息，按照降雨量等级对所述天气数据进行划分，其中，所述降雨等级按照10毫米一个等级差进行划分。
其中，提取所述高速路面大数据中的天气数据，并进行等级的划分，还包括：
根据所述天气预报信息中的温度数据，按照10摄氏度一个温差间隔对划分后的所述天气数据再一次进行划分。
其中，对获取的路面病害图像进行多次二值化处理，确定病害区域，包括：
对获取的路面病害图像进行全局二值化处理后，利用多个不同的二值化阈值进行多次的局部二值化处理，得到多张局部二值化图，并计算多张所述局部二值化图的重叠率。
其中，对获取的路面病害图像进行多次二值化处理，确定病害区域，还包括：
根据所述重叠率计算所述路面病害图像的灰度值和平均灰度值，并根据所述灰度值和所述平均灰度值的比值，删除与所述比值相反的所述平均灰度值对应的所述路面病害图像，得到病害区域。
其中，对所述病害区域进行拉框识别，划分路面病害种类和等级，包括：
根据所述病害区域中的灰度值，进行逐一的拉框划分，同时根据所述拉框中的灰度值的范围和所述局部二值化图像，划分病害种类。
其中，对所述病害区域进行拉框识别，划分路面病害种类和等级，还包括：
同时根据裂缝类、变形类、修补类和缺陷类四种病害对应的灰度值的变化范围，与所述拉框中的灰度值进行比较，划分程度。
其中，所述建立路面病害数据库，并将制定的养护措施进行可视化显示，包括：
将划分后的所述交通负载数据、所述天气情况和所述病害种类和程度进行融合，同时结合被测高速路面的地理位置和所属等级建立路面病害数据库。
其中，所述建立路面病害数据库，并将制定的养护措施进行可视化显示，还包括：
将所述路面病害数据库中划分的各个等级，按照升序排列后，将制定的对应的养护措施导入到对应的排序中，并进行可视化显示。
本发明的一种高速路面病害大数据智能分析方法，根据行驶车辆的重量和对应的车辆数量对获取的高速路面大数据中的交通负载进行等级划分；然后，并结合对应的天气预报信息，按照降雨量等级和温度数据对获取的路面病害进行天气数据的划分；其次，利用多次全局二值化和局部二值化处理，根据得到的多张局部二值化图的重叠率和灰度值，确定病害区域，根据所述病害区域中的灰度值，进行逐一的拉框划分，同时根据所述拉框中的灰度值的范围和所述局部二值化图像，划分病害种类和程度；最后，将划分后的所述交通负载数据、所述天气情况和所述病害种类和程度进行融合，同时结合被测高速路面的地理位置和所属等级建立路面病害数据库，并将制定的养护措施进行可视化显示，提高路面病害识别率，提高维护的有效性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的一些实施例，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是本发明提供的一种高速路面病害大数据智能分析方法的步骤示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1，本发明提供一种高速路面病害大数据智能分析方法，包括：
S101、提取高速路面大数据中的交通负载数据，并进行等级的划分。
具体的，获取被测高速路段多个时间周期内的高速路面大数据，其中，时间周期的具体时间范围则根据操作者的测试需求而定，提取所述高速路面大数据中的交通负载数据，根据行驶车辆的重量和对应的车辆数量对所述交通负载数据进行划分，得到1-5个等级范围。其中，行驶车辆的重量由对应的高速收费口采集的实时数据为准，并将采集的重量进行坐标分布，选择取值范围，可以分析不同重量的车辆和不同的数量对该高速路面的危害。
S102、提取所述高速路面大数据中的天气数据，并进行等级的划分。
具体的，提取所述高速路面大数据中的天气数据，并结合对应的天气预报信息，首先按照降雨量等级对所述天气数据进行划分，其中，所述降雨等级按照10毫米一个等级差进行划分，天气预报信息中会公布对应的降雨量数据，根据所述降雨量数据，以10毫米降雨量为一个等级范围进行划分，划分范围小，可以对降雨量对路面的危害可以得到较为精确的分析；然后根据所述天气预报信息中的温度数据，按照10摄氏度一个温差间隔对进行降雨量划分后的所述天气数据再一次进行划分，结合降雨量和温度，可以将天气对于所述高速路面的危害的检测更加全面。
S103、对获取的路面病害图像进行多次二值化处理，确定病害区域。
具体的，对获取的路面病害图像进行全局二值化处理，可以得到一个用于后续处理的初始灰度图；然后利用多个不同的二值化阈值进行多次的局部二值化处理，得到多张局部二值化图，并计算多张所述局部二值化图的重叠率，得到的多张所述局部二值化图，可以将所述全局二值化图进行优化，得到的灰度值数据更加准确，然后根据所述重叠率计算所述路面病害图像的灰度值和平均灰度值，并根据所述灰度值和所述平均灰度值的比值，删除与所述比值相反的所述平均灰度值对应的所述路面病害图像，得到病害区域，具体为，若所述平均灰度值大于所述灰度值，则删除所述平均灰度值小于所述灰度值的对应的灰度图范围；若所述平均灰度值小于所述灰度值，则删除所述平均灰度值大于所述灰度值的对应的所述平均灰度值的灰度图图像，保证病害区域的准确，有利于后面的病害种类和程度的确定。
S104、对所述病害区域进行拉框识别，划分路面病害种类和等级。
具体的，根据所述病害区域中的灰度值，进行逐一的拉框划分，同时根据所述拉框中的灰度值的范围和所述局部二值化图像，与所述路面病害大数据中获取的多个时间周期内的数据和不同病害种类的详细灰度图和灰度值范围进行对比分析，划分出对应的病害种类，同时根据目前常见的高速路面病害和《公路技术状况评定标准》JTGH20-2007，如裂缝类、变形类、修补类和缺陷类四种大类病害对应的灰度值的变化范围，小类病害包括纵向裂缝、横向裂缝、斜向裂缝、板角断裂、交叉裂缝、破碎板、龟裂、唧泥、错台、拱起、填缝材料破损、沉陷、接缝破碎、修补损坏、反射裂缝、表面裂缝、起皮、露骨和坑洞，并与所述拉框中的灰度值进行比较，划分程度，得到的病害种类较全，包含了目前常见的多种类别，还可以将不能区分的灰度值进行单独保留，方便专业人员进行进一步的详细分析，得到更加准确的结果，提高了路面病害的识别率。
S105、建立路面病害数据库，并将制定的养护措施进行可视化显示。
具体的，将划分后的所述交通负载数据、所述天气情况和所述病害种类和程度进行融合，为了方便管理和后续的分析，将所述交通负载数据、所述天气情况和所述病害程度均分为5个等级，其中1为基础等级，严重程度较低，5为最严重等级，同时结合利用GIS技术获取的被测高速路面的地理位置和所属等级建立路面病害数据库，将所述路面病害数据库中划分的各个等级，按照升序排列后，根据不同的等级和影响因数，将制定的对应的养护措施导入到对应的排序中，并进行可视化显示，所述数据库依次包括如下内容：地理位置、高速路等级、限定速度、交通负载数据及等级、天气情况及等级、病害种类及等级和养护措施，提高路面病害识别率，提高维护的有效性。
本发明的一种高速路面病害大数据智能分析方法，根据行驶车辆的重量和对应的车辆数量对获取的高速路面大数据中的交通负载进行等级划分；然后，并结合对应的天气预报信息，按照降雨量等级和温度数据对获取的路面病害进行天气数据的划分；其次，利用多次全局二值化和局部二值化处理，根据得到的多张局部二值化图的重叠率和灰度值，确定病害区域，根据所述病害区域中的灰度值，进行逐一的拉框划分，同时根据所述拉框中的灰度值的范围和所述局部二值化图像，划分病害种类和程度；最后，将划分后的所述交通负载数据、所述天气情况和所述病害种类和程度进行融合，同时结合被测高速路面的地理位置和所属等级建立路面病害数据库，并将制定的养护措施进行可视化显示，提高路面病害识别率，提高维护的有效性。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，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流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种高速路面病害大数据智能分析方法，其特征在于，包括：
提取高速路面大数据中的交通负载数据，并进行等级的划分；
提取所述高速路面大数据中的天气数据，并进行等级的划分；
对获取的路面病害图像进行多次二值化处理，确定病害区域；
对所述病害区域进行拉框识别，划分路面病害种类和等级；
建立路面病害数据库，并将制定的养护措施进行可视化显示。
2.如权利要求1所述的一种高速路面病害大数据智能分析方法，其特征在于，所述提取高速路面大数据中的交通负载数据，并进行等级的划分，包括：
获取被测高速路段多个时间周期内的高速路面大数据，并提取所述高速路面大数据中的交通负载数据，根据行驶车辆的重量和对应的车辆数量对所述交通负载数据进行划分。
3.如权利要求2所述的一种高速路面病害大数据智能分析方法，其特征在于，提取所述高速路面大数据中的天气数据，并进行等级的划分，包括：
提取所述高速路面大数据中的天气数据，并结合对应的天气预报信息，按照降雨量等级对所述天气数据进行划分，其中，所述降雨等级按照10毫米一个等级差进行划分。
4.如权利要求3所述的一种高速路面病害大数据智能分析方法，其特征在于，提取所述高速路面大数据中的天气数据，并进行等级的划分，还包括：
根据所述天气预报信息中的温度数据，按照10摄氏度一个温差间隔对划分后的所述天气数据再一次进行划分。
5.如权利要求4所述的一种高速路面病害大数据智能分析方法，其特征在于，对获取的路面病害图像进行多次二值化处理，确定病害区域，包括：
对获取的路面病害图像进行全局二值化处理后，利用多个不同的二值化阈值进行多次的局部二值化处理，得到多张局部二值化图，并计算多张所述局部二值化图的重叠率。
6.如权利要求5所述的一种高速路面病害大数据智能分析方法，其特征在于，对获取的路面病害图像进行多次二值化处理，确定病害区域，还包括：
根据所述重叠率计算所述路面病害图像的灰度值和平均灰度值，并根据所述灰度值和所述平均灰度值的比值，删除与所述比值相反的所述平均灰度值对应的所述路面病害图像，得到病害区域。
7.如权利要求6所述的一种高速路面病害大数据智能分析方法，其特征在于，对所述病害区域进行拉框识别，划分路面病害种类和等级，包括：
根据所述病害区域中的灰度值，进行逐一的拉框划分，同时根据所述拉框中的灰度值的范围和所述局部二值化图像，划分病害种类。
8.如权利要求7所述的一种高速路面病害大数据智能分析方法，其特征在于，对所述病害区域进行拉框识别，划分路面病害种类和等级，还包括：
同时根据裂缝类、变形类、修补类和缺陷类四种病害对应的灰度值的变化范围，与所述拉框中的灰度值进行比较，划分程度。
9.如权利要求8所述的一种高速路面病害大数据智能分析方法，其特征在于，所述建立路面病害数据库，并将制定的养护措施进行可视化显示，包括：
将划分后的所述交通负载数据、所述天气情况和所述病害种类和程度进行融合，同时结合被测高速路面的地理位置和所属等级建立路面病害数据库。
10.如权利要求9所述的一种高速路面病害大数据智能分析方法，其特征在于，所述建立路面病害数据库，并将制定的养护措施进行可视化显示，还包括：
将所述路面病害数据库中划分的各个等级，按照升序排列后，将制定的对应的养护措施导入到对应的排序中，并进行可视化显示。
CN202010342457.6A 2020-04-27 2020-04-27 高速路面病害大数据智能分析方法 Pending CN111552732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010342457.6A CN111552732A (zh) 2020-04-27 2020-04-27 高速路面病害大数据智能分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010342457.6A CN111552732A (zh) 2020-04-27 2020-04-27 高速路面病害大数据智能分析方法

Publications (1)

Publication Number Publication Date
CN111552732A true CN111552732A (zh) 2020-08-18

Family

ID=72005795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010342457.6A Pending CN111552732A (zh) 2020-04-27 2020-04-27 高速路面病害大数据智能分析方法

Country Status (1)

Country Link
CN (1) CN111552732A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449225A (zh) * 2021-07-12 2021-09-28 上海智能交通有限公司 一种交通养护对象展示方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278829A1 (en) * 2013-03-15 2014-09-18 John A. MacADAM Roadway maintenance condition detection and analysis
CN106327485A (zh) * 2016-08-15 2017-01-11 浙江省交通集团检测科技有限公司 一种沥青路面雨季小修预警系统及其方法
CN106844527A (zh) * 2016-12-29 2017-06-13 武汉理工大学 一种基于互联网大数据的路面病害识别与管养决策方法及系统
CN108416351A (zh) * 2018-03-16 2018-08-17 广东诚泰交通科技发展有限公司 路面病害区域的确定方法、装置和计算机设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140278829A1 (en) * 2013-03-15 2014-09-18 John A. MacADAM Roadway maintenance condition detection and analysis
CN106327485A (zh) * 2016-08-15 2017-01-11 浙江省交通集团检测科技有限公司 一种沥青路面雨季小修预警系统及其方法
CN106844527A (zh) * 2016-12-29 2017-06-13 武汉理工大学 一种基于互联网大数据的路面病害识别与管养决策方法及系统
CN108416351A (zh) * 2018-03-16 2018-08-17 广东诚泰交通科技发展有限公司 路面病害区域的确定方法、装置和计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449225A (zh) * 2021-07-12 2021-09-28 上海智能交通有限公司 一种交通养护对象展示方法及系统
CN113449225B (zh) * 2021-07-12 2022-06-17 上海智能交通有限公司 一种交通养护对象展示方法及系统

Similar Documents

Publication Publication Date Title
WO2020233152A1 (zh) 基于城市建筑空间数据的建成区边界识别方法及设备
Tran et al. One stage detector (RetinaNet)-based crack detection for asphalt pavements considering pavement distresses and surface objects
CN103955923B (zh) 一种快速的基于图像的路面病害检测方法
CN108986448B (zh) 一种交通设施管理方法及终端设备
CN104134080A (zh) 一种道路路基塌陷和边坡坍塌的自动检测方法及系统
CN107217576A (zh) 一种基于fwd和3d探地雷达的道路质量检测方法及系统
CN106844527B (zh) 一种基于互联网大数据的路面病害识别与管养决策方法及系统
CN114998852A (zh) 一种基于深度学习的公路路面病害智能检测方法
Abou Chacra et al. Fully automated road defect detection using street view images
CN104655639A (zh) 一种能准确获取裂缝特征的路面裂缝检测方法和系统
CN115841466A (zh) 排水管网缺陷自动定量评估方法
CN114581764A (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN111552732A (zh) 高速路面病害大数据智能分析方法
CN113638294A (zh) 道路养护病害智慧检测系统技术
WO2017107790A1 (zh) 一种基于大数据预测路段状况的方法及装置
CN116168356B (zh) 一种基于计算机视觉的车辆损伤判别方法
CN116229396B (zh) 高速路面病害识别及告警方法
CN105279488A (zh) 一种公路视频巡检的里程标识牌自动识别方法
CN114282298B (zh) 一种道路技术状况处理方法
Safaei Pixel and region-based image processing algorithms for detection and classification of pavement cracks
Yao et al. Automated detection and identification of area-based distress in concrete pavements
CN115438547A (zh) 基于路面服役状态的整体评价方法及系统
CN115100173A (zh) 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法
CN113920051A (zh) 结构表观病害检测数据标准化批处理方法、系统及介质
CN113917451A (zh) 一种高速公路沥青路面状况的检测方法、装置以及系统

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