CN111611834A - 一种基于sar的船只识别方法、装置 - Google Patents

一种基于sar的船只识别方法、装置 Download PDF

Info

Publication number
CN111611834A
CN111611834A CN201911339029.1A CN201911339029A CN111611834A CN 111611834 A CN111611834 A CN 111611834A CN 201911339029 A CN201911339029 A CN 201911339029A CN 111611834 A CN111611834 A CN 111611834A
Authority
CN
China
Prior art keywords
data
training
identification
sar
identified
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
CN201911339029.1A
Other languages
English (en)
Inventor
邓练兵
陈金鹿
逯明
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.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development 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 Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN201911339029.1A priority Critical patent/CN111611834A/zh
Publication of CN111611834A publication Critical patent/CN111611834A/zh
Pending legal-status Critical Current

Links

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
    • G06V20/13—Satellite images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/10044—Radar image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机视觉技术领域，具体涉及一种基于SAR的船只识别方法、装置。包括：获取SAR图像数据，对所述SAR图像数据进行预处理，输出待识别数据；根据把所述待检测数据输入CNN网络进行训练，获得识别模型；利用所述识别模型对待识别数据进行识别，以获得识别结果；基于所述识别结果进行显著性检测，获取精确的目标位置；其中，所述目标位置为目标船只的位置数据。通过对图像数据进行预处理，保证后级输入CNN网络中能够进行图像数据识别训练，便于输出识别数据，引入显著性检测以确保能够对目标位置进行位置数据的识别。

Description

一种基于SAR的船只识别方法、装置
技术领域
本发明涉及计算机视觉技术领域，具体涉及一种基于SAR的船只识别方法、装置。
背景技术
合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候、全天时、不受天气影响等成像特点，目前已经成为人们对地观测的重要手段之一。因此，利用SAR数据进行目标检测也是图像解译的重要研究方向之一。通过机载和星载SAR，我们能够获得大量的高分辨率SAR图像，而利用SAR图像对海上船只进行目标检测将会有利于提高海防管理、监控及预警能力。但对于现有技术来说，由于SAR特殊的成像机制和SAR图像的敏感性(例如：在获取的原始数据中含有大量斑点噪声)，这使得把SAR图像与现有网络模型结合很难获得精确的目标船只位置。
发明内容
有鉴于此，本发明实施例提供了一种基于SAR的船只识别方法、装置，以解决的SAR图像与现有网络模型结合很难获得精确的目标船只位置。
根据第一方面，本发明实施例提供了一种基于SAR的船只识别方法，包括：
获取SAR图像数据，对所述SAR图像数据进行预处理，输出待识别数据；
根据把所述待识别数据输入CNN网络进行训练，获得识别模型；
利用所述识别模型对待识别数据进行识别，以获得识别结果；
基于所述识别结果进行显著性检测，获取精确的目标位置；其中，所述目标位置为目标船只的位置数据。
通过对图像数据进行预处理，保证后级输入CNN网络中能够进行图像数据识别训练，便于输出识别数据，引入显著性检测以确保能够对目标位置进行位置数据的识别。
结合第一方面，在第一方面第一实施方式中，对所述SAR图像数据进行预处理，包括对所述SAR图像数据进行图片灰度化和边缘检测。
对SAR图像进行灰度化和边缘检测能够保证从复杂背景中快速检测出识别目标。
结合第一方面，在第一方面第二实施方式中，对所述SAR图像数据进行预处理，还包括把所述SAR图像数据划分为训练数据和测试数据；其中，所述输入CNN网络的待检测数据为训练数据，所述利用所述识别模型进行识别的数据为测试数据。
结合第一方面，在第一方面第三实施方式中，CNN网络包括：多层卷积层、全局平均池化层和2个全连接层。
结合第一方面，在第一方面第四实施方式中，CNN网络的学习率设置为0.005。
结合第一方面，在第一方面第五实施方式中，把所述待检测数据输入CNN网络进行训练，包括：
设置CNN网络的迭代次数和最大迭代次数，其中初始迭代从0开始；
从所述训练数据中选取N个训练数据输入到CNN网络，并输出N个训练数据的训练结果；其中所述训练结果为训练数据的目标船只的位置数据。
结合第一方面，在第一方面第六实施方式中，对待识别数据进行识别，包括：根据把所述待识别数据的N个测试数据输入到识别模型中，以获得所述测试数据的识别结果。
通过继续迭代训练，构建识别模型，从而能够实现对输入图像的自主目标识别，联合构建好的识别模型与测试数据，确保能够识别出准确的测试结果。
结合第一方面，在第一方面第七实施方式中，显著性测试包括：
获取所述测试数据的识别结果；
根据所述识别结果进行特征提取，其中，所述特征包括颜色、亮度和方位；
基于在所述提取的特征和多种尺度下使用中央周边操作产生体现显著性度量的特征图，并将所述特征图合得到最终的显著图；
利用生物学中赢者取全的竞争机制以获得所述识别结果精确的目标位置。
利用显著性测试突出检测结果，保证目标识别结果能够进行精确识别。
根据第二方面，本发明实施例提供了一种基于SAR的船只识别装置。
包括：
获取模块，用于获取SAR图像数据，对所述SAR图像数据进行预处理，输出待识别数据；
训练模块，用于根据把所述待识别数据输入CNN网络进行训练，获得识别模型；
识别模块，用于利用所述识别模型对待识别数据进行识别，以获得识别结果；
确定模块，用于基于所述识别结果进行显著性检测，获取精确的目标位置；其中，所述目标位置为目标船只的位置数据。
通过各个模块之间相互连接，从而保证能够精准识别出准确的目标船只。
根据第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于SAR的船只识别方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1是根据本发明实施例的一种基于SAR的船只识别方法的流程图；
图2是根据本发明实施例的一种基于SAR的船只识别方法的流程图A；
图3是根据本发明实施例的一种基于SAR的船只识别方法的显著性测试的流程图；
图4是根据本发明实施例的一种基于SAR的船只识别装置的结构框图；
附图标记
10-获取模块；20-训练模块；30-识别模块；40-确定模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域技术人员在没有作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。
本发明实施例提供了一种基于SAR的船只识别方法，如图1所示，包括：
S10,获取SAR图像数据，对所述SAR图像数据进行预处理，输出待识别数据；其中，SAR图像数据可以通过Brazilian Coffee Scenes、UC Merced Land Use Dataset、MSTARpublic targets dataset、NWPU-RESISC45 dataset及TerraSAR-X等图像数据集获得。并且需要对所获取的SAR图像数据进行预处理，其中预处理可以是通过A/D变换，二值化后消除斑点噪声，在经过图像变换、增强、滤波的处理方式以获得待检测图像。
S20,根据把所述待识别数据输入CNN网络进行训练，获得识别模型；
其中，把经过预处理的SAR图像数据送入CNN网络进行特征提取，CNN网络将预处理的SAR图像数据进行区域缩放为统一比例或大小，后进行船只特征提取，特征提取完成后在使用SVM进行分类，最后通过非极大值抑制输出结果。在对其训练过程进行迭代，生成识别模型。
S30,利用所述识别模型对待识别数据进行识别，以获得识别结果；
S40,基于所述识别结果进行显著性检测，获取精确的目标位置；其中，所述目标位置为目标船只的位置数据。把所获取的识别结果最后在进行显著性检测，突出目标数据，从而能够确定目标位置，实现目标船只的识别。
通过对图像数据进行预处理，保证后级输入CNN网络中能够进行图像数据识别训练，便于输出识别数据，引入显著性检测以确保能够对目标位置进行位置数据的识别。
本发明实施例提供了一种基于SAR的船只识别方法，如图2所示，还包括：
S21，对所述SAR图像数据进行预处理：
1.图片灰度化和边缘检测，对彩色图像进行灰度处理从而降低存储量，加快处理速度，通过检测物体边缘呈现灰度的不连续性，从而为图像分类做准备。其中对SAR预处理还可以是：对图像数据进行自适应阈值分割、滤波、类聚、图像增强和归一化处理。
2.SAR图像数据划分为训练数据和测试数据；其中，所述输入CNN网络的待检测数据为训练数据，所述利用所述识别模型进行识别的数据为测试数据。通过把SAR图像分为训练数据和测试数据，以保证识别结果的完整、准确，减小识别误差或是减小识别错误率。
通过对SAR图像数据进出预处理，从而能够改善图像质量，统一图像的灰度值及尺寸，为后续的特征提取，和或，分类识别做准备。
对SAR图像进行灰度化和边缘检测能够保证从复杂背景中快速检测出识别目标。
S22，把所进行预处理的述待检测数据输入CNN网络进行训练，包括：
利用CNN网络对待检测数据中的船只数据进检测，并设置CNN网络的迭代次数和最大迭代次数，其中初始迭代从0开始；从所述训练数据中选取N个训练数据输入到CNN网络，并输出N个训练数据的训练结果；其中所述训练结果为训练数据的目标船只的位置数据。
S23，对待识别数据进行识别，包括：根据把所述待识别数据的N个测试数据输入到识别模型中，以获得所述测试数据的识别结果。其中做使用的CNN网络可以是：
通过继续迭代训练，构建识别模型，从而能够实现对输入图像的自主目标识别，联合构建好的识别模型与测试数据，确保能够识别出准确的测试结果。
S24，利用识别出的测试结果，进行显著性测试；如图3所示，包括：
S241，获取所述测试数据的识别结果；
S242，根据所述识别结果进行特征提取，其中，所述特征包括颜色、亮度和方位；
S243，基于在所述提取的特征和多种尺度下使用中央周边操作产生体现显著性度量的特征图，并将所述特征图合得到最终的显著图；
S244，利用生物学中赢者取全的竞争机制以获得所述识别结果精确的目标位置。
可选的，利用识别出的测试结果，进行显著性测试，可以使用图像显著性检测算法对测试结果进测试，例如：FT算法、AC算法、HC算法、LC算法。
利用显著性测试突出检测结果，保证目标识别结果能够进行精确识别。
可选的，CNN网络包括：多层卷积层、全局平均池化层和2个全连接层。
可选的，在第一方面第四实施方式中，CNN网络的学习率设置为0.005。
本发明实施例提供了一种基于SAR的船只识别装置。包括：
获取模块10，用于获取SAR图像数据，对所述SAR图像数据进行预处理，输出待识别数据；
训练模块20，用于根据把所述待识别数据输入CNN网络进行训练，获得识别模型；
识别模块30，用于利用所述识别模型对待识别数据进行识别，以获得识别结果；
确定模块40，用于基于所述识别结果进行显著性检测，获取精确的目标位置；其中，所述目标位置为目标船只的位置数据。
利用通过各个模块之间相互连接，从而保证能够精准识别出准确的目标船只。
同时本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于SAR的船只识别方法，其特征在于，包括：
获取SAR图像数据，对所述SAR图像数据进行预处理，输出待识别数据；
根据把所述待识别数据输入CNN网络进行训练，获得识别模型；
利用所述识别模型对待识别数据进行识别，以获得识别结果；
基于所述识别结果进行显著性检测，获取精确的目标位置；其中，所述目标位置为目标船只的位置数据。
2.根据权利要求1所述的方法，其特征在于，所述对所述SAR图像数据进行预处理，包括对所述SAR图像数据进行图片灰度化和边缘检测。
3.根据权利要求2所述的方法，其特征在于，所述对所述SAR图像数据进行预处理，还包括把所述SAR图像数据划分为训练数据和测试数据；其中，所述输入CNN网络的待检测数据为训练数据，所述利用所述识别模型进行识别的数据为测试数据。
4.根据权利要求3所述的方法，其特征在于，所述CNN网络包括：多层卷积层、全局平均池化层和2个全连接层。
5.根据权利要求4所述的方法，其特征在于，所述CNN网络的学习率设置为0.005。
6.根据权利要求5所述的方法，其特征在于，把所述待检测数据输入CNN网络进行训练，包括：
设置CNN网络的迭代次数和最大迭代次数，其中初始迭代从0开始；
从所述训练数据中选取N个训练数据输入到CNN网络，并输出N个训练数据的训练结果；其中所述训练结果为训练数据的目标船只的位置数据。
7.根据权利要求6所述的方法，其特征在于，所述对待识别数据进行识别，包括：根据把所述待识别数据的N个测试数据输入到识别模型中，以获得所述测试数据的识别结果。
8.根据权利要求7所述的方法，其特征在于，所述显著性检测，包括：
获取所述测试数据的识别结果；
根据所述识别结果进行特征提取，其中，所述特征包括颜色、亮度和方位；
基于在所述提取的特征和多种尺度下使用中央周边操作产生体现显著性度量的特征图，并将所述特征图合得到最终的显著图；
利用生物学中赢者取全的竞争机制以获得所述识别结果精确的目标位置。
9.一种基于SAR的船只识别装置，其特征在于，包括：
获取模块，用于获取SAR图像数据，对所述SAR图像数据进行预处理，输出待识别数据；
训练模块，用于根据把所述待识别数据输入CNN网络进行训练，获得识别模型；
识别模块，用于利用所述识别模型对待识别数据进行识别，以获得识别结果；
确定模块，用于基于所述识别结果进行显著性检测，获取精确的目标位置；其中，所述目标位置为目标船只的位置数据。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的基于SAR的船只识别方法。
CN201911339029.1A 2019-12-23 2019-12-23 一种基于sar的船只识别方法、装置 Pending CN111611834A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911339029.1A CN111611834A (zh) 2019-12-23 2019-12-23 一种基于sar的船只识别方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911339029.1A CN111611834A (zh) 2019-12-23 2019-12-23 一种基于sar的船只识别方法、装置

Publications (1)

Publication Number Publication Date
CN111611834A true CN111611834A (zh) 2020-09-01

Family

ID=72193850

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911339029.1A Pending CN111611834A (zh) 2019-12-23 2019-12-23 一种基于sar的船只识别方法、装置

Country Status (1)

Country Link
CN (1) CN111611834A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679718A (zh) * 2013-12-06 2014-03-26 河海大学 一种基于显著性的快速场景分析方法
CN106462771A (zh) * 2016-08-05 2017-02-22 深圳大学 一种3d图像的显著性检测方法
US20170270653A1 (en) * 2016-03-15 2017-09-21 International Business Machines Corporation Retinal image quality assessment, error identification and automatic quality correction
CN107229918A (zh) * 2017-05-26 2017-10-03 西安电子科技大学 一种基于全卷积神经网络的sar图像目标检测方法
CN107247930A (zh) * 2017-05-26 2017-10-13 西安电子科技大学 基于cnn和选择性注意机制的sar图像目标检测方法
CN108052940A (zh) * 2017-12-17 2018-05-18 南京理工大学 基于深度学习的sar遥感图像水面目标检测方法
CN109241913A (zh) * 2018-09-10 2019-01-18 武汉大学 结合显著性检测和深度学习的船只检测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679718A (zh) * 2013-12-06 2014-03-26 河海大学 一种基于显著性的快速场景分析方法
US20170270653A1 (en) * 2016-03-15 2017-09-21 International Business Machines Corporation Retinal image quality assessment, error identification and automatic quality correction
CN106462771A (zh) * 2016-08-05 2017-02-22 深圳大学 一种3d图像的显著性检测方法
CN107229918A (zh) * 2017-05-26 2017-10-03 西安电子科技大学 一种基于全卷积神经网络的sar图像目标检测方法
CN107247930A (zh) * 2017-05-26 2017-10-13 西安电子科技大学 基于cnn和选择性注意机制的sar图像目标检测方法
CN108052940A (zh) * 2017-12-17 2018-05-18 南京理工大学 基于深度学习的sar遥感图像水面目标检测方法
CN109241913A (zh) * 2018-09-10 2019-01-18 武汉大学 结合显著性检测和深度学习的船只检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘玮等: "《计算机视觉中的目标特征模型和视觉注意模型》", 30 September 2016 *
李洁: "基于CFAR与深度学习的SAR图像舰船目标检测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN110472627B (zh) 一种端到端的sar图像识别方法、装置及存储介质
CN109598241B (zh) 基于Faster R-CNN的卫星图像海上舰船识别方法
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
Yang et al. Ship detection from optical satellite images based on sea surface analysis
US10497128B2 (en) Method and system for sea background modeling and suppression on high-resolution remote sensing sea images
Gerg et al. Structural prior driven regularized deep learning for sonar image classification
CN115019181A (zh) 遥感图像旋转目标检测方法、电子设备及存储介质
CN111553184A (zh) 一种基于电子围网的小目标检测方法、装置及电子设备
CN113205139A (zh) 一种基于密度聚类的无人艇水上球体检测方法
Huang et al. A deep learning approach to detecting ships from high-resolution aerial remote sensing images
CN116935369A (zh) 基于计算机视觉的船舶水尺读数方法及系统
CN115082487B (zh) 超声图像切面质量评价方法、装置、超声设备及存储介质
CN112686222B (zh) 星载可见光探测器对船舶目标检测的方法和系统
CN111611834A (zh) 一种基于sar的船只识别方法、装置
CN113657196B (zh) Sar图像目标检测方法、装置、电子设备和存储介质
CN113011376B (zh) 海上船舶遥感分类方法、装置、计算机设备及存储介质
CN112308010B (zh) 一种基于yolo-v3算法的船只遮挡检测方法及装置
CN113963178A (zh) 地空背景下红外弱小目标检测方法、装置、设备及介质
Yu et al. A lightweight ship detection method in optical remote sensing image under cloud interference
CN109471106B (zh) 结合聚类分析和边界跟踪法的sar海洋内波条纹识别方法
Yuankui et al. Automatic target recognition of ISAR images based on Hausdorff distance
CN113962934A (zh) 基于Faster RCNN网络的缺陷检测方法及系统
Fernandez Arguedas et al. Ship classification in high and very high resolution satellite SAR imagery
CN113139077B (zh) 一种识别船舶身份的方法、装置、终端及存储介质
Idicula et al. Real time SAR Ship Detection using novel SarNeDe method

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: 20200901

RJ01 Rejection of invention patent application after publication